Insegnamento STATISTICA PER IL MANAGEMENT
- Corso
- Economia e management
- Codice insegnamento
- A004824
- Sede
- PERUGIA
- Curriculum
- Economia e management dell'innovazione
- Docente
- David Aristei
- Docenti
-
- David Aristei
- Ore
- 42 ore - David Aristei
- CFU
- 6
- Regolamento
- Coorte 2024
- Erogato
- 2024/25
- Attività
- Caratterizzante
- Ambito
- Statistico-matematico
- Settore
- SECS-S/03
- Tipo insegnamento
- Obbligatorio (Required)
- Tipo attività
- Attività formativa monodisciplinare
- Lingua insegnamento
- Italiano
- Contenuti
- Il corso è strutturato in quattro argomenti principali:
1) Introduzione alla statistica aziendale e alle fonti dei dati per le analisi aziendali
2) Misure di associazione
3) Il modello di regressione per l’analisi delle relazioni causali tra variabili e le previsioni aziendali
4) Modelli di regressione con variabili dipendenti binarie - Testi di riferimento
- Testi di riferimento
- Bracalente B., Cossignani M., Mulas A.: “Statistica Aziendale”, McGraw-Hill, Milano 2009.
- Biggeri L., Bini M., Coli A., Grassini L., Maltagliati M.: “Statistica per le decisioni aziendali”, 2/Ed., Pearson, Milano 2017
Testi di consultazione e approfondimento:
- Bassi, F., Ingrassia, S.: “Statistica per analisi di mercato. Metodi e strumenti”, Pearson, Milano 2022.
- Stock, J.H., Watson, M.W.: Introduzione all’econometria”, 5/Ed., Pearson, Milano 2020
Materiale didattico aggiuntivo:
Il materiale didattico (dispense, esercitazioni, altro materiale di supporto) sarà progressivamente reso disponibile nella piattaforma Unistudium. - Obiettivi formativi
- L’obiettivo del corso è quello di introdurre gli studenti alle principali metodologie statistiche per analizzare i dati aziendali e supportare le decisioni manageriali.
In particolare, l’attenzione sarà incentrata sui modelli di regressione, lineari e non lineari, per l’analisi e la previsione dei fenomeni aziendali.
I metodi statistici sono presentati dando ampio spazio al loro impiego nella soluzione di problemi aziendali e quindi all’interpretazione dei risultati nelle applicazioni.
La presentazione dei metodi è accompagnata da esempi e casi aziendali. Sono inoltre previste esercitazioni su dati aziendali da svolgere con i software di analisi statistica. - Prerequisiti
- Sono richieste conoscenze di base sui principali metodi di statistica descrittiva ed inferenziale.
- Metodi didattici
- Lezioni frontali ed esercitazioni pratiche
- Altre informazioni
- Per gli studenti frequentanti sono previste delle esercitazioni non obbligatorie
- Modalità di verifica dell'apprendimento
- L’esame prevede una prova scritta articolata in due parti: domande di carattere teorico ed esercizi da svolgere.
Per informazioni sui servizi di supporto agli studenti con disabilità e/o DSA, è possibile consultare la pagina http://www.unipg.it/disabilita-e-dsa". - Programma esteso
- 1. Introduzione alla statistica aziendale e alle fonti dei dati per le analisi aziendali
La statistica per le decisioni aziendali.
Le fonti di dati per le analisi aziendali: fonti primarie e fonti secondarie. La qualità dell’informazione statistica.
Le fonti statistiche secondarie interne. Presentazione delle principali fonti esterne ufficiali e non ufficiali rilevanti nelle analisi aziendali
2 Analisi preliminari dei dati: misure di associazione
La matrice dei dati; analisi dei profili colonna: l’associazione fra coppie di caratteri statistici; indici di associazione per variabili quantitative.
3. Il modello di regressione per l’analisi delle relazioni causali tra variabili e le previsioni aziendali
Il modello di regressione lineare semplice: la stima dei parametri e i relativi test di significatività; variabile esplicativa dummy; il modello di regressione semplice per le previsioni aziendali.
Il modello di regressione lineare multipla: richiami di algebra matriciale; la stima dei parametri e i relativi test di significatività; la bontà dell’adattamento; le variabili esplicative dummy e slope-dummy; il modello di regressione multipla per le previsioni aziendali.
Analisi diagnostiche: verifica della validità delle ipotesi di linearità, omoschedasticità, incorrelazione seriale, non collinearità e relativi rimedi.
4. Modelli di regressione con variabili dipendenti binarie
Il modello di probabilità lineare.
Il modello di regressione logistica: stima e interpretazione dei parametri; effetti marginali; test di significatività; bontà di adattamento; previsione. - Obiettivi Agenda 2030 per lo sviluppo sostenibile
- 4, 8, 9, 12