Obiettivi formativi
L’obbiettivo del corso è fornire lo studente di alcuni fondamentali metodiche dell’analisi dei dati.
Più in particolare attraverso questo corso si mira a mettere in grado lo studente di poter scegliere, per alcuni problemi concreti di rilevanza aziendale, lo strumento appropriato di statistica multivariata.
Prerequisiti
Conoscenza della statistica di base
Contenuti dell'insegnamento
1. Medie di posizione e analitiche.
2. Indici di variabilità.
3. Centri a due e più dimensioni.
4. Individuazione di dati anomali.
5. La matrice di varianze covarianze.
6. Principali distribuzioni teoriche.
7. Trasformazioni di variabili.
8. Distanze multivariate.
9. Modelli discriminanti.
10. Componenti principali.
11. Regressione multivariata.
Programma esteso
. Medie.
1.1 La funzione di medie potenziate.
1.2 Medie ottenute da condizioni di equivalenza..
1.3. Proprietà delle medie.
1.4 Medie di posizione e loro proprietà.
1.5 Centri a due e più dimensioni.
1.6 Ricerca di dati anomali.
2. Variabilità e relazioni statistiche.
2.1 Variabilità assoluta e relativa.
2.2 Proprietà della varianza.
2.3 Covarianza, correlazione e loro proprietà.
2.3 Matrici di varianze covarianze, di correlazione e loro proprietà.
2.4 Trasformazioni di variabili.
3. Distribuzioni teoriche.
3.1 Normale.
3.2 Bernoulli.
3.3 Binomiale.
3.4 Poisson.
3.2 Rettangolare.
3.3 Esponenziale.
3.4 Lognormale.
3.5 Pareto.
3.6 Cauchy.
3.6 Normale multivariata.
4. Distanze.
4.1 Proprietà fondamentali delle distanze.
4.2 La metrica di Minkowski.
4.3 Proprietà della distanza euclidea.
4.4 La distanza di Mahalanobis.
5. Modelli discriminanti.
5.1 Discriminante di Fisher.
5.2 Discriminante di massima verosimiglianza.
5.3 scelta delle variabili discriminanti.
5.4 Discriminazione e correlazione.
5.5 Utilizzazione dell’analisi discriminante nella valutazione delle imprese.
6. Componenti principali.
6.1 Approccio geometrico alle componenti principali.
6.2 Approccio algebrico alle componenti principali.
6.2 Proprietà delle componenti principali.
7. Regressione multivariata.
7.1 Il modello lineare classico.
7.2 Valutazione della bontà delle stime ottenute.
8. Rappresentazioni grafiche
8.1 Il diagramma a foglie.
8.2 Il box plot.
8.1 Le curve di Andrew.
8.2 Le facce di Chernoff
Bibliografia
Cerioli A. Zani S. Analisi dei dati e data mining per le decisioni aziendali. Giuffrè editore. Milano. 2007
Metodi didattici
Lezioni frontali con alcune applicazioni di Excel.
Modalità verifica apprendimento
Prova scritta e orale.
Altre informazioni
- - -
Obiettivi agenda 2030 per lo sviluppo sostenibile
- - -
