Conoscenze informatiche e statistiche
A.A. 2020/2021
Obiettivi formativi
L'insegnamento si propone di fornire:
- conoscenza della statistica descrittiva.
- nozioni per l'utilizzo degli indicatori di posizione e di variabilità.
- acquisizione dei principi e delle tecniche della regressione e della correlazione tra variabili.
- conoscenza delle nozioni fondamentali della disciplina informatica.
- apprendimento delle capacità per la gestione di un foglio di calcolo per la creazione di formule, per la conduzione di test statistici e per la generazione di grafici.
- capacità di utilizzare motori di ricerca per il reperimento delle informazioni.
- conoscenza della statistica descrittiva.
- nozioni per l'utilizzo degli indicatori di posizione e di variabilità.
- acquisizione dei principi e delle tecniche della regressione e della correlazione tra variabili.
- conoscenza delle nozioni fondamentali della disciplina informatica.
- apprendimento delle capacità per la gestione di un foglio di calcolo per la creazione di formule, per la conduzione di test statistici e per la generazione di grafici.
- capacità di utilizzare motori di ricerca per il reperimento delle informazioni.
Risultati apprendimento attesi
Al termine del corso lo studente dovrebbe sapere
- descrivere i fenomeni mediante i principali indicatori statistici.
- predisporre piani di indagine campionaria.
- applicare l'analisi della varianza a 1 e 2 fattori.
- valutare in modo oggettivo i risultati delle indagini statistiche.
- utilizzare software applicativi per la gestione, l'elaborazione statistica, l'archiviazione di dati e la loro rappresentazione grafica.
- essere capaci di utilizzare database bibliografici.
- descrivere i fenomeni mediante i principali indicatori statistici.
- predisporre piani di indagine campionaria.
- applicare l'analisi della varianza a 1 e 2 fattori.
- valutare in modo oggettivo i risultati delle indagini statistiche.
- utilizzare software applicativi per la gestione, l'elaborazione statistica, l'archiviazione di dati e la loro rappresentazione grafica.
- essere capaci di utilizzare database bibliografici.
Periodo: Secondo semestre
Modalità di valutazione: Giudizio di approvazione
Giudizio di valutazione: superato/non superato
Corso singolo
Questo insegnamento non può essere seguito come corso singolo. Puoi trovare gli insegnamenti disponibili consultando il catalogo corsi singoli.
Programma e organizzazione didattica
Edizione unica
Periodo
Secondo semestre
Vista la situazione aggiornata a Dicembre 2020, la maggior parte dell'insegnamento si svolgerà a distanza attraverso la piattaforma Teams, secondo le modalita' indicate alla voce "metodi didattici".
La piattaforma Ariel e' il canale ufficiale di comunicazione (oltre a email e telefono) sul quale verranno pubblicati gli aggiornamenti e ulteriori disposizioni. E' consigliato di verificare la connessione e notificare il docente in caso di problemi o qualora sia necessaria una richiesta di accesso.
La piattaforma Ariel e' il canale ufficiale di comunicazione (oltre a email e telefono) sul quale verranno pubblicati gli aggiornamenti e ulteriori disposizioni. E' consigliato di verificare la connessione e notificare il docente in caso di problemi o qualora sia necessaria una richiesta di accesso.
Programma
Il programma puo' idealmente essere suddiviso in 4 unita':
1) Dati, esperimenti, misure:
Il significato della misura. Precisione di una misura. Stima ed errori di misura. Errori sistematici e stocastici. Bias sperimentali. Precisione e accuratezza. Incertezza e casualita', interpretazione Bayesiana e frequentista. Errore relativo e assoluto. Somma in quadratura. Propagazione degli errori.
2) Nozioni di informatica:
Computer, memoria, files. Linguaggi di programmazione interpretati e compilati. Il ruolo della sintassi. Strumenti: il linguaggio Python, Google Sheets, Excel. Variabili. Tipi di dato. Loop e condizioni. Vettori e matrici. Funzioni, oggetti, moduli. Esercizi: creazione di dati e loro elaborazione. Input e output di base.
3) Fenomeni stocastici:
Cos'e' casuale. Cos'e' la statistica. La legge dei grandi numeri. Distribuzioni. Indicatori statistici: media e deviazione standard. La distribuzione normale. Altre distribuzioni. Teorema del limite centrale. Criterio di massima verosimiglianza. Esercizi: Calcolo combinatorio. Generazione di numeri casuali, plot di dati e distribuzioni.
4) Modelli e applicazioni:
Fit lineare. Legge dei minimi quadrati. Fit con curve di ordine superiore. Fit di distribuzioni. Stima del Chi quadro. Stima dell'errore sulla media. Metodi Monte Carlo. Esempi applicativi e analisi di dati reali.
1) Dati, esperimenti, misure:
Il significato della misura. Precisione di una misura. Stima ed errori di misura. Errori sistematici e stocastici. Bias sperimentali. Precisione e accuratezza. Incertezza e casualita', interpretazione Bayesiana e frequentista. Errore relativo e assoluto. Somma in quadratura. Propagazione degli errori.
2) Nozioni di informatica:
Computer, memoria, files. Linguaggi di programmazione interpretati e compilati. Il ruolo della sintassi. Strumenti: il linguaggio Python, Google Sheets, Excel. Variabili. Tipi di dato. Loop e condizioni. Vettori e matrici. Funzioni, oggetti, moduli. Esercizi: creazione di dati e loro elaborazione. Input e output di base.
3) Fenomeni stocastici:
Cos'e' casuale. Cos'e' la statistica. La legge dei grandi numeri. Distribuzioni. Indicatori statistici: media e deviazione standard. La distribuzione normale. Altre distribuzioni. Teorema del limite centrale. Criterio di massima verosimiglianza. Esercizi: Calcolo combinatorio. Generazione di numeri casuali, plot di dati e distribuzioni.
4) Modelli e applicazioni:
Fit lineare. Legge dei minimi quadrati. Fit con curve di ordine superiore. Fit di distribuzioni. Stima del Chi quadro. Stima dell'errore sulla media. Metodi Monte Carlo. Esempi applicativi e analisi di dati reali.
Prerequisiti
La conoscenza di alcuni argomenti dell'insegnamento di matematica e' necessaria per poter comprendere e utilizzare gli strumenti teorici e pratici. In particolare derivate, integrali, massimi e minimi. E' quindi almeno necessario aver seguito l'insegnamento di matematica.
Metodi didattici
Gli argomenti dell'insegnamento saranno illustrati prevalentemente tramite l'uso del linguaggio di programmazione Python, gli argomenti e le loro applicazioni sono comunque indipendenti dallo strumento, e sara' data facolta' agli studenti di utilizzare altri strumenti (in particolare fogli di calcolo tipo Excel o Google Sheets), previo accordo col docente.
Python (versione 3) puo' essere installato localmente (si consiglia l'uso della distribuzione Anaconda) o utilizzato tramite ambienti online e spazi collaborativi (es. Kaggle o Google Colab). Google Sheets e' disponibile liberamente online e accessibile tramite browser (suggerito Chrome) in remoto o locale, parimente a Excel, disponibile su piattaforma Teams.
Tali strumenti verranno utilizzati per definire i principali concetti di statistica e programmazione. Nell'ultima parte dell'insegnamento, se possibile, saranno illustrati esempi di applicazioni all'analisi di dati reali.
- La maggior parte delle lezioni e delle esercitazioni si svolgerà a distanza in modalità sincrona utilizzando Microsoft Teams.
- Il materiale didattico associato sono caricati su Ariel poco dopo la fine delle lezioni. Ariel e la posta elettronica di istituto sono i canali ufficiali di comunicazione, MS Teams verra' usato il meno possibile a fine di comunicazione, se non durante le lezioni. I video delle lezioni sono disponibili automaticamente su Teams, saranno caricati su Ariel con cadenza occasionale.
Python (versione 3) puo' essere installato localmente (si consiglia l'uso della distribuzione Anaconda) o utilizzato tramite ambienti online e spazi collaborativi (es. Kaggle o Google Colab). Google Sheets e' disponibile liberamente online e accessibile tramite browser (suggerito Chrome) in remoto o locale, parimente a Excel, disponibile su piattaforma Teams.
Tali strumenti verranno utilizzati per definire i principali concetti di statistica e programmazione. Nell'ultima parte dell'insegnamento, se possibile, saranno illustrati esempi di applicazioni all'analisi di dati reali.
- La maggior parte delle lezioni e delle esercitazioni si svolgerà a distanza in modalità sincrona utilizzando Microsoft Teams.
- Il materiale didattico associato sono caricati su Ariel poco dopo la fine delle lezioni. Ariel e la posta elettronica di istituto sono i canali ufficiali di comunicazione, MS Teams verra' usato il meno possibile a fine di comunicazione, se non durante le lezioni. I video delle lezioni sono disponibili automaticamente su Teams, saranno caricati su Ariel con cadenza occasionale.
Materiale di riferimento
Statistica:
Taylor - Introduzione all'analisi degli errori, e' un ottimo libro, molto leggibile, ma non facile da trovare (cerchero' un rimpiazzo se non disponibile).
Informatica, a seconda dello strumento scelto per l'insegnamento:
Python
qualsiasi libro introduttivo, ma anche molto materiale online, es:
http://guide.debianizzati.org/index.php/Dive_into_Python_3 (disponibile online gratuitamente)
o lista di risorse:
https://pythonitalia.github.io/python-abc/
https://www.python.it/doc/libri/
oltre a svariati corsi interattivi per principianti molto ben fatti (ma principalmente in inglese), tipicamente la parte non a pagamento va piu' che bene ai nostri scopi, es.:
https://www.kaggle.com/learn/python
https://www.codecademy.com/learn/learn-python
https://www.edx.org/professional-certificate/introduction-to-python-programming
https://www.edx.org/course/python-basics-for-data-science
https://www.coursera.org/learn/python
Excel and Google Sheets:
TBD
Taylor - Introduzione all'analisi degli errori, e' un ottimo libro, molto leggibile, ma non facile da trovare (cerchero' un rimpiazzo se non disponibile).
Informatica, a seconda dello strumento scelto per l'insegnamento:
Python
qualsiasi libro introduttivo, ma anche molto materiale online, es:
http://guide.debianizzati.org/index.php/Dive_into_Python_3 (disponibile online gratuitamente)
o lista di risorse:
https://pythonitalia.github.io/python-abc/
https://www.python.it/doc/libri/
oltre a svariati corsi interattivi per principianti molto ben fatti (ma principalmente in inglese), tipicamente la parte non a pagamento va piu' che bene ai nostri scopi, es.:
https://www.kaggle.com/learn/python
https://www.codecademy.com/learn/learn-python
https://www.edx.org/professional-certificate/introduction-to-python-programming
https://www.edx.org/course/python-basics-for-data-science
https://www.coursera.org/learn/python
Excel and Google Sheets:
TBD
Modalità di verifica dell’apprendimento e criteri di valutazione
L'esame consistera' nella consegna e nella discussione di un elaborato (in una forma tra foglio di calcolo, programma, notebook Python, o progetto Orange) in cui gli strumenti appresi durante l'insegnamento vengano applicati ad un problema pratico. La discussione dell'elaborato servira' da spunto e come verifica della conoscenza e comprensione degli argomenti teorici.
- CFU: 6
Lezioni: 48 ore
Docente:
Cotroneo Vincenzo