Conoscenze informatiche e statistiche
A.A. 2021/2022
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
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' la statistica. Cos'e' casuale. Calcolo combinatorio e Probabilità. Distribuzioni. Indicatori statistici: media e deviazione standard. La distribuzione normale. Altre distribuzioni. La legge dei grandi numeri. Teorema centrale del limite. 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. Stime e intervalli di confidenza. Analisi della varianza (ANOVA). Esercizi: 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' la statistica. Cos'e' casuale. Calcolo combinatorio e Probabilità. Distribuzioni. Indicatori statistici: media e deviazione standard. La distribuzione normale. Altre distribuzioni. La legge dei grandi numeri. Teorema centrale del limite. 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. Stime e intervalli di confidenza. Analisi della varianza (ANOVA). Esercizi: 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 tramite l'uso di fogli di calcolo, per introdurre i concetti base dell'utilizzo di computer. L'uso di linguaggi di programmazione verrà introdotto tramite il linguaggio Python, che lo studente è invitatato ad utilizzare.
Gli argomenti e le loro applicazioni sono comunque indipendenti dallo strumento, e sara' data facolta' agli studenti di utilizzare uno qualsiasi dei software sopra menzionati (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. 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 mezzi verranno illustrati durante la parte pratica delle lezioni, ed 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.
- Il materiale didattico associato alle lezioni è caricato su Ariel poco dopo la fine delle stesse. 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. Come da disposizioni, i video delle lezioni saranno disponibili in streaming e immediatamente dopo le lezioni su Teams e visionabili per un tempo limitato (presumibilmente qualche settimana).
Gli argomenti e le loro applicazioni sono comunque indipendenti dallo strumento, e sara' data facolta' agli studenti di utilizzare uno qualsiasi dei software sopra menzionati (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. 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 mezzi verranno illustrati durante la parte pratica delle lezioni, ed 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.
- Il materiale didattico associato alle lezioni è caricato su Ariel poco dopo la fine delle stesse. 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. Come da disposizioni, i video delle lezioni saranno disponibili in streaming e immediatamente dopo le lezioni su Teams e visionabili per un tempo limitato (presumibilmente qualche settimana).
Materiale di riferimento
I principali testi di riferimento sono (si veda lista dettagliata e aggiornata su Ariel):
Statistica:
Taylor, "Introduzione all'analisi degli errori", Zanichelli, Cap. 1-11
Pelosi et al., "Introduzione alla statistica", McGraw-Hill, Cap. 1-8, Cap. 10-11
Giuliani, Dickson, "Analisi statistica con Excel", Apogeo Cap. 1-6, Cap. 10-11
Informatica (a scelta):
- Downey, "Pensare in Python" (per Python 3)
- Garetto, "Laboratorio di Statistica con Excel"
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
Statistica:
Taylor, "Introduzione all'analisi degli errori", Zanichelli, Cap. 1-11
Pelosi et al., "Introduzione alla statistica", McGraw-Hill, Cap. 1-8, Cap. 10-11
Giuliani, Dickson, "Analisi statistica con Excel", Apogeo Cap. 1-6, Cap. 10-11
Informatica (a scelta):
- Downey, "Pensare in Python" (per Python 3)
- Garetto, "Laboratorio di Statistica con Excel"
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
Modalità di verifica dell’apprendimento e criteri di valutazione
L'esame consistera' nella consegna e nella discussione di un semplice elaborato (in una forma tra foglio di calcolo o notebook Python, si vedano dettagli pubblicati su Ariel) 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, che verrà richiesto di applicare a semplici esercizi e domande (vedasi Ariel per testi di riferimento).
La discussione dell'elaborato servira' da spunto e come verifica della conoscenza e comprensione degli argomenti teorici, che verrà richiesto di applicare a semplici esercizi e domande (vedasi Ariel per testi di riferimento).
- CFU: 6
Lezioni: 48 ore
Docente:
Cotroneo Vincenzo