Struttura del modello probabilistico: esperimenti casuali, eventi elementari, algebre di eventi, misura di probabilità, probabilità e assiomi del calcolo delle probabilità, spazi di probabilità finiti e calcolo combinatorio, probabilità condizionate, teorema di Bayes, indipendenza. Variabili casuali come modelli, v.c. continue, v.c. discrete, v.c. vettoriali, funzioni di ripartizione, valore atteso e varianza di una v.c., momenti, valore atteso condizionato e momenti condizionati, trasformazione di v.c., principali v.c. discrete (binomiale, binomiale negativa, ipergeometrica, Poisson), principali v.c. continue (uniforme, normale, esponenziale, gamma, chi quadro, T di Student, F di Snedecor, Weibull), cenni sulla generazione dei numeri pseudo-casuali. Teoremi di convergenza e approssimazione: convergenza in probabilità, convergenza in distribuzione, teorema di normalità asintotica. Elementi di statistica descrittiva: distribuzioni di frequenze, indici di posizione, indici di variabilità, rappresentazioni grafiche dei dati statistici. Introduzione all'inferenza statistica: modelli statistici parametrici, campioni casuali, statistiche, distribuzioni campionarie, funzione di verosimiglianza. Stima puntuale: stimatori corretti, stimatori consistenti, stimatori efficienti. Stima mediante intervalli: intervalli casuali, livello di confidenza, costruzione di intervalli con il metodo della variabile casuale pivotale, applicazioni ai principali modelli parametrici statistici. Intervalli di confidenza asintotici. Verifica di ipotesi statistiche: ipotesi parametriche semplici e composte, statistiche test e regione critica, errori di primo e secondo tipo, test più potenti e test uniformemente più potenti, test su medie e varianze per uno o due campioni. Il modello di regressione lineare ed i suoi impieghi: presentazione a livello avanzato.