Facebook pixel
Info
Foto sezione
Logo Bocconi

Insegnamento a.a. 2022-2023

30595 - STATISTICA / STATISTICS

CLEACC
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: 11 - 12

CLEACC (8 cfu - I sem. - OB  |  SECS-S/01)
Docente responsabile dell'insegnamento / Course Director:
EUGENIO MELILLI

Classi: 11 (I sem.)
Docenti responsabili delle classi:
Classe 11: EUGENIO MELILLI

Classe/i impartita/e in lingua italiana

Mission e Programma sintetico
MISSION

Il corso ha essenzialmente due obiettivi: da una parte si propone di fornire allo studente quegli strumenti statistici ritenuti indispensabili nella preparazione di un laureato in materie economico-aziendali e utili ai fini dello svolgimento della tesi di laurea. Dall'altra parte, il corso mira a favorire nello studente la formazione della capacità di modellizzazione della realtà, necessaria per l'analisi quantitativa di fenomeni economici e sociali e per la conseguente predisposizione di strumenti idonei per l'assunzione di decisioni in condizioni di incertezza. La presentazione degli argomenti è motivata da situazioni e fenomeni reali, in modo da porre in evidenza l'applicabilità dei concetti e delle metodologie introdotte, con particolare attenzione ai settori di primario interesse nel corso di laurea. Nel corso si fa uso del software statistico R per la presentazione e l'analisi di dati e fenomeni di natura economica ed aziendale.

PROGRAMMA SINTETICO

Elementi di statistica descrittiva:

-  Unità e carattere statistico. Popolazione e campione. Tipologie di dati.

-  Raccolta, analisi e rappresentazione di dati attraverso tabelle e grafici. 

-  Misure di posizione, di variabilità, di concentrazione, di associazione.

 

Elementi di calcolo delle probabilità:

-  Variabili aleatorie discrete e continue. Distribuzioni di probabilità. Valore atteso e varianza. Distribuzione        bernoulliana e distribuzione normale (o gaussiana).

-  Variabili aleatorie indipendenti e teorema centrale del limite.

 

Elementi di inferenza statistica:

-  Stima puntuale e mediante intervalli di confidenza di medie e proporzioni. Coefficiente di confidenza e lunghezza di un intervallo.

-  Verifica di ipotesi sulla media, sulla proporzione e sulla differenza di medie. Livello di un test. P-value. Test di indipendenza.

 

Modelli di regressione:

-  Modello di regressione lineare semplice. Problemi inferenziali sui parametri del modello di regressione. Test per la significatività della variabile esplicativa. Scomposizione della variabilità e coefficiente di determinazione. Previsione.

-  Modello di regressione lineare multipla. Problemi inferenziali sui parametri del modello di regressione. Test per la significatività delle singole variabili esplicative, di gruppi di variabili e del modello nel suo complesso. Uso di variabili esplicative qualitative. Scomposizione della variabilità e coefficiente di determinazione. Previsione.


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

Comprendere e distinguere le diverse tipologie di dati e le relative tecniche di analisi, sia in ambito descrittivo (attraverso indicatori e grafici), sia in ambito inferenziale (mediante l'uso di opportuni modelli statistici).

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

Sintetizzare e descrivere in modo appropriato un insieme di dati; costruire modelli probabilistico-statistici per rappresentare ed analizzare fenomeni reali; usando tali modelli, inferire, sulla base di dati campionari, su  parametri incogniti della  popolazione di interesse; rispondere, sempre partendo da informazioni campionarie,  a domande di ricerca; usare informazioni provenienti da indagini campionarie per orientare le decisioni in ambito economico-aziendale.


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

Durante l'intero corso vengono svolti esercizi in cui sono proposte analisi di dati effettuate con il software R. Gli studenti possono partecipare in modo attivo a tali analisi, usando  il proprio notebook.


Metodi di valutazione dell'apprendimento
  Accertamento in itinere Prove parziali Prova generale
  • Prova individuale scritta (tradizionale/online)
  •   x x
    STUDENTI FREQUENTANTI E NON FREQUENTANTI

    L'esame può essere sostenuto mediante due prove parziali oppure, in alternativa, mediante un'unica prova generale.

     

    1) Esame con prove parziali.

    Prima prova parziale: la prova  include domande a risposta chiusa e domande ed esercizi a risposta aperta; alcune domande richiedono l’uso del software R. Le domande  vertono sul programma del corso svolto fino all’ultima lezione che precede la pausa prevista per le prove intermedie. Il punteggio massimo della prima prova parziale è 31.

    Seconda prova parziale: la prova  include domande a risposta chiusa e domande ed esercizi a risposta aperta; alcune domande richiedono l’uso del software R. Le domande  vertono sul programma del corso svolto a partire dalla prima lezione che segue la pausa prevista per le prove intermedie. Il punteggio massimo della seconda prova parziale è 31.

    Il voto finale è ottenuto come media aritmetica (eventualmente arrotondata alla cifra intera) dei punteggi delle due prove parziali; l’esame è superato se tale voto è maggiore o uguale a 18 (non è richiesto alcun punteggio minimo nelle singole prove).

     

    2) Esame con una prova generale.

    La prova  include domande a risposta chiusa e domande ed esercizi a risposta aperta; alcune domande richiedono l’uso del software R. Le domande  vertono sull’intero  programma del corso. Il punteggio massimo della prova generale è 31.

     

    Le domande a risposta chiusa si propongono essenzialmente di verificare la comprensione da parte degli studenti dei concetti e delle metodologie e tecniche presentate. Le domande ed esercizi a risposta aperta  si propongono essenzialmente di verificare la capacità degli studenti di  distinguere le diverse tipologie di dati e le relative tecniche di analisi e di applicare correttamente queste ultime.


    Materiali didattici
    STUDENTI FREQUENTANTI E NON FREQUENTANTI
    • Note didattiche,  esercizi, dataset e altro materiale disponibile su Blackboard.
    • Lettura consigliata: P. NEWBOLD, W.L. CARLSON, B. THORNE, Statistica, Milano, Pearson/Prentice Hall, 2020, 9° edizione.
    Modificato il 09/05/2022 11:06

    Classes: 12 (I sem.)
    Instructors:
    Class 12: REBECCA GRAZIANI

    Class group/s taught in English

    Mission & Content Summary
    MISSION

    The course has two main purposes. First, the course aims at introducing the statistical tools assumed as indispensable for an undergraduate student in economics. Second, the course intends to enhance modelling capabilities needed for a better understanding of social and economic phenomena and for dealing with decisions under uncertainty. The different topics are introduced starting from real situations and phenomena in order to stress the applied relevance of the concepts and methodological tools. Students are introduced to the use of the software R for the presentation and the analysis of economic and business data.

    CONTENT SUMMARY

    Elements of descriptive statistics

    • Statistical variables, population and sample. Data representation and analysis through tables and charts. Frequency distributions.
    • Measures of location, dispersion, concentration and association.

     

    Elements of probability theory

    • Discrete and continuous random variables. Probability distributions. Expected value and variance. Bernoulli  and Gaussian distributions.
    • Independent random variables, central limit theorem.

     

    Elements of statistical inference

    • Point and interval estimation of means and proportions. Interval length and confidence level.
    • Hypothesis testing on means, proportions and difference of means. Significance level of a test. P-value. Test of independence.

     

    Regression analysis

    • Simple linear regression model. Inference on the parameters of the model. Testing the significance of an independent variable. Variability decomposition and R-square. Prediction.
    • Multiple linear regression model. Inference on the parameters of the model. Testing the significance of each independent variable, of a group of variables and of the overall model. Variability decomposition and R-square. Prediction.

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

    Understand and distinguish the different types of data and the different techniques of analysis, both in a descriptive setting (through indicators and plots) and in an inferential one (using appropriate statistical models).

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

    Appropriately summarize datasets, estimate unknown population parameters and test hypothesis on them starting from sample data, construct simple statistical models (such as regression models) designed to study the relationships among variables. Give valid answers to research questions and help taking decisions using sample data.

     


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

    Exercises  devoted to the analysis of  data are proposed throughout the whole course, with particular enphasis on data coming from fields of primary  interest for this course; to this aim the software R is used on a regular basis. Students are invited  to take an active part in the analysis using their own notebook.


    Assessment methods
      Continuous assessment Partial exams General exam
  • Written individual exam (traditional/online)
  •   x x
    ATTENDING AND NOT ATTENDING STUDENTS

    Two partial exams or a general exam

     

    Two partial exams

    The partial exams include both open-ended questions and multiple choice (closed-ended) questions. Some questions require the use of sotware R.

    The first partial exam tests the students knowledge on all topics up to the last lecture (included) before the break for the exams session.

    The second partial exam tests the students knowledge on all topics starting from the first lecture (included) after the break for the exams session, up to the last lecture of the course (included).

    Each partial exam is graded out of 31. The final mark is the arithmetic average of the two partial exam marks. Students pass the exam if the final grade is equal or greater than 18.

     

    General exam

    The General exam tests the students knowledge on the entire course. The exam includes both open-ended questions and multiple choice (closed-ended) questions. Some questions require the use of software R.

     

    The purpose of the closed-ended questions is mainly to test the knowledge and understanding of the concepts and methodologies presented in the course.

    Open-ended questions and exercises aim essentially to test the ability to distinguish among the different types of data and to apply the analysis techniques introduced.


    Teaching materials
    ATTENDING AND NOT ATTENDING STUDENTS
    • Teaching notes
    • Slides  available on Blackboard Platform for ELearning
    • Blackboard tests, datasets and further material available on Blackboard Platform for ELearning
    • Additional reading: P. NEWBOLD, W.L. CARLSON, B.M. THORNE, Statistics for Business and Economics, Pearson.
    Last change 26/05/2022 16:27