Grazie a questo Master potrai contribuire al progresso della Statistica Computazionale applicando le conoscenze più esaustive basate sulle migliori tecniche informatiche e di programmazione”

I progressi compiuti nel campo della Statistica hanno contribuito a prendere decisioni precise ed efficaci sulla base della raccolta massiccia di dati, della loro analisi e delle conclusioni tratte. Tuttavia, se c'è un elemento che ha notevolmente incoraggiato l'evoluzione di questa scienza, è la sua azione coordinata con l'Informatica, grazie alla quale è stato possibile automatizzare compiti, ottimizzare azioni e gestire quantità smisurate di informazioni in pochi secondi. La programmazione di algoritmi complessi e la progettazione di strutture dati statiche e dinamiche ha permesso ai professionisti di questo settore di lavorare in modo più sicuro e garantito sulla stima delle tendenze e sulle diverse previsioni sociali, economiche e politiche nel contesto attuale.

Sulla base di questo e dell'altissimo livello di conoscenza richiesto da questo settore, TECH e il suo team di esperti hanno deciso di proporre un programma che permetta al laureato di addentrarsi nella Statistica Computazionale attraverso un percorso approfondito nelle sue principali aree. Nasce così questo Master, un'esperienza accademica di 1.500 ore che ripercorre le novità legate alla descrizione e all'esplorazione dei dati, con la programmazione e con la gestione dei principali software statistici (SPSS e R). Inoltre, si concentra sulle applicazioni della Statistica nell'industria attuale e sui disegni campionari per i diversi settori. Infine, sottolinea le principali tecniche multivariate per il miglioramento della qualità dei risultati e quindi della previsione.

Il tutto, al 100% online e attraverso un programma ideato da veri esperti del settore, i quali non solo hanno partecipato attivamente alla formazione del programma, ma hanno anche selezionato centinaia di ore di materiale aggiuntivo vario: casi d'uso, video dettagliati, articoli di ricerca, letture aggiuntive e molto altro! Tutto sarà disponibile sul Campus Virtuale fin dall'inizio dell'attività accademica e potrà essere scaricato su qualsiasi dispositivo dotato di connessione internet. In questo modo, TECH offre una preparazione completa e flessibile, adatta alle esigenze dei propri studenti e ai requisiti più esigenti dell'attuale mercato del lavoro della Statistica Computazionale.

Raggiungere l'eccellenza e il massimo livello professionale non sarà complicato grazie a questo programma e all'altissimo grado di specializzazione che acquisirai dopo averlo portato a termine”

Questo Master in Statistica Computazionale possiede il programma più completo e aggiornato del mercato. Le caratteristiche principali del programma sono:

• Sviluppo di casi di studio presentati da esperti in Statistica Computazionale
• Contenuti grafici, schematici ed eminentemente pratici che forniscono informazioni scientifiche e pratiche sulle discipline essenziali per l’esercizio della professione
• Esercizi pratici che offrono un processo di autovalutazione per migliorare l'apprendimento
• Particolare enfasi è posta sulle metodologie innovative
• Lezioni teoriche, domande all'esperto e/o al tutor, forum di discussione su questioni controverse e compiti di riflessione individuale
• Disponibilità di accesso ai contenuti da qualsiasi dispositivo fisso o portatile dotato di connessione a Internet

Una qualifica che affronta la Statistica Computazionale dalla base alla sua gestione completa, attraverso l'acquisizione dei concetti chiave e la gestione dei principali software informatici”

Il personale docente del programma comprende rinomati un team di professionisti del settore, così come specialisti appartenenti a società e università prestigiose, che forniscono agli studenti le competenze necessarie a intraprendere un percorso di studio eccellente.

I contenuti multimediali, sviluppati in base alle ultime tecnologie educative, forniranno al professionista un apprendimento coinvolgente e localizzato, ovvero inserito in un contesto reale.

La creazione di questo programma è incentrata sull’Apprendimento Basato su Problemi, mediante il quale lo specialista deve cercare di risolvere le diverse situazioni che gli si presentano durante il corso. Lo studente potrà usufruire di un innovativo sistema di video interattivi creati da esperti di rinomata fama.

Lavorerai sulla progettazione di algoritmi complessi usando le tecniche descrittive più innovative ed efficaci dell'ambiente computazionale attuale”

Nel Campus Virtuale troverai 1.500 ore di contenuti diversificati, a cui potrai accedere ovunque e in qualsiasi momento, da qualsiasi dispositivo dotato di connessione internet”

Il piano di studi di questo corso è stato sviluppato da un team di esperti nel campo dell'informatica e della statistica che, seguendo i rigorosi criteri di qualità di TECH, hanno selezionato le informazioni più all'avanguardia e complete del settore. Inoltre, si avvale della metodologia Relearning, che consiste nel ribadire i concetti più importanti nel corso del programma, favorendo un apprendimento graduale e progressivo senza la necessità di spendere ore extra nella memorizzazione. In questo modo, lo studente intraprenderà un percorso di studi di altissimo livello accademico grazie al quale, senza dubbio, acquisirà una capacità di gestione professionale degli strumenti e delle tecniche della Statistica Computazionale.

Avrai a disposizione un modulo specifico dedicato alla metodologia Six Sigma, con cui riuscirai a ridurre i difetti o i problemi nella consegna di un prodotto o servizio al cliente/utente”

Modulo 1. Descrizione ed esplorazione dei dati

1.1. Introduzione alla Statistica

1.1.1. Concetti base della statistica
1.1.2. Obiettivo dell'analisi esplorativa dei dati o della statistica descrittiva
1.1.3. Tipi di variabili e scale di misurazione
1.1.4. Arrotondamento e notazione scientifica

1.2. Sintesi dei dati statistici

1.2.1. Distribuzioni di frequenza: tabelle
1.2.2. Raggruppamento in intervalli
1.2.3. Rappresentazioni grafiche
1.2.4. Diagramma differenziale
1.2.5. Diagramma integrale

1.3. Statistiche descrittive monodimensionali

1.3.1. Caratteristiche della posizione centrale: media, mediana, modalità
1.3.2. Altre caratteristiche posizionali: quartili, decili, percentili
1.3.3. Caratteristiche di dispersione: varianza e deviazione standard (campione e popolazione), range, range interquartile
1.3.4. Caratteristiche di dispersione relativa
1.3.5. Punteggi tipici
1.3.6. Caratteristiche di forma: simmetria e curtosi

1.4. Complementi nello studio di una variabile

1.4.1. Analisi esplorativa: box plot e altri grafici
1.4.2. Trasformazione delle variabili
1.4.3. Altre medie: geometrica, armonica, quadratica
1.4.4. Disuguaglianza di Chebyshev

1.5. Statistiche descrittive bidimensionali

1.5.1. Distribuzioni di frequenza bidimensionali
1.5.2. Tabelle statistiche a doppia entrata: Distribuzioni marginali e condizionali
1.5.3. Concetti di indipendenza e dipendenza funzionale
1.5.4. Rappresentazioni grafiche

1.6. I complementi nello studio di due variabili

1.6.1. Caratteristiche numeriche di una distribuzione bidimensionale
1.6.2. Momenti congiunti, marginali e condizionati
1.6.3. Relazione tra misure marginali e condizionali

1.7. Regressione

1.7.1. Linea di regressione generale
1.7.2. Curve di regressione 
1.7.3. Adattamento lineare
1.7.4. Previsione ed errore

1.8. Correlazione

1.8.1. Concetto di correlazione
1.8.2. Ragioni di correlazione
1.8.3. Coefficiente di Correlazione di Pearson
1.8.4. Analisi di correlazione

1.9. Correlazione tra attributi

1.9.1. Coefficiente di Spearman
1.9.2. Coefficiente di Kendall
1.9.3. Chi-cuadro

1.10. Introduzione alle serie temporali

1.10.1. Serie temporali
1.10.2. Processo stocastico

1.10.2.1. Processi stazionari
1.10.2.2. Processi non stazionari

1.10.3. Modelli
1.10.4. Applicazioni

Modulo 2. Programmazione

2.1. Introduzione alla programmazione

2.1.1. Struttura di base di un computer
2.1.2. Software
2.1.3. Linguaggio di programmazione
2.1.4. Ciclo di vita un’applicazione informatica

2.2. Progettazione degli algoritmi

2.2.1. Risoluzione dei problemi
2.2.2. Tecniche descrittive
2.2.3. Elementi e struttura di un algoritmo

2.3. Elementi di un programma

2.3.1. Origini e caratteristiche del linguaggio C++
2.3.2. L'ambiente di sviluppo
2.3.3. Il concetto di programma
2.3.4. Tipi di dati fondamentali
2.3.5. Operatori
2.3.6. Espressioni
2.3.7. Frasi
2.3.8. Input e output di dati

2.4. Dichiarazioni di controllo

2.4.1. Frasi
2.4.2. Diramazioni
2.4.3. Loop

2.5. Astrazione e modularità: funzioni

2.5.1. Design modulare
2.5.2. Concetto di funzione e utilità
2.5.3. Definizione di una funzione
2.5.4. Flusso di esecuzione in una chiamata di funzione
2.5.5. Prototipo di una funzione
2.5.6. Restituzione dei risultati
2.5.7. Chiamata di una funzione: parametri
2.5.8. Passaggio di parametri per riferimento e per valore
2.5.9. Ambito identificatore

2.6. Strutture dati statiche

2.6.1. Matrici
2.6.2. Matrici: Poliedri
2.6.3. Ricerca e ordinamento
2.6.4. Stringhe: Funzioni di I/O per le stringhe
2.6.5. Strutture: Unioni
2.6.6. Nuovi tipi di dati

2.7. Strutture dati dinamiche: puntatori

2.7.1. Concetto: Definizione di puntatore
2.7.2. Operatori e operazioni con i puntatori
2.7.3. Matrici di puntatori
2.7.4. Puntatori e matrici
2.7.5. Puntatori a stringhe
2.7.6. Puntatori a strutture
2.7.7. Indirizzi multipli
2.7.8. Puntatori a funzioni
2.7.9. Passaggio di funzioni, strutture e matrici come parametri di funzione

2.8. File

2.8.1. Concetti di base
2.8.2. Operazioni con i file
2.8.3. Tipi di file
2.8.4. Organizzazione dei file
2.8.5. Introduzione ai file C++
2.8.6. Gestione dei file

2.9. Risorse

2.9.1. Definizione di risorse
2.9.2. Tipi di risorse
2.9.3. Vantaggi e svantaggi
2.9.4. Considerazioni
2.9.5. Conversione ricorsiva-iterativa
2.9.6. Lo stack di ricorsione

2.10. Test e documentazione

2.10.1. Test del programma
2.10.2. Test della scatola bianca
2.10.3. Test della scatola nera
2.10.4. Strumenti per i test
2.10.5. Documentazione del programma

Modulo 3. Software Statistico I

3.1. Introduzione all’ambiente SPSS

3.1.1. Come funziona SPSS
3.1.2. Creare, elencare e rimuovere oggetti in memoria

3.2. Console in SPSS

3.2.1. Ambiente console in SPSS
3.2.2. Controlli principali

3.3. Modo Script in SPSS

3.3.1. Ambiente Script in SPSS
3.3.2. Comandi principali

3.4. Oggetti in SPSS

3.4.1. Obiettivi
3.4.2. Lettura di dati da un file
3.4.3. Salvataggio dei dati
3.4.4. Generazione di dati

3.5. Struttura di controllo del flusso di esecuzione

3.5.1. Strutture condizionali
3.5.2. Strutture ripetitive/iterative
3.5.3. Vettori e matrici

3.6. Operazioni con gli oggetti

3.6.1. Creazione di oggetti
3.6.2. Conversione di oggetti
3.6.3. Operatori
3.6.4. Come accedere ai valori di un oggetto: il sistema di indicizzazione?
3.6.5. Accesso ai valori di un oggetto con i nomi
3.6.6. Editor dei dati
3.6.7. Funzioni aritmetiche semplici
3.6.8. Calcoli con le matrici

3.7. Funzioni in SPSS

3.7.1. Loop e vettorizzazione
3.7.2. Creare funzioni proprie

3.8. Grafici in SPSS

3.8.1. Gestione dei grafici

3.8.1.1. Apertura di più dispositivi grafici
3.8.1.2. Layout di un grafico

3.8.2. Funzioni grafiche
3.8.3. Parametri grafici

3.9. Pacchetti SPSS

3.9.1. Librerie SPSS
3.9.2. Pacchetti SPSS

3.10. Statistiche in SPSS

3.10.1. Un semplice esempio di analisi della varianza
3.10.2. Formule
3.10.3. Funzioni generiche

Modulo 4. Software Statistico II

4.1. Introduzione all’ambiente R

4.1.1. Come funziona R?
4.1.2. Creare, elencare e rimuovere oggetti in memoria

4.2. Console in R

4.2.1. Ambiente console in R
4.2.2. Controlli principali

4.3. Modalità Script in R

4.3.1. Ambiente console in R
4.3.2. Comandi principali

4.4. Oggetti in R

4.4.1. Obiettivi
4.4.2. Lettura di dati da un file
4.4.3. Salvataggio dei dati
4.4.4. Generazione di dati

4.5. Struttura di controllo del flusso di esecuzione

4.5.1. Strutture condizionali
4.5.2. Strutture ripetitive/iterative
4.5.3. Vettori e matrici

4.6. Operazioni con gli oggetti

4.6.1. Creazione di oggetti
4.6.2. Conversione di oggetti
4.6.3. Operatori
4.6.4. Come accedere ai valori di un oggetto: il sistema di indicizzazione
4.6.5. Accesso ai valori di un oggetto con i nomi
4.6.6. Editor dei dati
4.6.7. Funzioni aritmetiche semplici
4.6.8. Calcoli con le matrici

4.7. Funzioni in R

4.7.1. Loop e vettorizzazione
4.7.2. Scrivere un programma in R
4.7.3. Creare funzioni proprie

4.8. Grafici in R

4.8.1. Gestione dei grafici

4.8.1.1. Apertura di più dispositivi grafici
4.8.1.2. Layout di un grafico

4.8.2. Funzioni grafiche
4.8.3. Comandi di grafici di basso livello
4.8.4. Parametri grafici
4.8.5. Pacchetti Grid e Lattice

4.9. Pacchetti di R

4.9.1. Biblioteca R
4.9.2. Pacchetti R

4.10. Statistiche in R

4.10.1. Un semplice esempio di analisi della varianza
4.10.2. Formule
4.10.3. Funzioni generiche

Modulo 5. Applicazione della statistica all’industria

5.1. Teoria delle code

5.1.1. Introduzione
5.1.2. Sistemi delle code
5.1.3. Misure di efficacia
5.1.4. Il processo di Poisson
5.1.5. Distribuzione esponenziale
5.1.6. Processo di nascita e morte
5.1.7. Modelli di code con un server
5.1.8. Modelli con più server
5.1.9. Modelli di code con capacità limitata
5.1.10. Modelli con sorgenti finite
5.1.11. Modelli generali

5.2. Introduzione ai Grafi

5.2.2. Concetti di base
5.2.3. Grafi orientati e non orientati
5.2.4. Rappresentazioni matriciali: matrici di adiacenza e di incidenza

5.3. Applicazioni dei Grafi

5.3.1. Alberi: proprietà
5.3.2. Alberi con radici
5.3.3. Algoritmi di ricerca approfondita
5.3.4. Applicazione alla determinazione dei blocchi
5.3.5. Algoritmo di ricerca in larghezza
5.3.6. Albero ricoprente minimo

5.4. Percorsi e distanze

5.4.1. Distanza nei grafi
5.4.2. Algoritmo del percorso critico

5.5. Flusso massimo

5.5.1. Reti di trasporto
5.5.2. Distribuzione del flusso di costo minimo

5.6. Tecniche di valutazione e revisione di programmi (PERT)

5.6.1. Definizione
5.6.2. Metodologia
5.6.3. Applicazioni

5.7. Metodo del percorso critico (CPM)

5.7.1. Definizione
5.7.2. Metodologia
5.7.3. Applicazioni

5.8. Gestione dei progetti

5.8.1. Differenze e vantaggi tra i metodi PERT e CPM
5.8.2. Procedura per disegnare un modello di rete
5.8.3. Applicazioni con durata casuale delle attività

5.9. Inventari deterministici

5.9.1. Costi associati ai flussi
5.9.2. Costi associati alle scorte o all'immagazzinamento
5.9.3. Costi associati ai processi: Pianificazione del rifornimento
5.9.4. Modelli di gestione degli inventari

5.10. Inventari probabilistici

5.10.1. Livello di servizio e scorte di sicurezza
5.10.2. Dimensione ottimale dell'ordine
5.10.3. Un periodo
5.10.4. Periodi multipli
5.10.5. Revisione continua
5.10.6. Revisione periodica

Modulo 6. Progettazione di campionamenti

6.1. Considerazioni generali sul campionamento

6.1.1. Introduzione
6.1.2. Cenni storici
6.1.3. Concetto di popolazione, contesto e campione
6.1.4. Vantaggi e svantaggi del campionamento
6.1.5. Fasi di un processo di campionamento
6.1.6. Applicazioni di campionamento
6.1.7. Tipi di campionamento
6.1.8. Progettazione di campionamenti

6.2. Campionamento casuale semplice

6.2.1. Introduzione
6.2.2. Definizione del disegno campione MAS (N, n), MASR e parametri associati
6.2.3. Stima dei parametri delle popolazioni
6.2.4. Determinazione della dimensione del campione (senza ripetizione)
6.2.5. Determinazione della dimensione del campione (con ripetizione)
6.2.6. Confronto tra campionamento casuale semplice con e senza ripetizione
6.2.7. Stima in sottopopolazioni

6.3. Campionamento probabilistico

6.3.1. Introduzione
6.3.2. Progettazione o procedura di campionamento
6.3.3. Statistiche, stimatori e loro proprietà
6.3.4. Distribuzione di uno stimatore nel campionamento
6.3.5. Selezione di unità senza e con ripetizione: Uguali probabilità
6.3.6. Stima simultanea delle variabili

6.4. Applicazioni del campionamento probabilistico

6.4.1. Principali applicazioni
6.4.2. Esempi

6.5. Campionamento casuale stratificato

6.5.1. Introduzione
6.5.2. Definizione e caratteristiche
6.5.3. Stimatori M.A.E(n)
6.5.4. Fissatori
6.5.5. Determinazione della dimensione del campione
6.5.6. Altri aspetti del M.A.E

6.6. Applicazioni del campionamento casuale stratificato

6.6.1. Principali applicazioni
6.6.2. Esempi

6.7. Campionamento sistematico

6.7.1. Introduzione
6.7.2. Stime nel campionamento sistematico
6.7.3. Scomposizione della varianza nel campionamento sistematico
6.7.4. Efficienza del campionamento sistematico rispetto MAS
6.7.5. Stima della varianza: campioni replicati o compenetrati

6.8. Applicazioni del campionamento sistematico

6.8.1. Principali applicazioni
6.8.2. Esempi

6.9. Metodi di stima indiretta

6.9.1. Metodi di rapporto
6.9.2. Metodi di regressione

6.10. Applicazioni dei metodi di stima indiretta

6.10.1. Principali applicazioni
6.10.2. Esempi

Modulo 7. Tecniche statistiche multivariate I

7.1. Analisi fattoriale

7.1.1. Introduzione
7.1.2. Fondamenti dell'analisi fattoriale
7.1.3. Analisi fattoriale
7.1.4. Metodi di rotazione dei fattori e interpretazione dell'analisi fattoriale

7.2. Modellazione dell'analisi fattoriale

7.2.1. Esempi
7.2.2. Modellazione con software statistici

7.3. Analisi delle componenti principali

7.3.1. Introduzione
7.3.2. Analisi delle componenti principali
7.3.3. Analisi sistematica delle componenti principali

7.4. Modellazione dell'analisi delle componenti principali

7.4.1. Esempi
7.4.2. Modellazione con software statistici

7.5. Analisi della corrispondenza

7.5.1. Introduzione
7.5.2. Test di indipendenza
7.5.3. Profili di riga e profili di colonna
7.5.4. Analisi d'inerzia di una nuvola di punti
7.5.5. Analisi delle corrispondenze multiple

7.6. Modellazione dell'analisi delle corrispondenze

7.6.1. Esempi
7.6.2. Modellazione con software statistici

7.7. Analisi discriminante

7.7.1. Introduzione
7.7.2. Regole decisionali per due gruppi
7.7.3. Classificazione multi-stock
7.7.4. Analisi discriminante canonica di Fisher
7.7.5. Scelta delle variabili: procedure Forward e Backward
7.7.6. Sistematica dell'analisi discriminante

7.8. Modellazione dell'analisi discriminante

7.8.1. Esempi
7.8.2. Modellazione con software statistici

7.9. Analisi dei cluster

7.9.1. Introduzione
7.9.2. Misure di distanza e di somiglianza
7.9.3. Algoritmi di classificazione gerarchica
7.9.4. Algoritmi di classificazione non gerarchica
7.9.5. Procedure per determinare il numero appropriato di gruppi
7.9.6. Caratterizzazione dei cluster
7.9.7. Sistematica dell'analisi cluster

7.10. Modellazione dell'analisi cluster

7.10.1. Esempi
7.10.2. Modellazione con software statistici

Modulo 8. Tecniche statistiche multivariate II

8.1. Introduzione
8.2. Scala nominale

8.2.1. Misure di associazione per tabelle 2x2

8.2.1.1. Coefficiente Phi
8.2.1.2. Rischio relativo
8.2.1.3. Rapporto di prodotto incrociato (Odds Ratio)

8.2.2. Misure di associazione per tabelle IxJ

8.2.2.1. Rapporto di contingenza
8.2.2.2. V di Cramer
8.2.2.3. Lambda
8.2.2.4. Tau di Goodman e Kruskal
8.2.2.5. Coefficiente di incertezza

8.2.3. Coefficiente Kappa

8.3. Scala ordinale

8.3.1. Coefficienti gamma
8.3.2. Tau-b e Tau-c di Kendall
8.3.3. D di Sommers

8.4. Scala a intervalli o a rapporti

8.4.1. Coefficiente Eta
8.4.2. Coefficienti di correlazione di Pearson e Spearman

8.5. Analisi stratificata in tabelle 2x2

8.5.1. Analisi stratificata
8.5.2. Analisi stratificata in tabelle 2x2

8.6. Formulazione del problema nei modelli log-lineari

8.6.1. Il modello saturo per due variabili
8.6.2. Il modello saturo generale
8.6.3. Altri tipi di modelli

8.7. Il modello saturo

8.7.1. Calcolo degli effetti
8.7.2. Bontà dell'adattamento
8.7.3. Test degli effetti k
8.7.4. Test di associazione parziale

8.8. Il modello gerarchico

8.8.1. Il metodo Backward

8.9. Modelli di risposta Probit

8.9.1. Formulazione del problema
8.9.2. Stima dei parametri
8.9.3. Test di bontà del chi-quadro
8.9.4. Test di parallelismo per gruppi
8.9.5. Stima della dose necessaria per ottenere un determinato tasso di risposta

8.10. Regressione logistica binaria

8.10.1. Formulazione del problema
8.10.2. Variabili qualitative nella regressione logistica
8.10.3. Selezione delle variabili
8.10.4. Stima dei parametri
8.10.5. Bontà dell'adattamento
8.10.6. Classificazione degli individui
8.10.7. Previsione

Modulo 9. Metodologia Six Sigma per la miglioramenti della qualità

9.1. Garanzia di qualità statistica

9.1.1. Introduzione
9.1.2. Garanzia di qualità statistica

9.2. Metodologia Six Sigma

9.2.1. Normativa di qualità
9.2.2. Metodologia Six Sigma

9.3. Grafici di controllo

9.3.1. Introduzione
9.3.2. Processo in stato di controllo statistico e processo fuori controllo
9.3.3. Carte di controllo e test di ipotesi
9.3.4. Base statistica delle carte di controllo: Modelli generali
9.3.5. Tipi di carte di controllo

9.4. Altri strumenti di base dell’SPC

9.4.1. Caso pratico
9.4.2. Il resto delle "Magnifiche Sette"

9.5. Carte di controllo per attributi

9.5.1. Introduzione
9.5.2. Grafici di controllo per la frazione non conforme
9.5.3. Grafici di controllo per il numero di non conformi
9.5.4. Grafici di controllo per difetti

9.6. Grafici di controllo per variabili

9.6.1. Introduzione
9.6.2. Grafici di controllo della media e dell'intervallo
9.6.3. Grafici di controllo per singole unità
9.6.4. Grafici di controllo basate sulle medie mobili

9.7. Campionamento di accettazione lotto per lotto in base agli attributi

9.7.1. Introduzione
9.7.2. Campionamento semplice per attributi
9.7.3. Campionamento doppio per attributi
9.7.4. Campionamento multiplo per attributi
9.7.5. Campionamento sequenziale
9.7.6. Ispezione con rettifica

9.8. Analisi delle capacità del processo e del sistema di misurazione

9.8.1. Analisi della capacità del processo
9.8.2. Studi della capacità dei sistemi di misura

9.9. Introduzione alla metodologia di Taguchi per l'ottimizzazione dei processi

9.9.1. Introduzione alla metodologia di Taguchi
9.9.2. Qualità attraverso l'ottimizzazione dei processi

9.10. Casi pratici

9.10.1. Casi di studio per i Grafici di controllo degli attributi
9.10.2. Casi di studio per i Grafici di controllo delle variabili
9.10.3. Casi pratici per il Campionamento di accettazione lotto per lotto per attributi
9.10.4. Casi pratici per l’analisi delle capacità del processo e del sistema di misurazione
9.10.5. Casi pratici di introduzione alla metodologia di Taguchi per l'ottimizzazione dei processi

Modulo 10. Tecniche avanzate di previsione

10.1. Modello generale di regressione lineare

10.1.1. Definizione
10.1.2. Proprietà
10.1.3. Esempi

10.2. Regressione ai minimi quadrati parziali

10.2.1. Definizione
10.2.2. Proprietà
10.2.3. Esempi

10.3. Regressione a componenti principali

10.3.1. Definizione
10.3.2. Proprietà
10.3.3. Esempi

10.4. Regressione RRR

10.4.1. Definizione
10.4.2. Proprietà
10.4.3. Esempi

10.5. Regressione Ridge

10.5.1. Definizione
10.5.2. Proprietà
10.5.3. Esempi

10.6. Regressione Lasso

10.6.1. Definizione
10.6.2. Proprietà
10.6.3. Esempi

10.7. Regressione Elasticnet

10.7.1. Definizione
10.7.2. Proprietà
10.7.3. Esempi

10.8. Modelli di previsione non lineare

10.8.1. Modelli di regressione non lineari
10.8.2. Minimi quadrati non lineari
10.8.3. Trasformazione in modello lineare

10.9. Stima dei parametri in un sistema non lineare

10.9.1. Linearizzazione
10.9.2. Altri metodi di stima dei parametri
10.9.3. Valori iniziali
10.9.4. Programmi informatici

10.10. Inferenza statistica nella regressione non lineare

10.10.1. Inferenza statistica nella regressione non lineare
10.10.2. Convalida dell'inferenza approssimata
10.10.3. Esempi

Hai davanti a te l'opportunità perfetta per dare alla tua carriera una svolta a 180º e specializzarti in un'area in espansione e con ottime prospettive future come la Statistica Computazionale. Hai intenzione di lasciartela sfuggire?”