APPLIED BUSINESS STATISTICS

Al termine di questo corso, gli studenti saranno in grado di: 1. Comprendere e applicare concetti e principi statistici di base a problemi aziendali. 2. Sfruttare l'analisi di regressione per analizzare e interpretare i dati in un contesto aziendale. 3. Comprendere, utilizzare e interpretare la regressione semplice, multipla e logistica. 4. Utilizzare il linguaggio di programmazione Python per eseguire l'analisi dei dati.

Completamento di un corso introduttivo di statistica, che copra i concetti base di probabilità, statistica descrittiva e verifica delle ipotesi. Familiarità con i concetti base di algebra e calcolo, inclusi funzioni, derivate e integrali (si sottolinea "base"). Conoscenza di base della programmazione informatica, inclusa la familiarità con Python o un altro software statistico. Questi prerequisiti mirano a garantire che gli studenti abbiano solide basi nei concetti e negli strumenti necessari per superare con successo il corso. All'inizio del corso ripasseremo brevemente tutti questi argomenti.

Comprendere i principi di base della statistica aziendale applicata e come vengono utilizzati per prendere decisioni in diversi contesti aziendali. Applicare tecniche di analisi di regressione per quantificare le relazioni tra variabili ed effettuare previsioni basate sui dati. Applicare l'analisi di regressione logistica per effettuare previsioni basate su risultati binari, come decisioni sì/no. Comprendere i principi del clustering e dell'analisi delle componenti principali. Sviluppare competenze nell'utilizzo di Python o di altri software statistici per analizzare e interpretare i dati. Comunicare efficacemente sulle analisi statistiche e sui loro risultati, sia in forma scritta che in presentazioni orali. Pensare statisticamente. Al termine del corso, gli studenti dovrebbero essere in grado di utilizzare queste tecniche per analizzare dati reali, trarre conclusioni appropriate e comunicare efficacemente i propri risultati agli altri.

Gli argomenti potrebbero subire modifiche 1. Introduzione Concetti base di probabilità e statistica Analisi esplorativa dei dati Intervallo di confidenza e test di ipotesi 2. Regressione lineare semplice Introduzione alla regressione lineare semplice Stima dei parametri di regressione Valutazione della bontà di adattamento Previsioni e inferenze 3. Regressione lineare multipla Introduzione alla regressione lineare multipla Stima dei parametri di regressione Valutazione della bontà di adattamento Previsioni e inferenze 4. Regressione logistica Regressione logistica per dire "sì" o "no" Esempi di regressione logistica in contesti aziendali Interpretazione dei coefficienti di regressione logistica La regressione logistica nel processo decisionale 5. Analisi dei cluster: pillole 6. Analisi delle componenti principali: pillole Ogni settimana, utilizziamo il software statistico Python per analizzare gli argomenti trattati in classe. La visualizzazione dei dati avrà un ruolo chiave in questo corso.

Materiale del corso

Gli studenti utilizzeranno vari metodi di insegnamento, tra cui lezioni in aula, esercizi al computer e compiti da svolgere a casa.

Valutazione continua

TBD