Tecnologie e processi digitali Docente Luca Romeo Universit

Tecnologie e processi digitali Docente: Luca Romeo Università Politecnica delle Marche - Dipartimento di Ingegneria dell’ Informazione IIT Genova – Computational Statistics and Machine Learning IIT Genova – Cognition Motion and Neuroscience contact: l. romeo@univpm. it luca. romeo@unimc. it

Programma del corso I Statistica giuridica 1. Introduzione: Come la statistica ci aiuta ad analizzare i dati e a conoscere il mondo. Definizione di statistica. Statistica descrittiva e statistica inferenziale. Perché raccogliere dati? Dove prendere i dati? (fonti statistiche e amministrative). Campionamento: perché estrarre un campione? Definizioni: popolazione, campione, popolazione reale e popolazione virtuale, unità statistica e unità di rilevazione. 2. Esplorando i dati attraverso grafici e indicatori analitici: Dati qualitativi (sconnessi e ordinabili) e dati quantitativi (discreti e continui). Rappresentazione grafica dei dati in grafici e tabelle, distribuzioni di frequenze e distribuzione in classi. Diagramma a torta, a barre, a segmenti o ad aste, istogramma di frequenze e densità di frequenza. Serie temporali (serie storiche). Gli indicatori e le sommatorie. Misura del centro: media, mediana e moda. Robustezza delle misure di sintesi introdotte e confronto tra media, mediana e moda. Quartili e percentili. Media aritmetica ponderata. Misura della variabilità. Range e Range interquartilico. Varianza, scarto quadratico medio e coefficiente di variazione.

Programma del corso II Statistica giuridica 3. Associazione: contingenza, correlazione e regressione: Tabelle di contingenza. La correlazione. Lo scatter dei punti e derivazione del coefficiente di correlazione lineare (r). La covarianza. Proprietà e significato della covarianza e di r. Quando r è una misura fuorviante. Correlazione e causalità. 4. Acquisizione dati: Studi sperimentali e osservazionali. Introduzione all’inferenza statistica (metodi di campionamento). Errori campionari 5. Probabilità: Introduzione al calcolo delle probabilità. Legge dei piccoli numeri o illusione del gioco d’azzardo. Paradosso di Monty Hall. La probabilità nella vita di tutti i giorni. Concetti base di calcolo delle probabilità. Teoria degli insiemi e teoria delle probabilità. Approccio assiomatico al calcolo delle probabilità. Legge delle probabilità totali per eventi compatibili ed incompatibili. 6. Probabilità condizionata: Formula di calcolo. Indipendenza. Legge delle probabilità composte. Soluzione analitica del problema di Monty Hall.

Programma del corso III Statistica giuridica 7. Distribuzione di probabilità: Definizione di variabile aleatoria. Rappresentazione di una distribuzione di probabilità. Variabili casuali discrete e continue. Valore atteso. Varianza e scarto quadratico medio di una variabile casuale. La variabile casuale binomiale. Caratteristiche della distribuzione binomiale. 8. Variabili casuali continue: Definizione di funzione di densità. La variabile casuale normale e sua importanza nelle scienze statistiche. Proprietà. Funzione di densità normale. Distribuzione normale standardizzata. Operazione di standardizzazione. Funzione di ripartizione. 9. Elementi di inferenza statistica: Campionamento. Rappresentatività. Campionamento casuale semplice ed altri tipi di campionamento. Errori non campionari e campionari. Distribuzione campionaria della media: valore atteso e varianza della variabile casuale somma. Valore atteso e varianza della proporzione campionaria. Correzioni per popolazioni finite. 10. Intervalli di confidenza: costruzione intervalli di confidenza sulla media di una popolazione. Distribuzione t di student. Proprietà della t di student.

Strumenti Laboratori: Machine Learning e Applicazioni AI per Law Practice Microsoft Excel

Testi consigliati • Agresti, C. Franklin (2014) Statistics - The Art & Science of Learning from Data (3 th edition –International Edition), Pearson, Essex, England. • A. Agresti, C. Franklin (2016) Statistica – l’arte e la scienza d’imparare dai dati, Pearson Italia, Milano (a cura di G. Espa, R. Micciolo, D. Giuliani, M. M. Dickson). Letture integrative • Ashley, K. D. (2017). Artificial intelligence and legal analytics: new tools for law practice in the digital age. Cambridge University Press.

Slide corso Su gentile concessione del Prof. Giuseppe Espa: http: //docenti. luiss. it/statistica-espa/statistica/materiali-didattici/ Collaboratori: Ing. Maria Chiara Fiorentino Ing. Riccardo Rosati

Modalità esame + Progetto (Excel) = Esame orale: Discussione progetto e domande inerenti al programma del corso Voto finale

Orario lezioni Lezioni e ricevimento Lunedì 8 9 10 11 12 13 14 15 16 17 18 Lezioni Ricevimento Per appuntamento per ricevimento si prega sempre di inviare una mail al docente (l. romeo@univpm. it) NB L’orario potrà cambiare in funzione delle lezioni

Something else. . . “No, Machine Learning is not just glorified Statistics!” https: //towardsdatascience. com/no-machine-learning-is-not-just-glorified-statistics-26 d 3952234 e 3

contact: Ph. D Luca Romeo l. romeo@univpm. it Università Politecnica delle Marche - Dipartimento di Ingegneria dell’ Informazione IIT Genova – Computational Statistics and Machine Learning IIT Genova – Cognition Motion and Neuroscience