Facoltà di Economia

Obiettivi Formativi

Prerequisiti

Programma

Testi Adottati

Bibliografia

Modalità di svolgimento

Regolamento Esame

Aggiornato A.A. 2019-2020

Programma

Aggiornato A.A. 2019-2020

Metodi Statistici per il Management (6 CFU)
Docenti: Prof. Simone Borra

Contenuti
L’insegnamento di Metodi Statistici per il Management affronta lo studio dei principali strumenti
statistici che possono essere utilizzati per analizzare dati interni
(ad es. controllo della qualità, analisi delle vendite, customer satisfaction) o esterni
(ad es. analisi di mercato) alle imprese.

Obiettivi formativi
Il corso si propone di:
i) introdurre le principali tecniche e modelli per l'analisi supervisionata
e non supervisionata di un set di dati;
ii) illustrare l'uso pratico delle metodologie in i) mediante esempi.

Modalità didattiche
Le lezioni prevedono la presentazione e discussione in aula di casi aziendali riguardanti
l’impiego della metodologia statistica a supporto del sistema decisionale.

Modelli statistici per l'analisi della dipendenza (supervised statistical learning)
1. Definizione di modello statistico
2. Modelli lineari e non lineari
3. Classificazione dei modelli
4. Regressione lineare semplice: ipotesi, interpretazione, stima dei parametri, bontà di
adattamento, test t
5. Modello Logit: ipotesi, interpretazione, stima ML dei parametri, test Z
6. Modello Probit: ipotesi, interpretazione, stima ML dei parametri, test Z

Statistica multivariata I: analisi della dipendenza (supervised statistical learning)
1. Regressione lineare multipla: ipotesi, stima dei parametri, bontà di adattamento, test t ed F,
backward elimination
2. Modelli ANOVA: costruzione delle variabili, il modello, interpretazione

Statistica multivariata II: analisi della interdipendenza (unsupervised statistical learning)
1. Analisi in Componenti Principali:definizione degli obiettivi, soluzione, proprietà delle
componenti, selezione delle componenti, interpretazione dei risultati, cerchio delle
correlazioni
2. Analisi dei Gruppi: Obiettivi e dati, decomposizione della devianza, metodo non gerarchico
(K-medie), metodi gerarchici (Ward, del legame singolo, medio, completo), dendogramma,
scelta del numero di gruppi

Applicazioni: Marketing e Vendite
1. Metodi previsionali: metodi qualitativi, quantitativi
2. Modelli estrapolativi e causali
3. Ricerca del trend
4. Regressione lineare per dati temporali: modello AR(1), diagnostica, confronto tra modelli (AIC, BIC)

Applicazioni: Mercati finanziari e Banking
1. Tipi di rischio
2. Basilea II e il requisito patrimoniale
3. Modelli di scoring
4. Applicazione dei modelli Logit e Probit per la previsione dei default: stima, test z e LR,
bontà di classificazione, curva SS e curva ROC

Durante le lezioni saranno richiamate alcune nozioni base su:
1. calcolo elementare delle probabilità
2. variabili casuali: definizione, funzione di ripartizione, valore atteso e varianza, v.c. notevoli
3. stima puntuale, proprietà degli stimatori, metodi di costruzione
4. verifica delle ipotesi: definizioni, test Z
5. intervallo di confidenza: definizioni, intervallo di confidenza Z

Testi di riferimento:

·         lucidi a cura dei docenti

·         L. Biggeri, M. Bini, A. Coli, L. Grassini, M. Maltagliati. Statistica per le decisioni aziendali. Pearson, 2012

·         G. Bonollo, M. Bonollo. Statistica Aziendale. Metodi e applicazioni. McGraw-Hill, 2005

·         A. De Lillo, G. Argentin, M. Lucchini, S. Sarti, M. Terraneo. Analisi multivariata per le scienze sociali. Pearson Education, 2007

Aggiornato A.A. 2018-2019

Programma

Aggiornato A.A. 2018-2019

Metodi Statistici per il Management (6 CFU)
Docenti: Prof. Simone Borra

Contenuti
L’insegnamento di Metodi Statistici per il Management affronta lo studio dei principali strumenti
statistici che possono essere utilizzati per analizzare dati interni
(ad es. controllo della qualità, analisi delle vendite, customer satisfaction) o esterni
(ad es. analisi di mercato) alle imprese.

Obiettivi formativi
Il corso si propone di:
i) introdurre le principali tecniche e modelli per l'analisi supervisionata
e non supervisionata di un set di dati;
ii) illustrare l'uso pratico delle metodologie in i) mediante esempi.

Modalità didattiche
Le lezioni prevedono la presentazione e discussione in aula di casi aziendali riguardanti
l’impiego della metodologia statistica a supporto del sistema decisionale.

Modelli statistici per l'analisi della dipendenza (supervised statistical learning)
1. Definizione di modello statistico
2. Modelli lineari e non lineari
3. Classificazione dei modelli
4. Regressione lineare semplice: ipotesi, interpretazione, stima dei parametri, bontà di
adattamento, test t
5. Modello Logit: ipotesi, interpretazione, stima ML dei parametri, test Z
6. Modello Probit: ipotesi, interpretazione, stima ML dei parametri, test Z

Statistica multivariata I: analisi della dipendenza (supervised statistical learning)
1. Regressione lineare multipla: ipotesi, stima dei parametri, bontà di adattamento, test t ed F,
backward elimination
2. Modelli ANOVA: costruzione delle variabili, il modello, interpretazione

Statistica multivariata II: analisi della interdipendenza (unsupervised statistical learning)
1. Analisi in Componenti Principali:definizione degli obiettivi, soluzione, proprietà delle
componenti, selezione delle componenti, interpretazione dei risultati, cerchio delle
correlazioni
2. Analisi dei Gruppi: Obiettivi e dati, decomposizione della devianza, metodo non gerarchico
(K-medie), metodi gerarchici (Ward, del legame singolo, medio, completo), dendogramma,
scelta del numero di gruppi

Applicazioni: Marketing e Vendite
1. Metodi previsionali: metodi qualitativi, quantitativi
2. Modelli estrapolativi e causali
3. Ricerca del trend
4. Regressione lineare per dati temporali: modello AR(1), diagnostica, confronto tra modelli (AIC, BIC)

Applicazioni: Mercati finanziari e Banking
1. Tipi di rischio
2. Basilea II e il requisito patrimoniale
3. Modelli di scoring
4. Applicazione dei modelli Logit e Probit per la previsione dei default: stima, test z e LR,
bontà di classificazione, curva SS e curva ROC

Durante le lezioni saranno richiamate alcune nozioni base su:
1. calcolo elementare delle probabilità
2. variabili casuali: definizione, funzione di ripartizione, valore atteso e varianza, v.c. notevoli
3. stima puntuale, proprietà degli stimatori, metodi di costruzione
4. verifica delle ipotesi: definizioni, test Z
5. intervallo di confidenza: definizioni, intervallo di confidenza Z

Testi di riferimento:

·         lucidi a cura dei docenti

·         L. Biggeri, M. Bini, A. Coli, L. Grassini, M. Maltagliati. Statistica per le decisioni aziendali. Pearson, 2012

·         G. Bonollo, M. Bonollo. Statistica Aziendale. Metodi e applicazioni. McGraw-Hill, 2005

·         A. De Lillo, G. Argentin, M. Lucchini, S. Sarti, M. Terraneo. Analisi multivariata per le scienze sociali. Pearson Education, 2007

Aggiornato A.A. 2017-2018

Programma

Aggiornato A.A. 2017-2018

Metodi Statistici per il Management (6 CFU)
Docenti: Prof. Simone Borra

Modelli statistici per l'analisi della dipendenza (supervised statistical learning)
1. Definizione di modello statistico
2. Modelli lineari e non lineari
3. Classificazione dei modelli
4. Regressione lineare semplice: ipotesi, interpretazione, stima dei parametri, bontà di
adattamento, test t
5. Modello Logit: ipotesi, interpretazione, stima ML dei parametri, test Z
6. Modello Probit: ipotesi, interpretazione, stima ML dei parametri, test Z

Statistica multivariata I: analisi della dipendenza (supervised statistical learning)
1. Regressione lineare multipla: ipotesi, stima dei parametri, bontà di adattamento, test t ed F,
backward elimination
2. Modelli ANOVA: costruzione delle variabili, il modello, interpretazione

Statistica multivariata II: analisi della interdipendenza (unsupervised statistical learning)
1. Analisi in Componenti Principali:definizione degli obiettivi, soluzione, proprietà delle
componenti, selezione delle componenti, interpretazione dei risultati, cerchio delle
correlazioni
2. Analisi dei Gruppi: Obiettivi e dati, decomposizione della devianza, metodo non gerarchico
(K-medie), metodi gerarchici (Ward, del legame singolo, medio, completo), dendogramma,
scelta del numero di gruppi

Applicazioni: Marketing e Vendite
1. Metodi previsionali: metodi qualitativi, quantitativi
2. Modelli estrapolativi e causali
3. Ricerca del trend
4. Regressione lineare per dati temporali: modello AR(1), diagnostica, confronto tra modelli (AIC, BIC)

Applicazioni: Mercati finanziari e Banking
1. Tipi di rischio
2. Basilea II e il requisito patrimoniale
3. Modelli di scoring
4. Applicazione dei modelli Logit e Probit per la previsione dei default: stima, test z e LR,
bontà di classificazione, curva SS e curva ROC

Durante le lezioni saranno richiamate alcune nozioni base su:
1. calcolo elementare delle probabilità
2. variabili casuali: definizione, funzione di ripartizione, valore atteso e varianza, v.c. notevoli
3. stima puntuale, proprietà degli stimatori, metodi di costruzione
4. verifica delle ipotesi: definizioni, test Z
5. intervallo di confidenza: definizioni, intervallo di confidenza Z

Testi di riferimento:

·         lucidi a cura dei docenti

·         L. Biggeri, M. Bini, A. Coli, L. Grassini, M. Maltagliati. Statistica per le decisioni aziendali. Pearson, 2012

·         G. Bonollo, M. Bonollo. Statistica Aziendale. Metodi e applicazioni. McGraw-Hill, 2005

·         A. De Lillo, G. Argentin, M. Lucchini, S. Sarti, M. Terraneo. Analisi multivariata per le scienze sociali. Pearson Education, 2007

Aggiornato A.A. 2016-2017

Metodi Statistici per il Management (6 CFU)
Docenti: Prof. Simone Borra

Modelli statistici per l'analisi della dipendenza (supervised statistical learning)
1. Definizione di modello statistico
2. Modelli lineari e non lineari
3. Classificazione dei modelli
4. Regressione lineare semplice: ipotesi, interpretazione, stima dei parametri, bontà di
adattamento, test t
5. Modello Logit: ipotesi, interpretazione, stima ML dei parametri, test Z
6. Modello Probit: ipotesi, interpretazione, stima ML dei parametri, test Z

Statistica multivariata I: analisi della dipendenza (supervised statistical learning)
1. Regressione lineare multipla: ipotesi, stima dei parametri, bontà di adattamento, test t ed F,
backward elimination
2. Modelli ANOVA: costruzione delle variabili, il modello, interpretazione

Statistica multivariata II: analisi della interdipendenza (unsupervised statistical learning)
1. Analisi in Componenti Principali:definizione degli obiettivi, soluzione, proprietà delle
componenti, selezione delle componenti, interpretazione dei risultati, cerchio delle
correlazioni
2. Analisi dei Gruppi: Obiettivi e dati, decomposizione della devianza, metodo non gerarchico
(K-medie), metodi gerarchici (Ward, del legame singolo, medio, completo), dendogramma,
scelta del numero di gruppi

Applicazioni: Marketing e Vendite
1. Metodi previsionali: metodi qualitativi, quantitativi
2. Modelli estrapolativi e causali
3. Ricerca del trend
4. Regressione lineare per dati temporali: modello AR(1), diagnostica, confronto tra modelli (AIC, BIC)

Applicazioni: Mercati finanziari e Banking
1. Tipi di rischio
2. Basilea II e il requisito patrimoniale
3. Modelli di scoring
4. Applicazione dei modelli Logit e Probit per la previsione dei default: stima, test z e LR,
bontà di classificazione, curva SS e curva ROC

Durante le lezioni saranno richiamate alcune nozioni base su:
1. calcolo elementare delle probabilità
2. variabili casuali: definizione, funzione di ripartizione, valore atteso e varianza, v.c. notevoli
3. stima puntuale, proprietà degli stimatori, metodi di costruzione
4. verifica delle ipotesi: definizioni, test Z
5. intervallo di confidenza: definizioni, intervallo di confidenza Z

Testi di riferimento:

·         lucidi a cura dei docenti

·         L. Biggeri, M. Bini, A. Coli, L. Grassini, M. Maltagliati. Statistica per le decisioni aziendali. Pearson, 2012

·         G. Bonollo, M. Bonollo. Statistica Aziendale. Metodi e applicazioni. McGraw-Hill, 2005

·         A. De Lillo, G. Argentin, M. Lucchini, S. Sarti, M. Terraneo. Analisi multivariata per le scienze sociali. Pearson Education, 2007

Aggiornato A.A. 2015-2016

Metodi Statistici per il Management (6 CFU – a.a.2015/2016)
Docenti: Prof. Simone Borra, Prof. Roberto Rocci

Programma
Richiami di Inferenza statistica
1. Elementi di calcolo delle probabilità
2. Variabili casuali: definizione, funzione di ripartizione, valore atteso e varianza, v.c. notevoli
3. Stima puntuale, proprietà degli stimatori, metodi di costruzione
4. Verifica delle ipotesi: definizioni, test Z
5. Intervallo di confidenza: definizioni, intervallo di confidenza Z

Modelli statistici
1. Definizione di modello statistico
2. Modelli lineari e non lineari
3. Classificazione dei modelli
4. Regressione lineare semplice: ipotesi, interpretazione, stima dei parametri, bontà di adattamento, test t
5. Modello Logit: ipotesi, interpretazione, stima ML dei parametri, test Z
6. Modello Probit: ipotesi, interpretazione, stima ML dei parametri, test Z

Statistica multivariata
1. La struttura dei dati
2. Regressione lineare multipla: ipotesi, stima dei parametri, bontà di adattamento, test t ed F, backward elimination
3. Analisi in Componenti Principali:definizione degli obiettivi, soluzione, proprietà delle componenti, selezione delle componenti, interpretazione dei risultati, cerchio delle correlazioni
4. Modelli ANOVA: costruzione delle variabili, il modello, interpretazione
5. Analisi dei Gruppi: Obiettivi e dati, decomposizione della devianza, metodo non gerarchico (K-medie), metodi gerarchici (Ward, del legame singolo, medio, completo), dendogramma, scelta del numero di gruppi

Applicazioni: Marketing e Vendite
1. Metodi previsionali: metodi qualitativi, quantitativi
2. Modelli estrapolativi e causali
3. Ricerca del trend: modello AR(1), diagnostica, confronto tra modelli (AIC, BIC)
4. Segmentazione mediante l’analisi dei gruppi: individuazione dei gruppi, descrizione dei gruppi, opportunità di marketing sui singoli gruppi
5. Ricerca di mercato: l’indagine statistica, gli obiettivi, il questionario, la strategia campionaria (campione probabilistico e non), tipo di campionamento (semplice e stratificato), stima di un parametro attraverso un tipo di campione (semplice o stratificato)

Applicazioni: Mercati finanziari e Banking
1. Tipi di rischio
2. Basilea II e il requisito patrimoniale
3. Modelli di scoring
4. Applicazione dei modelli Logit e Probit per la previsione dei default: stima, test z e LR, bontà di classificazione, curva SS e curva ROC

Verranno svolte applicazioni su dati reali.

Testi di riferimento:
• G. Bonollo, M. Bonollo, Statistica Aziendale. Metodi e applicazioni, McGraw-Hill, 2005, ISBN: 9788838662270
• lucidi a cura dei docenti

Aggiornato A.A. 2014-2015

Metodi Statistici per il Management (5 CFU – a.a.2009/2010)
Docenti: Prof. Simone Borra, Prof. Roberto Rocci

Programma

Richiami di Inferenza statistica
1. Elementi di calcolo delle probabilità
2. Variabili casuali: definizione, funzione di ripartizione, valore atteso e varianza, v.c. notevoli
3. Stima puntuale, proprietà degli stimatori, metodi di costruzione
4. Verifica delle ipotesi: definizioni, test Z
5. Intervallo di confidenza: definizioni, intervallo di confidenza Z
Modelli statistici
1. Definizione di modello statistico
2. Modelli lineari e non lineari
3. Classificazione dei modelli
4. Regressione lineare semplice: ipotesi, interpretazione, stima dei parametri, bontà di
adattamento, test t
5. Modello Logit: ipotesi, interpretazione, stima ML dei parametri, test Z
6. Modello Probit: ipotesi, interpretazione, stima ML dei parametri, test Z
Statistica multivariata
1. La struttura dei dati
2. Regressione lineare multipla: ipotesi, stima dei parametri, bontà di adattamento, test t ed F,
backward elimination
3. Analisi in Componenti Principali:definizione degli obiettivi, soluzione, proprietà delle
componenti, selezione delle componenti, interpretazione dei risultati, cerchio delle
correlazioni
4. Modelli ANOVA: costruzione delle variabili, il modello, interpretazione
5. Analisi dei Gruppi: Obiettivi e dati, decomposizione della devianza, metodo non gerarchico
(K-medie), metodi gerarchici (Ward, del legame singolo, medio, completo), dendogramma,
scelta del numero di gruppi
Applicazioni: Marketing e Vendite
1. Metodi previsionali: metodi qualitativi, quantitativi
2. Modelli estrapolativi e causali
3. Ricerca del trend: modello AR(1), diagnostica, confronto tra modelli (AIC, BIC)
4. Segmentazione mediante l’analisi dei gruppi: individuazione dei gruppi, descrizione dei
gruppi, opportunità di marketing sui singoli gruppi
5. Ricerca di mercato: l’indagine statistica, gli obiettivi, il questionario, la strategia
campionaria (campione probabilistico e non), tipo di campionamento (semplice e
stratificato), stima di un parametro attraverso un tipo di campione (semplice o stratificato)
Applicazioni: Mercati finanziari e Banking
1. Tipi di rischio
2. Basilea II e il requisito patrimoniale
3. Modelli di scoring
4. Applicazione dei modelli Logit e Probit per la previsione dei default: stima, test z e LR,
bontà di classificazione, curva SS e curva ROC Verranno svolte applicazioni su dati reali.

Testi di riferimento:
• G. Bonollo, M. Bonollo, Statistica Aziendale. Metodi e applicazioni, McGraw-Hill, 2005,
ISBN: 9788838662270
• lucidi a cura dei docenti
Letture consigliate:
• P. Giudici, Data Mining, McGraw-Hill, 2005, ISBN: 9788838672125