Argomenti dell'insegnamento
- Statistica descrittiva: definizioni di base, classificazione delle variabili, panoramica delle tecniche di campionamento, distribuzioni di frequenza, rappresentazioni grafiche, misure di tendenza centrale e di variabilità. - Probabilità: introduzione alla probabilità, assiomi di base, probabilità condizionata, indipendenza, teorema di Bayes, introduzione alle variabili casuali discrete e continue, valori attesi e varianza, introduzione alle distribuzioni note per variabili casuali discrete e continue, teorema del limite centrale. - Inferenza: Statistiche campionarie e distribuzioni campionarie, introduzione agli stimatori e alle loro proprietà, stima puntuale, stima per intervallo (media, proporzione, differenza tra medie, campioni appaiati), test di ipotesi (media, proporzione, differenza tra medie, campioni appaiati) - Argomenti aggiuntivi: analisi delle dipendenze bivariate tra variabili mediante correlazione e regressione, introduzione al software R per l'analisi descrittiva, inferenza statistica e regressione.

Modalità di insegnamento
Lezioni frontali ed esercizi.

Obiettivi formativi
Conoscenza e comprensione dei concetti matematici di base (insiemi e operazioni sugli insiemi, relazioni e loro proprietà, funzioni generali, numeri e equazioni/disuguaglianze elementari) delle funzioni di una variabile reale: proprietà di base, derivate e loro calcolo incluse le derivate parziali di primo ordine. dei problemi di ottimizzazione di una variabile: concetti e condizioni di ottimalità, convessità, approccio algoritmico. degli integrali per funzioni di una variabile: integrali indefiniti, integrali e aree definite, calcolo integrale. della terminologia matematica in inglese. dei concetti di base dell’algebra lineare: matrici e calcolo matriciale, vettori e loro applicazioni geometriche, sistemi di equazioni lineari. delle funzioni con più variabili: derivate parziali e gradiente, convessità. dei problemi di ottimizzazione per più variabili: concetti e condizioni di ottimalità, per i casi non vincolato e vincolato, metodo di Lagrange. della statistica descrittiva e di come sintetizzare dati: variabili, distribuzioni di frequenza, misure di tendenza centrale e di variabilità. del concetto di incertezza e degli elementi di base della teoria della probabilità. dei concetti di base della teoria dei campioni. dei concetti di base della statistica inferenziale: stima puntuale; intervallo di confidenza; test delle ipotesi; regressione lineare. delle relazioni tra variabili e dei concetti di base nella verifica di ipotesi. della terminologia statistica del software disponibile per l’analisi dati nelle scienze sociali. delle basi della programmazione lineare in economia e management. delle basi sui concetti di incertezza, ambiguità e robustezza nel contesto dell’analisi dati. della base della teoria degli ordini in specifico le relazioni d’ordine parziale e totale (lineare). delle implicazioni delle relazioni d’ordine non-totali su modelli decisionali delle "best practices" e delle funzioni principali di Excel per la raccolta, lavorazione e visualizzazione dati dei meccanismi di creazione e utilizzo dei big data, e le implicazioni in ambito aziendale. del valore monetario di dati personali e aziendali. dei metodi e algoritmi fondamentali per l’analisi dati, come anche i metodi di machine learning. del concetto di sicurezza dati da un punto di vista legislativo e tecnico. Capacità di applicare conoscenza e comprensione concetti di base utili per seguire i corsi in economia, business e amministrazione problemi economici con più variabili in modo formalizzato; capacità di individuare soluzioni (ottimali) e di interpretarne i risultati sulla base delle teorie esistenti. calcolare differenziali e integrali di funzioni reali. Capacità di risolvere problemi di ottimizzazione con una variabile. definire in modo formalizzato i problemi economici; di trovare soluzioni (ottimali) e di interpretare risultati sulla base delle teorie esistenti. usare gli strumenti matematici per l’analisi di modelli statici e dinamici. i problemi e modelli matematici e delle idee per risolverli. utilizzo di strumenti matematici per l’analisi di modelli statici e dinamici con più variabili. utilizzare matrici per rappresentare dati e di gestirle per trasformazioni e calcolo. metodi statistici come strumenti di ricerca utili nelle scienze sociali. statistica descrittiva e inferenziale per sintetizzare informazioni, per analizzare e interpretare relazioni tra variabili e per test di ipotesi. almeno un applicativo statistico per sviluppare una semplice analisi dei dati. l’uso di algoritmi/applicazioni per trovare le soluzioni di programmi lineari e il loro problema duale. risoluzione di giochi fra due persone a somma zero via programmazione lineare risoluzione di programmi lineari per problemi di gestione aziendale: ottimizzazione di costi e ricavi, progettazione e ottimizzazione della logistica, pianificazione dei flussi di magazzino e così via. utilizzo di metodi matematici per modellare rischi (incertezze) e per risolvere problemi di massimizzazione dell’utilità attesa. distinguere fra situazioni di decisione con preferenze complete e non-complete per poi usare il modello appropriato. utilizzo di Excel per la raccolta, lavorazione e visualizzazione dati. utilizzo di servizi web per l’analisi dei dati online. capire i principi base dei moderni concetti dell’analisi dati, per esempio machine learning. affrontare le problematiche della sicurezza dati nelle realtà aziendali. Autonomia di giudizio identificare le variabili più rilevanti da utilizzare nell’adottare decisioni in situazioni complesse; trovare le necessarie informazioni aggiuntive in banche dati, nelle fonti normative e nella bibliografia scientifica; adottare argomentazioni logiche e mettere in relazione informazioni e strumenti analitici per trovare soluzioni. Abilità comunicative Il raggiungimento di questo obiettivo sarà valutato tramite esami scritti, compiti individuali e di gruppo nonché la tesi di laurea finale. Capacità di apprendimento capacità di reperire e rendere utilizzabili informazioni da banche dati, da studi di ricerca, da leggi, regolamenti e norme che vengono applicate nella vita professionale; capacità di analizzare, valutare in modo critico ed integrare dati, informazioni ed esperienze

Modalità d'esame
Valutazione (per studenti frequentanti e non frequentanti): - Esame intermedio scritto (facoltativo): Copre circa la metà degli argomenti del corso. Contribuisce al 40-50% del voto finale, a seconda del contenuto. - Esame finale scritto: Copre gli argomenti rimanenti se è stato sostenuto l'esame intermedio (50-60% del voto finale), o l'intero corso se non è stato sostenuto l'esame intermedio (100% del voto finale). Nota: il voto dell'esame intermedio rimarrà valido per un anno.

Criteri di valutazione
Sia l'esame scritto intermedio che quello finale consistono in domande teoriche ed esercizi. Saranno valutati in base alla chiarezza dell'esposizione, alla conoscenza e alla comprensione dei metodi statistici, alla capacità di applicare procedure statistiche appropriate e alla correttezza dei risultati. La capacità di leggere e interpretare i risultati di R sarà fondamentale per la soluzione di alcuni esercizi.