ANALISI STATISTICA DELLE STRUTTURE RELAZIONALI

Obiettivi formativi

Obiettivi formativi. L’obiettivo principale dell’insegnamento è l’acquisizione degli strumenti statistici avanzati per l’analisi di dati che esprimono relazioni tra oggetti e del loro utilizzo in situazioni reali. Nell'analisi di un caso di studio reale, lo studente deve essere in grado di formalizzare l’obiettivo statistico, elaborare una strategia di analisi, applicare autonomamente le metodologie apprese e interpretare i risultati. Conoscenza e capacità di comprensione. Alla fine del corso gli studenti conoscono le problematiche e i temi principali legati allo studio delle matrici di relazione (ad esempio, correlazioni, distanze) e le metodologie classiche per affrontare e gestire tali tematiche ad esempio, riduzione dimensionale, classificazione). Capacità di applicare conoscenza e comprensione. Al termine del corso gli studenti sono in grado di formalizzare un problema statistico di analisi di strutture relazionali e di selezionare le metodologie appropriate per affrontarlo e gestirlo. Inoltre possiedono la competenze di base per motivare scelte alternative e verificarne assunzioni e l’applicabilità. Infine, sono in grado di applicare i metodi a situazioni reali e di interpretare i risultati. Autonomia di giudizio. Gli studenti sviluppano le capacità critiche tramite l’applicazione delle metodologie apprese dal punto vista teorico che sono in grado di applicare in autonomia utilizzando un software statistico. La capacità di elaborare dati reali in autonomia e di produrre il risultato riflette autonomia di analisi e sviluppo di senso e giudizio critico che deriva dalla necessità di operare scelte e confronti motivati e supportati dagli strumenti teorici appresi. In aggiunta, gli studenti imparano ad interpretare criticamente i risultati ottenuti sui dati reali. Abilità comunicativa. Gli studenti, attraverso l’elaborazione autonoma e la produzione di brevi rapporti tecnici, acquisiscono il linguaggio tecnico-scientifico della disciplina, dando particolare rilievo alla capacità di comunicare informazioni e risultati con un linguaggio rigoroso ma comprensibile anche ad interlocutori non specialisti. Capacità di apprendimento. Gli studenti che superano l’esame hanno appreso: a) metodologie avanzati delle statistica mirate all’analisi di dati con strutture relazionali e la capacità di affrontare eventuali approfondimenti in corsi di studio in area statistica o nei contesti applicativi in cui la statistica è impiegata; b) gli strumenti applicativi che permettono di applicare le metodologie apprese e costruire una strategia di analisi in autonomia

Canale 1
DONATELLA VICARI Scheda docente

Programmi - Frequenza - Esami

Programma
Le lezioni si articolano in quattro parti, ognuna dedicata sia agli aspetti teorici sia ad applicazioni in laboratorio. Parte 1: Introduzione e richiami teorici (circa 17%). Introduzione ai dati di relazione tra oggetti (unità, variabili). Two-Way e Three-Way Data. Esempi di casi reali. Richiami di algebra delle matrici. Matrici simmetriche e asimmetriche di relazione: misure di prossimità tra unità statistiche e variabili. Parte 2: Metodi di riduzione dimensionale per matrici di relazione tra variabili (circa 50%) Modelli, determinazione analitica, proprietà e applicazioni: Analisi in Componenti Principali Analisi della Correlazione Canonica Analisi della Ridondanza e Regressione. Parte 3: Metodi di riduzione dimensionale per matrici simmetriche di relazione tra unità statistiche (circa 17%) Two-Way Data: MDS metrico e non metrico Three-Way Data: INDSCAL, INDCLUS Parte 4: Metodi di riduzione dimensionale per matrici asimmetriche di relazione (circa 12%) MDS e Cluster Analysis Presentazioni individuali su approfondimenti (4%) Per tutti i moduli sono previste applicazioni delle metodologie apprese su dati reali utilizzando Matlab e/o SAS.
Prerequisiti
Per la comprensione degli argomenti trattati e il superamento dell’esame è indispensabile possedere i fondamenti della Statistica descrittiva e inferenziale, oltre alle nozioni di base della Statistica Multivariata che nel corso di studio di cui fa parte il presente insegnamento vengono acquisiti sostenendo gli esami degli insegnamenti curriculari. È importante che lo studente possieda anche i fondamenti di algebra delle matrici.
Testi di riferimento
Everitt, B. S., Rabe-Hesketh, S., The Analysis of Proximity Data, Arnold, London, 1997. K.V. Mardia, J.T. Kent, J.M. Bibby, Multivariate Analysis, Academic Press, 1994. Jos M.F. ten Berge, Least Squares Optimization in Multivariate Analysis, DSWO Press, Leiden, 2005. Zani, S., Cerioli, A., Analisi dei Dati Statistici e Data Mining per le Decisioni Aziendali, Giuffrè Editore, 2007. Documentazione e script forniti dal docente.
Modalità insegnamento
Le lezioni frontali (a meno di emergenze sanitarie) prevedono la presentazione degli aspetti teorici e degli sviluppi analitici delle metodologie statistiche avanzate per l’analisi di dati di relazione tra oggetti con particolare attenzione ai risvolti applicativi. Le esperienze in laboratorio informatico alternano lezioni frontali e lavoro autonomo dello studente nelle applicazioni a casi reali per raccordare la teoria e la pratica in un processo di apprendimento autodiretto.
Frequenza
La frequenza del corso è fortemente consigliata. In caso di impossibilità a seguire le lezioni, si consiglia di contattare il docente.
Modalità di esame
Per superare l’esame gli studenti devono superare una prova orale di verifica dei concetti teorici appresi. Durante il corso possono svolgere delle esercitazioni in cui viene richiesto di analizzare dati reali applicando le metodologie apprese e produrre delle brevi relazioni tecniche illustrando i risultati. Queste prove consentono di accertare sia l’acquisizione dei concetti teorici sia la capacità di formalizzare l’obiettivo statistico e l’abilità di costruire una strategia di analisi per risolvere problemi concreti.
Bibliografia
Rencher, A. C., Methods of Multivariate Analysis ,Wiley, 2002. SAITO, T., and YADOHISA, H., Data Analysis of Asymmetric Structures. Advanced Approaches in Computational Statistics, New York: Marcel Dekker, 2005. Jos M.F. ten Berge, Least Squares Optimization in Multivariate Analysis, DSWO Press, Leiden, 2005. Zani, S., Cerioli, A., Analisi dei Dati Statistici e Data Mining per le Decisioni Aziendali, Giuffrè Editore, 2007. BOVE, G., OKADA, A., VICARI, D., Methods for the Analysis of Asymmetric Relationships, Series: Behaviormetrics: Quantitative Approaches to Human Behavior, Springer Nature, Singapore, 2021.
Modalità di erogazione
Le lezioni frontali prevedono la presentazione degli aspetti teorici e degli sviluppi analitici delle metodologie statistiche avanzate per l’analisi di dati di relazione tra oggetti con particolare attenzione ai risvolti applicativi. Le esperienze in laboratorio informatico alternano lezioni frontali e lavoro autonomo dello studente nelle applicazioni a casi reali per raccordare la teoria e la pratica in un processo di apprendimento autodiretto.
  • Codice insegnamento10589824
  • Anno accademico2025/2026
  • CorsoScienze statistiche - Statistical Sciences
  • CurriculumData analytics
  • Anno2º anno
  • Semestre1º semestre
  • SSDSECS-S/01
  • CFU6