ID:
SCV0972
Durata (ore):
48
CFU:
6
SSD:
Sistemi di elaborazione delle informazioni
Anno:
2026
Dati Generali
Periodo di attività
Primo Semestre (21/09/2026 - 23/12/2026)
Syllabus
Obiettivi Formativi
L’insegnamento fornisce gli strumenti matematici e statistici essenziali per lavorare con dati tipici del percorso TeDAC (rilievi, misure, sensori, consumi, indicatori ambientali, dati territoriali). L’obiettivo è rendere lo/la studente/ssa capace di comprendere, controllare e usare i dati in modo corretto: dal calcolo di base all’analisi descrittiva, fino a sviluppare semplici modelli e stime utili a supportare decisioni tecniche.
RISULTATI DI APPRENDIMENTO ATTESI
Conoscenze
Al termine dell’insegnamento, la studentessa/lo studente sarà in grado di:
* conoscere gli elementi base di algebra lineare (vettori, matrici, sistemi lineari) utili per operare su dataset e trasformazioni;
* comprendere i concetti fondamentali di funzione, limite, derivata e integrale con interpretazione pratica (tassi di variazione, accumulo);
* conoscere i fondamenti di statistica descrittiva e inferenziale di base (variabilità, correlazione, regressione semplice, intervalli di confidenza elementari);
* comprendere le principali fonti di errore nelle misure e i concetti di precisione, accuratezza e incertezza (approccio applicativo).
Abilità
Al termine dell’insegnamento, la studentessa/lo studente sarà in grado di:
* risolvere problemi numerici e impostare calcoli con unità coerenti, controllando l’ordine di grandezza;
* usare strumenti di calcolo (foglio di calcolo e/o strumenti software indicati nel corso) per pulire dati, sintetizzarli e rappresentarli (tabelle, grafici);
* applicare derivate e integrali a esempi semplici legati a misure nel tempo/spazio (velocità come tasso di variazione, energia/consumo come accumulo);
* risolvere piccoli sistemi lineari e utilizzare matrici per trasformazioni e stime semplici;
* Calcolare e interpretare indicatori statistici (media, mediana, varianza, deviazione standard, percentili) e produrre report sintetici.
Competenze
Al termine dell’insegnamento, la studentessa/lo studente sarà in grado di:
* valutare la qualità di un dataset (completezza, coerenza, presenza di outlier, errori di inserimento/misura);
* scegliere metodi di sintesi e rappresentazione adatti allo scopo (tecnico-professionale);
* comunicare risultati quantitativi in modo chiaro, con ipotesi dichiarate e limiti evidenziati.
RISULTATI DI APPRENDIMENTO ATTESI
Conoscenze
Al termine dell’insegnamento, la studentessa/lo studente sarà in grado di:
* conoscere gli elementi base di algebra lineare (vettori, matrici, sistemi lineari) utili per operare su dataset e trasformazioni;
* comprendere i concetti fondamentali di funzione, limite, derivata e integrale con interpretazione pratica (tassi di variazione, accumulo);
* conoscere i fondamenti di statistica descrittiva e inferenziale di base (variabilità, correlazione, regressione semplice, intervalli di confidenza elementari);
* comprendere le principali fonti di errore nelle misure e i concetti di precisione, accuratezza e incertezza (approccio applicativo).
Abilità
Al termine dell’insegnamento, la studentessa/lo studente sarà in grado di:
* risolvere problemi numerici e impostare calcoli con unità coerenti, controllando l’ordine di grandezza;
* usare strumenti di calcolo (foglio di calcolo e/o strumenti software indicati nel corso) per pulire dati, sintetizzarli e rappresentarli (tabelle, grafici);
* applicare derivate e integrali a esempi semplici legati a misure nel tempo/spazio (velocità come tasso di variazione, energia/consumo come accumulo);
* risolvere piccoli sistemi lineari e utilizzare matrici per trasformazioni e stime semplici;
* Calcolare e interpretare indicatori statistici (media, mediana, varianza, deviazione standard, percentili) e produrre report sintetici.
Competenze
Al termine dell’insegnamento, la studentessa/lo studente sarà in grado di:
* valutare la qualità di un dataset (completezza, coerenza, presenza di outlier, errori di inserimento/misura);
* scegliere metodi di sintesi e rappresentazione adatti allo scopo (tecnico-professionale);
* comunicare risultati quantitativi in modo chiaro, con ipotesi dichiarate e limiti evidenziati.
Prerequisiti
Abitudine al ragionamento matematico, conoscenze di base di algebra e di teoria degli insiemi.
Metodi didattici
Lezioni frontali brevi e mirate;
* Esercitazioni guidate in aula e in laboratorio informatico;
* Tutorial operativi;
* Learning by doing con consegne periodiche.
* Esercitazioni guidate in aula e in laboratorio informatico;
* Tutorial operativi;
* Learning by doing con consegne periodiche.
Verifica Apprendimento
La valutazione è composta da prove prevalentemente applicative:
* Prova scritta.
* Elaborato pratico (es. analisi di un dataset assegnato con consegna di file di calcolo e breve relazione (grafici, indicatori, conclusioni).
SUPERAMENTO DELL’ESAME
La studentessa/lo studente supera l’esame se:
* raggiunge la sufficienza nella prova scritta (correttezza dei passaggi, unità e risultati plausibili);
* consegna l’elaborato pratico completo (dati ordinati, grafici leggibili, indicatori corretti, commento coerente);
* dimostra di saper interpretare i risultati, indicando ipotesi e limiti.
VALUTAZIONE DELLE COMPETENZE ACQUISITE
La valutazione (in trentesimi) si basa su una griglia con indicatori concreti:
* correttezza tecnica: calcoli, uso di formule, gestione unità, coerenza matematica;
* qualità dell’analisi dati: pulizia, sintesi, rappresentazioni efficaci, controllo outlier;
* capacità interpretativa: lettura critica, ordini di grandezza, limiti del modello;
* chiarezza e tracciabilità: passaggi riproducibili, file ordinati, report sintetico.
* Prova scritta.
* Elaborato pratico (es. analisi di un dataset assegnato con consegna di file di calcolo e breve relazione (grafici, indicatori, conclusioni).
SUPERAMENTO DELL’ESAME
La studentessa/lo studente supera l’esame se:
* raggiunge la sufficienza nella prova scritta (correttezza dei passaggi, unità e risultati plausibili);
* consegna l’elaborato pratico completo (dati ordinati, grafici leggibili, indicatori corretti, commento coerente);
* dimostra di saper interpretare i risultati, indicando ipotesi e limiti.
VALUTAZIONE DELLE COMPETENZE ACQUISITE
La valutazione (in trentesimi) si basa su una griglia con indicatori concreti:
* correttezza tecnica: calcoli, uso di formule, gestione unità, coerenza matematica;
* qualità dell’analisi dati: pulizia, sintesi, rappresentazioni efficaci, controllo outlier;
* capacità interpretativa: lettura critica, ordini di grandezza, limiti del modello;
* chiarezza e tracciabilità: passaggi riproducibili, file ordinati, report sintetico.
Contenuti
Modulo 1 — Richiami e strumenti per lavorare con i dati (2 ore)
* Insiemi numerici e numeri reali; unità di misura e conversioni.
* Percentuali, tassi di crescita, medie e indicatori semplici.
* Ordini di grandezza e controllo di plausibilità.
Modulo 2 — Algebra lineare per dataset e trasformazioni (6 ore)
* Vettori e operazioni; prodotto scalare (interpretazione geometrica e pratica).
* Matrici: operazioni, trasposta, inversa, determinante (significato operativo).
* Rango e sistemi di equazioni lineari (2×2, 3×3 e casi semplici più grandi).
Modulo 3 — Funzioni e grafici: leggere e descrivere fenomeni (8 ore)
* Concetto di funzione, dominio e segno.
* Funzioni elementari: polinomi, potenze, esponenziali, logaritmi, trigonometriche.
* Scale logaritmiche e lettura di grafici (quando sono utili nei dati tecnici).
Modulo 4 — Limiti, continuità e tassi di variazione (8 ore)
* Limiti e continuità (idea e uso pratico).
* Derivata: significato come tasso di variazione; retta tangente.
* Crescenza/decrescenza; massimi e minimi (applicazioni: ottimizzazione semplice).
* Cenni a Taylor come strumento di approssimazione (solo concetto e uso minimo).
Modulo 5 — Integrali e accumulo (8 ore)
* Integrale definito come area/accumulo; collegamento con misure nel tempo.
* Metodi elementari: sostituzione e parti.
Modulo 6 — Statistica descrittiva e qualità del dato (8 ore)
* Tipi di dato (numerico/categorico) e organizzazione del dataset.
* Indicatori: media, mediana, moda; varianza, deviazione standard; quartili e percentili.
* Outlier e controlli; rappresentazioni: istogrammi, box-plot, scatter plot.
* Errori di misura: precisione/accuratezza, incertezza e propagazione “semplice”.
Modulo 7 — Relazioni tra variabili e modelli semplici (8 ore)
Correlazione.
* Regressione lineare semplice: stima dei parametri e interpretazione.
* Valutazione di bontà dell’adattamento (lettura qualitativa di residui e R² in modo semplice).
* Applicazioni: calibrazione di una relazione misura–modello, previsione elementare.
* Insiemi numerici e numeri reali; unità di misura e conversioni.
* Percentuali, tassi di crescita, medie e indicatori semplici.
* Ordini di grandezza e controllo di plausibilità.
Modulo 2 — Algebra lineare per dataset e trasformazioni (6 ore)
* Vettori e operazioni; prodotto scalare (interpretazione geometrica e pratica).
* Matrici: operazioni, trasposta, inversa, determinante (significato operativo).
* Rango e sistemi di equazioni lineari (2×2, 3×3 e casi semplici più grandi).
Modulo 3 — Funzioni e grafici: leggere e descrivere fenomeni (8 ore)
* Concetto di funzione, dominio e segno.
* Funzioni elementari: polinomi, potenze, esponenziali, logaritmi, trigonometriche.
* Scale logaritmiche e lettura di grafici (quando sono utili nei dati tecnici).
Modulo 4 — Limiti, continuità e tassi di variazione (8 ore)
* Limiti e continuità (idea e uso pratico).
* Derivata: significato come tasso di variazione; retta tangente.
* Crescenza/decrescenza; massimi e minimi (applicazioni: ottimizzazione semplice).
* Cenni a Taylor come strumento di approssimazione (solo concetto e uso minimo).
Modulo 5 — Integrali e accumulo (8 ore)
* Integrale definito come area/accumulo; collegamento con misure nel tempo.
* Metodi elementari: sostituzione e parti.
Modulo 6 — Statistica descrittiva e qualità del dato (8 ore)
* Tipi di dato (numerico/categorico) e organizzazione del dataset.
* Indicatori: media, mediana, moda; varianza, deviazione standard; quartili e percentili.
* Outlier e controlli; rappresentazioni: istogrammi, box-plot, scatter plot.
* Errori di misura: precisione/accuratezza, incertezza e propagazione “semplice”.
Modulo 7 — Relazioni tra variabili e modelli semplici (8 ore)
Correlazione.
* Regressione lineare semplice: stima dei parametri e interpretazione.
* Valutazione di bontà dell’adattamento (lettura qualitativa di residui e R² in modo semplice).
* Applicazioni: calibrazione di una relazione misura–modello, previsione elementare.
Lingua Insegnamento
ITALIANO
Altre informazioni
Il docente riceve su appuntamento (mediante richiesta via e-mail o telefonica).
Corsi
Corsi
3 anni
No Results Found
Persone
Persone
No Results Found