Non esiste propedeuticità con altro insegnamento. Le conoscenze di base riguardano elementi di Algebra della scuola secondaria e di Statistica descrittiva.

L’insegnamento di Modelli Statistici per la Misurazione delle Performance fornisce agli studenti le basi teoriche per affrontare problemi di tipo inferenziale.

Il corso si propone di fornire:

- concetti, metodologie e strumenti della Statistica inferenziale per valutare, in termini probabilistici, diversi aspetti di un fenomeno, esaminando soltanto le osservazioni relative ad un campione rappresentativo della popolazione.

 

Risultati attesi secondo i descrittori di Dublino:

 

Conoscenza e capacità di comprensione (knowledge and understanding):

- Acquisizione degli strumenti della Statistica inferenziale al fine di stimare diversi aspetti di fenomeni casuali nel contesto dell’ingegneria, sulla base dell’osservazione di un campione estratto dalla popolazione di riferimento.

- Conoscenza dei metodi induttivi della Statistica inferenziale per la specificazione, stima e verifica dei parametri di modelli statistici utilizzabili a scopi previsivi e decisionali.

- Conoscenza dei metodi e delle procedure statistiche per analisi esplorative di dati univariati e multivariati.

 

Capacità di applicare conoscenza e comprensione (applying knowledge and understanding)

- Capacità di spiegare fenomeni casuali mediante l'analisi statistica dei dati e la costruzione di modelli idonei, anche con l'impiego di strumenti di calcolo avanzati e di algoritmi sofisticati.

- Capacità di pianificare un’indagine statistica campionaria.

- Presentazione e interpretazione critica dei risultati inferenziali nel contesto dell’ingegneria gestionale.

 

Autonomia di giudizio (making judgements)

- Capacità di tradurre in termini statistici una esigenza conoscitiva nell’ambito dello studio delle dinamiche dell’ingegneria gestionale.

- Capacità di utilizzare i risultati delle analisi dei dati per formulare ipotesi interpretative, ottenere indicazioni strategiche, assumere decisioni in condizioni di incertezza.

- Capacità di valutare gli aspetti etici e deontologici dei risultati di un’indagine, al fine di evitare un utilizzo inappropriato dell’informazione statistica.

 

Abilità comunicative (communication skills)

- Capacità di presentare, anche con l'ausilio di tecniche audiovisive, i metodi, i risultati dell’elaborazione statistica e favorire l'interpretazione di uno studio sia ad esperti del contesto applicativo che a specialisti del settore.

- Capacità di cogliere e di definire/circoscrivere l’obiettivo statistico di uno studio con interlocutori non esperti.

- Capacità di divulgare i risultati delle analisi statistiche con linguaggio tecnico adeguato.

 

Capacità di apprendimento (learning skills)

- Capacità di integrare le proprie conoscenze adattandosi alle diverse realtà e all’evoluzione della disciplina.

Lezioni in presenza: modalità frontale di erogazione delle lezioni, con uso di supporti audiovisivi, esercitazioni in aula con l’ausilio di pacchetti software.

L’esame in presenza è caratterizzato da una prova scritta.

 

Per i soli studenti frequentanti, la prova scritta si articola in 2 prove parziali (con domande teoriche ed esercizi), che si svolgeranno nel rispetto del calendario didattico. La valutazione degli studenti frequentanti include l’esito di una prova di laboratorio contenente un’analisi statistica da consegnare al termine della prova stessa.

 

Al completamento della prova scritta, l’esito effettivo dell’esame sostenuto dagli studenti sarà registrato sul VOL (ESSE3), specificando anche le eventualità di “ritirato”, “assente” o “insufficiente”, in ottemperanza alla nota rettorale del 28.04.2022. Inoltre, l’esito positivo della prova parziale può essere conservato su richiesta dello studente fino alla fine dell’anno accademico in cui è stato sostenuto, come indicato nella stessa nota rettorale su verbalizzazione esami del 28.04.2022.

Il superamento dell'esame presuppone il conferimento di un voto non inferiore ai diciotto/trentesimi (con eventuale assegnazione della lode) e prevede l'attribuzione dei corrispondenti CFU. Le nozioni acquisite conferiscono allo studente conoscenze e comprensione, capacità di applicare conoscenze e comprensione, autonomia di giudizio, abilità comunicative e capacità di apprendimento in linea con i descrittori di Dublino.

 

"Lo studente, disabile e/o con DSA, che intende usufruire di un intervento individualizzato per lo svolgimento della prova d’esame deve contattare l'ufficio Integrazione Disabili dell'Università del Salento all'indirizzo paola.martino@unisalento.it"

 

Non sono previste differenze in termini di programma e testi di riferimento tra studenti frequentanti e non frequentanti.

Per gli appelli d'esame si rimanda alla pagina web https://www.dii.unisalento.it/guida-alla-didattica/calendario-attivit%C3%A0

1. Principi di inferenza statistica. 2. Calcolo combinatorio ed eventi. Elementi di calcolo combinatorio. Esperimenti casuali. Spazio campionario ed eventi. 3. Teoria della probabilità. Cenni storici. Concezione classica. Teoria assiomatica. Spazio di probabilità. Probabilità condizionata. Indipendenza tra eventi. 4. Variabili aleatorie. Alcuni concetti generali. Funzione di ripartizione. Variabili aleatorie: discrete, assolutamente continue. Variabili aleatorie doppie. Momenti di una variabile aleatoria: valore atteso e varianza. Variabile aleatoria standardizzata. Relazioni tra variabili aleatorie: indipendenza e correlazione. 5. Distribuzioni di probabilità notevoli: Bernoulli, binomiale, Poisson, gaussiana, chi-quadrato, T di Student, F di Fisher. 6. Campionamento casuale ed inferenza statistica. Paradigmi dell’inferenza statistica. Formalismo dell’inferenza statistica classica. Metodi di stima parametrici e non parametrici. Funzione di verosimiglianza. Statistiche e distribuzioni campionarie: media, varianza, proporzione. Distribuzioni campionarie fondamentali. Teorema del limite centrale. 7. Stima puntuale. Stimatori e stime di un parametro. Proprietà degli stimatori. Metodo della massima verosimiglianza. Stimatori puntuali per il valore atteso, la varianza e la proporzione. 8. Stima per intervalli. Intervalli di confidenza per un parametro. Inferenza parametrica per il valore atteso, la varianza e la proporzione. 9. Verifica delle ipotesi. Verifica di ipotesi per un parametro. Test parametrici per il valore atteso, la varianza e la proporzione. Analisi della varianza. 10. Modelli di regressione lineare: Introduzione; Relazione funzionale e relazione statistica tra variabili; Specificazione del modello di regressione lineare semplice e del modello di regressione lineare multipla; Stima dei coefficienti di regressione; Indice di determinazione. Verifica delle ipotesi ed intervalli di confidenza per i coefficienti di regressione.

- Posa D., De Iaco S., Fondamenti di statistica inferenziale, Cleup, Padova, 2006.

- James G., Witten D., Hastie T., Tibshirani R., Introduzione all’apprendimento statistico con applicazioni in R, Piccin-Nuova Libraria, 2020.