Facebook pixel
Info
Foto sezione
Logo Bocconi

Insegnamento a.a. 2022-2023

20356 - PRECORSO DI STATISTICA / STATISTICS - PREPARATORY COURSE

Tutti i corsi / All Programs
Dipartimento di Scienze delle Decisioni / Department of Decision Sciences

Per la lingua del corso verificare le informazioni sulle classi/
For the instruction language of the course see class group/s below

Vai alle classi / Go to class group/s: 1 - 2 - 3 - 4 - 5

M (I sem. - P) - IM (I sem. - P) - MM (I sem. - P) - GIO (I sem. - P) - PPA (I sem. - P) - TS (I sem. - P)
Docente responsabile dell'insegnamento / Course Director:
RAFFAELLA PICCARRETA

Classes: 1 (I sem.)
Instructors:
Class 1: ALBERTO SACCARDI

Class group/s taught in English

Suggested background knowledge

The course has not specific prerequisites


Mission & Content Summary
MISSION

The course aims to provide students with the basic knowledge of statistics and data analysis necessary to face the compulsory courses of Quantitative Methods, present in the Master M, IM, MM, GIO, PPA.

CONTENT SUMMARY
  • Introduction to data sources, database, sampling.
  • Description of qualitative data: classification of variables, univariate and bivariate analysis, graphical  representations.
  • Description of quantitative data: summary measures, outliers detection, bivariate analysis, scatter plots.
  • Probability and random variables(brief notes): standard distributions
  • Introduction to inferential statistics: point and interval estimation, introduction to esting theory
  • Test for bivariate analysis: test of indipendence, test on the difference of means.
  • Simple regression and test on the coefficients.

Intended Learning Outcomes (ILO)
KNOWLEDGE AND UNDERSTANDING
At the end of the course student will be able to...
  • Recognize different types of data.
  • Understand the difference between the tools of descriptive and inferential statistics, and identify the most suitable approach for the problem at hand.
  • Recognize simple statistical models.
APPLYING KNOWLEDGE AND UNDERSTANDING
At the end of the course student will be able to...
  • Properly summarize a dataset.
  • Estimate and test hypotheses on the unknown parameters of a population based on sample data.
  • Build simple statistical models, as regression models, to study the relationships between variables of interest.

Teaching methods
  • Face-to-face lectures
DETAILS

       


Assessment methods
  Continuous assessment Partial exams General exam
  • There is no formal assessment for this course
  • x    
    ATTENDING AND NOT ATTENDING STUDENTS

          


    Teaching materials
    ATTENDING AND NOT ATTENDING STUDENTS

    Paul Newbold, William Carlson and Betty Thorne, STATISTICS FOR BUSINESS & ECONOMICS 9e, 2019

    Last change 29/07/2022 16:15

    M (I sem. - P) - MM (I sem. - P)
    Docente responsabile dell'insegnamento / Course Director:
    RAFFAELLA PICCARRETA

    Classi: 5 (I sem.)
    Docenti responsabili delle classi:
    Classe 5: ALESSANDRO RECLA

    Classe/i impartita/e in lingua italiana

    Conoscenze pregresse consigliate

    Non sono previsti requisiti per frequentare questo corso


    Mission e Programma sintetico
    MISSION

    Il corso ha lo scopo di fornire agli studenti le conoscenze di base di statistica e di analisi dei dati necessarie per affrontare i corsi obbligatori di Metodi Quantitativi, presenti nei bienni M e MM.

    PROGRAMMA SINTETICO

     

    • Nozioni introduttive: fonti dei dati, database, campionamento.
    • Descrizione di dati qualitativi: classificazione delle variabili, analisi univariata e bivariata, rappresentazioni grafiche.
    • Descrizione di dati quantitativi: misure di tendenza centrale e non centrale, individuazione dei dati anomali, analisi bivariata, rappresentazioni grafiche.
    • Variabili aleatorie (cenni): probabilità, variabili aleatorie, distribuzioni notevoli.
    • Introduzione all’inferenza statistica: stima puntuale e per intervallo, introduzione alla teoria dei test.
    • Test per analisi bivariate: analisi di connessione, test sul confronto fra medie, test sul coefficiente di correlazione
    • Regressione lineare semplice e test sui coefficienti.

    Risultati di Apprendimento Attesi (RAA)
    CONOSCENZA E COMPRENSIONE
    Al termine dell'insegnamento, lo studente sarà in grado di...
    • Comprendere la diversa natura dei dati.
    • Distinguere le tecniche di analisi descrittiva da quelle inferenziali ed essere in grado di identificare quella più appropriata per il problema oggetto di studio.
    • Riconoscere semplici modelli statistici.
    CAPACITA' DI APPLICARE CONOSCENZA E COMPRENSIONE
    Al termine dell'insegnamento, lo studente sarà in grado di...
    • Sintetizzare in modo appropriato un insieme di dati.
    • Stimare e verificare ipotesi su parametri non noti di una popolazione a partire da dati campionari.
    • Costruire semplici modelli statistici, quali quelli di regressione, volti a studiare le relazioni fra le diverse variabili di interesse.

    Modalità didattiche
    • Lezioni frontali
    DETTAGLI

      


    Metodi di valutazione dell'apprendimento
      Accertamento in itinere Prove parziali Prova generale
  • Il precorso non prevede momenti formali di valutazione
  • x    
    STUDENTI FREQUENTANTI E NON FREQUENTANTI

      


    Materiali didattici
    STUDENTI FREQUENTANTI E NON FREQUENTANTI

    P. Newbold, W.L.Carlson, B. Thorne (2020). Statistica, 9/Ed, Pearson

     

    L. Molteni, G. Troilo (2007). Ricerche di marketing, Milano, Mc Graw Hill

    Modificato il 29/07/2022 15:42

    FIN (I sem. - P)
    Docente responsabile dell'insegnamento / Course Director:
    MASSIMO GUIDOLIN

    Classes: 4 (I sem.)
    Instructors:
    Class 4: MASSIMO GUIDOLIN

    Class group/s taught in English

    Mission & Content Summary
    MISSION

    The course introduces basic concepts from inferential statistics. The course has two types of audiences: 1. Students who want to review concepts encountered before but who value having them refreshed and ready more than the time required to attend the prep-course in August. 2. Students who self-assess that they may presenting “gaps” in their background with reference to one or more of the topics/lectures listed below.

    CONTENT SUMMARY

    1. Random sampling: 
    Sample statistics and their properties
    Location-scale family and their properties
    The case of unknown variance: t-Student distribution 

     

    2. Modes of convergence and point estimation: 
    Convergence in probability and weak law of large numbers
    Almost sure convergence and strong law of large numbers
    Convergence in distribution and the central limit theorem

     

    3. Theory of estimation:
    Maximum likelihood estimation (MLE)
    Evaluating estimators: MSE, UMVUE, Consistency

     

    4. Hints to the theory and approaches to hypothesis tests.


    Intended Learning Outcomes (ILO)
    KNOWLEDGE AND UNDERSTANDING
    At the end of the course student will be able to...

    1. Review the key notions related to Random sampling: 
    Sample statistics and their properties
    Location-scale family and their properties
    The case of unknown variance: t-Student distribution 

     

    2. Review the key notions related to modes of convergence and point estimation: 
    Convergence in probability and weak law of large numbers
    Almost sure convergence and strong law of large numbers
    Convergence in distribution and the central limit theorem

     

    3. Develop a working knowledge of estimation:
    Maximum likelihood estimation (MLE)
    Evaluating estimators: MSE, UMVUE, Consistency

     

    4. Hints to the theory and approaches to hypothesis testing.

    APPLYING KNOWLEDGE AND UNDERSTANDING
    At the end of the course student will be able to...

    Understand what is a random sample.


    Perform point estimation and appreciate the difference between estimation and estimators.


    Use the maximum likelihood estimation principle.


    Perform hypothesis testing.


    Teaching methods
    • Face-to-face lectures
    • Online lectures
    • Exercises (exercises, database, software etc.)
    DETAILS

    In-class standard lectures.

    Pre-recorded pills made available through the Blackboard page for the course.


    Assessment methods
      Continuous assessment Partial exams General exam
  • Active class participation (virtual, attendance)
  • x    
    ATTENDING AND NOT ATTENDING STUDENTS

    No final exam is foreseen.


    Teaching materials
    ATTENDING AND NOT ATTENDING STUDENTS

    Casella, G, R., Berger, Statistical Inference, Duxbury Press, 2001

    Jackson, M., and M., Staunton, 2001, Advanced Modelling in Finance Using Excel and VBA, John Wiley & Sons Inc.

    Last change 10/06/2022 19:49

    DES-ESS (I sem. - P) - DSBA (I sem. - P) - CYBER (I sem. - P)
    Docente responsabile dell'insegnamento / Course Director:
    IGOR PRUNSTER

    Classes: 2 (I sem.)
    Instructors:
    Class 2: MARCO UGO BOELLA

    Class group/s taught in English

    Suggested background knowledge

    The course has not specific prerequisites

    Last change 05/12/2022 17:45

    FIN (I sem. - P)
    Docente responsabile dell'insegnamento / Course Director:
    MASSIMO GUIDOLIN

    Classi: 3 (I sem.)
    Docenti responsabili delle classi:
    Classe 3: MASSIMO GUIDOLIN

    Classe/i impartita/e in lingua italiana

    Mission e Programma sintetico
    MISSION

    Il corso introduce i concetti di base della statistica inferenziale. Il corso ha due tipi di pubblico: 1. Studenti che vogliono rivedere i concetti studiati in precedenza ma che apprezzano averli aggiornati e pronti attraverso la frequentazione del pre-corso ad agosto. 2. Studenti che percepiscono di poter soffrire di “lacune” nel loro background con riferimento ad uno o più degli argomenti/lezioni di seguito elencate.

    PROGRAMMA SINTETICO

    1. Campionamento casuale:

     

    Statistiche campionarie e loro proprietà

    Famiglia location-scale e loro proprietà

    Il caso della varianza sconosciuta: distribuzione t-Student

     

    2. Modalità di convergenza e stima puntuale:

     

    Convergenza in probabilità e legge debole dei grandi numeri

    Convergenza quasi sicura e legge forte dei grandi numeri

    Convergenza in distribuzione e il teorema del limite centrale

     

    3. Teoria della stima:

     

    Stima di massima verosimiglianza (MLE)

    Metodi di valutazione degli stimatori: MSE, UMVUE, Consistenza 

     

    4. Cenni alla teoria e approcci ai test di ipotesi.


    Risultati di Apprendimento Attesi (RAA)
    CONOSCENZA E COMPRENSIONE
    Al termine dell'insegnamento, lo studente sarà in grado di...

    1. Passare in rassegna le nozioni chiave relative al campionamento casuale:

     

    Statistiche campionarie e loro proprietà

    Famiglia location-scale e loro proprietà

    Il caso della varianza sconosciuta: distribuzione t-Student

     

    2. Passare in rassegna le nozioni chiave relative alle modalità di convergenza e alla stima puntuale:

     

    Convergenza in probabilità e legge debole dei grandi numeri

    Convergenza quasi sicura e legge forte dei grandi numeri

    Convergenza in distribuzione e teorema del limite centrale

     

    3. Sviluppare una conoscenza pratica della stima:

     

    Stima di massima verosimiglianza (MLE)

    Metodi di valutazione degli stimatori: MSE, UMVUE, Consistenza 

     

    4. Cenni alla teoria e approcci alla verifica di ipotesi.

    CAPACITA' DI APPLICARE CONOSCENZA E COMPRENSIONE
    Al termine dell'insegnamento, lo studente sarà in grado di...

    Capire cosa sia un campione casuale.

     

    Eseguire la stima puntuale e apprezzare la differenza tra stima e stimatori.

     

    Utilizzare il principio di stima della massima verosimiglianza.

     

    Eseguire test di ipotesi.


    Modalità didattiche
    • Lezioni frontali
    • Lezioni online
    • Esercitazioni (esercizi, banche dati, software etc.)
    DETTAGLI

    Lezioni standard in aula.

     

    Brevi lezioni preregistrate messe a disposizione attraverso la pagina Blackboard del corso.


    Metodi di valutazione dell'apprendimento
      Accertamento in itinere Prove parziali Prova generale
  • Peer evaluation
  • x    
    STUDENTI FREQUENTANTI E NON FREQUENTANTI

    Non è previsto alcun esame finale.


    Materiali didattici
    STUDENTI FREQUENTANTI E NON FREQUENTANTI

    Casella, G, R., Berger, Statistical Inference, Duxbury Press, 2001

    Jackson, M., and M., Staunton, 2001, Advanced Modelling in Finance Using Excel and VBA, John Wiley & Sons Inc.

    Modificato il 10/06/2022 21:57