Statistica nelle applicazioni sanitarie
|
|
- Floriana Piccolo
- 8 anni fa
- Visualizzazioni
Transcript
1 Dipartimento di Fisica Scuola di Specializzazione in Fisica Medica A.A. 0/03 Statistica nelle applicazioni sanitarie Maria Roberta Monge:
2 Epidemiologia Classica: studia le origini dei problemi di salute nella popolazione. Clinica: studia pazienti sani e malati al fine di migliorare diagnosi, prognosi e terapia di particolari malattie.
3 Fonti di dati epidemiologici definizioni e misure utilizzate (diagnosi, caso, incidenza, prevalenza, tassi, etc.) MEDICI / EPIDEMIOLOGI!! Noi ci concentriamo sui diversi tipi di studi epidemiologici più frequenti e sulla traduzione del linguaggio classico della Statistica alla Statistica medica.
4 Tipi di studi epidemiologici Classificazione temporale Studio trasversale: studio condotto su una popolazione in un ben preciso istante. I dati, sia sulla presenza/assenza della malattia sia sull esposizione o meno ad un fattore di rischio sono raccolti contemporaneamente. Non è possibile determinare la corretta relazione temporale causa/effetto. Selettivo per patologie croniche ma non acute.
5 Studio longitudinale: prevede la sorveglianza continuativa (follow up) su lunghi periodi di tempo per lo studio di tassi di malattia e la relazione della malattia con altre variabili. Classificazione in base al gruppo Studi di coorte Coorte > gruppo di soggetti chiaramente identificato e sottoposto ad osservazione. Dal punto di vista statistico: la coorte può essere considerata un campione estratto da una ben determinata popolazione.
6 Studi di coorte prospettivi: studi longitudinali di soggetti esposti e non esposti ad un fattore di rischio per lo studio del rischio di malattia partendo dal presente per un certo periodo di tempo. Studi di coorte retrospettivi: la definizione del gruppo di esposti e non esposti al fattore di rischio avviene seguendo i gruppi dal passato al presente per valutare gli esiti dell esposizione. Studi caso-controllo: I gruppi sotto studio sono quello dei casi (soggetti che hanno contratto la malattia sotto studio) e quello dei controlli (soggetti sani). Si studia il rischio relativo di malattia (malattie rare)
7 Da Jekel-Katz-Elmore Epidemiologia, Biostatistica e Medicina preventiva
8 NOTA: negli studi di coorte e negli studi caso controllo sono diverse le popolazioni da cui si estraggono le coorti (campioni). Nel primo caso sono popolazioni soggette o non soggette a fattori di rischio per la malattia sotto studio di cui si vanno a vedere gli esiti. Nel secondo, i gruppi sono estratti dalla popolazione dei malati e dei sani rispettivamente. Non è quindi possibile valutare il rischio assoluto.
9 Studio prospettivo e studio caso controllo (retrospettivo) Fattore di rischio Malati Sani TOTALE Esposti a b a+b Non esposti c d c+d TOTALE a+c b+d na+b+c+d
10 Studio prospettivo: Si considerano a+b soggetti esposti al fattore di rischio (di cui a si sono ammalati) e c+d soggetti non esposti (di cui c si sono ammalati) e si calcolano i fattori di rischio nei due gruppi. Studio caso-controllo (retrospettivo): Si considerano a+c soggetti malati (casi) e b+d soggetti sani (controlli) e si esaminano i fattori di esposizione nei due gruppi.
11 Studi retrospettivi e prospettivi
12 Definizioni Rischio (R): probabiltà che l evento si verifichi in un gruppo omogeneo in un determinato periodo di tempo. Es.: P n n ro malati esposti ( m esposti) P( m non esposti) ro Rischio Attribuibile (RA) : R esposti R non esposti Rischio Relativo o Risk Ratio (RR): RR R ; R esposti non esposti n ro ro n malati non esposti
13 d c c b a a p p RR d c c p non esposti m P R b a a p esposti m P R non esposti esposti ˆ ˆ ˆ ) ( ˆ ) ( Calcolo del rischio e del rischio relativo negli studi prospettivi
14 Determinazione della stima del rischio relativo Per determinare una stima del rischio relativo è conveniente passare ai logaritmi: ln RR pˆ pˆ ln ˆ p ln ˆp ln ˆp ˆ p Infatti, e sono frequenze relative cioè stimatori corretti per la probabilità che, purchè i campioni siano sufficientemente numerosi, potranno essere considerati distribuiti secondo una normale.
15 Invece il rischio relativo è rapporto fra due probabilità, stimate tramite la proporzione campionaria. Si preferisce come indicatore il logaritmo del loro rapporto in quanto lo stimatore del rapporto tra due probabilità risulta fortemente asimmetrico con una distribuzione che varia tra 0 e, mentre il logaritmo del rapporto varia tra - e ed ha una distribuzione asintoticamente normale per numerosità campionarie inferiori a quelle richieste per la distribuzione asintotica del rapporto.
16 Per le proprietà delle funzioni di variabili aleatorie, il logaritmo di una frequenza relativa pˆ ha una densità di probabilità con varianza ˆp ( ˆp ) ˆp Var(ln ˆp ) ˆp n np ˆ L approssimazione si ottiene sviluppando in serie di Taylor al secondo ordine la funzione densità di probabilità nell intorno del valore atteso della funzione e considerando per pˆ una distribuzione approssimativamente normale. Ne segue Var [ f ( x) ] f ( μ) 4 [ ] σ + [ f ( μ) ] σ
17 da cui poiché In conclusione per il rischio relativo si ha ( ) [ ] ( ) ( ) ( ) np p n p p p n p p p p Var ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ln + 4 ( ) n p p p p p ˆ ˆ ˆ ˆ ˆ ; σ μ [ ] [ ] [ ] ( ) ( ) ; p n p p n p p Var p Var RR Var p p p p RR ˆ ˆ ˆ ˆ ˆ ln ˆ ln ln ˆ ln ˆ ln ˆ ˆ ln ln + +
18 La stima del rischio relativo ad un C.L. fissato risulterà pertanto da z α ln RR ± RR ( ) dove è il coefficiente fiduciario per il C.L. richiesto, considerando che ln RR risulta approssimativamente normale per quanto affermato in precedenza. La stima del rischio relativo RR si ottiene ovviamente passando all esponenziale. z α σ ln
19 Studio del rischio relativo negli studi retrospettivi Negli studi retrospettivi non è possibile calcolare il rischio assoluto di malattia in quanto non si parte da popolazioni soggette o non soggette ad un certo fattore di rischio ma da popolazioni di sani e malati (studi caso-controllo). Non è possibile inoltre calcolare il RR come definito in precedenza in quanto dipende dalla numerosità del campione scelto come controllo Si studiano in questo caso gli odds e l odds ratio (OR).
20 Negli studi caso-controllo non è corretto calcolare il RR della malattia fra esposti e non esposti in quanto esso dipende dalla numerosità del campione scelto come controllo. Se infatti si considerasse un altro campione di sani, di numerosità k(b+d), anche mantenendo la proporzione b/d fra esposti e non esposti, si avrebbe: RR [a/(a+kb)]/[c/(c+kd)] (ac+kad)/(ac+kbc) cioè un rischio differente da prima: RR [a/(a+b) ]/ [ c/(c+d) ](ac+ad)/(ac+bc)
21 Invece il rischio relativo dell esposizione, cioè il rapporto tra la proporzione degli esposti tra gli ammalati e i sani : RR e [a/(a+c) ]/ [ b/(b+d) ] non dipende dalla numerosità del campione scelto come controllo. Nel caso la numerosità del gruppo dei controlli fosse k (b+d), mantenendo costante il rapporto b/d tra esposti e non esposti, si avrebbe lo stesso RR e : RR e [a/(a+c) ]/ [ kb/k(b+d) ]RR e. Negli studi caso-controllo si preferisce utilizzare come indice di connessione fra malattia ed esposizione il rapporto tra gli odds: OR
22 Definizione di odds e odds ratio Si definisce odds il rapporto tra la probabilità di un evento e la probabilità del suo evento contrario (eventi dicotomici bernoulliani): odds Si definisce odds ratio OR il rapporto tra due odds. p p
23 Odds e OR di esposizione Odds di esposizione nei casi: P( esposti casi) a a odds a + c casi P( non esposti casi) c Odds di esposizione nei controlli: odds OR di esposizione: a / c OR b / d P a+ c c P( esposti controlli) b+ b d b ( non esposti controlli) d controlli ad bc b+ d d
24 Esempio Esposizione: fumo Malattia: cancro ai polmoni OR di esposizione ad/bc.5 Cosa significa? Passando dai sani agli ammalati il rapporto tra i fumatori e i non fumatori aumenta del 50%. Oppure il rapporto tra fumatori e non fumatori nei malati è.5 volte il rapporto tra fumatori e non fumatori nei sani.
25 Odds e OR di malattia Odds di malattia negli esposti: P( malati esposti) a+ a odds a b esposti P( sani esposti) b a b + b Odds di malattia nei non esposti: odds P P ( malati non esposti) c+ c d c ( sani non esposti) d non esposti c+ d d OR di malattia: a / b OR c / d ad bc
26 Esempio Esposizione: fumo Malattia: cancro ai polmoni OR di malattia ad/bc.5 Cosa significa? Passando dai non fumatori ai fumatori il rapporto tra malati e i sani aumenta del 50%. Oppure il rapporto tra malati e sani nei fumatori è.5 volte il rapporto tra malati e sani nei non fumatori.
27 OR ha lo stesso valore in entrambi i casi, è un buon indice della connessione tra malattia ed esposizione! Occorre però osservare che, anche se non c è differenza fra i due OR, in uno studio caso-controllo (retrospettivo) non avrebbe senso usare l OR di malattia in quanto gli esposti (o in non esposti) provengono da due gruppi diversi (malati e sani) e quindi i due odds non dipendono dalla malattia studiata o dall esposizione al fattore di rischio considerato, ma dal numero di casi e controlli reclutati. Odds Ratio di esposizione Rischio relativo
28 Occorre infine osservare che negli studi caso-controllo l OR risulta una buona stima del rischio relativo RR in caso di malattie rare. Infatti, se la malattia è rara, in uno studio longitudinale si dovrebbe avere a ad RR a + OR c b bc c + d in quanto a << b a a + b a b e c << d c c + d c d
29 Interpretazione dell OR e del RR Se OR (RR) assenza di associazione fra malattia ed esposizione al fattore di rischio. Se OR (RR)< associazione negativa: il fattore considerato può proteggere dalla malattia. Se OR (RR)> associazione positiva: il fattore di rischio considerato può causare la malattia. Valori crescenti indicano associazioni più forti. Prima di dichiarare l esistenza di un rapporto causaeffetto tra il fattore di rischio considerato e la malattia occorre eseguire un test di significatività statistica.
30 Stima dell OR Essendo anche l odds un rapporto di frequenze relative esattamente come il rischio relativo RR, per la stima possono essere fatte considerazioni analoghe a quanto già visto in precedenza. Le conclusioni sono che la distribuzione del logaritmo naturale di OR è approssimativamente normale e il suo errore standard approssimato vale σ ( ln OR) e quindi per un fissato C.L. la stima risulterà ln OR ± z α σ ( ln OR) Anche per l OR, come per il RR, occorre quindi passare all esponenziale. a + b + c + d
31 Dipartimento di Fisica Scuola di Specializzazione in Fisica Medica A.A. 0/03 Esercizi sul Rischio Relativo(RR) e Odds Ratio (OR) Prof. Maria Antonietta Penco SMID A.A.004/005 Commentati
32 Esercizio Un campione di 54 soggetti sani è stato seguito per 5 anni per uno studio di validità del test da sforzo positivo (presenza di anomalie nel tratto ST dell ECG eseguito sotto sforzo) nel predire eventi cardiovascolari (CV). I risultati sono riportati nella seguente tabella iniziale: Sforzo CV + - totale si a b a+b no c d c+d
33 Le due coorti di soggetti risultati positivi e negativi al test da sforzo vengono seguite per 5 anni per verificare se l evento CV accade o non accade: studio longitudinale predittivo. La tabella dei risultati è la seguente: Sforzo CV + - totale si 3 34 no
34 La frequenza relativa dei soggetti con evento CV fra quelli risultati positivi al test è: / La frequenza relativa dei soggetti con evento CV fra quelli risultati negativi al test è: 3/ a) Questa differenza tra i due gruppi indica una associazione tra il risultato positivo e l occorrenza dell evento CV?
35 Supponiamo che non ci sia nessuna associazione: si formula allora l ipotesi nulla H 0 : P(m +)P(m -) Si costruisce, stimando attraverso i dati osservati la probabilità P(CV), la tabella delle frequenze attese in base all ipotesi nulla: P(CV)34/54 Sforzo CV + - totale si 35 (34/54) no
36 Poiché il campione ha numerosità elevata si può fare un test considerando la variabile χ con grado di libertà. Il valore critico della variabile a un livello di significatività del 5% è χ c 3.84 Il valore sperimentale risulta: χ sper3.69 che si determina in base alla formula r c ( teo) n ik nik χsper teo i k nik oppure in base alla formula χ sper n r c n n ik n i k i k
37 che si ottiene ricordando che dove n e i n k rappresentano i totali marginali di riga e di colonna e la numerosità campionaria totale. Si ottiene pertanto che fa rigettare H 0 oppure n P n teo ik n n i k n χ sper c χ > ( ) χ χ < > sper
38 In alternativa, si può effettuare un test di significatività sulle differenze tra le frequenze relative di malati risultati positivi al test e malati risultati negativi al test: ( ~ ~ H ) 0 : E P P 0 ~ ~ H : E P P ( ) 0 dove da cui ~ p ~ p ~ p ~ p pos neg ~ p ~ p z sp 3. 74> z ~ p ( ~ ) ~ ( ~ p p p ) c + n n ( 0. %)
39 In entrambi i casi si rifiuta l ipotesi nulla, la differenza osservata di eventi CV tra i soggetti risultati positivi e quelli risultati negativi è significativa per dire che la conoscenza della positività da sforzo implica una connessione con eventi CV.
40 b) Cerchiamo di stimare l intensità dell associazione tra evento CV e positività al test da sforzo. Trattandosi di uno studio prospettivo, si può determinare il rischio relativo RR come indice dell associazione tra eventi cardiovascolari e positività al test da sforzo.
41 Confrontiamo la proporzione dei soggetti che presentano l evento CV fra i positivi con la proporzione dei soggetti che presentano l evento CV fra i negativi. Il rapporto tra queste due propozioni è il RISCHIO RELATIVO RR [(a/(a+c) ]/ [(b/(b+d)] [(ab+ad)/(ab+ac) ] Guardando i dati della tabella possiamo scrivere: RR0.56/ Il rischio di occorrenza dell evento CV è risultato circa 5 volte più alto tra chi è risultato positivo al test da sforzo rispetto ai soggetti risultati negativi.
42 c) Il RR calcolato è una stima campionaria. Per generalizzarlo al prossimo individuo positivo al test da sforzo occorre darne l intervallo di confidenza. Quanto vale? Abbiamo visto che è conveniente passare al logaritmo: lnrrlnp -lnp e V(lnRR)V(lnp )+V(lnp ) ) ( ~ ~ ~ ~ ~ ) (ln ~ c a a c p n q n p q p p V + ) ( ~ ~ ~ ~ ~ ) (ln ~ d b b d n p q n q p p p V +
43 In definitiva l intervallo sarà dato da : c d lnrr ± z α / a n + b n Cioè: ln 4.59± ±
44 Il limite inferiore è Il limite superiore è lnrr 8. Passando all esponenziale si ottiene:. 36 RR L intervallo di confidenza per la stima del rischio relativo sarà pertanto [.36,8.85] ad un CL del 95%. Possiamo concludere che, ad un livello di confidenza del 95%, il rischio di avere un evento cardiovascolare fra i soggetti che risultano positivi al test da sforzo è da.36 a 8.85 volte maggiore del rischio fra i soggetti negativi al test da sforzo.
45 Esercizio Uno studio effettuato nel 988 da un gruppo di ricerca della Harvard Medical School ha cercato di verificare se l assunzione regolare di aspirina riducesse la mortalità per malattie cardiovascolari. La tabella seguente indica i risultati ottenuti: Malattia cardiovascolare si no Placebo Aspirina
46 L assunzione regolare di aspirina riduce la mortalità per malattie cardiovascolari? Si ipotizza che la frequenza della malattia nei soggetti che assumono aspirina (A) sia la stessa nei soggetti che assumono un placebo (P) : H 0 :P(m A)P(m P) Si osserva ora se il risultato delle due coorti considerate, una che assume il placebo e l altra l aspirina, è conforme all ipotesi assunta. NOTA: Anche in questo caso si tratta si tratta di uno studio prospettico longitudinale in cui le due coorti vengono seguite per un certo periodo di tempo per stabilire quanti soggetti contraggono la malattia.
47 La frequenza relativa dei soggetti con evento cardiovascolare fra quelli trattati col placebo è: 89/ La frequenza relativa dei soggetti con evento cardiovascolare fra quelli trattati con aspirina è: 04/ Questa differenza tra i due gruppi indica una associazione tra l assunzione di aspirina e l occorrenza dell evento cardiovascolare?
48 Si costruisce, in base all ipotesi nulla e stimando attraverso i dati osservati la probabilità P(m), la seguente tabella: Malattia cardiovascolare si no Placebo (93/07) Aspirina Si fa un test del χ per valutare se le differenza tra le frequenze osservate e le frequenze ipotizzate in base all ipotesi di non associazione tra assunzione del farmaco e evento cardiovascolare siano significative.
49 Il valore critico della variabile a un livello di significatività del 5% è χ c 3.84 Il valore sperimentale risulta: χ s 5.04 con P ( χ χ ) << > sper Anche in questo caso si può utilizzare un test sulla differenza di proporzioni ottenendo z sp 5 La differenza riscontrata è significativa, si rifiuta l ipotesi nulla, l assunzione regolare di aspirina è associata a una diminuzione di eventi cardiovascolari.
50 Essendo una studio prospettico longitudinale, per valutare l associazione, si può determinare il rischio relativo RR: RR0.07/ La percentuale di soggetti che hanno avuto un infarto tra chi assumeva il placebo è.8 volte maggiore della percentuale di soggetti infartuati tra chi assumeva regolarmente l aspirina.
51 Ma la probabilità di un evento cardiovascolare stimata dalle frequenze campionarie è molto bassa: In tal caso : P RR ~OR Infatti il rischio relativo, cioè il rapporto tra la proporzione degli infartuati tra chi assume il placebo e chi l aspirina risulta: RR{[a/(a+b)]/[c/(c+d)](ac+ad)/(ac+bc)}~ad/bc in quanto ac risulta trascurabile rispetto agli altri termini. ac89 04~ 0 4 OR(a/b)/c/d)ad/bc ad ~ 0 6 bc ~ ( CV ).3 % OR.83 RR ~ OR.83
52 Occorre notare che l OR calcolato è l OR di malattia cioè il rapporto degli odds di malattia di esposti e non esposti: Odds esposti a/b Odds non esposti c/d Questo perchè lo studio è longitudinale prospettico e quindi le coorti considerate sono quelle degli esposti e dei non esposti, in questo caso coloro che hanno assunto il placebo e coloro che hanno assunto aspirina.
53 Si può generalizzare il risultato dello studio al prossimo soggetto che assume regolarmente aspirina attribuendogli la stima: RR±z α/ σ(rr) Sia p a/a+b e p c/c+d lnrrlnp -lnp e V(lnRR)V(lnp )+V(lnp ) V(lnp )q /(p n )b/(a (a+b)); V(lnp )q /(p n )d/(c (c+d) V(lnRR) b/(a (a+b)) + d/(c (c+d) σ(lnrr)0. lnrr0.598±.96 0.
54 In definitiva per un CL del 95%: lnrr ±.96 σ(rr)0.598±0.38 Il limite inferiore è ln RR Il limite superiore è Passando all esponenziale si ottiene:.43 RR L intervallo per RR sarà [.43,.3] ad un CL del 95%..3 Possiamo concludere che, a un livello di confidenza del 95%, il rischio di avere un evento cardiovascolare è da.43 a.3 volte maggiore fra i soggetti che non assumono aspirina che fra i soggetti che la assumono regolarmente.
55 Se si considera invece l odds ratio OR: OR±z a/ σ(or) Sia ODDS placeb oa/b e ODDS aspirina c/d ORad/bc L errore standard di ln(or) è σ(lnor) [(/ a + /b + /c + /d) ] / σ(lnor)0.3 ln.83± lnor0.605± OR.33
56 Stima al 95% di CL della differenza delle probabilità di avere un evento cardiovascolare nei due casi: p -p ±z a/ s(p -p) dove p a/(a+b) è la stima di P(CV/placebo) e p c/(c+d) la stima di P(CV/aspirina) V(p -p )p q /n +p q /n σ (p -p ) p 0.07; p p -p ; z α/.96 p -p ±z α/ σ(p -p)0.008 ±0.003
57 Esercizio 3 Si vogliono studiare gli effetti di un certo contraccettivo orale sull infarto del miocardio. Vengono inserite nello studio donne sposate sotto i 45 anni : 58 ricoverate per infarto del miocardio (casi), 66 ricoverate nello stesso ospedale per altre patologie (controlli). E uno studio retrospettivo caso-controllo. Infarto del Miocardio Contraccetivo si no Totali Uso a b a+b Non uso c d c+d Totali
58 A tutte si chiede se prendono contraccettivi orali. Questa è la tabella delle risposte : Infarto del Miocardio Contraccettivo si no Totali Uso Non uso Totali Ci si chiede dati gli effetti (infarto) se la causa può essere l assunzione del farmaco. N.B. Possiamo indicare chi usa il farmaco come esposti in quanto l esposizione indica la presenza di un fattore che può (ipoteticamente) causare un certo effetto.
59 Come prima cosa verifichiamo se i dati ottenuti possono essere significativi per una differenza rispetto all uso del farmaco (f) fra i due gruppi di malati (casi) e sani (controlli) o se le eventuali differenze sono solo fluttuazioni statistiche. Formuliamo l ipotesi nulla H 0 : P(f m)p(f s)p(f) Si può, come negli esempi precedenti, considerare la tabella di contingenza e fare un test di significatività del χ con ν ( g.d.l.) oppure fare un test sulle differenze di frequenze relative.
60 ~ P ~ P ( f m) ( f s) 3/ / z sp.80>.575 z c ( % ) Utilizzando invece la tabella di contingenza facendo un test di significatività del χ con ν si ottiene: ( > ) < % χ 8.3; υ sper 0.% < P χ χsper Il risultato trovato è lo stesso del precedente in cui si trova un livello di significatività dello 0.5%.
61 In entrambi i casi i dati risultano significativi per una differenza fra i due gruppi di malati e sani e quindi esiste una associazione fra l uso del farmaco e l insorgere di eventi di infarto del miocardio. Questo è uno studio caso-controllo, si conoscono gli effetti (infarto) e si vuole determinare se un farmaco può esserne considerato la causa.
62 -Possiamo considerare la frequenza dei malati tra chi assume il farmaco 3/ come una stima della probabilità di malattia fra i soggetti che assumono il farmaco P(m F)? -Possiamo considerare la frequenza dei malati tra chi non assume il farmaco 35/670. come una stima della probabilità di malattia fra i soggetti che non assumono il farmaco P(m nonf)? 3-Possiamo fare il rapporto tra i due valori per stimare uguale a 0.4/0..9, cioè circa il doppio, la probabilità di avere l infarto per chi assume il farmaco rispetto a chi non l assume?
63 La stima di P(m F)P(m F)/P(F) risulta 3/ La stima di P(m nonf)p(m nonf)/p(nonf) risulta 35/670.. La stima del RR risulta ora 0.58/ : il RR si modifica. La stima del RR risulta 0.4/0..9 Supponiamo ora di considerare come controlli un gruppo di 83 persone ma che mantenga al suo interno la stessa proporzione di soggetti che assumono o no il farmaco, b/(b+d) 0.0 e d/(b+d)0.80 vale a dire b7 e d66. La stima di P(m F)P(m F)/P(F) risulta ora 3/400.58, differente da prima. La stima di P(m nonf)p(m nonf)/p(nonf) risulta 35/00.35, anche in questo caso differente.
64 Ha senso cercare il rischio incidente? NO! Il numero di malati è già noto. Potremmo confrontare la percentuale degli esposti fra i casi e fra i controlli, cioè: P(f m)/p(f s)(a/(a+c))/((b/(b+d))a(b+d)/b(a+c) ma come abbiamo visto il valore del rapporto dipende dalla numerosità (b+d) del gruppo dei controlli. Confrontiamo allora gli odds dell esposizione fra i casi e i controlli.
65 Studio retrospettivo, detto anche caso-controllo. In questo caso non si calcola RR ma l OR di esposizione. Odds casi a/c 3/35 ; Odds controlli b/d 34/3 OR Odds casi / Odds controlli ad/bc (3/35)/(34/3).55 L OR di malattia, usato correttamente nell esempio precedente, anche se in questo caso è meno corretto concettualmente perchè dipende dal numero di casi e controlli reclutati e non dalla malattia o dal fattore di esposizione, fornisce lo stesso risultato numerico.
66 Essendo OR> si ha una associazione positiva, cioè l assunzione del farmaco può essere considerato causa di malattia. I valori di OR dipendono dalla posizione delle righe e delle colonne. Invertendo le righe si ottiene: OR 35 34/ dove OR /OR E quindi importante ricordare la definizione di OR di esposizione e non utilizzare la formula mnemonica basata sulla posizione delle righe: OR.55 è l OR di esposizione, mentre OR 0.39 è l OR di sopravvivenza.
67 Da quanto appena detto, si deduce una importante proprietà dell OR, la proprietà di invertibilità: l OR di esposizione è il reciproco dell OR di sopravvivenza. Questa proprietà non vale invece per il rischio relativo RR: il valore di RR di malattia non è il reciproco di RR di sopravvivenza. Consideriamo il logaritmo di OR ln(or): ln(or)0 indipendenza Invertendo le righe si ottiene da ln(or) lo stesso grado di associazione ma segno opposto a seconda che si consideri l OR di esposizione o l OR di sopravvivenza: ln mentre ln
68 Ulteriori considerazioni su RR e OR I valori di RR e OR visti finora si riferiscono a calcoli su tabelle di contingenza cioè su dati crudi dello studio. Questo significa che il fenomeno viene studiato su tutto il follow up, senza tenere conto del suo andamento temporale che in alcuni casi può essere differente in momenti diversi del follow up stesso. Volendo tenere conto dell andamento temporale, occorre usare metodi diversi. In questo contesto si sviluppano gli studi di sopravvivenza.
69 Studi di sopravvivenza Questi studi statisitici in Medicina e in Biologia si occupano dell evoluzione temporale dei sistemi fino all evento morte o malattia. Sono in effetti studi basati su concetti molto generali di Statistica, che si applicano anche in Ingegneria per lo studio dei guasti e della durata di dispositivi (teoria o analisi dell affidabilità) o in Economia/Sociologia nelle analisi dei modelli di durata. Sono basati sul concetto di durata di vita (lifetime), funzione di sopravvivenza (survival function) e funzione di rischio (hazard function) che negli altri contesti assumono nomi diversi.
70 Definizioni Durata di vita: è una variabile aleatoria nonnegativa T che rappresenta la durata a partire dal tempo t0 prima del verificarsi dell evento considerato (malattia o morte). Densità di durata: è la densita di probabilità f(t) della v.a. T. Funzione di sopravvivenza: probabilità che l evento considerato si verifichi dopo l istante t: S(t)P(T>t). Si ha -S(t) P(T t)f(t) dove F(t) è la funzione cumulativa della v.a. T. Funzione di rischio: rappresenta la probabilità condizionata di durata fino ad un infinitesimo dt dopo t, essendosi già avuta una durata fino a t: H(t)P[(t<T t+dt) (T>t)]
71 Λ Si ha: H t () P[ ( t < T t + dt) ( T > t) ] f () t f () t t f S S ( x) () t () t Infatti f dx t f ( x) dx f ( x) 0 0 [ ln( S() t )] F t t t f F dx () t () t S t f S () t () t () t F () t ( S() t ) S () t () t ln[ S() t ] èdetta funzione cumulativa di rischio.
72 Si definisce durata di vita media o vita media il valore atteso della v.a. T: τ ( T) t f () t dt S()dt t E 0 L ultima uguaglianza si ottiene integrando per parti ricordando che f t S t ( ) ( ) e che solitamente S(t) tende a zero più rapidamente di quanto t cresca. 0
73 Si definisce durata di vita futura ad un dato istante t 0 il tempo che resta prima dell evento considerato cioè la v.a. T-t 0. La probabilità dell evento considerato prima di t+t 0 data la sopravvivenza fino a t 0 è ( t + t T > t ) P T 0 0 ( ) 0 < T t0 + t P( T > t ) P t Ne segue d F( t ) ( ) 0 + t F t 0 f t0 + t dt S( t ) ( ) 0 S t0 0 ( ) F ( t ) ( ) 0 + t F t0 S( t ) 0 e E ( futurelifetime ) S( t ) 0 0 t f ( t + t) 0 dt S ( t ) 0 t 0 S()dt t
Igiene. 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. 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
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
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
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
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
DettagliEsercizio 1. Verifica di ipotesi sulla media (varianza nota), p-value del test
STATISTICA (2) ESERCITAZIONE 6 05.03.2014 Dott.ssa Antonella Costanzo Esercizio 1. Verifica di ipotesi sulla media (varianza nota), p-value del test Il preside della scuola elementare XYZ sospetta che
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
DettagliRischio relativo e Odds Ratio
Scuola di specializzazione In Fisica Sanitaria a.a. 2005/2006 Rischio relativo e Odds Ratio Prof. Maria Antonietta Penco penco@fisica.unige.it 20/03/2006 Rischio Relativo Il Rischio è la probabilità che
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
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
DettagliIstituzioni di Statistica e Statistica Economica
Istituzioni di Statistica e Statistica Economica Università degli Studi di Perugia Facoltà di Economia, Assisi, a.a. 2013/14 Esercitazione n. 4 A. Si supponga che la durata in giorni delle lampadine prodotte
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
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
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
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
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
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
DettagliInferenza statistica I Alcuni esercizi. Stefano Tonellato
Inferenza statistica I Alcuni esercizi Stefano Tonellato Anno Accademico 2006-2007 Avvertenza Una parte del materiale è stato tratto da Grigoletto M. e Ventura L. (1998). Statistica per le scienze economiche,
DettagliT DI STUDENT Quando si vogliono confrontare solo due medie, si può utilizzare il test t di Student La formula per calcolare il t è la seguente:
T DI STUDENT Quando si vogliono confrontare solo due medie, si può utilizzare il test t di Student La formula per calcolare il t è la seguente: t = X i X j s 2 i (n i 1) + s 2 j (n j 1) n i + n j - 2 1
Dettagli1 Serie di Taylor di una funzione
Analisi Matematica 2 CORSO DI STUDI IN SMID CORSO DI ANALISI MATEMATICA 2 CAPITOLO 7 SERIE E POLINOMI DI TAYLOR Serie di Taylor di una funzione. Definizione di serie di Taylor Sia f(x) una funzione definita
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. Lezione 6
Università degli Studi del Piemonte Orientale Corso di Laurea in Infermieristica Corso integrato in Scienze della Prevenzione e dei Servizi sanitari Statistica Lezione 6 a.a 011-01 Dott.ssa Daniela Ferrante
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
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
DettagliFONDAMENTI DI PSICOMETRIA - 8 CFU
Ψ FONDAMENTI DI PSICOMETRIA - 8 CFU STIMA DELL ATTENDIBILITA STIMA DELL ATTENDIBILITA DEFINIZIONE DI ATTENDIBILITA (affidabilità, fedeltà) Grado di accordo tra diversi tentativi di misurare uno stesso
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
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,
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:
DettagliDipartimento di Fisica a.a. 2004/2005. Fisica Medica 2. Tabelle contingenza
Dipartimento di Fisica a.a. 24/25 Fisica Medica 2 Tabelle contingenza 9/5/25 Tabelle di contingenza Tutti i dati descrittivi di una ricerca possono essere rappresentati tramite tabelle Sono stati controllati
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
DettagliStatistica. Esercitazione 15. Alfonso Iodice D Enza iodicede@unicas.it. Università degli studi di Cassino. Statistica. A. Iodice
Esercitazione 15 Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () 1 / 18 L importanza del gruppo di controllo In tutti i casi in cui si voglia studiare l effetto di un certo
DettagliUniversità del Piemonte Orientale. Corso di Laurea in Igiene Dentale. Corso di Statistica per la ricerca sperimentale e tecnologica
Università del Piemonte Orientale Corso di Laurea in Igiene Dentale Corso di Statistica per la ricerca sperimentale e tecnologica Analisi dei dati in tabelle di contingenza Corso di laurea triennale di
DettagliMatematica generale CTF
Successioni numeriche 19 agosto 2015 Definizione di successione Monotonìa e limitatezza Forme indeterminate Successioni infinitesime Comportamento asintotico Criterio del rapporto per le successioni Definizione
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
DettagliAnalisi bivariata. Dott. Cazzaniga Paolo. Dip. di Scienze Umane e Sociali paolo.cazzaniga@unibg.it
Dip. di Scienze Umane e Sociali paolo.cazzaniga@unibg.it Introduzione : analisi delle relazioni tra due caratteristiche osservate sulle stesse unità statistiche studio del comportamento di due caratteri
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
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
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
DettagliPolitecnico di Milano. Facoltà di Ingegneria Industriale. Corso di Analisi e Geometria 2. Sezione D-G. (Docente: Federico Lastaria).
Politecnico di Milano. Facoltà di Ingegneria Industriale. Corso di Analisi e Geometria 2. Sezione D-G. (Docente: Federico Lastaria). Aprile 20 Indice Serie numeriche. Serie convergenti, divergenti, indeterminate.....................
DettagliIntroduzione 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
DettagliEconomia Applicata ai sistemi produttivi. 06.05.05 Lezione II Maria Luisa Venuta 1
Economia Applicata ai sistemi produttivi 06.05.05 Lezione II Maria Luisa Venuta 1 Schema della lezione di oggi Argomento della lezione: il comportamento del consumatore. Gli economisti assumono che il
DettagliStima per intervalli Nei metodi di stima puntuale è sempre presente un ^ errore θ θ dovuto al fatto che la stima di θ in genere non coincide con il parametro θ. Sorge quindi l esigenza di determinare una
DettagliVALORE DELLE MERCI SEQUESTRATE
La contraffazione in cifre: NUOVA METODOLOGIA PER LA STIMA DEL VALORE DELLE MERCI SEQUESTRATE Roma, Giugno 2013 Giugno 2013-1 Il valore economico dei sequestri In questo Focus si approfondiscono alcune
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
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
DettagliLa distribuzione Normale. La distribuzione Normale
La Distribuzione Normale o Gaussiana è la distribuzione più importante ed utilizzata in tutta la statistica La curva delle frequenze della distribuzione Normale ha una forma caratteristica, simile ad una
DettagliSTATISTICA INFERENZIALE PER VARIABILI QUALITATIVE
STATISTICA INFERENZIALE PER VARIABILI QUALITATIVE La presentazione dei dati per molte ricerche mediche fa comunemente riferimento a frequenze, assolute o percentuali. Osservazioni cliniche conducono sovente
DettagliIncidenza, mortalità e prevalenza per tumore del polmone in Italia
Incidenza, mortalità e prevalenza per tumore del polmone in Sintesi L incidenza e la mortalità per il tumore del polmone stimate in nel periodo 197-215 mostrano andamenti differenti tra uomini e donne:
DettagliCapitolo 4 Probabilità
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 4 Probabilità Insegnamento: Statistica Corso di Laurea Triennale in Economia Facoltà di Economia, Università di Ferrara Docenti: Dott.
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.
DettagliCAPITOLO 16 SUCCESSIONI E SERIE DI FUNZIONI
CAPITOLO 16 SUCCESSIONI E SERIE DI FUNZIONI Abbiamo studiato successioni e serie numeriche, ora vogliamo studiare successioni e serie di funzioni. Dato un insieme A R, chiamiamo successione di funzioni
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
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
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,
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
DettagliCRITERI DI CONVERGENZA PER LE SERIE. lim a n = 0. (1) s n+1 = s n + a n+1. (2) CRITERI PER LE SERIE A TERMINI NON NEGATIVI
Il criterio più semplice è il seguente. CRITERI DI CONVERGENZA PER LE SERIE Teorema(condizione necessaria per la convergenza). Sia a 0, a 1, a 2,... una successione di numeri reali. Se la serie a k è convergente,
DettagliLEZIONE 3. Ing. Andrea Ghedi AA 2009/2010. Ing. Andrea Ghedi AA 2009/2010
LEZIONE 3 "Educare significa aiutare l'animo dell'uomo ad entrare nella totalità della realtà. Non si può però educare se non rivolgendosi alla libertà, la quale definisce il singolo, l'io. Quando uno
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,
DettagliOCCUPATI SETTORE DI ATTIVITA' ECONOMICA
ESERCIZIO 1 La tabella seguente contiene i dati relativi alla composizione degli occupati in Italia relativamente ai tre macrosettori di attività (agricoltura, industria e altre attività) negli anni 1971
DettagliServizi di consulenza specialistica per IGRUE 2009 2012
Allegato 9A Metodo della stima delle differenze Descrizione della procedura Il metodo della stima delle differenze è indicato qualora il controllore ritenga che la popolazione sia affetta da un tasso di
Dettagli4 3 4 = 4 x 10 2 + 3 x 10 1 + 4 x 10 0 aaa 10 2 10 1 10 0
Rappresentazione dei numeri I numeri che siamo abituati ad utilizzare sono espressi utilizzando il sistema di numerazione decimale, che si chiama così perché utilizza 0 cifre (0,,2,3,4,5,6,7,8,9). Si dice
DettagliPROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE
Matematica e statistica: dai dati ai modelli alle scelte www.dima.unige/pls_statistica Responsabili scientifici M.P. Rogantin e E. Sasso (Dipartimento di Matematica Università di Genova) PROBABILITÀ -
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
DettagliBasi di matematica per il corso di micro
Basi di matematica per il corso di micro Microeconomia (anno accademico 2006-2007) Lezione del 21 Marzo 2007 Marianna Belloc 1 Le funzioni 1.1 Definizione Una funzione è una regola che descrive una relazione
DettagliIl concetto di valore medio in generale
Il concetto di valore medio in generale Nella statistica descrittiva si distinguono solitamente due tipi di medie: - le medie analitiche, che soddisfano ad una condizione di invarianza e si calcolano tenendo
DettagliCorso di Laurea in Scienze e Tecnologie Biomolecolari. NOME COGNOME N. Matr.
Corso di Laurea in Scienze e Tecnologie Biomolecolari Matematica e Statistica II Prova di esame del 18/7/2013 NOME COGNOME N. Matr. Rispondere ai punti degli esercizi nel modo più completo possibile, cercando
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,
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
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
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,
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
DettagliLimiti e continuità delle funzioni reali a variabile reale
Limiti e continuità delle funzioni reali a variabile reale Roberto Boggiani Versione 4.0 9 dicembre 2003 1 Esempi che inducono al concetto di ite Per introdurre il concetto di ite consideriamo i seguenti
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 -
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
DettagliEsercitazione n.2 Inferenza su medie
Esercitazione n.2 Esercizio L ufficio del personale di una grande società intende stimare le spese mediche familiari dei suoi impiegati per valutare la possibilità di attuare un programma di assicurazione
DettagliConcetto di potenza statistica
Calcolo della numerosità campionaria Prof. Giuseppe Verlato Sezione di Epidemiologia e Statistica Medica, Università di Verona Concetto di potenza statistica 1 Accetto H 0 Rifiuto H 0 Ipotesi Nulla (H
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
DettagliCorso di laurea in Scienze Motorie Corso di Statistica Docente: Dott.ssa Immacolata Scancarello Lezione 14: Analisi della varianza (ANOVA)
Corso di laurea in Scienze Motorie Corso di Statistica Docente: Dott.ssa Immacolata Scancarello Lezione 4: Analisi della varianza (ANOVA) Analisi della varianza Analisi della varianza (ANOVA) ANOVA ad
DettagliDisegni di Ricerca e Analisi dei Dati in Psicologia Clinica. Indici di Affidabilità
Disegni di Ricerca e Analisi dei Dati in Psicologia Clinica Indici di Affidabilità L Attendibilità È il livello in cui una misura è libera da errore di misura È la proporzione di variabilità della misurazione
DettagliStatistical Process Control
Statistical Process Control ESERCIZI Esercizio 1. Per la caratteristica di un processo distribuita gaussianamente sono note media e deviazione standard: µ = 100, σ = 0.2. 1a. Calcolare la linea centrale
DettagliMatematica e Statistica
Matematica e Statistica Prova d esame (0/07/03) Università di Verona - Laurea in Biotecnologie - A.A. 0/3 Matematica e Statistica Prova di MATEMATICA (0/07/03) Università di Verona - Laurea in Biotecnologie
DettagliANALISI DELLE FREQUENZE: IL TEST CHI 2
ANALISI DELLE FREQUENZE: IL TEST CHI 2 Quando si hanno scale nominali o ordinali, non è possibile calcolare il t, poiché non abbiamo medie, ma solo frequenze. In questi casi, per verificare se un evento
Dettaglib. Che cosa succede alla frazione di reddito nazionale che viene risparmiata?
Esercitazione 7 Domande 1. L investimento programmato è pari a 100. Le famiglie decidono di risparmiare una frazione maggiore del proprio reddito e la funzione del consumo passa da C = 0,8Y a C = 0,5Y.
DettagliIl test del Chi-quadrato
Il test del Chi-quadrato Prof.ssa Montomoli- Univ. di Pavia Prof.ssa Zanolin Univ. di Verona Il rischio di contrarre epatite C è associato all avere un tatuaggio? Cosa vuol dire ASSOCIAZIONE tra due variabili?
DettagliSMID a.a. 2004/2005 Corso di Metodi Statistici in Biomedicina Tassi di incidenza 9/2/2005
SMID a.a. 2004/2005 Corso di Metodi Statistici in Biomedicina Tassi di incidenza 9/2/2005 Ricerca epidemiologica Gli epidemiologi sono interessati a conoscere l incidenza delle malattie per prevedere i
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
DettagliIl ragionamento diagnostico TEST DIAGNOSTICO. Dott.ssa Marta Di Nicola. L accertamento della condizione patologica viene eseguito TEST DIAGNOSTICO
Il ragionamento diagnostico http://www.biostatistica biostatistica.unich unich.itit 2 L accertamento della condizione patologica viene eseguito All'inizio del decorso clinico, per una prima diagnosi In
DettagliLABORATORIO-EXCEL N. 2-3 XLSTAT- Pro Versione 7 VARIABILI QUANTITATIVE
LABORATORIO-EXCEL N. 2-3 XLSTAT- Pro Versione 7 VARIABILI QUANTITATIVE DESCRIZIONE DEI DATI DA ESAMINARE Sono stati raccolti i dati sul peso del polmone di topi normali e affetti da una patologia simile
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
DettagliTemi di Esame a.a. 2012-2013. Statistica - CLEF
Temi di Esame a.a. 2012-2013 Statistica - CLEF I Prova Parziale di Statistica (CLEF) 11 aprile 2013 Esercizio 1 Un computer è collegato a due stampanti, A e B. La stampante A è difettosa ed il 25% dei
DettagliLa Distribuzione Normale (Curva di Gauss)
1 DISTRIBUZIONE NORMALE o CURVA DI GAUSS 1. E la più importante distribuzione statistica continua e trova numerose applicazioni nello studio dei fenomeni biologici. 2. Fu proposta da Gauss (1809) nell'ambito
DettagliCorso di Psicometria Progredito
Corso di Psicometria Progredito 4.2 I principali test statistici per la verifica di ipotesi: Il test F Gianmarco Altoè Dipartimento di Pedagogia, Psicologia e Filosofia Università di Cagliari, Anno Accademico
DettagliSTATISTICA INFERENZIALE
STATISTICA INFERENZIALE Premessa importante: si ipotizza che il comportamento della popolazione rispetto ad una variabile casuale X viene descritto attraverso una funzione parametrica di probabilità p
DettagliCosa dobbiamo già conoscere?
Cosa dobbiamo già conoscere? Insiemistica (operazioni, diagrammi...). Insiemi finiti/numerabili/non numerabili. Perché la probabilità? In molti esperimenti l esito non è noto a priori tuttavia si sa dire
DettagliStatistica. Esercitazione 3 5 maggio 2010 Serie storiche. Connessione e indipendenza statistica
Corso di Laurea in Scienze dell Organizzazione Facoltà di Sociologia, Università degli Studi di Milano-Bicocca a.a. 2008/2009 Statistica Esercitazione 3 5 maggio 2010 Serie storiche. Connessione e indipendenza
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:
DettagliELEMENTI DI DEMOGRAFIA
ELEMENTI DI DEMOGRAFIA 5. Nuzialità della popolazione Posa Donato k posa@economia.unisalento.it Maggio Sabrina k s.maggio@economia.unisalento.it UNIVERSITÀ DEL SALENTO DIP.TO DI SCIENZE ECONOMICHE E MATEMATICO-STATISTICHE
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
DettagliDimensione di uno Spazio vettoriale
Capitolo 4 Dimensione di uno Spazio vettoriale 4.1 Introduzione Dedichiamo questo capitolo ad un concetto fondamentale in algebra lineare: la dimensione di uno spazio vettoriale. Daremo una definizione
Dettagli