Statistica per Data Analyst e sviluppatori

Name: Statistica per Data Analyst e sviluppatori
Rating: 4.6 (33 reviews)

Acquisisci competenze statistiche essenziali per l'analisi dei dati e la programmazione con Excel, SQL e Python

Highest Rated

Created byNicola Iantomasi

Last updated 3/2026

Italian

What you'll learn

Comprendere l'importanza di classificare correttamente le variabili statistiche
Conoscere e capire quando utilizzare i principali indici di statistica univariata
Analizzare il grado di associazione tra più variabili
Utilizzare Excel, SQL e Python per calcolare i più importanti indici statistici
Rappresentare efficacemente i dati e condurre un'analisi esplorativa con le librerie di Python Pandas e Seaborn
Comprendere i concetti principali della statistica inferenziale
Utilizzare Python per calcolare intervalli di fiducia
Eseguire i principali test statistici

Course content

6 sections • 47 lectures • 6h 7m total length

Introduzione4:18
Introduciamo in generale i concetti di statistica, statistica descrittiva e statistica inferenziale tracciando un quadro di quelle che sono le principali competenze da acquisire.
Classificazione variabili10:48
In questa lezione vediamo una possibile classificazione delle variabili. Non si tratta di qualcosa di puramente teorica, in quanto classificare correttamente una variabile è fondamentale per capire quali tecniche statistiche possono essere applicate.

Indici di posizione centrale10:37
Analizziamo i principali indici di posizione centrale:
media aritmetica
mediana
moda
studiando i ragionamenti da fare per scegliere l'indice più adatto per ogni caso.
Indici di variabilità14:06
Studiamo come calcolare i due principali indici di variabilità:
deviazione standard
differenza interquartile
Outlier e coefficiente di variazione4:07
In questa lezione vedremo:
una possibile tecnica per individuare i dati anomali (outlier);
come calcare il coefficiente di variazione per confrontare la variabilità tra variabili diverse.
Altra formulazione per il calcolo della varianza2:35
Vediamo in questa breve lezione una seconda modalità di calcolo equivalente della varianza.
Grafici per la statistica monovariata10:06
Approfondiamo le peculiarità di diverse tipologie di grafici per rappresentare variabili cardinali:
box plot
a barre
istogrammi
Calcolo degli indici con Excel6:26
Calcoliamo con Excel gli indici di statistica monovariata studiati finora.
Grafici con Excel13:30
Utilizziamo Excel per rappresentare una variabile quantitativa tramite il suo boxplot, un diagramma a barre e un istogramma.
Installazione SQL Server Express3:51
In questa lezione vedremo come installare l'edizione Express del database SQL Server e SQL Server Management Studio su un PC personale con sistema operativo Windows.
Installando il database sul tuo PC personale potrai seguire le lezioni con il linguaggio SQL in modo più interattivo (se avevi già installato il software in passato ovviamente non sarà necessario ripetere l'installazione), senza di esso le lezioni saranno comunque utili.

ATTENZIONE
È sempre sconsigliato installare qualsiasi tipo di software su un PC aziendale senza la preventiva autorizzazione del reparto IT.
Calcolo degli indici con SQL4:04
Implementiamo su SQL Server gli indici di statistica monovariata studiati finora.
Installazione Python e librerie12:16
In questa lezione vedremo come installare Python su un PC personale con sistema operativo Windows, Jupyter e le principali librerie per la statistica e l'analisi dei dati.
Ovviamente vale sempre la raccomandazione di utilizzare un proprio PC personale (non aziendale) per installare questo e qualsiasi altro software.
Calcolo degli indici con Python4:01
Implementiamo su Python gli indici di statistica monovariata studiati finora.
Scaling di una variabile8:16
Vediamo quattro tecniche per trasformare i dati di una variabile quantitativa senza perdere la sua distribuzione e tendenza. Ciò può essere utile per portare più variabili quantitative ad una stessa scala comune.
Indici di forma per una variabile10:32
In questa lezione studiamo gli indici di asimmetria di Fisher e di curtosi per analizzare la forma di una variabile statistica quantitativa.
Scaling e indici di forma con SQL2:22
Implementiamo sul database SQL Server le varie tipologie di Scaling e il calcolo degli indici di Asimmetria e di Curtosi.
Scaling e indici di forma con Python3:21
Implementiamo con Python le varie tipologie di Scaling e il calcolo degli indici di Asimmetria e di Curtosi.
Variabilità per variabili qualitative: indice di eterogeneità di Gini5:52
Studiamo l'indice di eterogeneità di Gini per misurare la variabilità di una variabile qualitativa.
Indice di eterogeneità di Gini con SQL e Python7:16
Implementiamo sul database SQL Server e con il linguaggio Python il calcolo dell'indice di eterogeneità di Gini e la sua versione normalizzata.

Relazione tra due variabili qualitative: indici Chi quadrato e V di Cramer15:28
ATTENZIONE! AL DENOMINATORE DELL'INDICE V DI CRAMER VA INSERITO IL MINIMO TRA LE DUE QUANTITA, NON IL MASSIMO.
In questa lezione vediamo come calcolare il grado di associazione tra due variabili qualitative nominali tramite gli indici Chi quadrato e V di Cramer.
Indici Chi quadrato e V di Cramer con SQL8:46
ATTENZIONE! AL DENOMINATORE DELL'INDICE V DI CRAMER VA INSERITO IL MINIMO TRA LE DUE QUANTITA, NON IL MASSIMO.
Implementiamo sul database SQL Server gli indici Chi quadrato e V di Cramer.
Indici Chi quadrato e V di Cramer con Python4:52
ATTENZIONE! AL DENOMINATORE DELL'INDICE V DI CRAMER VA INSERITO IL MINIMO TRA LE DUE QUANTITA, NON IL MASSIMO.
Implementiamo con Python gli indici Chi quadrato e V di Cramer.
Relazione tra una variabili qualitativa e una quantitativa: indice Eta quadro10:08
Indice Eta quadro con SQL4:03
Implementiamo con il database SQL Server il calcolo dell'indice Eta quadro.
Indice Eta quadro con Python2:37
Implementiamo con Python il calcolo dell'indice Eta quadro.
Relazione tra due variabili quantitative: covarianza8:54
Studiamo come costruire una formula matematica per legare i valori di due variabili quantitative e calcoliamone la covarianza.
Regressione e coefficiente di Pearson11:21
Terminiamo il calcolo della formula per legare due variabili cardinali (regressione lineare) e calcoliamo il coefficiente di correlazione di Pearson.
Grafici per statistica bivariata: diagramma di dispersione3:06
Creiamo un grafico a dispersione con Excel disegnando anche la relativa retta di regressione.
Coefficiente di Spearman6:08
Studiamo come calcolare il coefficiente di correlazione di Spearman utilizzabile sia per variabili quantitative e sia per variabili qualitative ordinali.
Covarianza, coefficiente di Pearson e regressione con SQL4:12
Implementiamo con il database SQL Server il calcolo della covarianza, correlazione e la regressione lineare.
Covarianza, coefficiente di Pearson e regressione con Python4:43
Implementiamo con Python il calcolo della covarianza, correlazione e la regressione lineare.

Analisi esplorativa dei dati - calcolo dei principali indici statistici10:07
In questa lezione lavoriamo sul famoso dataset Titanic importato tramite la libreria Seaborn e vediamo come utilizzare i metodi describe e corr di Pandas per effettuare una prima analisi statistica.
Analisi esplorativa - rappresentazioni grafiche con Seaborn10:29
Utilizziamo la libreria Seaborn per rappresentare accuratamente le interazioni tra le variabili del dataset Titanic.

Introduzione alle serie storiche12:07
Nella sezione "Risorse" trovi i file relativi alla lezione.
Introduciamo i concetti relativi alle serie storiche e capiamo perché i classici algoritmi di regressione non sono utili nella maggior parte dei casi.
Durante la lezione sono utilizzati dati di input provenienti dal file d'esempio presente nella documentazione online di Microsoft sul forecast in Excel.
https://support.microsoft.com/en-au/office/create-a-forecast-in-excel-for-windows-22c500da-6da7-45e5-bfdc-60a7062329fd
Funzionalità foglio previsione di Excel13:56
Nella sezione "Risorse" trovi i file relativi alla lezione.
In questa lezione esploriamo l'utilizzo della funzione Previsione Ets e Previsione Ets Stagionalità.
Durante la lezione sono utilizzati dati di input provenienti dal file d'esempio presente nella documentazione online di Microsoft sul forecast in Excel.
https://support.microsoft.com/en-au/office/create-a-forecast-in-excel-for-windows-22c500da-6da7-45e5-bfdc-60a7062329fd
Modello matematica per la previsione di una serie storica - parte 111:16
Nella sezione "Risorse" trovi i file relativi alla lezione.
Introduciamo un modello matematico per l'analisi e la predizione delle serie storiche. Iniziamo ad implementare il modello su Excel step by step.
Durante la lezione sono utilizzati dati di input provenienti dal file d'esempio presente nella documentazione online di Microsoft sul forecast in Excel.
https://support.microsoft.com/en-au/office/create-a-forecast-in-excel-for-windows-22c500da-6da7-45e5-bfdc-60a7062329fd
Modello matematico per la previsione di una serie storica - parte 213:17
Nella sezione "Risorse" trovi i file relativi alla lezione.
Terminiamo l'implementazione del modello introdotto nella lezione precedente trovando le previsioni finali.
Durante la lezione sono utilizzati dati di input provenienti dal file d'esempio presente nella documentazione online di Microsoft sul forecast in Excel.
https://support.microsoft.com/en-au/office/create-a-forecast-in-excel-for-windows-22c500da-6da7-45e5-bfdc-60a7062329fd

Introduzione alla statistica inferenziale7:17
Introduciamo i concetti di statistica inferenziale e campionamento dei dati.
Stime puntuali8:41
Studiamo i fattori correttivi da applicare alle formule di calcolo della statistica descrittiva per tener conto della numerosità ridotta del campione rispetto alla popolazione.
Distribuzione normale e test di Shapiro11:57
Studiamo cosa sono le variabili normali e come valutare questa caratteristica nella nostra popolazione di analisi.
Intervallo di fiducia per la media di una popolazione normale con Python3:58
Calcoliamo una stima intervallare per la media di una popolazione normale.
Approfondimento sugli intervalli di fiducia e confronto tra distribuzioni t e z9:23
Approfondiamo il concetto di intervallo di fiducia e osserviamo le differenza tra la distribuzione normale e la distribuzione di Student.
Intervallo di fiducia per varianza e deviazione standard3:54
Vediamo come calcolare un intervallo di fiducia per varianza e deviazione standard. Tuttavia si tratta di un calcolo poco usato nella pratica perché molto sensibile all'ipotesi di normalità dei dati della popolazione.
Test sulla media di una popolazione normale con Python4:11
Eseguiamo un test statistico sulla media di una popolazione normale.
T test per la media di due campioni indipendenti9:15
Eseguiamo un test statistico sulla media di popolazioni normali indipendenti con il t-test di Welch
T test per la media di due campioni dipendenti6:32
Studiamo ora il caso in cui i due campioni sono dipendenti (misure ripetute) svolgendo il relativo test statistico sulla media di popolazioni normali.
Congratulazioni finali e invito alla Scuola dei Dati8:41
Complimenti! Hai completato il Corso di Statistica per Data Analyst e sviluppatori.
In questo video ti mostro La Scuola dei Dati, la mia piattaforma didattica in cui trovi tutti i temi di cui hai bisogno spiegati in un unico percorso completo, organico e strutturato, pensato per accompagnarti passo dopo passo. Costruisci oggi la tua carriera in Data Analysis e Intelligenza Artificiale, a soli 11€ al mese.
Visita il sito https://www.lascuoladeidati.it/
Applica il codice 68D7C in fase di registrazione per ottenere un 30% di sconto sul primo mese.

Requirements

Per la parte di statistica non serve nessun prerequisito particolare in quanto tutti i concetti saranno spiegati assolutamente da zero. Per seguire anche gli esempi su Excel, SQL Server e Python serve avere già un po' di dimestichezza con questi strumenti/linguaggi

Description

Conoscere la statistica è un upgrade fondamentale per chiunque lavori nell'ambito dell'analisi dei dati e più in generale nella programmazione. Il corso nasce per darti una formazione pratica e diretta sui temi principali della statistica, a partire dalla mia esperienza prima come studente di matematica all'università, e poi come programmatore in SQL e Python.

Partiremo assolutamente da zero, imparando a classificare le variabili, calcolare i principali indici di statistica univariata e bivariata, fino a studiare i temi principali della statistica inferenziale come le stime puntuali, intervallari e i test statistici.

Il corso è ricco di implementazioni statistiche in Excel, SQL (nella versione T-SQL del database SQL Server) e Python. Ho scelto questi tre strumenti/linguaggi perché sono i più utilizzati in ambito aziendale, essendo il corso pensato soprattutto per chi proviene da un background informatico, per quanto penso che possa essere apprezzato da chiunque sia interessato alla statistica.

II corso non è pensato per insegnarti da zero SQL e Python, ma per farti vedere come è possibile utilizzarli praticamente per automatizzare e applicare a grandi moli di dati i calcoli statistici che impareremo a fare prima manualmente e su Excel. D'altra parte non è indispensabile avere conoscenza di SQL e Python per seguire il corso, per quanto una loro conoscenza permetterebbe di apprezzare meglio le parti relative a questi linguaggi. Ho riportato comunque per completezza anche delle videolezioni per procedere con l'installazione di SQL Server e Python su un proprio PC personale con sistema operativo Windows.

Aggiornamento: ho aggiunto una nuova sezione dedicata alla previsione di serie storiche con Excel, sia con la nuova funzionalità Foglio Previsioni di Excel 365 e sia tramite l'implementazione step by step di un modello matematico previsionale.

Tutte le videolezioni sono corredate anche dai file contenenti gli esercizi visti durante le spiegazioni. Nel complesso, si tratta a tutti gli effetti di un manuale riepilogativo degli argomenti di statistica visti. Inoltre sarò sempre disponibile a rispondere a dubbi e domande sul materiale del corso, che potrai porre tramite i messaggi di Udemy o l'apposita sezione di Domande & Risposte.

Who this course is for:

Programmatori e sviluppatori che desiderano potenziare le proprie competenze in statistica per migliorare le capacità di analisi dei dati
Data analyst che vogliono acquisire una solida base di conoscenze statistiche per supportare le loro attività di analisi e interpretazione dei dati
Studenti interessati a integrare le loro competenze con la statistica per ampliare le opportunità professionali
Professionisti che lavorano nell'ambito dell'analisi dei dati e desiderano consolidare e approfondire le loro conoscenze statistiche per migliorare la precisione e la qualità delle loro analisi

Statistica per Data Analyst e sviluppatori

What you'll learn

Explore related topics

Course content

Introduzione2 lectures • 15min

Statistica descrittiva univariata (univariate statistics)17 lectures • 2hr 3min

Statistica descrittiva bivariata (bivariate statistics)12 lectures • 1hr 24min

Analisi esplorativa con Python2 lectures • 21min

Previsione di serie storiche4 lectures • 51min

Statistica inferenziale (inferential statistics)10 lectures • 1hr 14min

Requirements

Description

Who this course is for: