Insegnamento STATISTICAL COMPUTING METHODS
Nome del corso di laurea | Finanza e metodi quantitativi per l'economia |
---|---|
Codice insegnamento | A000208 |
Sede | PERUGIA |
Curriculum | Statistics for finance and economics |
Docente responsabile | Francesco Bartolucci |
CFU | 12 |
Regolamento | Coorte 2021 |
Erogato | Erogato nel 2022/23 |
Erogato altro regolamento | |
Anno | 2 |
Periodo | Annuale |
Tipo insegnamento | Obbligatorio (Required) |
Tipo attività | Attività formativa integrata |
Suddivisione |
MOD. I STATISTICAL COMPUTING
Codice | A000209 |
---|---|
Sede | PERUGIA |
CFU | 6 |
Docente responsabile | Silvia Pandolfi |
Docenti |
|
Ore |
|
Attività | Affine/integrativa |
Ambito | Attività formative affini o integrative |
Settore | SECS-S/01 |
Tipo insegnamento | Obbligatorio (Required) |
Lingua insegnamento | INGLESE |
Contenuti | Metodi numerici e statistici avanzati vengono presentati a partire da casi di studio reali e analizzati tramite il software R. |
Testi di riferimento | Braun, W.J., and Murdoch, D.J. (2007). A First Course in Statistical Programming with R, Cambridge University Press. Jones, O., Maillardet, R. and Robinson, A. (2009). Introduction to Scientific Programming and Simulation Using R, Chapman & Hall/CRC. Rizzo, M. L. (2008). Statistical Computing with R, Chapman & Hall/CRC. Voss, J. (2013). An Introduction to Statistical Computing, John Wiley & Sons. McLachlan, G. and Peel. D. (2004). Finite Mixture Models, John Wiley & Sons. Altro materiale fornito dal docente nel corso delle lezioni. |
Obiettivi formativi | Al termine del corso lo studente dovrà essere in grado di implementare ed applicare in maniera autonoma le opportune metodologie numeriche e statistiche ad un problema reale tramite il software R. |
Prerequisiti | Il corso introduce aspetti avanzati di statistica computazionale, per cui è attesa una solida base dei concetti fondamentali di statistica e calcolo delle probabilità. Inoltre, una conoscenza di base del software R è necessaria per le attività pratiche di laboratorio. |
Metodi didattici | Lezioni frontali ed esercitazioni pratiche tramite il software statistico R. |
Altre informazioni | Per informazioni sui servizi di supporto agli studenti con disabilità e/o DSA visita la pagina http://www.unipg.it/disabilita-e-dsa |
Modalità di verifica dell'apprendimento | Esame scritto da fare a casa sotto forma di progetto. Esame finale orale. Le attività di laboratorio sono finalizzate ad accertare la capacità dello studente di mettere in pratica le metodologie introdotte in classe. L'esame finale intende invece valutare il livello di conoscenza e comprensione raggiunto dallo studente per quanto riguarda gli aspetti computazionali e metodologici trattati durante il corso. |
Programma esteso | Il corso intende presentare alcuni metodi numerici e statistici avanzati che trovano applicazione in molti ambiti, dalla finanza all'economia, dal data mining alle scienze sociali. I metodi vengono introdotti a partire da casi di studio reali e analizzati tramite il software R. In dettaglio, verranno trattati i seguenti argomenti: - Simulazioni Monte Carlo - Metodi di integrazione Monte Carlo - Metodi di ottimizzazione numerica - Modelli a variabili latenti: modelli mistura, modelli a classi latenti, modelli hidden Markov - Algoritmo EM - Inferenza bootstrap |
MOD. II BAYESIAN COMPUTING
Codice | A000210 |
---|---|
Sede | PERUGIA |
CFU | 6 |
Docente responsabile | Francesco Bartolucci |
Docenti |
|
Ore |
|
Attività | Affine/integrativa |
Ambito | Attività formative affini o integrative |
Settore | SECS-S/01 |
Tipo insegnamento | Obbligatorio (Required) |
Lingua insegnamento | INGLESE |
Contenuti | Il modulo fornisce le prima nozioni di inferenza Bayesiana inference e una illustrazione dei principali algorithm per l'applicazione dei relativi metodi per l'analisi dei dati. |
Testi di riferimento | Robert, C. (2007). The Bayesian choice: from decision-theoretic foundations to computational implementation. New York: Springer. Robert, C. and Casella, G. (2010). Introducing Monte Carlo methods with R. New York: Springer. |
Obiettivi formativi | Gli studenti che completano con successo il modulo avranno la capacità di implementare algoritmi di inferenza Bayesiana per l'analisi di dataset di complessità intermedia. |
Prerequisiti | Corsi di base di probabilità e statistica. |
Metodi didattici | Quattro/sei ore di didattica frontale che comprendono esercitazioni ogni settimana. |
Altre informazioni | Gli studenti utilizzeranno il software statistico R. |
Modalità di verifica dell'apprendimento | Esame scritto e orale. |
Programma esteso | - Rivisitazione dei principi di inferenza frequentista - Principi dell'approccio di inferenza Bayesiana in confronto con approccio frequentista - Distribuzioni prior conjugate - Casi specifici: Beta-Binomial, Dirichlet-Multinomial, Gamma-Poisson - Il caso Normal-Normal-Inverse Gamma e della regressione lineare - Distribuzioni a priori oggettive di Jeffreys - Predizione, Intervalli di credibilità e verifica delle ipotesi - Calcolo della distribuzione a posteriori tramite approcci deterministici: metodo della quadratura, approssimazione di Laplace, algoritmo EM - Calcolo della distribuzione a posteriori tramite metodi stocastici: metodo Monte Carlo, Importance sampling, algoritmo di Metropolis-Hastings, algoritmo Gibbs, Reversible Jump |