Insegnamento STATISTICA AZIENDALE
| Nome del corso di laurea | Management e cultura italiana del cibo |
|---|---|
| Codice insegnamento | A003260 |
| Curriculum | Comune a tutti i curricula |
| Docente responsabile | David Aristei |
| Docenti |
|
| Ore |
|
| CFU | 6 |
| Regolamento | Coorte 2024 |
| Erogato | Erogato nel 2024/25 |
| Erogato altro regolamento | |
| Attività | Caratterizzante |
| Ambito | Statistico-matematico |
| Settore | SECS-S/03 |
| Anno | 1 |
| Periodo | Secondo Semestre |
| Tipo insegnamento | Obbligatorio (Required) |
| Tipo attività | Attività formativa monodisciplinare |
| Lingua insegnamento | Italiano |
| Contenuti | Il corso è strutturato in quattro argomenti principali: 1) Introduzione alla statistica aziendale e alle fonti dei dati per le analisi aziendali 2) Misure di associazione 3) Il modello di regressione per l’analisi delle relazioni causali tra variabili e le previsioni aziendali 4) Modelli di regressione con variabili dipendenti binarie |
| Testi di riferimento | Testi di riferimento - Bracalente B., Cossignani M., Mulas A.: “Statistica Aziendale”, McGraw-Hill, Milano 2009. - Biggeri L., Bini M., Coli A., Grassini L., Maltagliati M.: “Statistica per le decisioni aziendali”, 2/Ed., Pearson, Milano 2017 Testi di consultazione e approfondimento: - Bassi, F., Ingrassia, S.: “Statistica per analisi di mercato. Metodi e strumenti”, Pearson, Milano 2022. Materiale didattico aggiuntivo: Il materiale didattico (dispense, esercitazioni, altro materiale di supporto) sarà progressivamente reso disponibile nella piattaforma Unistudium. |
| Obiettivi formativi | L’obiettivo del corso è quello di introdurre gli studenti alle principali metodologie statistiche per analizzare i dati aziendali e supportare le decisioni manageriali. In particolare, l’attenzione sarà incentrata sui modelli di regressione, lineari e non lineari, per l’analisi e la previsione dei fenomeni aziendali. I metodi statistici sono presentati dando ampio spazio al loro impiego nella soluzione di problemi aziendali e quindi all’interpretazione dei risultati nelle applicazioni. La presentazione dei metodi è accompagnata da esempi e casi aziendali. Sono inoltre previste esercitazioni su dati aziendali da svolgere con i software di analisi statistica. |
| Prerequisiti | Sono richieste conoscenze di base sui principali metodi di statistica descrittiva ed inferenziale. |
| Metodi didattici | Lezioni frontali ed esercitazioni pratiche |
| Altre informazioni | Per gli studenti frequentanti sono previste delle esercitazioni non obbligatorie |
| Modalità di verifica dell'apprendimento | L’esame prevede una prova scritta articolata in due parti: domande di carattere teorico ed esercizi da svolgere. Per informazioni sui servizi di supporto agli studenti con disabilità e/o DSA, è possibile consultare la pagina http://www.unipg.it/disabilita-e-dsa". |
| Programma esteso | 1. Introduzione alla statistica aziendale e alle fonti dei dati per le analisi aziendali La statistica per le decisioni aziendali. Le fonti di dati per le analisi aziendali: fonti primarie e fonti secondarie. La qualità dell’informazione statistica. Le fonti statistiche secondarie interne. Presentazione delle principali fonti esterne ufficiali e non ufficiali rilevanti nelle analisi aziendali 2 Analisi preliminari dei dati: misure di associazione La matrice dei dati; analisi dei profili colonna: l’associazione fra coppie di caratteri statistici; indici di associazione per variabili quantitative. 3. Il modello di regressione per l’analisi delle relazioni causali tra variabili e le previsioni aziendali Il modello di regressione lineare semplice: la stima dei parametri e i relativi test di significatività; variabile esplicativa dummy; il modello di regressione semplice per le previsioni aziendali. Il modello di regressione lineare multipla: richiami di algebra matriciale; la stima dei parametri e i relativi test di significatività; la bontà dell’adattamento; le variabili esplicative dummy e slope-dummy; il modello di regressione multipla per le previsioni aziendali. Analisi diagnostiche: verifica della validità delle ipotesi di linearità, omoschedasticità, incorrelazione seriale, non collinearità e relativi rimedi. 4. Modelli di regressione con variabili dipendenti binarie Il modello di probabilità lineare. Il modello di regressione logistica: stima e interpretazione dei parametri; effetti marginali; test di significatività; bontà di adattamento; previsione. |
| Obiettivi Agenda 2030 per lo sviluppo sostenibile | 4, 8, 9, 12 |