- Docente: Saverio Ranciati
- Crediti formativi: 6
- SSD: MAT/06
- Lingua di insegnamento: Italiano
- Modalità didattica: Convenzionale - Lezioni in presenza
- Campus: Bologna
-
Corso:
Laurea in
Matematica (cod. 8010)
Valido anche per Laurea in Scienze statistiche (cod. 8873)
-
dal 06/11/2023 al 06/12/2023
Conoscenze e abilità da conseguire
Al termine del corso, lo studente conosce gli elementi di processi stocastici, affidabilità, Statistica Matematica.
Contenuti
Introduzione alla statistica computazionale ed all'uso del linguaggio R.
Generazione di Variabili Casuali. Simulazione uniforme, trasformazione inversa, metodi generali di inversione, distribuzioni discrete.
Integrazione Monte Carlo. Introduzione, integrazione Monte Carlo classica, Importance Sampling.
Ottimizzazione Monte Carlo. Introduzione, metodi di ottimizzazione numerica, ricerca stocastica (soluzioni base, metodi stocastici del gradiente, simulated annealing).
[Tentative] Bootstrapping. Introduzione, boostrap parametrico e non-parametrico.
Testi/Bibliografia
-
Robert, C. & Casella, G. (2010). Introducing Monte Carlo Methods with R. New York: Springer-Verlag.
-
Efron, B. & Tibshirani, R. J. (1993). An introduction to the bootstrap. London: Chapman & Hall/CRC.
Metodi didattici
• Lezioni convenzionali
Modalità di verifica e valutazione dell'apprendimento
L'esame consiste in un set di domande a risposta aperta e/o esercizi pratici da svolgere mediante l'utilizzo del software R.
Il voto finale del corso di "Numerical Analysis" è calcolato come media aritmetica dei voti ottenuti nel test del modulo Numerical Analysis e nell'esame scritto del modulo di Computational Statistics.
Strumenti a supporto della didattica
Materiale aggiuntivo messo a disposizione dal docente (iol.unibo.it)
Orario di ricevimento
Consulta il sito web di Saverio Ranciati