In questo corso, lo studente svilupperà strumenti statistici per monitorare e comprendere i processi di innovazione: imparerà a calcolare trend e previsioni, quantificare l'incertezza e valutare l'impatto dei cambiamenti nell'era dell’innovazione e della mitigazione del riscaldamento globale.
Lavorando in un ambiente di calcolo avanzato (Matlab, R o Python), lo studente imparerà a fornire un'adeguata rappresentazione grafica dei dati e a costruire modelli statistici a fini descrittivi, interpretativi, predittivi e di simulazione.
Svilupperà inoltre una significativa esperienza operativa tramite la realizzazione di un lavoro di gruppo su un progetto statistico di interesse per un Ingegnere gestionale. In particolare lo studente entrerà in contatto anche operativo con i metodi di analisi delle serie storiche e di previsione statistica utili per descrivere la dinamica temporale di un fenomeno, per prevederne il comportamento futuro a breve termine e per effettuare analisi di scenario e simulazione. Particolare attenzione verrà dedicata alla valutazione dell'incertezza di previsione.
Conoscenze equivalenti a un corso di Calcolo delle probabilità e inferenza statistica In particolare è richiesta la conoscenza dei seguenti argomenti:
- Principali distribuzioni di probabilità
- Stima e intervalli di confidenza
- Verifica di Ipotesi
Lezioni frontali e discussione (70%).
Case studies (30%).
Lavoro di gruppo su un progetto di previsione statistica.
- Un test sulla teoria (pass/not pass)
- Discussione in gruppo del progetto davanti alla classe (50%)
- Discussione individuale dei metodi usati nel progetto (50%)
Richiami di inferenza statistica. Rappresentazioni grafiche per dati nel tempo e serie storiche. Dati multivariati e la matrice di varianze-covarianze. La distribuzione normale multivariata. Test di normalità.
Il modello di regressione classico: assunzioni, stima a minimi quadrati. Previsione statica. Selezione delle variabili, capacità previsiva, cross-validazione.
Modelli di regressione non parametrica, spline e reti neurali. Causalità e correlazione spuria.
I dati nel tempo e la funzione di autocorrelazione. Modelli autoregressivi e a media mobile: Stazionarietà, stima dei parametri, problemi di selezione, diagnostica e validazione del modello La previsione dinamica: previsione a uno e a più passi.
Modelli di regressione per serie storiche. Modelli ARCH e GRACH. Gli argomenti di cui sopra saranno collegati ad uno o più data set che verranno usati a) dal docente per illustrare i metodi e b) dallo studente che imparerà a lavorarci tramite Matlab, R o Python.
