Conoscenze informatiche e statistiche
A.A. 2021/2022
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
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