Insegnamento STATISTICAL COMPUTING METHODS
- Corso
- Finanza e metodi quantitativi per l'economia
- Codice insegnamento
- A000208
- Sede
- PERUGIA
- Curriculum
- Statistical data science for finance and economics
- Docente
- Francesco Bartolucci
- CFU
- 12
- Regolamento
- Coorte 2023
- Erogato
- 2024/25
- Tipo insegnamento
- Obbligatorio (Required)
- Tipo attività
- Attività formativa integrata
MOD. I STATISTICAL COMPUTING
| Codice | A000209 |
|---|---|
| Sede | PERUGIA |
| CFU | 6 |
| Docente | Silvia Pandolfi |
| Docenti |
|
| Ore |
|
| Attività | Affine/integrativa |
| Ambito | Attività formative affini o integrative |
| Settore | SECS-S/01 |
| Tipo insegnamento | Obbligatorio (Required) |
MOD. II BAYESIAN COMPUTING
| Codice | A000210 |
|---|---|
| Sede | PERUGIA |
| CFU | 6 |
| Docente | 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 | Gelman, A., Carlin, J. B., Stern, H. S., and Rubin, D. B. (2020). Bayesian data analysis. Chapman and Hall/CRC. 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 |
| Obiettivi Agenda 2030 per lo sviluppo sostenibile | Istruzione di qualità |