-
Lingua Insegnamento:ITALIANO
-
Testi di riferimento:Introductory time series with r
di Paul S.P. Cowpertwait, Andrew V. Metcalfe (2009) Springer-verlag New York Inc. -
Obiettivi formativi:OBIETTIVI FORMATIVI
L’insegnamento persegue l’obiettivo generale del corso di studio di fornire conoscenze e competenze per alcune funzioni aziendali ed economiche di tipo previsionale. Il corso si propone di fornire agli studenti gli strumenti statistici necessari per affrontare problemi di natura previsionale e decisionale che in azienda o in campo socio-economico sono inevitabilmente trattati in condizioni di incertezza. A tal fine la presentazione degli argomenti seguirà l’ordine logico della rilevazione,della scelta del modello, della elaborazione e infine della validazione interpretazione dei risultati.
Accanto alla studio delle metodologie sarà dato ampio spazio alle applicazioni e agli aspetti operativi con utilizzo del software statistico R.
Al termine dell’insegnamento lo studente dovrà possedere conoscenze e competenze inerenti la raccolta, l’organizzazione e l’analisi dei dati in un ambiente socio-economico.
L'obiettivo è contribuire alla formazione di una figura professionale (prevista nel CdS) di consulente o operatore adatto a prendere decisioni in ambito di incertezza con il supporto di metodologie quantittive. A tal fine il corso propone di trasmettere le seguenti competenze e conoscenze:
CONOSCENZE E CAPACITA' DI COMPRENSIONE
- riconosce e distingue le diverse fonti di informazioni statistiche, di tipo socio-economico
- conosce i principi che sono alla base della predisposizione di un’indagine campionaria
- conosce e comprende la logica per la costruzione di stimatori nel caso di campionamento casuale semplice e campionamento stratificato
- conosce e comprende il modello di regressione lineare multipla
- conosce e comprende l’approccio classico per l’analisi delle serie storiche
- conosce e comprende il modello di analisi moderna denominato AR
- conosce e comprende il modello di analisi moderna denominato MA
- conosce e comprende il modello di analisi moderna denominato ARMA
A tal fine il corso propone di trasmettere le seguenti competenze e
conoscenze in termini di obiettivi particolari:
CONOSCENZE E CAPACITA' DI COMPRENSIONE (applicata)
- saper raccogliere una crescente quantità di dati attinenti ai fenomeni socio-economici
- saper implementare ed utilizzare il modello di regressione lineare multipla per studiare la relazione tra costi e metodi di produzione
- saper individuare il modello più consono da applicare ai dati e saperne fornire una soddisfacente interpretazione.
AUTONOMIA DI GIUDIZIO:
- decide in modo autonomo quali tipo di indagine campionaria utilizzare e quale stimatore utilizzare per la stima di un parametro della popolazione
- decide in modo autonomo quale tipo di controllo di qualità utilizzare scegliendo tra metodi offline e metodi online
- comprende, interpreta e fornisce una valutazione critica dei risultati sia nell'ambito della regression multipla e delle serie storiche
- esprime in forma orale considerazioni analitiche e di sintesi sugli aspetti
fondamentali della disciplina ed effettua collegamenti interdisciplinari.
ABILITA' COMUNICATIVE:
- utilizza il linguaggio della analisi delle serie storiche e della regressione in modo appropriato e pertinente;
- comunica in forma scritta e orale i risultati delle analisi statistiche e i ragionamenti logici sottostanti.
CAPACITÀ DI APPRENDERE
- effettua ricerche individuali e di gruppo su aspetti specifici della disciplina
(strumenti utilizzati: dispense, testi di approfondimento, esercitazioni di gruppo in aula multimediale mediante l’utilizzo del software R) -
Prerequisiti:Insegnamento di Statistica di Base
-
Metodi didattici:L'insegnamento prevede 54 ore di lezione suddivise in 3 lezioni settimanali da 2 ore.
Il corso sarà organizzato in moduli le cui lezioni saranno incentrate prevalentemente sul ricorso ai seguenti metodi didattici: lezioni frontali in aula, esercitazioni e analisi di casi di studio svolte in aula multimediale mediante l’utilizzo del software R. La frequenza è fortemente consigliata. -
Modalità di verifica dell'apprendimento:La valutazione del livello di apprendimento sarà effettuata con il ricorso ad una prova pratica in R ed una successiva prova orale. La prova pratica è articolata in esercizi inerenti la stima di parametri di interesse della popolazione mediante l’utilizzo di dati campionari, l’implementazione di carte di controllo e di metodi offline di controllo di qualità (analisi ANOVA) e l’elaborazione di output per la stima di modelli di regressione lineare multipla. Tale prova ha una durata di circa 15 minuti ore e rappresenta il 50% della valutazione complessiva (espressa in trentesimi) articolata in relazione agli obiettivi formativi da valutare.
La prova orale (50% della valutazione complessiva) è rivolta a sondare nel discente da un lato le abilità comunicative, di padronanza del linguaggio (non solo quello tecnico specifico della materia di riferimento) e di chiarezza espositiva, dall'altro le capacità di interpretazione dei principali output delle analisi studiate nel corso provenienti dal software R.
Le modalità d’esame sono le medesime per frequentanti e non frequentanti. -
Sostenibilità:
-
Altre Informazioni:Tutte le informazioni inerenti il corso, le dispense, i materiali di supporto e le esercitazioni e tutte le comunicazioni avverranno attraverso la pagina e-learning
Il corso si propone di fornire le competenze necessarie per la raccolta e l’analisi di dati di carattere socio-econoico-demografico. I risultati delle analisi hanno lo scopo di informare, controllare e prevedere i complessi fenomeni socio-economici costituendo un prezioso supporto delle decisioni in ambito di politica sia economica sia sociale.
1 dati della serie storica
1.1 Scopo
1.2 Serie temporali
1.3 linguaggio R
1.4 Grafici, tendenze e variazioni stagionali
1.4.1 Partenza in volo: prenotazioni di passeggeri aerei
1.4.2 Disoccupazione: Maine
1.4.3 Serie temporali multiple: dati relativi a elettricità, birra e cioccolato
1.4.4 Tasso di cambio trimestrale: da GBP a NZ $
1.4.5 Serie di temperature globali
1.5 Decomposizione di serie
1.5.1 Notazione
1.5.2 Modelli
1.5.3 Stima delle tendenze e degli effetti stagionali
1.5.5 Decomposizione in R
1.6 Riepilogo dei comandi utilizzati negli esempi
2 correlazione
2.1 Scopo
2.2 Aspettativa e insieme
2.2.1 Valore atteso
2.2.2 L'insieme e la stazionarietà
2.2.4 Funzione di varianza
2.2.5 Autocorrelazione
2.3 Il correlogramma
2.3.1 Discussione generale
2.3.2 Esempio basato su serie di passeggeri aerei
2.4 Covarianza di somme di variabili casuali
2.5 Riepilogo dei comandi utilizzati negli esempi
3 strategie di previsione
3.1 Scopo
3.4.1 Livellamento esponenziale
4 modelli stocastici di base
4.1 Scopo
4.2 Rumore bianco
4.2.1 Introduzione
4.2.2 Definizione
4.2.3 Simulazione in R
4.2.4 Proprietà del secondo ordine e il correlogramma
4.2.5 Adattamento di un modello di rumore bianco
4.3 Camminate casuali
4.3.1 Introduzione
4.3.2 Definizione
4.3.3 L'operatore di spostamento indietro
4.3.4 Camminata casuale: proprietà del secondo ordine
4.3.5 Derivazione delle proprietà del secondo ordine *
4.3.7 Simulazione
4.5 Modelli autoregressivi
4.5.1 Definizione
4.5.2 Processi AR stazionari e non stazionari
4.5.3 Proprietà del secondo ordine di un modello AR (1)
4.5.5 Correlogramma di un processo AR (1)
4.5.6 autocorrelazione parziale
4.5.7 Simulazione
4.6 Modelli montati
4.6.1 Modello montato su serie simulate
4.6.2 Serie di tassi di cambio: modello AR montato
4.6.3 Serie di temperature globali: modello AR montato
4.7 Riepilogo dei comandi R
5 regressione
5.1 Scopo
5.2 Modelli lineari
5.2.1 Definizione
5.2.2 Stazionarietà
5.2.3 Simulazione
5.3 Modelli montati
5.3.1 Modello adattato ai dati simulati
5.3.2 Modello adattato alle serie di temperature (1970-2005)
5.3.3 Autocorrelazione e stima delle statistiche campionarie *
5.4 Minimi quadrati generalizzati
5.4.1 GLS adatto alle serie simulate
5.4.2 Intervallo di confidenza per l'andamento della temperatura
5.5 Modelli lineari con variabili stagionali
5.5.1 Introduzione
5.5.2 Variabili dell'indicatore stagionale additivo
5.5.3 Esempio: modello stagionale per le serie di temperature
5.6 Modelli stagionali armonici
5.6.1 Simulazione
5.6.2 Adatta alle serie simulate
5.6.3 Modello armonico adattato alle serie di temperature (1970-2005)
5.7 Trasformazioni logaritmiche
5.7.1 Introduzione
5.7.2 Esempio utilizzando la serie di passeggeri aerei
5.8 Modelli non lineari
5.8.1 Introduzione
5.8.2 Esempio di una serie non lineare simulata e adattata
5.9 Previsione dalla regressione
5.9.1 Introduzione
5.9.2 Predizione in R
5.10 Trasformazione inversa e correzione diagonale
5.10.1 Errori residui normali del registro
5.10.2 Fattore di correzione empirica per i mezzi di previsione
5.10.3 Esempio utilizzando i dati del passeggero aereo
5.11 Riepilogo dei comandi R
6 modelli stazionari
6.1 Scopo
6.2 Serie strettamente fisse
6.3 Modelli medi mobili
6.3.1 Processo MA (q): definizione e proprietà
6.3.2 Esempi R: Correlogramma e simulazione
6.4 Modelli MA montati
6.4.1 Modello montato su serie simulate
6.4.2 Serie di tassi di cambio: modello MA montato
6.5 Modelli misti: il processo ARMA
6.5.1 Definizione
6.6 Modelli ARMA: analisi empirica
6.6.1 Simulazione e adattamento
6.6.2 Serie di tassi di cambio
6.6.4 Dati del serbatoio ondoso
6.7 Riepilogo dei comandi R
Scopri cosa vuol dire essere dell'Ud'A
SEDE DI CHIETI
Via dei Vestini,31
Centralino 0871.3551
SEDE DI PESCARA
Viale Pindaro,42
Centralino 085.45371
email: info@unich.it
PEC: ateneo@pec.unich.it
Partita IVA 01335970693
