Gli errori e i bias negli studi epidemiologici osservazionali e sperimentali
|
|
- Orlando Catalano
- 8 anni fa
- Visualizzazioni
Transcript
1 CdLM Classe LM-67 - Scienze e tecniche delle attività motorie preventive ed adattate C.I. Epidemiologia e valutazione degli stili di vita sulla salute Modulo: Metodologia epidemiologica Gli errori e i bias negli studi epidemiologici osservazionali e sperimentali Prof. Giovanni Capelli Cattedra di Igiene Dipartimento di Scienze Motorie e della Salute Facoltà di Scienze Motorie - Università di Cassino
2 Errore Errori e Bias: concetti Un atto, asserzione o una convinzione che devia dal giusto In matematica errore è la differenza tra un valore calcolato o misurato e il valore vero o quello eroicamente corretto Ma attenzione! La lunghezza di 1 metro è stata, nel tempo, definita come: una frazione della lunghezza del quadrante del meridiano terrestre che attraversa Parigi la distanza tra due segni su una barra di metallo il tragitto percorso dalla luce nel vuoto in un particolare lasso di tempo Quindi, la giusta lunghezza di un metro è decisa arbitrariamente, accordandosi su una definizione Importanza dei metodi standardizzati di misura
3 Errori e bias: concetti Bias E qualcosa di più sottile dell errore Si tratta piuttosto di una preferenza, di una inclinazione Che impedisce un giudizio imparziale O porta a decisioni o azioni ingiuste a causa di un pregiudizio In statistica, Bias è un errore dovuto al fatto che sistematicamente alcuni gruppi o esiti sono favoriti rispetto ad altri In pratica, il bias è Un errore che si presenta in misura diversa nei diversi gruppi considerati intenzionalmente o involontariamente Ovvero una inappropriata generalizzazione dei risultati di uno studio ad una popolazione che differisce da quella studiata
4 Errori in Epidemiologia Precisione Errori random Validità Errori sistematici Confondimento Misclassificazione Selezione
5 Validità e precisione
6 Precisione È di solito espressa utilizzando gli intervalli di confidenza Dipende dalla grandezza del campione e dall efficienza dello studio
7 Validità - Tipologie di bias (errore sistematico ) Di selezione (selection bias) Scelta della popolazione Deviata sistematicamente Di informazione (information bias) Raccolta Analisi Interpretazione dei dati Deviate sistematicamente Confondimento (confounding) Le variabili misurate e considerate nell analisi sono scelte in modo erroneo
8 Da: Raj Bhopal, Concepts of epidemiology, Oxford University Press, 2002
9 Da: Raj Bhopal, Concepts of epidemiology, Oxford University Press, 2002
10 Rischi nella scelta della popolazione in studio Da: Raj Bhopal, Concepts of epidemiology, Oxford University Press, 2002
11 Filosofia della valutazione di causalità Teorie probabilistiche della causalità Il problema principale di queste teorie è il soddisfacimento della terza condizione (che l associazione non sia spuria ) che implica identificazione ed eliminazione dei fattori disturbanti (confounding factors) Che X sia causa di Y secondo la definizione probabilistica può dipendere, dunque da quali fattori sono presi in considerazione e quindi X resta una causa a meno di altri fattori, a noi sconosciuti, potenzialmente rilevanti
12 Il confondimento In ambito epidemiologico e di sanità pubblica siamo interessati alla associazione tra esposizione ed effetto Capita spesso di dover verificare che la nostra analisi di associazione non sia distorta da una terza variabile correlata sia alla esposizione che all effetto Definiremo questa variabile di confondimento se si tratta di una variabile estranea che soddisfa entrambe le seguenti condizioni: E fattore di rischio per l effetto E associata alla esposizione, ma non ne è una conseguenza
13 La stratificazione Per controllare per i fattori di confondimento possiamo utilizzare la stratificazione. L idea di base è: Suddividiamo il campione in strati Facciamo confronti all interno degli strati confrontando similia cum similibus Ricombiniamo per una stima complessiva (overall) Spesso la decisione se trattare o no una variabile come confondente è legata a considerazione non statistiche, quali la conoscenza della storia naturale di malattia il giudizio soggettivo una revisione della letteratura
14 Confondimento: una definizione operativa Se una analisi cruda ( unadjusted ) fornisce una risposta sostanzialmente diversa da una analisi stratificata che controlli per la variabile Z, Z è un fattore di confondimento Il confondimento non è tutto o nulla è un bias (distorsione) e le distorsioni possono essere grandi o piccole
15 Confondimento Un errore nella stima di una misura epidemiologica o nella stima di un effetto che deriva da uno squilibrio negli altri fattori causali della malattia tra i gruppi posti a confronto Un confondente È associato con la malattia tra i non esposti È associato con l esposizione nella popolazione che dà origine ai casi Non è una causa intermedia
16 Confondimento ESPOSIZIONE MALATTIA CONFONDENTE
17 Esempio di confondimento Dati grezzi Esposti Non esposti Casi Tempo-persona RR=0.4 Giovani Anziani Esposti Non esposti Esposti Non esposti Casi 20 1 Casi Tempopersonpersona Tempo RR=2.0 RR=2.0
18 Confondimento Misura Cambiamento nella stima dell effetto Controllo Prevenzione Restrizione Randomizzazione Appaiamento Terapia Analisi stratificata Modelli multivariabili
19 Confondimento: esempio Shapiro et al. (Lancet, 1979) hanno realizzato uno studio caso-controllo su utilizzo di contraccettivi orali (OC) e infarto del miocardio stratificando per età Età Età Infarto Controlli Infarto Controlli Uso recente di SI Uso recente di SI contraccettivi NO contraccettivi NO orali orali ^OR1= 3.53 ^OR2= 3.60 C è associazione tra uso di OC e Infarto, controllando per classi di età?
20 Confondimento: una definizione operativa Se una analisi cruda ( unadjusted ) fornisce una risposta sostanzialmente diversa da una analisi stratificata che controlli per la variabile X, X è un fattore di confondimento Il confondimento non è tutto o nulla è un bias (distorsione) e le distorsioni possono essere grandi o piccole
21 Confondimento: esempio Età Età Infarto Controlli Infarto Controlli Uso recente di SI Uso recente di SI contraccettivi NO contraccettivi NO orali orali ^OR1= 3.53 ^OR2= 3.60 La stima dell OR cruda (unadjusted) è: ORˆ (13 12)*( ) (59 14)*(45 158) 2.33 valore ben inferiore agli ^OR strato-specifici il che suggerisce, secondo la nostra defizione operativa, che l età sia un confondente
22 Confondimento: esempio Infatti, l età è associata sia con l effetto che con l esposizione nel gruppo più anziano ci sono PIU infarti 170/847=0.201 contro 58/837=0.069 nel gruppo più anziano c è MENO uso di OC 26/847=0.031 contro 72/837=0.086 ma l età più avanzata non è una conseguenza dell uso di OC Perciò, concluderemo che l età è fattore di confondimento della associazione tra uso di OC e infarto del miocardio
23 Confondimento ed interazione Confondimento E una distorsione sistematica della associazione esposizioneeffetto dovuta ad una terza variabile Zc, il fattore di confondimento Può talvolta essere controllato con una analisi appropriata (analisi stratificata) con un disegno apposito (matching) E un bias e quindi va EVITATO! Modificazione di effetto (interazione) E la variazione della associazione esposizione-effetto per livelli di una terza variabile, Ze, il modificatore di effetto E una proprietà intrinseca del fenomeno esposizione-effetto e non c è disegno che la possa evitare se c è E un fenomeno interessante, e quindi va DESCRITTO!
24 Stratificazione Immaginiamo di suddividere la popolazione in studio in strati per ogni strato considereremo una associazione esposizione-effetto avremo dunque numerose tabelle 2x2, una per strato Se non c è relazione tra esposizione ed effetto gli OR calcolati per ogni strato saranno tutti =1 L ipotesi nulla di non associazione è dunque H0: OR1=OR2=OR3=Ork=1 Se c è associazione positiva (fattore di rischio) costante in ogni strato OR1>1, OR2>1, OR3>1, ORk>1
25 Stratificazione Se gli OR negli strati sono più o meno gli stessi OR1~OR2~OR3~ORk~ OR* Una stima di OR*m sarà una utiule misura della associazione tra esposizione ed effetto nella intera popolazione Se invece i valori di OR differiscono sostanzialmente tra gli strati parleremo di modificazione di effetto (in epidemiologia) o di interazione (in statistica) non sarà possibile stimare un valore riassuntivo per tutta la popolazione perchè l effetto cambia nei doversi strati! La stratificazione può essere usata per: controllare per i fattori di confondimento descrivere l interazione (modificatori di effetto)
26 Confondimento ed interazione Confondimento E una distorsione sistematica della associazione esposizioneeffetto dovuta ad una terza variabile X, il fattore di confondimento Può talvolta essere controllato con una analisi appropriata (analisi stratificata) con un disegno apposito (matching) E un bias e quindi va EVITATO! Modificazione di effetto (interazione) E la variazione della associazione esposizione-effetto per livelli di una terza variabile, X, il modificatore di effetto E una proprietà intrinseca del fenomeno esposizione-effetto e non c è disegno che la possa evitare se c è E un fenomeno interessante, e quindi va DESCRITTO!
27 Una strategia per l analisi di tabelle 2x2 stratificate (1) Determinare i potenziali fattori di confondimento o le variabili categoriche per le quali il campione è stato stratificato sulla base delle conoscenze mediche ed epidemiologiche Dare un occhiata agli ^ORi per avere una idea della situazione se si ha un piccolo numero di strati con numerosi soggetti ciascuno, Svolgere il test di non associazione di Mantel-Haenszel se non sono evidenti interazioni qualitative (alcuni ^ORi >1 ed altri < 1)
28 Una strategia per l analisi di tabelle 2x2 stratificate (2) Svolgere un test di omogeneità per valutare se si può ritenere comune l OR tra gli strati esempio il test di Woolf per l omogeneità di un piccolo numero di strati numerosi Se non ci sono elementi per rifiutare l assunzione di un OR comune stimarlo con lo stimatore di Mantel-Haenszel, e stimare i relativi intervalli di confidenza Se invece si rifiuta l assunzione di omogeneità degli OR è necessario riportare OR e intervalli di confidenza separati per ogni strato
29 Stima dell OR combinato secondo M-H Lo stimatore di Mantel-Haenszel può essere in pratica considerato una media ponderata degli OR strato-specifici Lo stimatore di Mantel-Haenszel dell OR combinato lavora bene sia per un piccolo numero (K) di strati numerosi che per un grande numero di strati piccoli
30 La regressione logistica Se la variabile che misura l effetto, è binomiale, possiamo estendere i metodi della regressione per prevederla? Se applichiamo la regressione lineare abbiamo un problema il valore previsto può essere inferiore a 0 o maggiore di 1 Ci serve allora un altra funzione, che sia vincolata a non oltrepassare 0 e 1 Ma cosa possiamo prevedere? Non tanto il valore della variabile di effetto, quanto la probabilità che essa assuma uno dei due valori possibili (1-> l effetto verificato)
31 La regressione logistica Potremmo prendere in considerazione una quantità L che sia una funzione lineare del valori assunto dal fattore di rischio considerato: L=b 0 + b 1 x 1 Ed operare su di essa una trasformazione che produca una quantità obbligata a non assumere valori esterni all intervallo 0-1 un trasformazione logistica: y Pr( effetto L) 1 1 e L
32 Infatti, se L=0, avremo: La regressione logistica 1 1 y Pr( effetto L) 0 1 e 1 1 Se L va ad, avremo: y Pr( effetto L) 1 1 e 1 E se L va a -, avremo: e L y Pr( effetto L) 1 1 e 1 1 0
33 La regressione logistica E con alcuni passaggi, arriviamo facilamente a: y 1 1 Pr( effetto L) y Pr( effetto L) L ( b0 b1x1 ) 1 e 1 e ( 1 y) ( b b x1) y e 0 1 p/(1-p)=odds! y log (1 y) b b x Pr( eff log (1 Pr( eff L) L)) b b x 0 1 1
34 La regressione logistica La regressione logistica si utilizza per costruire un modello della probabilità che si verifichi una certo risultato binario in funzione di una serie di variabili che si ritiene siano collegate al fenomeno (covariate) Regressione logistica semplice: Regressione logistica multipla: p x p x exp( b0 b1x) 1 exp( b b x) exp( b0 b1x1 b2x2... bqxq ) 1 exp( b b x b x... b x q q )
35 I parametri nella regressione logistica Calcolo La stima avviene attraverso un procedimento matematico ricorsivo (maximum likelihood), non può essere fatto a mano Significato I coefficenti b corrispondono al logaritmo degli Odds Ratio che confrontano i soggetti esposti con i non esposti (o l esposizione baseline ) e dunque: OR = exp(b)
36 Odds Ratio: problemi Gli OR sono difficili da comprendere direttamente e sono solitamente interpretati come equivalenti del Rischio Relativo Tuttavia, va ricordato che gli OR non approssimano bene il RR quando il rischio iniziale (la prevalenza o l incidenza del fenomeno di interesse) è alto sovrastimano la dimensione del rischio, sia in senso negativo che protettivo Davies HTO, Crombie IK, Tavakoli M, When can odds ratios mislead?, BMJ, 316: , 1998 Le uniche situazione sicure in cui utilizzare gli OR sono gli studi caso-controllo e le regressioni logistiche, situazioni in cui essi consentono le migliori stime possibili del Rischio Relativo Deeks J, Letters to the Editor, BMJ, 317: 1155, 1998
37 Vantaggi della regressione logistica Si può operare un aggiustamento per più fattori di confondimento contemporaneamente Si possono considerare sia covariate qualitative che quantitative Si possono testare direttamente le interazioni (modificatori di effetto) Si possono valutare i possibili fattori di confondimento Si ottengono stime puntuali ed intervalli di confidenza degli OR Matematicamente conveniente se si ha un software adatto
38 Svantaggi della regressione logistica E astratta e matematica Può creare una barriera tra il ricercatore ed i dati ci si potrebbe trovare a migliore agio valutando i risultati di un metodo classico (es. Mantel-Haenszel) Fa assunzioni implicite, delle quali può esser difficile verificare l applicabilità Molti modelli potrebbero fittare bene, e non è facile scegliere Possibilità di troppa fiducia nei risultati Ho fatto una analisi estensiva sul computer: allora le mie conclusioni sono corrette
39 Un esempio di regressione logistica. logistic lowbwt gestwks mothsmok Logit Estimates Number of obs = 680 chi2(2) = Prob > chi2 = Log Likelihood = Pseudo R2 = lowbwt Odds Ratio Std. Err. z P> z [95% Conf. Interval] gestwks mothsmok logit Logit Estimates Number of obs = 680 chi2(2) = Prob > chi2 = Log Likelihood = Pseudo R2 = lowbwt Coef. Std. Err. z P> z [95% Conf. Interval] gestwks mothsmok _cons
40 Rappresentazione grafica del modello 1 probsmo2 probnsm Gestational age (weeks)
41 Regressione lineare e logistica: alcuni suggerimenti Non sempre conviene utilizzare una variabile numerica come tale se il suo comportamento non è lineare, spezzarla in classi (ed analizzarla come più variabili dummy ) aiuta ad avere risultati più attendibili Come decidere le classi? Valori rilevanti di letteratura Classi di eguale ampiezza Gruppi di eguale numerosità quartili, quintili
42 Regressione lineare e logistica: scelta del modello Valutare modelli di regressione è una operazione complicata Può essere necessario considerare molte covariate e le interazioni tra loro ricordate, per avere risultati attendibili bisogna avere almeno 10 osservazioni per ogni variabile considerata nel modello (ogni interazione è una nuova variabile ) E talvolta necessario considerare trasformazioni dei dati, relazioni non lineari Bisogna partire da strutture semplici e poi complicare via via facendosi guidare dalle conoscenze sull argomento, dal buon senso e dai risultati dei test formali
43 Regressione lineare e logistica: scelta del modello Il primo passo utile è fare uno screening attraverso una analisi univariata modelli che considerano 1 sola covariata Hosmer e Lemeshow consigliano di prendere in considerazione le variabili che in questa fase hanno un coefficiente con un p<0.25 E poi costruire un modello multivariato che includono tutte le variabili considerate rilevanto nella IPOTESI formulata e le variabili che hanno superato lo screening univariato Quando ci sembra di essere vicini ad un modello finale cominciamo a testare le interazioni, le trasformate, i termini quadratici, ecc.
44 Regressione lineare e logistica: scelta del modello NON esiste UN SOLO modello finale! Si può arrivare a più soluzioni logiche, plausibili e supportate dai dati Bisgna usare attenzione, logica, buon senso e plausibilità biologica nel costruire un modello ma bisogna anche saper essere creativi la scelta dei modelli è altrettanto arte quanto scienza La significatività statistica non è l unica ragione per la quale vale la pena di mantenere una variabile nei modelli definitivi le variabili essenziali (l esposizione principale, i confondenti noti, ecc.) vanno mantunuti nel modello comunque!
45 Esempi di confondimento Da: Raj Bhopal, Concepts of epidemiology, Oxford University Press, 2002
46 Misclassificazione Assegnazione dei soggetti in studio alla categoria sbagliata di una variabile categorica Misclassificazione non differenziale Non dipende da altre variabili in esame Misclassificazione differenziale È influenzata da altre variabili in esame
47 Effetto senza misclassificazione dell esposizione Effetto senza misclassificazione ESPOSTI NON ESPOSTI
48 Effetto con misclassificazione dell esposizione Effetto con misclassificazione Effetto senza misclassificazione ESPOSTI NON ESPOSTI
49 Misclassificazione non differenziale dell esposizione Dati corretti Esposti Non esposti Casi Controlli OR = 3,00 Sensibilità = 0,6 Specificità = 1,0 Esposti Non esposti Casi Controlli OR = 2,35
50 Misclassificazione non differenziale dell esposizione Sensibilità = 0,8 Specificità = 0,8 Esposti Non esposti Casi Controlli OR = 1,89 Sensibilità = 0,4 Specificità = 0,6 Esposti Non esposti Casi Controlli OR = 1,00
51 Misclassificazione non differenziale dell effetto Imperfetta specificità Falsi positivi Differenza tra rischi (o tassi) inalterata Rapporto tra rischi (o tassi) sottostimato Imperfetta sensibilità Falsi negativi Differenza tra rischi (o tassi) sottostimata Rapporto tra rischi (o tassi) inalterato
52 Matching Selezione di un gruppo di confronto che ha una identica o simile distribuzione per una o più covariate L appaiamento è molto comune negli studi caso-controllo, poiché negli studi di coorte è molto costoso Le conseguenze sono però diverse tra studi di coorte e caso-controllo
53 Popolazione ipotetica N Rischio N. casi Esposti Uomini 90,000 5% 4,500 Donne 10,000 1% 100 N Rischio N. casi Non esposti Uomini 10, % 50 Donne 90, % 90 RR grezzo=4600/140=32.9
54 Studio di coorte appaiato (10% degli esposti) N Rischio N. casi Esposti Uomini 9,000 5% 450 Donne 1,000 1% 10 N Rischio N. casi Non esposti Uomini 9, % 45 Donne 1, % 1 RR grezzo=460/46=10.0
55 Studio caso-controllo appaiato (tutti i casi, 1 controllo per caso) Casi 4,550 maschi 4500 esposti 50 non esposti 190 femmine 100 esposti 90 non esposti 4740 totale 4600 esposti 140 non esposti Controlli 4,550 maschi 4095 esposti 455 non esposti 190 femmine 19 esposti 171 non esposti 4740 totale 4114 esposti 626 non esposti
56 Studio caso-controllo appaiato (tutti i casi, 1 controllo per caso) Esposti Non esposti Casi Controlli ORgrezzo=(4600*626)/(140*4114)=5.0
57 Studio caso-controllo appaiato (tutti i casi, 1 controllo per caso) Uomini Donne Esposti Non esposti Esposti Non esposti Casi Casi Controlli Controlli OR=10.0 OR=10.0
58 Evitare i bias
59 Evitare i bias
Introduzione alle relazioni multivariate. Introduzione alle relazioni multivariate
Introduzione alle relazioni multivariate Associazione e causalità Associazione e causalità Nell analisi dei dati notevole importanza è rivestita dalle relazioni causali tra variabili Date due variabili
DettagliIgiene. Dott. Pamela Di Giovanni. Definizione
Igiene Dott. Pamela Di Giovanni Definizione Disciplina medica che ha come obiettivo la tutela e la promozione della salute umana, intendendo per salute umana un completo stato di benessere psichico, fisico
Dettagli1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario:
Esempi di domande risposta multipla (Modulo II) 1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario: 1) ha un numero di elementi pari a 5; 2) ha un numero di elementi
DettagliLA VALIDITÀ DEGLI STUDI E IL CONTROLLO DEL CONFONDIMENTO
LA VALIDITÀ DEGLI STUDI E IL CONTROLLO DEL CONFONDIMENTO Accuratezza degli studi Miettinen, nel 1985, afferma che : la accuratezza di uno studio epidemiologico consiste nel grado di - assenza di errori
DettagliInferenza statistica. Statistica medica 1
Inferenza statistica L inferenza statistica è un insieme di metodi con cui si cerca di trarre una conclusione sulla popolazione sulla base di alcune informazioni ricavate da un campione estratto da quella
DettagliAnalisi di dati di frequenza
Analisi di dati di frequenza Fase di raccolta dei dati Fase di memorizzazione dei dati in un foglio elettronico 0 1 1 1 Frequenze attese uguali Si assuma che dalle risposte al questionario sullo stato
DettagliMisure di Associazione
Misure di Associazione Prof. Tommaso Staniscia Introduzione Esposizione e Malattia Esposizione (E) = variabile esplicativa Qualsiasi agente, ospite, o fattore ambientale che può avere un effetto sulla
DettagliSTATISTICA IX lezione
Anno Accademico 013-014 STATISTICA IX lezione 1 Il problema della verifica di un ipotesi statistica In termini generali, si studia la distribuzione T(X) di un opportuna grandezza X legata ai parametri
DettagliPrincipi generali. Vercelli 9-10 dicembre 2005. G. Bartolozzi - Firenze. Il Pediatra di famiglia e gli esami di laboratorio ASL Vercelli
Il Pediatra di famiglia e gli esami di laboratorio ASL Vercelli Principi generali Carlo Federico Gauss Matematico tedesco 1777-1855 G. Bartolozzi - Firenze Vercelli 9-10 dicembre 2005 Oggi il nostro lavoro
DettagliTest d ipotesi. Statistica e biometria. D. Bertacchi. Test d ipotesi
In molte situazioni una raccolta di dati (=esiti di esperimenti aleatori) viene fatta per prendere delle decisioni sulla base di quei dati. Ad esempio sperimentazioni su un nuovo farmaco per decidere se
DettagliLE SUCCESSIONI 1. COS E UNA SUCCESSIONE
LE SUCCESSIONI 1. COS E UNA SUCCESSIONE La sequenza costituisce un esempio di SUCCESSIONE. Ecco un altro esempio di successione: Una successione è dunque una sequenza infinita di numeri reali (ma potrebbe
DettagliStatistiche campionarie
Statistiche campionarie Sul campione si possono calcolare le statistiche campionarie (come media campionaria, mediana campionaria, varianza campionaria,.) Le statistiche campionarie sono stimatori delle
DettagliVerifica di ipotesi e intervalli di confidenza nella regressione multipla
Verifica di ipotesi e intervalli di confidenza nella regressione multipla Eduardo Rossi 2 2 Università di Pavia (Italy) Maggio 2014 Rossi MRLM Econometria - 2014 1 / 23 Sommario Variabili di controllo
DettagliSiamo così arrivati all aritmetica modulare, ma anche a individuare alcuni aspetti di come funziona l aritmetica del calcolatore come vedremo.
DALLE PESATE ALL ARITMETICA FINITA IN BASE 2 Si è trovato, partendo da un problema concreto, che con la base 2, utilizzando alcune potenze della base, operando con solo addizioni, posso ottenere tutti
DettagliA.A. 2014-2015. Obiettivi formativi del CI di Metodologia epidemiologica OBIETTIVO GENERALE
A.A. 2014-2015 Obiettivi formativi del CI di Metodologia epidemiologica OBIETTIVO GENERALE Utilizzare gli strumenti epidemiologici e statistici appropriati per ridurre l'area dell'incertezza nella rilevazione
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 29-Analisi della potenza statistica vers. 1.0 (12 dicembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliMetodologia per l analisi dei dati sperimentali L analisi di studi con variabili di risposta multiple: Regressione multipla
Il metodo della regressione può essere esteso dal caso in cui si considera la variabilità della risposta della y in relazione ad una sola variabile indipendente X ad una situazione più generale in cui
DettagliUniversità del Piemonte Orientale. Corso di laurea in biotecnologia. Corso di Statistica Medica. Intervalli di confidenza
Università del Piemonte Orientale Corso di laurea in biotecnologia Corso di Statistica Medica Intervalli di confidenza Università del Piemonte Orientale Corso di laurea in biotecnologia Corso di Statistica
DettagliLimitazioni cognitive e comportamento del consumatore (Frank, Capitolo 8)
Limitazioni cognitive e comportamento del consumatore (Frank, Capitolo 8) RAZIONALITÀ LIMITATA Secondo Herbert Simon, gli individui non sono in grado di comportarsi come i soggetti perfettamente razionali
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Test delle ipotesi sulla varianza In un azienda che produce componenti meccaniche, è stato
DettagliCapitolo 12 La regressione lineare semplice
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 12 La regressione lineare semplice Insegnamento: Statistica Corso di Laurea Triennale in Economia Facoltà di Economia, Università di Ferrara
DettagliMetodi statistici per l economia (Prof. Capitanio) Slide n. 9. Materiale di supporto per le lezioni. Non sostituisce il libro di testo
Metodi statistici per l economia (Prof. Capitanio) Slide n. 9 Materiale di supporto per le lezioni. Non sostituisce il libro di testo 1 TEST D IPOTESI Partiamo da un esempio presente sul libro di testo.
DettagliLineamenti di econometria 2
Lineamenti di econometria 2 Camilla Mastromarco Università di Lecce Master II Livello "Analisi dei Mercati e Sviluppo Locale" (PIT 9.4) La Regressione Multipla La Regressione Multipla La regressione multipla
DettagliTrials clinici. Disegni di studio
Trials Clinici Dott.ssa Pamela Di Giovanni Studi descrittivi Disegni di studio Popolazioni Individui Studi analitici Osservazionali Sperimentali Studi di correlazione o ecologici Case report - Case series
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 12-Il t-test per campioni appaiati vers. 1.2 (7 novembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliEsercitazione #5 di Statistica. Test ed Intervalli di Confidenza (per una popolazione)
Esercitazione #5 di Statistica Test ed Intervalli di Confidenza (per una popolazione) Dicembre 00 1 Esercizi 1.1 Test su media (con varianza nota) Esercizio n. 1 Il calore (in calorie per grammo) emesso
DettagliUniversità di Firenze - Corso di laurea in Statistica Seconda prova intermedia di Statistica. 18 dicembre 2008
Università di Firenze - Corso di laurea in Statistica Seconda prova intermedia di Statistica 18 dicembre 008 Esame sull intero programma: esercizi da A a D Esame sulla seconda parte del programma: esercizi
DettagliEsercizi test ipotesi. Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010
Esercizi test ipotesi Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Verifica delle ipotesi - Esempio quelli di Striscia la Notizia" effettuano controlli casuali per vedere se le pompe
DettagliLineamenti di econometria 2
Lineamenti di econometria 2 Camilla Mastromarco Università di Lecce Master II Livello "Analisi dei Mercati e Sviluppo Locale" (PIT 9.4) Aspetti Statistici della Regressione Aspetti Statistici della Regressione
DettagliTest statistici di verifica di ipotesi
Test e verifica di ipotesi Test e verifica di ipotesi Il test delle ipotesi consente di verificare se, e quanto, una determinata ipotesi (di carattere biologico, medico, economico,...) è supportata dall
DettagliElementi di Psicometria
Elementi di Psicometria E2-Riepilogo finale vers. 1.2 Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca 2010-2011 G. Rossi (Dip. Psicologia) ElemPsico 2010-2011
DettagliINDICE PREFAZIONE VII
INDICE PREFAZIONE VII CAPITOLO 1. LA STATISTICA E I CONCETTI FONDAMENTALI 1 1.1. Un po di storia 3 1.2. Fenomeno collettivo, popolazione, unità statistica 4 1.3. Caratteri e modalità 6 1.4. Classificazione
DettagliMisure della relazione di occorrenza
Misure della relazione di occorrenza (associazione tra un determinante e l outcome) Misure di effetto (teoriche) Misure di associazione (stime empiriche delle precedenti) EFFETTO: quantità di cambiamento
DettagliCorso di. Dott.ssa Donatella Cocca
Corso di Statistica medica e applicata Dott.ssa Donatella Cocca 1 a Lezione Cos'è la statistica? Come in tutta la ricerca scientifica sperimentale, anche nelle scienze mediche e biologiche è indispensabile
DettagliEffetti sull opinione di pazienti riguardo all utilizzo di un computer in uno studio medico nell assistenza ordinaria
Effetti sull opinione di pazienti riguardo all utilizzo di un computer in uno studio medico nell assistenza ordinaria Christopher N. Sciamanna, Scott P. Novak, Bess H. Marcus. International Journal of
DettagliAnalisi dei Dati 12/13 Esercizi proposti 3 soluzioni
Analisi dei Dati 1/13 Esercizi proposti 3 soluzioni 0.1 Un urna contiene 6 palline rosse e 8 palline nere. Si estraggono simultaneamente due palline. Qual è la probabilità di estrarle entrambe rosse? (6
DettagliGli studi caso. controlli. Obiettivi. Stime del rischio. Ne deriva la Tabella 2x2
Gli studi caso controllo Obiettivi Negli ultimi decenni questo modello di indagine è stato applicato soprattutto per lo studio delle malattie cronicodegenerative (le più frequenti cause di morte in tutti
DettagliGli studi epidemiologici
Gli studi epidemiologici STUDI OSSERVAZIONALI descrittivi STUDI OSSERVAZIONALI analitici: Ecologici Trasversali Caso-controllo Di coorte STUDI SPERIMENTALI : Trial controllati randomizzati Trial sul campo
DettagliRegressione Logistica: un Modello per Variabili Risposta Categoriali
: un Modello per Variabili Risposta Categoriali Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 1 / 54 Introduzione Premessa I modelli di regressione
DettagliUniversità del Piemonte Orientale. Corsi di Laurea Triennale. Corso di Statistica e Biometria. Elementi di Epidemiologia
Università del Piemonte Orientale Corsi di Laurea Triennale Corso di Statistica e Biometria Elementi di Epidemiologia Corsi di Laurea Triennale Corso di Statistica e Biometria: Elementi di epidemiologia
Dettagli22.03.07 In alcuni casi è possibile applicare sia l analisi log lineare che la regressione logistica. Analisi log lineare e regressione logistica:
.03.07 In alcuni casi è possibile applicare sia l analisi log lineare che la regressione logistica. Analisi log lineare e regressione logistica: differenze Nella regressione logistica le variabili vengono
DettagliStatistica inferenziale
Statistica inferenziale Popolazione e campione Molto spesso siamo interessati a trarre delle conclusioni su persone che hanno determinate caratteristiche (pazienti, atleti, bambini, gestanti, ) Osserveremo
DettagliProbabilità condizionata: p(a/b) che avvenga A, una volta accaduto B. Evento prodotto: Evento in cui si verifica sia A che B ; p(a&b) = p(a) x p(b/a)
Probabilità condizionata: p(a/b) che avvenga A, una volta accaduto B Eventi indipendenti: un evento non influenza l altro Eventi disgiunti: il verificarsi di un evento esclude l altro Evento prodotto:
DettagliANALISI DEI DATI EPIDEMIOLOGICI
ANALISI DEI DATI EPIDEMIOLOGICI Cenni di statistica Che cosa è la statistica Statistica descrittiva e statistica inferenziale Test statistici di ipotesi Intervalli di confidenza Analisi stratificata TEST
DettagliUniversità del Piemonte Orientale. Corsi di Laurea Triennale di area tecnica. Corso di Statistica Medica
Università del Piemonte Orientale Corsi di Laurea Triennale di area tecnica Corso di Statistica Medica Campionamento e distribuzione campionaria della media Corsi di laurea triennale di area tecnica -
Dettaglicome nasce una ricerca
PSICOLOGIA SOCIALE lez. 2 RICERCA SCIENTIFICA O SENSO COMUNE? Paola Magnano paola.magnano@unikore.it ricevimento: martedì ore 10-11 c/o Studio 16, piano -1 PSICOLOGIA SOCIALE COME SCIENZA EMPIRICA le sue
DettagliEpidemiologia generale
Epidemiologia Da un punto di vista etimologico, epidemiologia è una parola di origine greca, che letteralmente significa «discorso riguardo alla popolazione» Epidemiologia generale Disciplina che ha come
DettagliPROGETTO INDAGINE DI OPINIONE SUL PROCESSO DI FUSIONE DEI COMUNI NEL PRIMIERO
PROGETTO INDAGINE DI OPINIONE SUL PROCESSO DI FUSIONE DEI COMUNI NEL PRIMIERO L indagine si è svolta nel periodo dal 26 agosto al 16 settembre 2014 con l obiettivo di conoscere l opinione dei residenti
DettagliSlide Cerbara parte1 5. Le distribuzioni teoriche
Slide Cerbara parte1 5 Le distribuzioni teoriche I fenomeni biologici, demografici, sociali ed economici, che sono il principale oggetto della statistica, non sono retti da leggi matematiche. Però dalle
DettagliRelazioni tra variabili
Università degli Studi di Padova Facoltà di Medicina e Chirurgia Corso di Laurea in Medicina e Chirurgia - A.A. 009-10 Scuole di specializzazione in: Medicina Legale, Medicina del Lavoro, Igiene e Medicina
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 10-Il test t per un campione e la stima intervallare (vers. 1.1, 25 ottobre 2015) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia,
DettagliRelazioni statistiche: regressione e correlazione
Relazioni statistiche: regressione e correlazione È detto studio della connessione lo studio si occupa della ricerca di relazioni fra due variabili statistiche o fra una mutabile e una variabile statistica
DettagliDatabase. Si ringrazia Marco Bertini per le slides
Database Si ringrazia Marco Bertini per le slides Obiettivo Concetti base dati e informazioni cos è un database terminologia Modelli organizzativi flat file database relazionali Principi e linee guida
DettagliIl confronto fra proporzioni
L. Boni Il rapporto Un rapporto (ratio), attribuendo un ampio significato al termine, è il risultato della divisione di una certa quantità a per un altra quantità b Il rapporto Spesso, in maniera più specifica,
DettagliFACOLTÀ DI ECONOMIA Soluzione della Prova di autovalutazione 2012 (primi 6 CFU) ANALISI STATISTICA PER L IMPRESA
FACOLTÀ DI ECONOMIA Soluzione della Prova di autovalutazione 2012 (primi 6 CFU) ANALISI STATISTICA PER L IMPRESA NB Come potete vedere facendo la somma dei punteggi il numero di quesiti è superiore a quello
DettagliOGGETTO: Ricoveri ospedalieri per patologie respiratorie nel quartiere S. Polo nel periodo 2004-2008
OGGETTO: Ricoveri ospedalieri per patologie respiratorie nel quartiere S. Polo nel periodo 2004-2008 Introduzione A seguito dei risultati ottenuti con lo studio di mortalità nel quartiere S. Polo del comune
DettagliRegressione Mario Guarracino Data Mining a.a. 2010/2011
Regressione Esempio Un azienda manifatturiera vuole analizzare il legame che intercorre tra il volume produttivo X per uno dei propri stabilimenti e il corrispondente costo mensile Y di produzione. Volume
DettagliSPC e distribuzione normale con Access
SPC e distribuzione normale con Access In questo articolo esamineremo una applicazione Access per il calcolo e la rappresentazione grafica della distribuzione normale, collegata con tabelle di Clienti,
DettagliESERCITAZIONE 13 : STATISTICA DESCRITTIVA E ANALISI DI REGRESSIONE
ESERCITAZIONE 13 : STATISTICA DESCRITTIVA E ANALISI DI REGRESSIONE e-mail: tommei@dm.unipi.it web: www.dm.unipi.it/ tommei Ricevimento: su appuntamento Dipartimento di Matematica, piano terra, studio 114
DettagliOSSERVAZIONI TEORICHE Lezione n. 4
OSSERVAZIONI TEORICHE Lezione n. 4 Finalità: Sistematizzare concetti e definizioni. Verificare l apprendimento. Metodo: Lettura delle OSSERVAZIONI e risoluzione della scheda di verifica delle conoscenze
DettagliStatistica inferenziale, Varese, 18 novembre 2009 Prima parte - Modalità C
Statistica inferenziale, Varese, 18 novembre 2009 Prima parte - Modalità C Cognome Nome: Part time: Numero di matricola: Diurno: ISTRUZIONI: Il punteggio relativo alla prima parte dell esame viene calcolato
Dettaglilezione 18 AA 2015-2016 Paolo Brunori
AA 2015-2016 Paolo Brunori Previsioni - spesso come economisti siamo interessati a prevedere quale sarà il valore di una certa variabile nel futuro - quando osserviamo una variabile nel tempo possiamo
DettagliE naturale chiedersi alcune cose sulla media campionaria x n
Supponiamo che un fabbricante stia introducendo un nuovo tipo di batteria per un automobile elettrica. La durata osservata x i delle i-esima batteria è la realizzazione (valore assunto) di una variabile
DettagliCapitolo 13: L offerta dell impresa e il surplus del produttore
Capitolo 13: L offerta dell impresa e il surplus del produttore 13.1: Introduzione L analisi dei due capitoli precedenti ha fornito tutti i concetti necessari per affrontare l argomento di questo capitolo:
DettagliClassificazione degli studi epidemiologici
Classificazione degli studi epidemiologici STUDI DESCRITTIVI - DI CORRELAZIONE O ECOLOGICI - CASE REPORT/SERIES - DI PREVALENZA O TRASVERSALI STUDI ANALITICI O OSSERVAZIONALI - A COORTE - CASO-CONTROLLO
DettagliLa manutenzione come elemento di garanzia della sicurezza di macchine e impianti
La manutenzione come elemento di garanzia della sicurezza di macchine e impianti Alessandro Mazzeranghi, Rossano Rossetti MECQ S.r.l. Quanto è importante la manutenzione negli ambienti di lavoro? E cosa
DettagliSinossi dei disegni di studio
Sinossi dei disegni di studio di intervento osservazionali serie di casi trasversale ecologici individuali quasisperimentali sperimentali (RCT) coorte caso-controllo Studi caso-controllo Il punto di partenza
DettagliCAPITOLO 8 LA VERIFICA D IPOTESI. I FONDAMENTI
VERO FALSO CAPITOLO 8 LA VERIFICA D IPOTESI. I FONDAMENTI 1. V F Un ipotesi statistica è un assunzione sulle caratteristiche di una o più variabili in una o più popolazioni 2. V F L ipotesi nulla unita
DettagliCORSO DI STATISTICA La Misurazione, Scale di Misura, Errori di Misura
CORSO DI STATISTICA La Misurazione, Scale di Misura, Errori di Misura Bruno Mario Cesana Bruno M. Cesana 1 MISURAZIONE La figura 1.1 è tratta da: Bossi A. et al.: Introduzione alla Statistica Medica A
DettagliPROBABILITA CONDIZIONALE
Riferendoci al lancio di un dado, indichiamo con A l evento esce un punteggio inferiore a 4 A ={1, 2, 3} B l evento esce un punteggio dispari B = {1, 3, 5} Non avendo motivo per ritenere il dado truccato,
DettagliSeconda Parte Specifica di scuola - Statistica sanitaria e Biometria - 31/07/2015
Domande relative alla specializzazione in: Statistica sanitaria e Biometria Domanda #1 (codice domanda: n.641) : In epidemiologia, una variabile di confondimento è una variabile: A: associata sia alla
DettagliINDAGINE SULLA PERCEZIONE DELLA SODDISFAZIONE DEI CLIENTI GECA. Rapporto di sintesi.
INDAGINE SULLA PERCEZIONE DELLA SODDISFAZIONE DEI CLIENTI GECA. Rapporto di sintesi. I N D U S T R I E G R A F I C H E 1 Geca Spa Industrie Grafiche Via Magellano 11, 20090 Cesano Boscone (MI) Tel. +39
DettagliStrategie alternative ai metodi sperimentali
Strategie alternative ai metodi sperimentali 1. 2. I quasi-esperimenti (non sperimentali) prevedono la descrizione del fenomeno in esame. Il metodo descrive le variabili in esame, non prevede alcuna manipolazione
Dettagliu 1 u k che rappresenta formalmente la somma degli infiniti numeri (14.1), ordinati al crescere del loro indice. I numeri u k
Capitolo 4 Serie numeriche 4. Serie convergenti, divergenti, indeterminate Data una successione di numeri reali si chiama serie ad essa relativa il simbolo u +... + u +... u, u 2,..., u,..., (4.) oppure
DettagliIgiene nelle Scienze motorie
Igiene nelle Scienze motorie Epidemiologia generale Epidemiologia Da un punto di vista etimologico, epidemiologia è una parola di origine greca, che letteralmente significa «discorso riguardo alla popolazione»
DettagliIL MARKETING E QUELLA FUNZIONE D IMPRESA CHE:
IL MARKETING E QUELLA FUNZIONE D IMPRESA CHE:! definisce i bisogni e i desideri insoddisfatti! ne definisce l ampiezza! determina quali mercati obiettivo l impresa può meglio servire! definisce i prodotti
DettagliRegressione logistica. Strumenti quantitativi per la gestione
Regressione logistica Strumenti quantitativi per la gestione Emanuele Taufer file:///c:/users/emanuele.taufer/dropbox/3%20sqg/classes/4a_rlg.html#(1) 1/25 Metodi di classificazione I metodi usati per analizzare
DettagliI ESERCITAZIONE. Gruppo I 100 individui. Trattamento I Nuovo Farmaco. Osservazione degli effetti sul raffreddore. Assegnazione casuale
I ESERCITAZIONE ESERCIZIO 1 Si vuole testare un nuovo farmaco contro il raffreddore. Allo studio partecipano 200 soggetti sani della stessa età e dello stesso sesso e con caratteristiche simili. i) Che
DettagliStatistica e biometria. D. Bertacchi. Variabili aleatorie. V.a. discrete e continue. La densità di una v.a. discreta. Esempi.
Iniziamo con definizione (capiremo fra poco la sua utilità): DEFINIZIONE DI VARIABILE ALEATORIA Una variabile aleatoria (in breve v.a.) X è funzione che ha come dominio Ω e come codominio R. In formule:
DettagliMetodologia epidemiologica
Metodologia epidemiologica Verifica di ipotesi Quale test utilizzare? Statistica medica Alla fine di questa lezione dovreste essere in grado di: riconoscere i principali test utilizzati nel confronto di
DettagliPROCEDURA INVENTARIO DI MAGAZZINO di FINE ESERCIZIO (dalla versione 3.2.0)
PROCEDURA INVENTARIO DI MAGAZZINO di FINE ESERCIZIO (dalla versione 3.2.0) (Da effettuare non prima del 01/01/2011) Le istruzioni si basano su un azienda che ha circa 1000 articoli, che utilizza l ultimo
DettagliLEZIONE n. 5 (a cura di Antonio Di Marco)
LEZIONE n. 5 (a cura di Antonio Di Marco) IL P-VALUE (α) Data un ipotesi nulla (H 0 ), questa la si può accettare o rifiutare in base al valore del p- value. In genere il suo valore è un numero molto piccolo,
DettagliL espressione torna invece sempre vera (quindi la soluzione originale) se cambiamo contemporaneamente il verso: 1 < 0.
EQUAZIONI E DISEQUAZIONI Le uguaglianze fra espressioni numeriche si chiamano equazioni. Cercare le soluzioni dell equazione vuol dire cercare quelle combinazioni delle lettere che vi compaiono che la
Dettagli1. Distribuzioni campionarie
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 3 e 6 giugno 2013 - di Massimo Cristallo - 1. Distribuzioni campionarie
DettagliMetodi statistici per le ricerche di mercato
Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2014-2015 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per
DettagliModulo didattico sulla misura di grandezze fisiche: la lunghezza
Modulo didattico sulla misura di grandezze fisiche: la lunghezza Lezione 1: Cosa significa confrontare due lunghezze? Attività n 1 DOMANDA N 1 : Nel vostro gruppo qual è la matita più lunga? DOMANDA N
DettagliMetodi Matematici e Informatici per la Biologia----31 Maggio 2010
Metodi Matematici e Informatici per la Biologia----31 Maggio 2010 COMPITO 4 (3 CREDITI) Nome: Cognome: Matricola: ISTRUZIONI Gli esercizi che seguono sono di tre tipi: Domande Vero/Falso: cerchiate V o
DettagliAutomazione Industriale (scheduling+mms) scheduling+mms. adacher@dia.uniroma3.it
Automazione Industriale (scheduling+mms) scheduling+mms adacher@dia.uniroma3.it Introduzione Sistemi e Modelli Lo studio e l analisi di sistemi tramite una rappresentazione astratta o una sua formalizzazione
DettagliESERCITAZIONE 2. TRATTO E MODIFICATO DA: Esercizi di epidemiologia - MORO, DAVOLI, PIRASTU Il pensiero scientifico editore
ESERCITAZIONE 2 TRATTO E MODIFICATO DA: Esercizi di epidemiologia - MORO, DAVOLI, PIRASTU Il pensiero scientifico editore Modalità di lettura della tabella di contingenza 2x2 sull associazione tra l esposizione
Dettagli3. Confronto tra medie di due campioni indipendenti o appaiati
BIOSTATISTICA 3. Confronto tra medie di due campioni indipendenti o appaiati Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk MARTA BLANGIARDO
DettagliScelta del soggetto. Sviluppo del protocollo. Pretest e revisione del protocollo. Effettuazione dello studio. Analisi dei risultati
Ciclo della ricerca Scelta del soggetto Sviluppo del protocollo Pretest e revisione del protocollo Effettuazione dello studio Analisi dei risultati Conclusioni e loro pubblicazione ANATOMIA DELLA RICERCA:
DettagliEsame di Statistica del 17 luglio 2006 (Corso di Laurea Triennale in Biotecnologie, Università degli Studi di Padova).
Esame di Statistica del 17 luglio 2006 (Corso di Laurea Triennale in Biotecnologie, Università degli Studi di Padova). Cognome Nome Matricola Es. 1 Es. 2 Es. 3 Es. 4 Somma Voto finale Attenzione: si consegnano
DettagliQUANTIZZAZIONE diverse fasi del processo di conversione da analogico a digitale quantizzazione
QUANTIZZAZIONE Di seguito lo schema che illustra le diverse fasi del processo di conversione da analogico a digitale. Dopo aver trattato la fase di campionamento, occupiamoci ora della quantizzazione.
DettagliOttimizzazione nella gestione dei progetti Capitolo 4: la gestione dei costi (Programmazione multimodale): formulazioni
Ottimizzazione nella gestione dei progetti Capitolo 4: la gestione dei costi (Programmazione multimodale): formulazioni CARLO MANNINO Università di Roma La Sapienza Dipartimento di Informatica e Sistemistica
DettagliMetodi e Modelli Matematici di Probabilità per la Gestione
Metodi e Modelli Matematici di Probabilità per la Gestione Prova scritta del 30/1/06 Esercizio 1 Una banca ha N correntisti. Indichiamo con N n il numero di correntisti esistenti il giorno n-esimo. Descriviamo
DettagliManca qualcosa: cosa c èc. di sbagliato nell usare l età alla diagnosi/decesso o la latenza nei casi. Farina OJC 15 maggio 2013
Manca qualcosa: cosa c èc di sbagliato nell usare l età alla diagnosi/decesso o la latenza nei casi Consonni, Epidemiol Prev,, 2013 Farina OJC 15 maggio 2013 Introduzione Negli ultimi decenni l epidemiologia
DettagliLa Programmazione Lineare
4 La Programmazione Lineare 4.1 INTERPRETAZIONE GEOMETRICA DI UN PROBLEMA DI PROGRAMMAZIONE LINEARE Esercizio 4.1.1 Fornire una rappresentazione geometrica e risolvere graficamente i seguenti problemi
DettagliEconometria. lezione 17. variabili dipendenti binarie. Econometria. lezione 17. AA 2014-2015 Paolo Brunori
AA 2014-2015 Paolo Brunori domande di mutui rigettate - nei dati raccolti a Boston negli anni 90 il tasso di rifiuto è 28% per i neri e 9% per i bianchi - si può parlare di discriminazione? - è possibili
Dettaglif(x) = 1 x. Il dominio di questa funzione è il sottoinsieme proprio di R dato da
Data una funzione reale f di variabile reale x, definita su un sottoinsieme proprio D f di R (con questo voglio dire che il dominio di f è un sottoinsieme di R che non coincide con tutto R), ci si chiede
DettagliINSERIMENTO DATI BASILARI
PASSO PASSO. Questo applicativo software nasce con l idea di essere molto semplice da usare. Di fatto lo è ed infatti non dispone di un help in linea all interno dello stesso. Tuttavia ci sentiamo in dovere
Dettagli