STATISTICS M - Z

Academic Year 2023/2024 - Teacher: ANTONIO PUNZO

Expected Learning Outcomes

  1. Knowledge and understanding: The course provides basic concepts in statistics (summary statistics, probability calculus, statistical inference, linear statistical modeling). These essential tools of statistics theory are applied for data analysis in business and economics.
  2. Applying knowledge and understanding: The student has to be able to perform statistical analyses of data in business and economics, using both descriptive and inferential statistical tools, as well as linear regression models.
  3. Making judgments: The student has to be able to select the appropriate statistical tools to analyze data and draw conclusions based on the results of suitable statistical analyses.
  4. Communication skills: The student is expected to learn the technical language needed to understand/write properly a statistical report in the area of economics and business.
  5. Learning skills: Ability to understand the logic of statistical reasoning.

Course Structure

Lectures.

Should teaching be carried out in mixed mode or remotely, it may be necessary to introduce changes with respect to previous statements, in line with the programme planned and outlined in the syllabus.

Detailed Course Content

Descriptive Statistics

  • Simple Statistical Distribution. Data tables. Numerical and categorical data. Frequency distributions. Frequency density. Statistical ratios and index numbers. Arithmetic mean. Median and percentiles. Variation. Variance, standard deviation, Relative variation: variation coefficient. Concentration. Box-plot. Skewness and Kurtosis.
  • Multiple Statistical Distributions. Contingency Tables.  Joint distributions, marginal and conditional distributions. Means and variance of marginal and conditional distributions. Association between statistical variables. Covariance and correlation. Linear regression: coefficients, goodness-of-fit and residuals analysis.

Probability. Events. Probability.  Rules for probability. Conditional events. Conditional probability. Independent events. Random variables. Association between random variables. Probability models for count data: uniform, binomial, hypergeometric, Poisson and Gaussian. 

Statistical inference. Sample distributions: Student-t.

  • Point estimation. Estimators and their properties. 
  • Confidence estimation. Confidence level. Confidence bounds for means and proportions.
  • Hypothesis testing. Null hypotheses and alternative hypotheses. Test rules. Significance level. Power of a test. Statistical tests for means and proportions.

Textbook Information

1. M. Zenga - Lezioni di Statistica Descrittiva, Giappichelli, Torino, 2007

2. P. Newbold, W. L. Carlson, B. Thorne - Statistica 2/Ed., Pearson, 2010

Course Planning

 SubjectsText References
1Lezioni 1-2: Aspetti introduttivi. Popolazioni e unità statistiche, caratteri e modalità. Classificazione dei caratteri statistici. Rilevazioni statistiche totali e campionarie. Rapporti statistici. Numeri indici. Distribuzioni di frequenze relative e assolute.Testo 1, Cap. 1-4
2Lezioni 3-7: Sintesi numeriche delle distribuzioni: aspetti introduttivi Media aritmetica, media geometrica, media armonica. Indici di posizione: mediana, quartili, decili, percentili. Valori modali. Indici di variabilità assoluta. Varianza e scarto quadratico medio.Testo 1, Cap.5
3Lezioni 8-10: Distribuzioni doppie, tabelle a doppia entrata. Distribuzioni marginali, condizionate. Sintesi numeriche delle distribuzioni doppie. Analisi della dipendenza di distribuzioni doppie. Indipendenza stocastica e connessione. Indice chi-quadrato di dipendenza distributiva.Testo 1, Cap. 6-7
4Lezioni 11-13: Probabilità. Eventi; operazioni sugli eventi. Risultati elementari del calcolo delle probabilità. Teorema delle probabilità totali e applicazioni. Concezioni della probabilità. Combinazioni. Calcolo di probabilità per eventi equiprobabili.Testo 2, Cap. 1
5Lezioni 14-15: Variabili aleatorie discrete e continue. Funzioni di densità. Funzione di ripartizione. Speranza matematica, varianza di v.a..Testo 2, Cap. 2
6Lezioni 16-20: Modelli probabilistici. Distribuzione uniforme. Distribuzione di Bernoulli. Distribuzione binomiale. Distribuzione ipergeometrica. Distribuzione di Poisson. Distribuzione normale standard.Testo 2, Cap. 2
7Lezioni 21-22: Introduzione alle distribuzioni campionarie. Media e varianza campionaria. Campionamento da distribuzioni normali. Distribuzione della media campionaria. Distribuzione della proporzione campionaria. Distribuzione t-StudentTesto 2, Cap. 2
8Lezioni 23-27: Introduzione all’inferenza statistica. Stimatori puntuali. Proprietà degli stimatori puntuali. Intervalli di confidenza: aspetti generali. Intervalli di confidenza per la media (popolazioni normali con varianza nota). Intervalli di confidenza per proporzioni.Testo 2, Cap. 8-10
9Lezioni 28-30: Regressione lineare semplice. Metodo di stima dei minimi quadrati. Misure di bontà dell’adattamento. Analisi dei residuiTesto 1, Cap. 6; Testo 3, Cap. 6
VERSIONE IN ITALIANO