Conoscenze informatiche e statistiche
A.A. 2020/2021
Learning objectives
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.
Expected learning outcomes
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.
Course syllabus and organization
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