Valutazione dello stato di qualità degli ecosistemi di alcuni corsi d acqua tributari del Ceresio e del Verbano
|
|
- Valentina Salvatore
- 4 anni fa
- Visualizzazioni
Transcript
1 xx Valutazione dello stato di qualità degli ecosistemi di alcuni corsi d acqua tributari del Ceresio e del Verbano Programma triennale Appendice: esempio del percorso di calcolo A cura di: Riccardo Fornaroli, Riccardo Cabrini, Silvia Zaupa Supervisore scientifico: Valeria Mezzanotte DISAT, Università degli Studi di Milano-Bicocca
2 Esempio applicativo della metodologia di analisi delle relazioni tra pressioni multiple e comunità biologiche Sono numerosi gli studi presenti in letteratura scientifica che pongono in relazione le modificazioni delle comunità macroinvertebrate con differenti variabili ambientali, come ad esempio le condizioni idrauliche, la composizione del substrato, la disponibilità di diverse risorse alimentari e le alterazioni chimiche dell acqua (Walsh et al., 2005, Fornaroli et al., 2015, Hale et al., 2015). L obiettivo del disegno sperimentale adottato è quello di raccogliere quanti più dati possibili in diverse condizioni idromorfologiche e chimiche per studiare come gradienti ambientali possano influenzare la struttura delle comunità biologiche e per comprendere quali siano i fattori limitanti che contribuiscono allo scadere delle qualità. Si è deciso di utilizzare due tecniche statistiche non convenzionali che possano favorire lo studio delle complesse relazioni esistenti tra metriche biologiche e variabili ambientali. Sono state utilizzate la regressione quantile e il metodo Random Forest. Random Forest o foresta casuale La metodologia statistica Random Forest rientra nel gruppo dei classificatori d insieme. Questa tecnica si basa sulla teoria degli alberi di classificazione. Un albero di classificazione è un grafo di decisioni e delle loro possibili conseguenze, utilizzato per creare un 'piano di azioni' mirato ad uno scopo (Fig. 1). Un albero di classificazione è costruito al fine di supportare l'azione decisionale (Breiman 2001). Fig. 1 - Esempio schematico del funzionamento dell algoritmo di Random Forest.
3 Categoriche Sito Continue Come esempio applicativo si ripropone di seguito il processo di ottimizzazione del modello Random Forest per l analisi delle variabili a scala di sito (Tab. 1) e la metrica Log 10(sel_EPTD+1). Tutte le analisi sono state effettuate utilizzando il software R versione (R Core Team, 2015) e i pacchetti randomforest 4.6 (Liaw and Wiener, 2002) e quantreg 5.19 (Koenker, 2015). Tab. 1 Variabili ambientali utilizzate per le analisi a livello di sito. Scala Tipo Codice Descrizione T COND Temperatura ( C) Conducibilità ( S/cm) OD OD % ph COD NH4 ph COD (mg/l) Azoto ammoniacale (mg/l) TN TP UFC HQA Azoto totale (mg/l) Fosforo totale (mg/l) Coliformi totali (UFC/100 ml) Habitat Quality Assessment (Classe) HMS LUI LRD Habitat Modification Score (Classe) Land Use Index (Classe) Lentic Lotic River Descriptor (Classe) La prima operazione è quella di standardizzare tutte le variabili ambientali continue secondo la formula: X =X-X min/x max-x min in modo che tutte le variabili assumano valore minimo 0 e massimo 1. Questo passaggio serve ad evitare che i diversi valori assoluti assunti dalle diverse variabili ambientali influenzino il processo di selezione. La stessa operazione è stata fatta anche per le metriche biologiche in modo da poter confrontare sia il peso delle diverse variabili per spiegare una metrica biologica sia la prevedibilità delle diverse metriche biologiche in funzione delle variabili ambientali disponibili. Il processo di ottimizzazione dei modelli random forest prevede due operazioni essenziali, la scelta del numero di alberi ottimale e la scelta del numero di variabili da considerare in ogni albero. Questo processo di ottimizzazione è necessario al fine di costruire modelli il più possibile semplici e che utilizzino il minor numero di variabili a parità di potere predittivo.
4 Per valutare il numero di alberi ottimale da utilizzare è sufficiente guardare il grafico in Fig. 2 che riporta l andamento dell errore associato alle predizioni fatte dal modello in funzione del numero di alberi. In questo caso si può notare come l errore nella predizione diventa abbastanza stabile per modelli che considerano più di 200 alberi e rimane del tutto invariata per valori superiori a 600. In questo caso il modello ottimizzato sarà costituito da 600 alberi. Fig. 2 Andamento dell errore associato alle predizioni fatte dal modello in funzione del numero di alberi. Il numero di variabili utilizzate in ciascun albero è l altro parametro da ottimizzare. L utilizzo di una variabile aggiuntiva non peggiora mai il potere predittivo di un modello, anche nel caso in cui questa variabile sia assolutamente inutile, la capacità predittiva del modello sarebbe identica a quella del modello che non la considerava. Al fine di avere dei modelli il più possibile semplici ed efficienti bisogna selezionare il numero di variabili massimo da utilizzare in ogni albero attraverso l ottimizzazione del parametro mtry, normalmente i valori ottimali sono vicini alla radice quadrata del numero di variabili. In figura 3 possiamo vedere che, i modelli che utilizzando 4 variabili ambientali per ogni albero hanno nel complesso un potere predittivo maggiore di quelli che ne considerano 2 oppure 8.
5 Fig. 3 Andamento dell errore associato alle predizioni fatte dal modello in funzione del numero di variabili considerate da ogni albero. A questo punto abbiamo definito i parametri di ottimizzazione del modello, 600 alberi e 4 variabili ambientali per ogni albero. La sintassi per la costruzione di questo modello per il pacchetto software randomforest è: R.F.log_eptd <-randomforest(variable, metric$log_eptd, mtry = 4, ntree = 600) dove: variable: matrice contenente tutte le variabili ambientali da utilizzare per l analisi dove sono riportati i diversi campioni sulle righe e le variabili ambientali sulle colonne; metric: matrice contenente tutte le metriche biologiche da utilizzare per l analisi dove sono riportati i diversi campioni sulle righe e le metriche ambientali sulle colonne; log_eptd: colonna della matrice metric contente i valori della metrica di nostro interesse; mtry: numero di variabili da utilizzare per ogni albero; ntree: numero di alberi. Questo processo di ottimizzazione deve essere ripetuto per ogni metrica biologica e ogni gruppo di variabili ambientali.
6 Fig. 4 Risultati dell analisi a livello di sito per la metrica Log 10(sel_EPTD+1) con il metodo Random Forest. La linea rossa indica il 30% del punteggio massimo ottenuto. Una volta ottimizzato il modello come illustrato è possibile determinare quali variabili ambientali influenzino maggiormente la metrica biologica studiata. Questo tipo di output non descrive l effetto delle singole variabili ma definisce solamente il loro grado di importanza nella descrizione della variabile biologica, normalmente vengono considerate significative quelle con un valore di IncNodePurity maggiore del 30% del valore massimo (Breiman Leo 2001). Nel nostro caso, avendo normalizzato sia le variabili ambientali sia le metriche biologiche possiamo utilizzare il 30% del valore massimo ottenuto per tutte le variabili biologiche come soglia utile a ordinare anche il grado di prevedibilità delle diverse variabili biologiche in funzione delle variabili ambientali conosciute. Nel caso in cui nessuna variabile ambientale raggiunga il 30% del valore massimo ottenuto nella descrizione di una metrica biologica quest ultima viene esclusa dalle analisi successive in quanto poco influenzata dalle variabili misurate. In questo caso presentiamo solo i risultati relativi alla selezione delle variabili ambientali per la metrica biologica studiata: il grado di modificazione dell habitat (HMS) sembra avere l effetto più importante, seguito nell ordine dagli altri indici del metodo CARAVAGGIO, dalla disponibilità di ossigeno disciolto e infine dalla disponibilità di nutrienti (Fig. 4). In questo contesto la metodologia
7 Random Forest è stata quindi utilizzata al fine di selezionare le variabili più importanti la cui azione limitante viene successivamente descritta attraverso le analisi di regressione quantile. Regressione Quantile Una delle tecniche statistiche più utilizzate per descrivere l effetto limitante delle singole variabili ambientali sulle comunità biologiche è la regressione quantile. Questo metodo di regressione è stato descritto da Roger Koenker e Gilbert Bassett nel 1978 (Koenker e Bassett, 1978) e applicato per la prima volta in ecologia da Brian Cade nel 1999 (Cade et al., 1999). La regressione quantile è un modo per stimare differenti quantili della variabile risposta in modo da fornire una visione più completa delle possibili relazioni causali fra le variabili nei processi ecologici. Fig. 1 - Esempio schematico di una regressione quantile. Nella Fig. 5 è mostrato un esempio schematico di una regressione quantile (Fornaroli et al., 2015). In questo esempio, la linea di regressione rappresenta quindi l azione limitante della variabile ambientale studiata, e tale azione può essere individuata, se la numerosità dei campioni analizzati è congrua, anche in presenza degli effetti di altre alterazioni. Tale modello può essere applicato anche come modello predittivo. La regressione quantile è stata utilizzata per descrive l eventuale effetto limitante delle variabili ambientali continue a 3 diversi percentili (85, 90 e 95). La sintassi per la costruzione di questi modelli per il pacchetto software quantreg è: RQ.logEPTD_OD<-rq(log_eptd ~ OD, tau=c(0.85,0.9,0.95)) RQ.logEPTD_TP<-rq(log_eptd ~ TP, tau=c(0.85,0.9,0.95)) RQ.logEPTD_TN<-rq(log_eptd ~ TN, tau=c(0.85,0.9,0.95))
8 Variabili RQ.logEPTD_NH4<-rq(log_eptd ~ NH4, tau=c(0.85,0.9,0.95)) RQ.logEPTD_COD<-rq(log_eptd ~ COD, tau=c(0.85,0.9,0.95)) Per valutare la significatività della pendenza del modello è stato utilizzato il comando: summary(modello, se= nid ) L output del processo di selezione degli effetti limitanti significativi è riportato in tabella 2. Tab. 2 - Risultati dell analisi di regressione quantile. Per ogni relazione è riportato il livello di significatività delle pendenze (n.s. non significativa) per tutti i quantili studiati. Log10(sel_EPTD+1) τ = 0.85 τ = 0.90 τ = 0.95 OD n.s. n.s. n.s. TP n.s. n.s. p<0.01 TN n.s. n.s. n.s. NH 4 n.s. n.s. n.s. COD p<0.001 p<0.001 p<0.01 Sono state considerate significative le relazioni con p-value associato alla pendenza inferiore a 0.01 per almeno due dei tre quantili studiati. In questo caso solo la variabile COD è risultata significativa. Una volta identificate le relazioni significative è possibile utilizzare il modello elaborato per il 90 esimo percentile al fine di fare previsioni. Il modello selezionato è stato sovraimposto al grafico a dispersione tra Log10(sel_EPTD+1) e COD in modo da fornire una rappresentazione grafica della relazione (Fig. 6).
9 Fig. 6 - Grafici a dispersione tra la domanda chimica di ossigeno (COD) e Log10(sel_EPTD+1). È sovrapposto il modello di regressione quantile al 90-esimo percentile. Bibliografia: Breiman, L. (2001). Random Forest. Machine Learning 45(1): 5-32 Cade, B.S., J.W. Terrell, and R.L. Schroeder (1999). Estimating effects of limiting factors with regression quantiles. Ecology 80(1): Fornaroli, R., R. Cabrini, L. Sartori, F. Marazzi, D. Vracevic, V. Mezzanotte, M. Annala, S. Canobbio (2015). Predicting the constraint effect of environmental characteristics on macroinvertebrate density and diversity using quantile regression mixed model. Hydrobiologia 742: Liaw, A and Wiener, M (2002). Classification and Regression by randomforest. R News 2(3), Koenker, R. and Bassett, G. (1978). Regression quantiles. Econometrica 46: Koenker, R. (2015). quantreg: Quantile Regression. R package version R Core Team (2015). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL
Classificazione relativa allo stato di qualità ambientale e idoneità alla vita dei pesci
Classificazione relativa allo stato di qualità ambientale e idoneità alla vita dei pesci Dott.. Ferdinando De Rosa, Presidente Ordine Regionale dei Chimici delle Marche Direttore Tecnico Scientifico ARPAM
DettagliRelazioni tra qualità dell habitat e indici di qualità biologica: effetti sulla classificazione di qualità
Relazioni tra qualità dell habitat e indici di qualità biologica: effetti sulla classificazione di qualità Giuseppe Morabito, Marzia Ciampittiello, Martina Austoni, Angela Boggero, Aldo Marchetto, Paolo
DettagliStima dei parametri di modelli lineari
Stima dei parametri di modelli lineari Indice Introduzione................................ 1 Il caso studio................................ 2 Stima dei parametri............................ 3 Bontà delle
DettagliRecenti sviluppi nella classificazione ecologica dei laghi tramite i macroinvertebrati
Recenti sviluppi nella classificazione ecologica dei laghi tramite i macroinvertebrati Boggero Angela CNR ISE a.boggero@ise.cnr.it http://www.ise.cnr.it/ AQUAE VENEZIA 2015 Research as a tool for freshwater
DettagliLe analisi chimiche dell acqua del fiume Padrongianus Scienze Integrate Chimica
Le analisi chimiche dell acqua del fiume Padrongianus Scienze Integrate Chimica Nell ambito del Progetto relativo all esame dell ecosistema costituito dal Parco Fluviale del Padrongianus sono stati coinvolti
DettagliLIFE08 ENV/IT/ INHABIT. Lettura dell informazione di Habitat nella valutazione della risposta biologica alle alterazioni ambientali
Lettura dell informazione di Habitat nella valutazione della risposta biologica alle alterazioni ambientali CNR IRSA, RAS, ARPA Piemonte A. Buffagni, S. Erba, R. Balestrini, M. Cazzola, E. Recchia, C.
DettagliScale di Misurazione Lezione 2
Last updated April 26, 2016 Scale di Misurazione Lezione 2 G. Bacaro Statistica CdL in Scienze e Tecnologie per l'ambiente e la Natura II anno, II semestre Tipi di Variabili 1 Scale di Misurazione 1. Variabile
DettagliFacendo riferimento alle riunioni intercorse, Vi trasmettiamo la proposta tecnicoeconomica relativa alle attività in oggetto.
Prot. n 30/2012 Milano 20/6/2012 Spett.le Consorzio Parco Nord Milano Via Clerici, 150 Sesto San Giovanni Egr Dott. Riccardo Gini Egr. Arch. Davide Papa OGGETTO: Offerta per la fornitura e installazione
Dettagli1. L efficienza tecnica e allocativa: concetti base
Manuale del sistema di valutazione della performance degli ospedali lombardi ISBN 978-88-548-5343-0 DOI 10.4399/97888548534308 pag. 63 67 (novembre 2012) Efficienza PAOLO BERTA, GIANMARIA MARTINI, GIORGIO
DettagliI Componenti del processo decisionale 7
Indice Introduzione 1 I Componenti del processo decisionale 7 1 Business intelligence 9 1.1 Decisioni efficaci e tempestive........ 9 1.2 Dati, informazioni e conoscenza....... 12 1.3 Ruolo dei modelli
DettagliTorrente Tavollo 117
117 Torrente Tavollo Torrente Tavollo TIl monitoraggio del torrente Tavollo, nell arco del 2003, porta alla definizione di uno Stato Ecologico del Corso d Acqua (SECA) di classe 4 nella stazione Tavollo
DettagliBagging e Foreste Casuali con R
Bagging e Foreste Casuali con R Emanuele Taufer file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l8-bagging-fc.html#(10) 1/10 Bagging e Foreste casuali con R Utilizziamo ancora una
DettagliElemento di Qualità Biologica: Fitoplancton
Roma - 22 Maggio 2018 CRITERI TECNICI PER LA CLASSIFICAZIONE DELLO STATO ECOLOGICO DEI CORPI IDRICI DELLE ACQUE MARINO COSTIERE Elemento di Qualità Biologica: Fitoplancton (a cura di F. Giovanardi franco.giovanardi@gmail.com)
DettagliACQUE E AMBIENTE MARINO COSTIERO 2016
ACQUE E AMBIENTE MARINO COSTIERO 2016 Qualità dei corpi idrici superficiali e ambiente marino costiero - Livello di Inquinamento da Macrodescrittori per lo stato ecologico (LIMeco) Nome indicatore DPSIR
DettagliBLAND-ALTMAN PLOT. + X 2i 2 la differenza ( d ) tra le due misure per ognuno degli n campioni; d i. X i. = X 1i. X 2i
BLAND-ALTMAN PLOT Il metodo di J. M. Bland e D. G. Altman è finalizzato alla verifica se due tecniche di misura sono comparabili. Resta da comprendere cosa si intenda con il termine metodi comparabili
DettagliStatistica multivariata 27/09/2016. D.Rodi, 2016
Statistica multivariata 27/09/2016 Metodi Statistici Statistica Descrittiva Studio di uno o più fenomeni osservati sull INTERA popolazione di interesse (rilevazione esaustiva) Descrizione delle caratteristiche
DettagliQuantificare la variabilità dei processi ecologici
Scopo ecologia Quantificare la variabilità dei processi ecologici Comprensione dei meccanismi fondamentale per identificare gli effetti del disturbo antropico e per prevenire alterazioni su scala globale
DettagliL A B C di R. Stefano Leonardi c Dipartimento di Scienze Ambientali Università di Parma Parma, 9 febbraio 2010
L A B C di R 0 20 40 60 80 100 2 3 4 5 6 7 8 Stefano Leonardi c Dipartimento di Scienze Ambientali Università di Parma Parma, 9 febbraio 2010 La scelta del test statistico giusto La scelta della analisi
DettagliLABORATORIO DI FISICA I
UNIVERSITA DEGLI STUDI DI PALERMO CORSO DI LAUREA IN SCIENZE FISICHE A.A. 2018/2019 13 Dicembre 2018 LABORATORIO DI FISICA I RELAZIONE TERZA ESPERIENZA DI LABORATORIO GRUPPO 1 Nigrelli Giulia Valenti Giuseppe
DettagliCATALOGO CORSI AVANZATI MINITAB
CATALOGO CORSI AVANZATI MINITAB Corsi di formazione avanzati per professionisti che lavorano nel settore della qualità e del miglioramento dei processi. Advanced Reliability Modellazione Statistica Advanced
DettagliACQUE E AMBIENTE MARINO COSTIERO 2017
ACQUE E AMBIENTE MARINO COSTIERO 2017 Qualità dei corpi idrici superficiali e ambiente marino costiero - Livello di Inquinamento da Macrodescrittori per lo stato ecologico (LIMeco) Nome indicatore DPSIR
DettagliPiano di Tutela delle Acque aprile Primo Forum di partecipazione pubblica
Piano di Tutela delle Acque 2016 8 aprile 2016 - Primo Forum di partecipazione pubblica Daniela Gerbaz, Sara Isabel, Silvia Piovano, Valeria Roatta, Luciana Vicquéry Ruolo centrale delle comunità biologiche
Dettaglisperimentale L analisi di sensitività, infine, ci consente di dire che:
300 240 180 Livello d'attenzione 120 60 0 sperimentale simulato L analisi di sensitività, infine, ci consente di dire che: i fattori che più contribuiscono alla determinazione dei risultati della rete
DettagliQuanti soggetti devono essere selezionati?
Quanti soggetti devono essere selezionati? Determinare una appropriata numerosità campionaria già in fase di disegno dello studio molto importante è molto Studi basati su campioni troppo piccoli non hanno
DettagliStatistica Applicata all edilizia: il modello di regressione
Statistica Applicata all edilizia: il modello di regressione E-mail: orietta.nicolis@unibg.it 27 aprile 2009 Indice Il modello di Regressione Lineare 1 Il modello di Regressione Lineare Analisi di regressione
DettagliIL MONITORAGGIO DELLE ACQUE METADATI
IL MONITORAGGIO DELLE ACQUE METADATI Introduzione... 2 Area Tematica: Acqua superficiale Corsi d acqua... 3 Diatomee... 3 LIMeco... 4 Macrobenthos... 5 Macrofite... 6 tato Ecologico... 7 Area Tematica:
DettagliInvaso Trinità (TP): prima classificazione dello stato ecologico in base al DM n. 260/2010.
Invaso Trinità (TP): prima classificazione dello stato ecologico in base al DM n. 260/. Il recente Regolamento recante i criteri tecnici per la classificazione dello stato dei corpi idrici superficiali,
DettagliElementi di Probabilità e Statistica
Elementi di Probabilità e Statistica Statistica Descrittiva Rappresentazione dei dati mediante tabelle e grafici Estrapolazione di indici sintetici in grado di fornire informazioni riguardo alla distribuzione
DettagliTecniche di riconoscimento statistico
On AIR s.r.l. Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 9 Alberi di decisione Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com http://www.onairweb.com/corsopr
DettagliPROGETTO REALIZZATO CON IL CONTRIBUTO DI:
PROGETTO REALIZZATO CON IL CONTRIBUTO DI: GIOVIALI! GIOvani idee per la ValorIzzazione degli Ambienti fluviali è un progetto co-finanziato dalla Presidenza del Consiglio dei Ministri - Dipartimento della
DettagliFacoltà di Psicologia Università di Padova Anno Accademico Corso di Psicometria - Modulo B
Facoltà di Psicologia Università di Padova Anno Accademico 2010-2011 Corso di Psicometria - Modulo B Dott. Marco Vicentini marco.vicentini@unipd.it Rev. 27/12/2010 Regressione lineare Modello geometrico
DettagliProva scritta di Complementi di Probabilità e Statistica. 7 Dicembre 2012
Prova scritta di Complementi di Probabilità e Statistica 7 Dicembre. Un ingegnere vuole investigare se le caratteristiche di una superficie metallica sono influenzate dal tipo di pittura usata e dal tempo
DettagliQualità delle Acque Superficiali in Abruzzo Monitoraggio anno 2009
. CLASSIFICAZIONE DELLO ECOLOGICO, AMBIENTALE E DEL LIVELLO DI TROFIA DEI LAGHI Anno solare 2009 264 Come previsto dal D.Lgs 152/99 e s.m.i. per il monitoraggio dei corpi lacustri, nel periodo gennaio-dicembre
DettagliStatistica. Capitolo 12. Regressione Lineare Semplice. Cap. 12-1
Statistica Capitolo 1 Regressione Lineare Semplice Cap. 1-1 Obiettivi del Capitolo Dopo aver completato il capitolo, sarete in grado di: Spiegare il significato del coefficiente di correlazione lineare
DettagliPsicometria con Laboratorio di SPSS 1
Psicometria con Laboratorio di SPSS 1 1-Panoramica delle tecniche: Spiegazione intuitiva vers. 1.1 (vers. 1.1, 14 marzo 2018) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università
DettagliDeterminazione delle legge di Michaelis-Menten con Minitab (Belluco Enzo statistico)
Determinazione delle legge di Michaelis-Menten con Minitab (Belluco Enzo statistico). Introduzione La legge di Michaelis-Menten descrive l'andamento della velocità di una reazione catalizzata da enzimi,
DettagliMetodologia Sperimentale Agronomica / Metodi Statistici per la Ricerca Ambientale
DIPARTIMENTO DI SCIENZE AGRARIE E AMBIENTALI PRODUZIONE, TERRITORIO, AGROENERGIA Marco Acutis marco.acutis@unimi.it www.acutis.it a.a. 2018-2019 CdS Scienze della Produzione e Protezione delle Piante (g59)
DettagliSTATISTICA. Regressione-3 L inferenza per il modello lineare semplice
STATISTICA Regressione-3 L inferenza per il modello lineare semplice Regressione lineare: GRAFICO DI DISPERSIONE & & analisi residui A. Valutazione preliminare se una retta possa essere una buona approssimazione
DettagliMachine Learning: apprendimento, generalizzazione e stima dell errore di generalizzazione
Corso di Bioinformatica Machine Learning: apprendimento, generalizzazione e stima dell errore di generalizzazione Giorgio Valentini DI Università degli Studi di Milano 1 Metodi di machine learning I metodi
DettagliConfronto tra due algoritmi di machine learning, Random Forest e Support Vector Machine, applicati al telerilevamento da drone
Confronto tra due algoritmi di machine learning, Random Forest e Support Vector Machine, applicati al telerilevamento da drone AIT - ENEA 11 WORKSHOP TEMATICO Osservazione della Terra: Georisorse, Risorse
DettagliPSICOMETRIA. Corso di laurea triennale (classe 34) VERIFICA DELL IPOTESI CON DUE CAMPIONI
PSICOMETRIA Corso di laurea triennale (classe 34) VERIFICA DELL IPOTESI CON DUE CAMPIONI CAMPIONI INDIPENDENTI Campioni estratti casualmente dalla popolazione con caratteristiche omogenee Assegnazione
Dettagliino6 Estate 2018 Monitoraggio in continuo Fiume ARNO
ino6 Estate 18 Monitoraggio in continuo Fiume ARNO periodo dal al giugno 18 1 Estate 18 Monitoraggio in continuo Fiume ARNO ARPAT - Settore Indirizzo tecnico delle attività con il contributo del SIRA Periodo
DettagliRegressione Lineare Multipla
Regressione Lineare Multipla Fabio Ruini Abstract La regressione ha come scopo principale la previsione: si mira, cioè, alla costruzione di un modello attraverso cui prevedere i valori di una variabile
DettagliI RISULTATI WQI 1) BOD
WQI I RISULTATI I parametri raccolti permettono di calcolare il Il WQI; questo è un indice combinato in un singolo numero che rappresenta il livello di qualità dell acqua, eliminando le valutazioni soggettive
DettagliLABORATORI DI STATISTICA SOCIALE
Università degli Studi di Bergamo Dipartimento di Scienze Umane e Sociali Corso di Laurea in Scienze Psicologiche LABORATORI DI STATISTICA SOCIALE Lezione III Dott.ssa Roberta Adorni Dott.ssa Giulia Fusi
DettagliAnova e regressione. Andrea Onofri Dipartimento di Scienze Agrarie ed Ambientali Universitá degli Studi di Perugia 22 marzo 2011
Anova e regressione Andrea Onofri Dipartimento di Scienze Agrarie ed Ambientali Universitá degli Studi di Perugia 22 marzo 2011 Nella sperimentazione agronomica e biologica in genere è normale organizzare
DettagliAnalisi dei Processi Chimici e. Biotecnologici Anno Accademico
Biotecnologici Anno Accademico 2017 2018 Massimiliano Grosso E-mail: massimiliano.grosso@dimcm.unica.it Telefono: 070 675 5075 Indirizzo web: http://people.unica.it/massimilianogrosso Outline Obiettivi
DettagliQuiz di verifica - Alberi e FC Strumenti Quantitativi per la gestione
Quiz di verifica - Alberi e FC Strumenti Quantitativi per la gestione Le domande 1-6 si riferiscono al seguente problema Un data set contiene i dati sui consumi di diversi tipi di automobili e alcune loro
DettagliRevisione delle zone vulnerabili ai nitrati di origine agricola Acque superficiali
Workshop Stato di avanzamento dei lavori per la revisione delle zone vulnerabili Milano, 13 febbraio 2014 Revisione delle zone vulnerabili ai nitrati di origine agricola Acque superficiali ARPA LOMBARDIA
Dettaglie) calcolate i cinque numeri di sintesi, la media e la deviazione standard per entrambi i campioni di lunghezze. 1,5 + 1,5
ESERCIZIO 1 Le conchiglie luminescenti, molto rare ovunque, sono abbondanti in Nuova Zelanda. Alcuni biologi hanno raccolto un campione di conchiglie per studiare le differenze tra conchiglie vive e morte.
DettagliBMI.
Esercizio.2 E stato effettuata uno studio relativo all indice di massa corporea BMI ( peso kg /statura 2 m) ed al test WKS (distanza percorsa per 6 minuti in m) in un campione di 0 individui femmina con
DettagliMetodi Quantitativi per Economia, Finanza e Management. Lezione n 8 Regressione lineare multipla: le ipotesi del modello, la stima del modello
Metodi Quantitativi per Economia, Finanza e Management Lezione n 8 Regressione lineare multipla: le ipotesi del modello, la stima del modello 1. Introduzione ai modelli di regressione 2. Obiettivi 3. Le
Dettagli6 METODOLOGIA qualità chimico-fisica
6 METODOLOGIA Si è ritenuto opportuno considerare e valutare in maniera non dettagliata anche l intero bacino, soprattutto tramite dati esistenti, per ottenere un quadro generale e andare, così, oltre
DettagliAnalisi delle corrispondenze
Analisi delle corrispondenze Obiettivo: analisi delle relazioni tra le modalità di due (o più) caratteri qualitativi Individuazione della struttura dell associazione interna a una tabella di contingenza
DettagliEstate 2017 Monitoraggio in continuo Fiume ARNO
Estate 217 Monitoraggio in continuo Fiume ARNO dal 12 18 giugno 1 I valori indicati nelle colonne giallo e arancio, sono utilizzati nei grafici del giorno tipo e del periodo, per indicare (come linee orizzontali)
DettagliRelazioni tra variabili (fenomeni) aziendali
Relazioni tra variabili (fenomeni) aziendali - giornate di assenza dal lavoro è collegato a qualifica professionale, anzianità, sesso, dei dipendenti? - incidenti sul lavoro sono collegati a orario di
DettagliAnalisi dei Processi Chimici e. Biotecnologici Anno Accademico
Biotecnologici Anno Accademico 2017 2018 Massimiliano Grosso E-mail: massimiliano.grosso@dimcm.unica.it Telefono: 070 675 5075 Indirizzo web: http://people.unica.it/massimilianogrosso Obiettivi del Gli
DettagliFiume Marecchia e torrente Ausa
Fiume Marecchia e torrente Ausa Fiume Marecchia Lo Stato Ecologico del Corso d Acqua (SECA) è risultato nel 2003 di classe 3 per le prime due stazioni a monte (Marecchia 1 e 2) e di classe 4 nelle stazioni
DettagliVOTI ESERCIZIO 1. In Tabella 1 è mostrato l insieme dei 31 voti del primo appello dell esame scritto di cinese.
VOTI ESERCIZIO 1 In Tabella 1 è mostrato l insieme dei 31 del primo appello dell esame scritto di cinese. 20, 26, 25, 26, 28, 24, 30, 27, 25, 23, 28, 22, 20, 25, 25, 21, 22, 24, 22, 29, 29, 23, 27, 25,
DettagliRegressione lineare semplice
Regressione lineare semplice Prof. Giuseppe Verlato Sezione di Epidemiologia e Statistica Medica, Università di Verona Statistica con due variabili var. nominale, var. nominale: gruppo sanguigno - cancro
DettagliINTRODUZIONE AL DOE come strumento di sviluppo prodotto Francesca Campana Parte 2 Concetti di base
INTRODUZIONE AL DOE come strumento di sviluppo prodotto Francesca Campana Parte Concetti di base Pagina CONCETTI STATISTICI DI PARTENZA - DESCRITTORI DI UNA VARIABILE RANDOM - GRAFICI UTILI - DISTRIBUZIONI
DettagliProva scritta di STATISTICA. CDL Biotecnologie. (Programma di Massimo Cristallo - A)
Prova scritta di STATISTICA CDL Biotecnologie (Programma di Massimo Cristallo - A) 1. Un associazione di consumatori, allo scopo di esaminare la qualità di tre diverse marche di batterie per automobili,
DettagliUniversità del Piemonte Orientale Specializzazioni di area sanitaria Statistica Medica
Università del Piemonte Orientale Specializzazioni di area sanitaria Statistica Medica Regressione Lineare e Correlazione Argomenti della lezione Determinismo e variabilità Correlazione Regressione Lineare
DettagliVariabili indipendenti qualitative. In molte applicazioni si rende necessario l introduzione di un fattore a due o più livelli.
Variabili indipendenti qualitative Di solito le variabili nella regressione sono variabili continue In molte applicazioni si rende necessario l introduzione di un fattore a due o più livelli Ad esempio:
DettagliTorrente Ventena Stato Ecologico del Corso d Acqua SECA SECA SECA Indice Biotico Esteso IBE Livello di Inquinamento da Macrodescrittori LIM LIM COD
Torrente Ventena Torrente Ventena Nel 2003, il monitoraggio del torrente Ventena ha denotato per la stazione 1 un passaggio dello Stato Ecologico del Corso d Acqua (SECA) da una classe 5 ad una classe
Dettagli()Probablità, Statistica e Processi Stocastici
Probablità, Statistica e Processi Stocastici Esempio di serie storica Esportazioni italiane di pezzi di accessori auto (trend accentuato, poca stagionalità) Esempio di serie storica Esportazioni italiane
DettagliI parametri Idromorfologici a supporto della qualità biologica: metodo di indagine e indici di valutazione
C I S B A Giornata di Studio Valutazione degli ambienti lacustri Stato dell arte a 10 anni dalla pubblicazione della WFD Milano, 24 e 25 marzo 2010 I parametri Idromorfologici a supporto della qualità
DettagliMONITORAGGIO R.N.O. CAPO PELORO
MONITORAGGIO R.N.O. CAPO PELORO Gennaio Dicembre 2016 Monitoraggio Laguna di Capo Peloro La Riserva Naturale Orientata Laguna di Capo Peloro, istituita con Decreto Assessorato Regionale Territorio e Ambiente
DettagliCALCOLO DELL ERRORE E VALUTAZIONE DI UN METODO ANALITICO
CALCOLO DELL ERRORE E VALUTAZIONE DI UN METODO ANALITICO In chimica analitica un settore importante riguarda il calcolo dell errore e la valutazione della significatività di una misura. Generalmente nell
DettagliDispensa di Statistica
Dispensa di Statistica 1 parziale 2012/2013 Diagrammi... 2 Indici di posizione... 4 Media... 4 Moda... 5 Mediana... 5 Indici di dispersione... 7 Varianza... 7 Scarto Quadratico Medio (SQM)... 7 La disuguaglianza
DettagliLa misura si fa utilizzando uno strumento, ogni strumento ha associata un incertezza (non esistono stumenti con
Relazioni di laboratorio brevi (max 1-2 pag) da consegnare a mano o via mail (a bettotti@science.unitn.it e ascenzi@science.unitn.it) in formato pdf (preferito) o doc (ma leggibile da Word 2003) 1 la prima
Dettagli13 dicembre Descrizione dell attività didattica
13 dicembre 2007 Descrizione dell attività didattica 13 dicembre 2007 Modulo didattico 3 interventi per le scuole superiori (lezione frontale in aula + uscita di campo + laboratorio) 2 interventi per le
DettagliANOVA. ANalysis Of VAriance. Federico Plazzi. 1 Dicembre 2015
ANOVA ANalysis Of VAriance Federico Plazzi 1 Dicembre 2015 A che cosa serve? A che cosa serve? Applicazione L ANOVA ha finalità simili al test t: confrontare campioni. Al contrario del test t, però, è
DettagliMONITORAGGIO R.N.O. CAPO PELORO
MONITORAGGIO R.N.O. CAPO PELORO Gennaio Dicembre 2018 Monitoraggio Laguna di Capo Peloro Nel 2018 il monitoraggio della qualità delle acque dei due laghi è stato effettuato con le medesime modalità degli
DettagliAnalisi delle Serie Storiche
Analisi delle Serie Storiche Fabio Ruini Abstract Alla base dell analisi delle serie storiche vi è l assunzione secondo cui i fattori che hanno influenzato l andamento della serie nel passato e nel presente
DettagliCorso di analisi sensoriale degli alimenti. CdS in Tecnologie Alimentari Università degli Studi di FIRENZE Prof. Erminio Monteleone
Il Temporary Dominance Sensations Che cosa è e a cosa serve Gli eventi che presiedono alla percezione delle proprietà sensoriali di un prodotto alimentare sono di diversa natura e comprendendo fenomeni
Dettagliino6 Estate - Autunno 2017 Monitoraggio in continuo Fiume ARNO dal 23 al 29 ottobre ultimo della stagione estate-autunno
ino6 Estate - Autunno 17 Monitoraggio in continuo Fiume ARNO dal 3 al 9 ottobre ultimo della stagione estate-autunno 1 A causa della persistente siccità che ha caratterizzato i mesi estivi di quest anno,
DettagliLaboratorio di Fisica I Prima Esperienza Distribuzione Statistica delle Misure del Periodo di un Pendolo
Università degli Studi di Udine Corsi di Laurea in Ingegneria Laboratorio di Fisica I Prima Esperienza Distribuzione Statistica delle Misure del Periodo di un Pendolo 1 Introduzione Lo scopo principale
DettagliTECNICHE DI SIMULAZIONE
TECNICHE DI SIMULAZIONE Analisi e scelta dei dati di input Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Dati di input Per l esecuzione di una
DettagliClassificazione introduzione
- Classificazione introduzione Vittorio Maniezzo Università di Bologna 1 Ringraziamenti Questi lucidi derivano anche da adattamenti personali di materiale prodotto (fornitomi o reso scaricabile) da: A.
DettagliMetodi Matematici e Informatici per la Biologia. Appello del 14 luglio 2011
Metodi Matematici e Informatici per la Biologia Appello del 14 luglio 2011 ALCUNI ESERCIZI ASSEGNATI con SOLUZIONI ESERCIZIO 1 Data una distribuzione normale standard trovare quel valore z tale che la
Dettaglistrumenti statistici di sviluppo prodotto Francesca Campana Parte 1 Concetti di base
strumenti statistici di sviluppo prodotto Francesca Campana Parte 1 Concetti di base Pagina 1 Nello sviluppo di un prodotto la presenza di variabili di natura casuale e di funzioni obiettivo probabilistiche
DettagliMulti classificatori. Prof. Matteo Golfarelli Alma Mater Studiorum - Università di Bologna
Multi classificatori Prof. Matteo Golfarelli Alma Mater Studiorum - Università di Bologna Combinazione di classificatori Idea: costruire più classificatori di base e predire la classe di appartenza di
DettagliRegressione. Monica Marabelli. 15 Gennaio 2016
Regressione Monica Marabelli 15 Gennaio 2016 La regressione L analisi di regressione é una tecnica statistica che serve a studiare la relazione tra variabili. In particolare, nel modello di regressione
DettagliConvegno sulla qualità delle acque del fiume Seveso
Aula Consiliare, Cesano Maderno (MB) 2 aprile 2019 Convegno sulla qualità delle acque del fiume Seveso ARPA Lombardia: il monitoraggio delle acque del Torrente Seveso Seveso a Cesano Maderno Il monitoraggio
DettagliLezione 3. Statistica. Alfonso Iodice D Enza Università degli studi di Cassino. Lezione 3. A. Iodice
Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino La () Statistica 1 / 27 Outline La 1 2 3 4 5 6 Proprietà del 7 La () Statistica 2 / 27 La Si consideri il carattere
DettagliL acqua come risorsa. Percorso 2 Acqua come stai?
L acqua come risorsa Dopo la lettura del testo a pagina 6-7 del Percorso 2 Aspetti teorici : 1. Costruisci un diagramma relativo alla distribuzione dell acqua sulla terra 2. Costruisci un diagramma ad
DettagliMisura del periodo di oscillazione e della costante elastica della molla di un oscillatore armonico semplice
Misura del periodo di oscillazione e della costante elastica della molla di un oscillatore armonico semplice Crisafulli Paride Curseri Federica Raia Salvatore Torregrossa M. Roberto Valerio Alessia Zarcone
DettagliL importanza della zona iporreica e dell idromorfologia nella ritenzione dei nutrienti: esperienze condotte nel torrente Curone (LC)
Presentazione preparata con il contributo Europeo LIFE+ 2008 Programme (European Commission) L importanza della zona iporreica e dell idromorfologia nella ritenzione dei nutrienti: esperienze condotte
DettagliEstate 2018 Monitoraggio in continuo Fiume ARNO
Estate 1 Monitoraggio in continuo Fiume ARNO periodo dal - 3 settembre 1 ultimo bollettino della stagione estiva 1 1 Estate 1 Monitoraggio in continuo Fiume ARNO ARPAT - Settore Indirizzo tecnico delle
DettagliAnalisi e scelta dei dati di input
Analisi e scelta dei dati di input Corso di Tecniche di Simulazione, a.a. 2005/2006 Francesca Mazzia Dipartimento di Matematica Università di Bari 24 Aprile 2006 Francesca Mazzia (Univ. Bari) Analisi e
DettagliMACROINVERTEBRATI BENTONICI E QUALITÀ DELLE ACQUE. Isola della Cona, Riserva Naturale Regionale della Foce dell Isonzo, Staranzano (GO)
MACROINVERTEBRATI BENTONICI E QUALITÀ DELLE ACQUE 25 maggio 2016 Marco Bertoli Isola della Cona, Riserva Naturale Regionale della Foce dell Isonzo, Staranzano (GO) I macroinvertebrati bentonici Alcune
DettagliErrori (o bias) negli studi epidemiologici
Errori (o bias) negli studi epidemiologici Errore casuale o random: sono i più pericolosi perché i più difficili da individuare e per questo motivo non è possibile tenerne conto in fase di analisi Variazione
DettagliReti Neurali in Generale
istemi di Elaborazione dell Informazione 76 Reti Neurali in Generale Le Reti Neurali Artificiali sono studiate sotto molti punti di vista. In particolare, contributi alla ricerca in questo campo provengono
DettagliSTATISTICA CORSO BASE. Prova scritta del Tempo: 2 ore Cognome e Nome:... Matricola:...
STATISTICA CORSO BASE. Prova scritta del 4-6-2013. Tempo: 2 ore Cognome e Nome:.............................. Matricola:.............................. Attenzione: Prima di affrontare la prova si consiglia
DettagliLivello di esposizione. animale Basso Moderato Alto
Esercizio -Esempio 1 (anova 2 vie con blocchi) I tassi respiratori (ispirazioni al minuto) sono stati misurati in otto animali usati per un esperimento, con tre livelli di esposizione al monossido di carbonio.
DettagliAnalisi della varianza
Analisi della varianza Mediante un singolo esperimento vengono confrontate fra loro più popolazioni (gruppi, tesi). Consente di valutare quantitativamente l importanza delle diverse fonti di variazione
DettagliSTATISTICA PSICOMETRICA a.a. 2004/2005 Corsi di laurea Scienze e tecniche neuropsicologiche. Modulo 1. Modulo 1 Statistica descrittiva Monovariata
STATISTICA PSICOMETRICA a.a. 004/005 Corsi di laurea Scienze e tecniche neuropsicologiche Modulo Modulo Distribuzioni semplici di frequenza e loro rappresentazioni Operatori di tendenza centrale Operatori
Dettagli