Economia aziendale e Management

MARCO GERACI
MARCO GERACI

Il corso fornisce le basi metodologiche della statistica descrittiva e del calcolo delle probabilità, essenziali per l'analisi quantitativa dei fenomeni economici incerti. La prima parte del corso copre l'organizzazione e la sintesi dei dati attraverso distribuzioni di frequenza, rappresentazioni grafiche e indicatori statistici (posizione, variabilità, forma, concentrazione). Viene approfondita l'analisi delle relazioni tra variabili mediante lo studio delle distribuzioni doppie, della dipendenza in media e della regressione lineare semplice. La seconda parte introduce i fondamenti del calcolo delle probabilità, incluse le variabili casuali discrete e continue, i principali modelli probabilistici (Bernoulli, Binomiale, Poisson, Normale) e i teoremi limite. Completano il percorso i principi dell'inferenza statistica, con elementi di stima puntuale e intervallare. Al termine del corso, lo studente sarà in grado di organizzare e analizzare dataset economici, interpretare il comportamento aleatorio dei fenomeni economici e comprendere le basi del ragionamento inferenziale, anche attraverso l'utilizzo di software statistici.

L'obiettivo principale dell'insegnamento è rendere lo studente capace di effettuare analisi quantitative di fenomeni reali e di interpretarne i risultati. A questo fine, durante le lezioni verranno presentati i principali strumenti e metodi di analisi statistica descrittiva ed inferenziale univariata e bivariata, sia dal punto di vista teorico/metodologico, sia dal punto di vista applicativo. In particolare, ampio spazio sarà dedicato a esempi applicativi riguardanti problemi reali, soprattutto con riferimento a fenomeni in ambito aziendale, socio-economico e finanziario.

Lo studente che avrà superato l'esame con successo:
1) avrà acquisito la conoscenza degli strumenti chiave della statistica, dalle metodologie descrittive fino alle tecniche inferenziali di base;
2) sarà in grado di applicare tali strumenti a casi di studio reali, individuando quelli più opportuni da utilizzare per l'analisi dei fenomeni oggetto di studio;
3) sarà in grado di interpretare i risultati ottenuti, effettuando una valutazione critica. Lo sviluppo di questa particolare competenza deriva anche dalle frequenti discussioni stimolate dal docente in aula, durante la presentazione degli esempi applicativi;
4) sarà in grado di comunicare in modo critico e con linguaggio appropriato le metodologie statistiche e i risultati ottenuti da analisi empiriche. Lo sviluppo di questa specifica competenza deriva anche dalla partecipazione attiva, stimolata dal docente, a discussioni in aula;
5) sarà in grado di effettuare autonomamente un'analisi statistica di dati reali utilizzando un software appropriato (per esempio R o foglio di calcolo), nonché di comprendere metodologie statistiche più avanzate. In particolare, tali strumenti includono: sintesi tabellari e grafiche, indici statistici, relazioni statistiche tra due fenomeni, procedure inferenziali.

Conoscenza degli strumenti principali di analisi matematica

Il programma comprenderà i seguenti argomenti che vengono qui sottoelencati in ordine temporale. Le lezioni copriranno sia gli aspetti metodologici che quelli applicativi anche tramite l'uso di software statistici.

Nozioni introduttive: collettivo statistico; unità statistica, caratteri e modalità; fonti dei dati; matrice dei dati; statistica descrittiva e inferenza statistica.
Distribuzioni statistiche: frequenze assolute, relative e cumulate; distribuzioni di frequenze e raggruppamento in classi; distribuzioni doppie; serie storiche e territoriali.
Rappresentazioni grafiche: caratteri quantitativi; caratteri qualitativi; grafici a barre; grafici per serie storiche e territoriali
Posizione: media aritmetica, armonica, geometrica, quadratica, di potenza; medie analitiche per distribuzioni di frequenze; medie ponderate; quantili e altri indici di posizione.
Variabilità: scostamenti medi; differenze medie; coefficiente di variazione; range e differenza interquantilica; misura della concentrazione per caratteri trasferibili (Lorenz e Gini); scomposizione della devianza.
Forma: asimmetria e altri indici di forma basati su quantili.
Numeri indici: definizione; variazioni relative e relative medie; numeri indici complessi.
Analisi delle distribuzioni doppie: rappresentazioni grafiche; distribuzioni marginali, condizionate e indipendenza statistica; misura della dipendenza; dipendenza in media.
Regressione: il modello di regressione lineare semplice; adattamento della retta di regressione ai dati; indipendenza lineare e misure del grado di associazione lineare.
Probabilità: esperimenti casuali; spazio campionario ed eventi; definizioni di probabilità; assegnazione delle probabilità agli eventi; principali teoremi sulla probabilità;
probabilità condizionata e indipendenza; formula di Bayes.
Variabili casuali: variabili discrete e continue; funzione di ripartizione; valore atteso e varianza di variabili aleatorie; quantili.
Alcuni modelli probabilistici: uniforme discreta; Bernoulli; binomiale; Poisson; esponenziale; normale e normale standard.
Variabili casuali doppie: distribuzioni marginali e condizionate; covarianza e correlazione; indipendenza.
La legge dei grandi numeri e teorema centrale del limite.
Popolazione e campione: campione casuale; popolazione; spazio campionario; statistiche e loro distribuzioni campionarie.
Stima puntuale: proprietà degli stimatori (distorsione ed errore quadratico medio); criteri di scelta.
Stima per intervallo: intervalli di confidenza per la media di una popolazione normale con varianza nota o incognita, per la media di una popolazione qualsiasi nel caso di grandi campioni, per una proporzione nel caso di grandi campioni.

Testo adottato: Cicchitelli, D’Urso, Minozzo.Statistics: Principles and methods. Pearson, 2021

Ulteriore materiale per la teoria e gli esercizi verrà fornito in forma di dispense su Google Classroom.

Le lezioni si svolgeranno in aula secondo calendario.

La frequenza è fortemente consigliata

Il voto finale si baserà su un esame scritto per valutare la conoscenza delle metodologie statistiche (60% del voto) e le competenze pratiche (40% del voto).

Questi verranno messi a disposizione sulla pagina del corso di Google Classroom

• Basic concepts and definitions
  • Testi di riferimento: Cicchitelli, D’Urso, Minozzo


• Data sources and software
  • Testi di riferimento: Cicchitelli, D’Urso, Minozzo


• Statistical distributions
  • Testi di riferimento: Cicchitelli, D’Urso, Minozzo


• Graphs
  • Testi di riferimento: Cicchitelli, D’Urso, Minozzo


• Location, scale and shape of a distribution
  • Testi di riferimento: Cicchitelli, D’Urso, Minozzo


• Index numbers
  • Testi di riferimento: Cicchitelli, D’Urso, Minozzo


• Contingency tables
  • Testi di riferimento: Cicchitelli, D’Urso, Minozzo


• Regression and correlation
  • Testi di riferimento: Cicchitelli, D’Urso, Minozzo


• Probability
  • Testi di riferimento: Cicchitelli, D’Urso, Minozzo


• Random variables
  • Testi di riferimento: Cicchitelli, D’Urso, Minozzo


• Probability distributions
  • Testi di riferimento: Cicchitelli, D’Urso, Minozzo


• Law of large numbers and central limit theorem
  • Testi di riferimento: Cicchitelli, D’Urso, Minozzo


• Inferential principles and definitions
  • Testi di riferimento: Cicchitelli, D’Urso, Minozzo


• Point estimation
  • Testi di riferimento: Cicchitelli, D’Urso, Minozzo


• Interval estimation
  • Testi di riferimento: Cicchitelli, D’Urso, Minozzo


• Hypothesis testing
  • Testi di riferimento: Cicchitelli, D’Urso, Minozzo