Stampa  
Codice:  
Course code:
238462
Anno accademico:
Academic year:
2007-2008
Titolo del corso:
Course title:
Statistica
Statistics
Modulo:  
Module:
Unico
Docente 1:
Teacher 1:
NEGRI Ilia
Ruolo Docente 1:
Teacher 1:
Modalitą 1:
Type 1:
Convenzionale
Settore scientifico-disciplinare:
Reference sector:
SECS-S/02 Statistica per la ricerca sperimentale e tecnologica
Anno di corso:
Year of degree course:
secondo
Second
Facoltą:
Faculty:
Ingegneria
Modalitą di frequenza:
Type:
Non obbligatoria
Semestre:
Semester:
2
Sottoperiodo:
Sub period:
Numero totale di crediti:
Total credits:
7.5
Carico di lavoro
Workload
Attività frontale:
Lectures:
48.0
Esercitazioni:
Applied activities:
24.0
Studio individuale:
Individual work:
72.0
Attività didattica a piccoli gruppi:
Group work:
0.0
Seminari:
Seminars:
0.0
Laboratori:
Laboratories:
0.0
TOTALE (voci sopra-elencate):
TOTAL:
144.0
Ore di lezione settimanali:
6.0
Prerequisiti:
Prerequisites:
Pur non costituendo una propedeuticitą, lo studente si troverą pił facilitato nello studio se possiede solide conoscenze di analisi matematica.
Although it is not obligatory, students will find the course more accessible if they have a solid grounding in mathematical analysis.
Obiettivi formativi:
Educational goals:
Sempre pił spesso, grazie all'innovazione tecnologica incalzante l'ingegnere meccanico, nelle sue funzioni sia legate agli aspetti progettuali che organizzativi in attivitą industriali e del terziario avanzato, si trova a dover analizzare una serie di dati all'apparenza senza o con pochi legami. Il corso, partendo dall'analisi di dati reali, reperiti sia in aziende manufatturiere che in articoli scientifici dove si affrontano diverse tematiche legate all'ingegneria meccanica, intende fornire le conoscenze inerenti i modelli probabilistici e le metodologie statistiche utili per l'analisi dei dati legati all'attivitą all'ingegnere. Si partirą con le tecniche di modellazione e di analisi statistica di base fino alla presentazione di tematiche di pił ampio respiro e di frequente interesse pratico, come l'analisi di regressione multipla e l'analisi della varianza.
Thanks to the technological innovation enveloping mechanical engineers, they, in both the planning and organisational stages of industrial activity and that of advanced tertiary sector activities, find themselves more and more often having to analyse a series of data that seem to bear little or no relation to each other. The course uses real data sets for analysis (taken from manufacturers and scientific articles where various issues relating to mechanical engineering are discussed) and aims to provide students with knowledge of probability models and the statistic methods useful to the analysis of data linked to mechanical engineers' work. We will begin with modelling techniques and basic statistical analysis techniques and move on to broader themes and issues frequently of practical interest, such as multiple regression analysis and variance analysis.
Contenuto del corso:
Course contents:
Struttura del modello probabilistico: esperimenti casuali, eventi elementari, algebre di eventi, misura di probabilitą, probabilitą e assiomi del calcolo delle probabilitą, spazi di probabilitą finiti e calcolo combinatorio, probabilitą condizionate, teorema di Bayes, indipendenza. Variabili casuali come modelli, v.c. continue,v.c. discrete, v.c. vettoriali, funzioni di ripartizione, valore atteso e varianza di una v.c., momenti, valore atteso condizionato e momenti condizionati, funzione generatrice dei momenti, trasformazioni di v.c., principali v.c. discrete (binomiale, binomiale negativa, ipergeometrica, Poisson), principali v.c. continue (uniforme, normale, esponenziale, gamma, chi quadro, T di Student, F di Snedecor, Weibull), cenni sulla generazione dei numeri pseudo-casuali. Teoremi di convergenza e approssimazione: convergenza in probabilitą, convergenza in distribuzione, teorema di normalitą asintotica. Elementi di statistica descrittiva: distribuzioni di frequenze, indici di posizione, indici di variabilitą, rappresentazioni grafiche dei dati statistici. Introduzione all'inferenza statistica: modelli statistici parametrici, campioni casuali, statistiche, distribuzioni campionarie, funzione di verosimiglianza. Stima puntuale: stimatori corretti, stimatori consistenti, stimatori efficienti. Stima mediante intervalli: intervalli casuali, livello di confidenza, costruzione di intervalli con il metodo della variabile casuale pivotale, applicazioni ai principali modelli parametrici statistici. Intervalli di confidenza asintotici. Verifica di ipotesi statistiche: ipotesi parametriche semplici e composte, statistiche test e regione critica, errori di primo e secondo tipo, test pił potenti e test uniformemente pił potenti, test su medie e varianze per uno o due campioni. Il modello di regressione lineare ed i suoi impieghi: la correlazione, le ipotesi del modello di regressione lineare, stima dei parametri, verifica di ipotesi sul medello. Cenni di anova.
Structure of probability models: chance-bassed experiments, elementary events, events algebra, measuring probability, probability and probability axioms, finite probability spaces and combination calculus, conditioned probabilities, Bayes theorem, independence. Dependent variables (DV) as models, continuous DV, discrete DV, vectorial DV, division functions, expected value and variance of a DV, moments, expected conditioned value and conditioned moments, moment generation function, transformations of DVs, main discrete (binomial, negative binomial, hypergeometric, Poisson), main continuous DVs (uniform, normal, exponential, gamma, chi-squared, Student's T, Snedecor's F, Weibull), brief look at the generation of pseudo-dependent numbers. Convergence and approximation theorems: convergence in probability, convergence in distribution, theorem of asyntotic normality. Basics of descriptive statistics: distribution of frequencies, position indices, variability indices, graphic representation of statistic data. Introduction to statistic inference: parametric statistic models, chance samples, statistics, sample distributions, similarity function. Precise estimates: correct estimators, consistent estimators, efficient estimators. Estimates through intervals: chance intervals, level of confidence, construction of intervals using the pivotal dependent variable method,applications to the main parametric statistical models. Asyntotic confidence intervals. Testing hypotheses: simple and compound parametric hypotheses; statistics, tests and critical zone; first- and second-type errors; more powerful tests and uniformly powerful tests, tests on medians and variances for one or two samples. The linear regression model and its uses: correlation, linear regression model hypotheses, estimating parameters, testing the hypothesis on the model. Brief look at ANOVA.
Testo di riferimento 1:
Course text 1:
Navidi, Statistica per l'ingegneria e le scienze. McGraw-Hill. (pagine/pages: 396)
Testo di riferimento 2:
Course text 2:
Iacus, Masarotto, Laboratorio di statistica con R, McGraw-Hill (pagine/pages: 50)
Testo di riferimento 3:
Course text 3:
Negri, Lezioni di calcolo delle probabilitą ed esercizi svolti. Cusl. (pagine/pages: 140)
Metodi didattici:
Teaching activities:
Struttura della verifica del profitto:
Assessment:
scritto + orale
written + oral
Descrizione verifica del profitto:
Durante lo svolgimento del corso: 2 prove in laboratorio su R e teoria 2 prove parziali scritte oppure scritto e oreale in un unica sessione
Written and oral on the whole course contents.Possibility of two mid-terms, which if passed will substitute the oral.
Lingua di insegnamento:
Teaching language:
italiano
Italian
Altre informazioni:
Other information:
 
Stampa