Studiare
In questa sezione è possibile reperire le informazioni riguardanti l'organizzazione pratica del corso, lo svolgimento delle attività didattiche, le opportunità formative e i contatti utili durante tutto il percorso di studi, fino al conseguimento del titolo finale.
Piano Didattico
Il piano didattico è l'elenco degli insegnamenti e delle altre attività formative che devono essere sostenute nel corso della propria carriera universitaria.
Selezionare il piano didattico in base all'anno accademico di iscrizione.
1° Anno
Insegnamenti | Crediti | TAF | SSD |
---|
2° Anno Attivato nell'A.A. 2021/2022
Insegnamenti | Crediti | TAF | SSD |
---|
Insegnamenti | Crediti | TAF | SSD |
---|
Insegnamenti | Crediti | TAF | SSD |
---|
Insegnamenti | Crediti | TAF | SSD |
---|
1 module among the following (1st year: Big Data epistemology and Social research; 2nd year: Cybercrime, Data protection in business organizations, Comparative and Transnational Law & Technology)
2 courses among the following (1st year: Business analytics, Digital Marketing and market research; 2nd year: Logistics, Operations & Supply Chain, Digital transformation and IT change, Statistical methods for Business intelligence)
2 courses among the following (1st year: Complex systems and social physics, Discrete Optimization and Decision Making, 2nd year: Statistical models for Data Science, Continuous Optimization for Data Science, Network science and econophysics, Marketing research for agrifood and natural resources)
2 courses among the following (1st year: Data Visualisation, Data Security & Privacy, Statistical learning, Mining Massive Dataset, 2nd year: Machine Learning for Data Science)
Legenda | Tipo Attività Formativa (TAF)
TAF (Tipologia Attività Formativa) Tutti gli insegnamenti e le attività sono classificate in diversi tipi di attività formativa, indicati da una lettera.
Probability for data science (2020/2021)
Codice insegnamento
4S009077
Crediti
12
Lingua di erogazione
Inglese
Settore Scientifico Disciplinare (SSD)
MAT/06 - PROBABILITÀ E STATISTICA MATEMATICA
L'insegnamento è organizzato come segue:
Parte II
Crediti
7
Periodo
I semestre
Docenti
Francesco Giuseppe Cordoni
Parte I
Teoria
Obiettivi formativi
Il corso fornirà un'introduzione auto-contenuta e matematicamente rigorosa alle moderne tecniche di analisi dei dati e modellizzazione dei fenomeni aleatori, con particolare attenzione alle basi teoriche, proprie della teoria delle probabilità, necessarie per sviluppare soluzioni efficaci alle sfide caratterizzanti ambiti eterogenei, e.g., finanza, fault-detection, innovation forecasting, energy prediction, etc., tipici della Industria 4.0, con particolare riferimento alle sfide poste in ambito big data analytics. La presentazione di concetti, problemi e relative soluzioni teorico/pratiche, verrà orientata alle applicazioni, anche facendo uso di software statistico specifico (e.g.: Matlab, R, KNIME, etc.) sempre mantenendo un elevato livello di rigore matematico. All'interno del corso verranno ricordate le nozioni di base della teoria della Probabilità moderna (e.g.: variabili casuali, le loro distribuzioni e principali proprietà statistiche, teoremi di convergenza e applicazioni), con particolare attenzione ai processi stocastici fondamentali (e.g. : catene di Markov, processi di nascita e morte, teoria della code con applicazioni del mondo reale) e le loro applicazioni all'interno di scenari del mondo reale e caratterizzati dalla presenza di big data e serie temporali correlate.
Al termine del corso lo studente dovrà dimostrare di:
● conoscere le basi formali della teoria della probabilità
● saper utilizzare i concetti di variabile aleatoria (tanto in ambito discreto che continuo)
● saper sviluppare modelli basati su modelli probabilistici noti, e.g., v.a. binomiali, di Poisson, Gaussiane, misture di Gaussiane, etc.
● aver compreso e saper utilizzare la teoria di base dei processi stocastici, con particolare riferimento alla teoria delle catene di Markov (a tempo discreto e continuo), ai processi di nascita e morte ed applicazioni correlate
● conoscere e saper utilizzare i concetti di base in ambito statistico descrittivo ed inferenziale
Programma
Probabilità, condizionamento e indipendenza.
Variabili aleatorie e distribuzioni. Distribuzioni discrete. Valor medio e varianza. Distribuzioni continue.
Vettori aleatori. Indipendenza di variabili aleatorie. Covarianza e correlazione.
Teoremi limite: Legge dei Grandi numeri e Teorema Limite Centrale. Approssimazione normale.
Vettori aleatori normali.
Catene di Markov a tempo discreto. Markov Chain Monte Carlo.
Processi di Poisson ed elementi di Teoria delle Code. Catene di Markov a tempo continuo.
Introduzione alle reti aleatorie.
Bibliografia
Attività | Autore | Titolo | Casa editrice | Anno | ISBN | Note |
---|---|---|---|---|---|---|
Parte II | S. Ross | A First Course in Probability (Edizione 10) | Pearson | 2018 | ||
Parte II | P. Baldi | Calcolo delle Probabilità | McGraw Hill | 2007 | 9788838663659 | |
Parte II | S. Ross | Introduction to Probability models (Edizione 12) | Academic Press | 2019 | ||
Teoria | Durret, R. | Random graph dynamics | Cambridge university press | 2007 | ||
Teoria | Bolloas, B. | Random graphs | Cambridge university press | 2001 | ||
Teoria | Chung, F. R. K. and Lu, L. | Random graphs | AMS Bookstore | 2006 | ||
Teoria | Duflo, M. | Random Iterative Models, Applications of Mathematics, 34 | SpringerVerlag, Berlin | 1997 | ||
Teoria | Albert, R. and Barab´asi, A.-L. | Statistical mechanics of complex networks. Reviews of modern physics, 74(1):47. | 2002 | Reviews of modern physics, 74(1):47. |
Modalità d'esame
L’esame si svolge in due parti.
La prima parte, obbligatoria per tutti gli studenti, consiste di una prova scritta con esercizi.
La seconda parte può essere svolta, a scelta dello studente, con una delle seguenti modalità:
- prova orale, in cui lo studente dovrà essere in grado di esporre le nozioni e i modelli descritti nel corso, sia negli aspetti teorici che in quelli applicativi;
- un progetto assegnato dal docente, che includerà la scrittura di un codice per una simulazione.