ECONOMIA E IMPRESAFinanza AziendaleAnno accademico 2025/2026

9797653 - MODELLI STATISTICI PER LA FINANZA

Docente: ROBERTO DI MARI

Risultati di apprendimento attesi

  1. Conoscenza e capacità di comprensione (knowledge and understanding): Il corso mira
    a fornire gli strumenti fondamentali per la modellistica statistica di dati economici e
    nanziari.
  2. Capacità di applicare conoscenza e comprensione (applying knowledge and understan-
    ding): Sulla base delle conoscenze acquisite, lo studente sarà in grado di utilizzare i
    principali metodi statistici, al fine di analizzare e investigare aspetti essenziali di fenomeni
    economici e finanziari.
  3. Autonomia di giudizio (making judgements): lo studente sarà in grado di raccogliere,
    elaborare ed interpretare dati di natura quantitativa e qualitativa. Lo studente potrà
    poi organizzare sistematicamente tali valutazioni in una riflessione articolata su specifiche
    realtà economico-finanziarie.
  4. Abilità comunicative (communication skills): Lo studente sarà in grado di trasferire ad altri con padronanza di linguaggio tecnico, informazioni e valutazioni relative a distribuzioni di dati inerenti realtà economico-finanziarie.
  5. Capacità di apprendimento (learning skills): alla ne del corso di lezioni lo studente avrà
    acquisito le conoscenze necessarie per poter proseguire i suoi studi economici e nanziari.
    L'apprendimento è ottenuto con un processo graduale in stretta relazione con le tematiche
    disciplinari e con gli obiettivi formativi peculiari del Corso di Laurea Specialistica in
    Finanza Aziendale.

Modalità di svolgimento dell'insegnamento

Didattica frontale classica; laboratori software R

Prerequisiti richiesti

Statistica di base

Frequenza lezioni

Fortemente consigliata

Contenuti del corso


  1. Richiami di Statistica base: calcolo elementare delle probabilità; variabili aleato- rie (v.a.) discrete e continue, definizioni, funzione di ripartizione, valore atteso e varianza, v.a. note; stima puntuale, propriet degli stimatori, metodi di costruzione; verifica di ipotesi e costruzione di statistiche test; intervalli di confidenza.
  2. Modelli di regressione: regressione lineare semplice, test di ipotesi, interpretazione, stima dei parametri, bontà di adattamento; regressione lineare multipla, test di ipotesi, stima dei parametri, bontà di adattamento.
  3. Modelli di regressione non lineari: modello logit, test d'ipotesi, interpretazione, stima di massima verosimiglianza dei parametri; modello probit, test d'ipotesi, interpretazione, stima di massima verosimiglianza dei parametri.
  4. Modelli ANOVA: costruzione delle variabili, il modello, interpretazione.
  5. Analisi delle Componenti Principali (Principal Component Analysis): richiami di algebra delle matrici, definizione degli obiettivi, soluzione, proprietà delle componenti, selezione delle componenti, interpretazione dei risultati, cerchio delle correlazioni.
  6. Analisi dei Gruppi (Cluster Analysis): Obiettivi e dati, decomposizione della devianza, metodo non gerarchico del K-medie (K-means), metodi gerarchici (Ward, del legame singolo, medio, completo), dendogramma e scelta del numero di gruppi. Cenni sul K-medie fuzzy (fuzzy K-means).
  7. Misture di distribuzioni: definizioni, interpretazioni e stima. Analisi dei gruppi basata su modelli mistura (Model-Based Clustering).
  8. Statistica applicata 1: inferenza causale, limiti dell'analisi di regressione, approccio con variabili strumentali (IV approach). Metodi di previsione. Regressione lineare con dati temporali, AR(1), diagnostica, confronto tra modelli.
  9. Statistica applicata 2: Modelli di previsione del rischio. Modelli di scoring. Applicazione dei modelli logit e probit per previsione di default. Metodi di segmentazione di mercato (Latent Class Analysis).
  10. Analisi statistiche attraverso il linguaggio di programmazione R.

Testi di riferimento

  1. Slides del docente.
  2. G. James, D. Witten, T. Hastie, R. Tibshirani. An Introduction to Statistical Learning: with Applications in R. Springer Science & Business Media, 2013.
  3. P. Newbold, W. L. Carlson, B. Thorne. Statistics for business and economics. Boston, MA: Pearson, 2013


AutoreTitoloEditoreAnnoISBN
G. James, D. Witten, T. Hastie, R. Tibshirani. An Introduction to Statistical Learning: with Applications in R. Springer Science & Business Media2013
P. Newbold, W. L. Carlson, B. Thorne. Statistics for business and economics. Boston, MA: Pearson2013

Programmazione del corso

 ArgomentiRiferimenti testi
1Richiami di Statistica base: calcolo elementare delle probabilità; variabili aleato- rie (v.a.) discrete e continue, definizioni, funzione di ripartizione, valore atteso e varianza, v.a. note; stima puntuale, propriet degli stimatori, metodi di costruzione; verifica di ipotesi e costruzione di statistiche test; intervalli di confidenza.Slides
2Modelli di regressione: regressione lineare semplice, test di ipotesi, interpretazione, stima dei parametri, bontà di adattamento; regressione lineare multipla, test di ipotesi, stima dei parametri, bontà di adattamento.Slides
3Modelli di regressione non lineari: modello logit, test d'ipotesi, interpretazione, stima di massima verosimiglianza dei parametri; modello probit, test d'ipotesi, interpretazione, stima di massima verosimiglianza dei parametri.Slides
4Modelli ANOVA: costruzione delle variabili, il modello, interpretazione.Slides
5Analisi delle Componenti Principali (Principal Component Analysis): richiami di algebra delle matrici, definizione degli obiettivi, soluzione, proprietà delle componenti, selezione delle componenti, interpretazione dei risultati, cerchio delle correlazioni.Slides
6Analisi dei Gruppi (Cluster Analysis): Obiettivi e dati, decomposizione della devianza, metodo non gerarchico del K-medie (K-means), metodi gerarchici (Ward, del legame singolo, medio, completo), dendogramma e scelta del numero di gruppi. Cenni sul K-medie fuzzy (fuzzy K-means).Slides
7Misture di distribuzioni: definizioni, interpretazioni e stima. Analisi dei gruppi basata su modelli mistura (Model-Based Clustering).Slides
8Statistica applicata 1: inferenza causale, limiti dell'analisi di regressione, approccio con variabili strumentali (IV approach). Metodi di previsione. Regressione lineare con dati temporali, AR(1), diagnostica, confronto tra modelli.Slides
9Statistica applicata 2: Modelli di previsione del rischio. Modelli di scoring. Applicazione dei modelli logit e probit per previsione di default. Metodi di segmentazione di mercato (Latent Class Analysis).Slides
10Analisi statistiche attraverso il linguaggio di programmazione R.Slides

Verifica dell'apprendimento

Modalità di verifica dell'apprendimento

Esame scritto a risposta aperta e, in caso di superamento, esame orale

Esempi di domande e/o esercizi frequenti

  1. Il modello di regressione lineare
  2. Il modello di regressione non lineare
  3. Stimatore di massima verosimiglianza
  4. Modello ANOVA
  5. Analisi dei gruppi tramite il metodo delle K-medie
  6. Limiti dell'analisi di regressione
  7. Modello logit per la previsione di default
English version