Università degli Studi di Perugia

Vai al contenuto principale

Insegnamento STATISTICAL METHODS FOR ECONOMY AND FINANCE

Corso
Finanza e metodi quantitativi per l'economia
Codice insegnamento
A000201
Sede
PERUGIA
Curriculum
Statistics for finance and economics
Docente
Luca Scrucca
CFU
12
Regolamento
Coorte 2018
Erogato
2018/19
Tipo insegnamento
Obbligatorio (Required)
Tipo attività
Attività formativa integrata

STATISTICAL LEARNING AND DATA MINING ( MOD.II)

Codice A000203
Sede PERUGIA
CFU 6
Docente Luca Scrucca
Docenti
  • Luca Scrucca - Didattica Ufficiale
  • Francesca Pierri - Didattica Integrativa
Ore
  • 42 ore - Didattica Ufficiale - Luca Scrucca
  • 5 ore - Didattica Integrativa - Francesca Pierri
Attività Caratterizzante
Ambito Matematico, statistico, informatico
Settore SECS-S/01
Tipo insegnamento Obbligatorio (Required)
Lingua insegnamento INGLESE
Contenuti Metodi statistici avanzati per il Data Mining, sia nel caso di supervised learning (classificazione e regressione) che di unsupervised learning (analisi dei cluster, riduzione della dimensionalità). Casi di studio reali sono introdotti e analizzati con il software R.
Testi di riferimento James G., Witten D., Hastie T. and Tibshirani R. (2013) An Introduction to Statistical Learning with Applications in R. Springer-Verlag.

Materiale supplementare fornito dal docente nel corso delle lezioni.
Obiettivi formativi Al termine del corso lo studente dovrà essere in grado di applicare in maniera autonoma gli opportuni metodi statistici a problemi reali di regressione, classificazione e clustering, tramite il software R.
Prerequisiti Conoscenza di base della statistica, sia descrittiva che inferential, e il modello di regressione lineare.
Metodi didattici Lezioni frontali ed esercitazioni pratiche nel laboratorio informatico.
Altre informazioni Frequenza facoltativa ma fortemente consigliata.
Modalità di verifica dell'apprendimento Valutazioni in itinere ed esame orale finale. Le attività di laboratorio sono finalizzate ad accertare la capacità dello studente di mettere in pratica le metodologie introdotte in classe. L'esame orale 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.

Per informazioni sui servizi di supporto agli studenti con disabilità e/o DSA visita la pagina http://www.unipg.it/disabilita-e-dsa
Programma esteso Il corso prevede lo studio di metodi statistici avanzati per il Data Mining, sia nel caso di supervised learning (classificazione e regressione) che di unsupervised learning (analisi dei cluster, riduzione della dimensionalità). Tali metodi sono stati applicati con successo in molti ambiti, dalla finanza all'economia, dal business analytics alle scienze sociali e naturali. I metodi trattati saranno introdotti a partire da casi di studio reali e analizzati tramite il software R.
In dettaglio, verranno trattati i seguenti argomenti:
- Statistical learning e data mining: introduzione.
- Obiettivi di un modello statistico: previsione e interpretabilità.
- Supervised vs unsupervised learning.
- Classificazione vs regressione.
- Valutazione dell'accuratezza di un modello statistico.
- Supervised learning: introduzione.
- Estensioni al modello di regressione lineare: selezione del modello e regolarizzazione. Regressione polinomiale, splines, modelli generalizzati additivi.
- Metodi di ricampionamento: cross-validation e bootstrap.
- Classificazione: introduzione.
- Modello logistico e multinomiale.
- Analisi discriminante lineare e quadratica.
- Algoritmo k-nearest neighbour (cenni).
- Metodi basati sugli alberi decisionali: Bagging, Random Forests, Boosting (cenni).
- Unsupervised learning: introduzione.
- Analisi delle componenti principali
- Misure di similarità e di distanza. Matrice delle distanze.
- Metodi gerarchici per la cluster analysis.
- Metodi non gerarchici (metodo k-means).
- Model-based clustering.

STATISTICAL METHODS FOR FINANCE (MOD.I)

Codice A000202
Sede PERUGIA
CFU 6
Docente Silvia Bacci
Docenti
  • Silvia Bacci - Didattica Ufficiale
Ore
  • 42 ore - Didattica Ufficiale - Silvia Bacci
Attività Caratterizzante
Ambito Matematico, statistico, informatico
Settore SECS-S/01
Tipo insegnamento Obbligatorio (Required)
Lingua insegnamento INGLESE
Contenuti INFERENZA STATISTICA: variabili casuali multiple e test di ipotesi

REGRESSIONE LINEARE: assunzioni del modello, stima dei parametri, interpretazione dei parametri, bontà di adattamento, previsioni, analisi dei residui, violazioni delle assunzioni base.
Testi di riferimento R. A. Johnson e D. W. Wichern, Applied Multivariate Statistical Analysis, 6th edition, Prentice Hall, New Jersey, 2007.
S. J. Sheather, A Modern Approach to Regression with R, Springer Texts in Statistics, 2009.
Obiettivi formativi Conoscenza e capacità di applicazione di metodi di inferenza statistica e regressione lineare multipla a dati reali, tramite l'utilizzo del software R
Prerequisiti Conoscenze di statistica di base (statistica descrittiva e inferenza statistica)
Metodi didattici Lezioni frontali e esercitazioni al pc con software R
Modalità di verifica dell'apprendimento L'esame consiste in una prova pratica al computer con uso del software R e in alcune domande aperte di carattere teorico.

Per informazioni sui servizi di supporto agli studenti con disabilità e/o DSA visita la pagina http://www.unipg.it/disabilita-e-dsa
Programma esteso Approfondimenti sulle distribuzioni di probabilità: variabili casuali multiple; normale multivariata; chi-quadrato, t di Student, F di Fisher.
Richiami di inferenza statistica: concetti di base su modelli statistici; metodo della massima verosimiglianza; verifica di ipotesi su uno o più parametri.
Richiami di regressione lineare semplice: definizione del modello; stima dei parametri: minimi quadrati e massima verosimiglianza; stima per intervallo e verifica di ipotesi sui parametri; misura della bontà dell’adattamento.
Regressione lineare multipla: assunzioni di base e interpretazione dei parametri; stima dei parametri: minimi quadrati e massima verosimiglianza; stima per intervallo e verifica di ipotesi sui parametri; variabili esplicative qualitative e analisi della varianza; misura della bontà dell’adattamento; metodi di selezione delle variabili esplicative e costruzione del modello; diagnostica basata sull’analisi dei residui; rimedi a violazioni delle assunzioni di base.
Cenni sulla regressione lineare multivariata: assunzioni di base e interpretazione dei parametri; stima dei parametri tramite metodo dei minimi quadrati.
Cenni sulla regressione logistica: assunzioni di base e interpretazione dei parametri; stima dei parametri tramite metodo della massima verosimiglianza; verifica di ipotesi sui parametri.
Vai a inizio pagina
Sommario
×