Metodologie statistiche per l analisi del rischio PROGETTAZIONE ED ANALISI DEGLI ESPERIMENTI PER L ANALISI DEL RISCHIO

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Metodologie statistiche per l analisi del rischio PROGETTAZIONE ED ANALISI DEGLI ESPERIMENTI PER L ANALISI DEL RISCHIO"

Transcript

1 Corso di Laurea in Sicurezza igienico-sanitaria degli alimenti Metodologie statistiche per l analisi del rischio PROGETTAZIONE ED ANALISI DEGLI ESPERIMENTI PER L ANALISI DEL RISCHIO Facoltà di Medicina Veterinaria, Università di Padova Docente: Dott. L. Corain SOMMARIO Definizioni, principi e fasi del DoE (Design of Experiments) Blocco e covariata ANOVA a due vie ANOVA multivia Piani k Fattori fissi e fattori casuali Studi di ripetibilità e riproducibilità

2 PRINCIPI E FASI DEL DOE Un esperimento è una serie di prove in cui lo sperimentatore fa variare deliberatamente dei fattori (controllabili) di input di un processo/sistema, osserva la risposta in un uscita e quindi, grazie ad opportune elaborazioni statistiche inferenziali, determina quali fattori inducono una variazione significativa nella risposta. Nell esperimento sono sempre presenti anche dei fattori (fonti di variabilità) non controllabili (strumenti di esecuzione/misurazione della prova, materiale sperimentale non omogeneo/uniforme, campionamento, ecc.) i quali inducono una variabilità ulteriore alla risposta che si somma a quella determinata dai fattori controllabili. 3 PRINCIPI E FASI DEL DOE Si noti che mentre la variabile risposta (ad es. il grado di contaminazione) deve necessariamente essere una misura di tipo numerico, i fattori controllabili di input di un processo/sistema possono essere sia qualitativi (tipo di reagente, materiale di confezionamento, ecc.) sia quantitativi (% di additivo, quantità di ossidante, ecc.). In un esperimento fattoriale, tutte le possibili combinazioni dei livelli dei fattori (detti trattamenti) vengono testati, generalmente ciascuno per un uguale numero di volte pari ad n (esperimento bilanciato). In un piano fattoriale frazionato invece non tutte le combinazioni dei trattamenti vengono testate, ma sono una loro parte (detta frazione del piano). Se i trattamenti vengano testati una sola volta, si parla di esperimento/piano fattoriale non replicato. Esso ha il forte limite di non consentire una analisi inferenziale. 4

3 PRINCIPI E FASI DEL DOE Grazie ad un opportuno modello statistico di rappresentazione dei dati sperimentali è possibile formalizzare il ruolo sia dei fattori controllabili sia di quelli non controllabili: Y = µ + ε, dove Y è la risposta, µ rappresenta il valore medio della risposta, che può dipendere (linearmente) dai livelli (cioè dai valori) dei fattori controllabili. Ad es. µ = µ + τ i (ANOVA ad una via) µ = µ + τ i + β j (ANOVA ad una via con blocco) µ = µ + τ i + β j + (τβ) ij (ANOVA a due vie) ε rappresenta il termine di errore sperimentale, dove confluiscono tutte le fonti (fattori) di variabilità non controllabile e che si assume indipendente ed identicamente distribuito secondo una v.a. gaussiana: ε IIN(,σ ). 5 PRINCIPI E FASI DEL DOE Gli esperimenti sono largamente utilizzati nel campo dell analisi del rischio microbiologico, ad esempio allo scopo di stabilire se il grado di contaminazione microbica può essere messo in relazione ai livelli di alcuni fattori di interesse (tipo di materiale/luogo/temperatura di produzione/conservazione/trasporto degli alimenti); confrontare i pattern di trasferimento di batteri in base a diversi aspetti (strumenti di lavorazione, processi di sanitizzazione, ecc.); validare un protocollo di laboratorio e studiarne la sua ripetibilità e riproducibilità. In generale, tutti gli esperimenti sono progettati ed i dati ottenuti elaborati con metodi statistici, tuttavia solo alcuni in modo preciso, altri invece sono pianificati poco e male ed analizzati in modo improprio. 6 3

4 PRINCIPI E FASI DEL DOE È importante sottolineare che l esperimento deve essere debitamente progettato prima della sua esecuzione. In particolare bisogna stabilire: l idonea risposta (conta dei batteri, quantità di una certa sostanza, ecc.) al luce del problema in oggetto; i fattori ed i rispettivi livelli che si vogliono manipolare nell esperimento e che ci si aspetta possano influenzare la risposta; esiste un ovvio trade-off tra numero di fattori/livelli e tempi/costi dell esperimento; il numero n di prove per trattamento (numero di repliche); in generale si preferisce far sì che ogni trattamento abbia lo stesso numero di prove (esperimento bilanciato); una appropriata assegnazione del materiale sperimentale ai trattamenti; un idoneo ordine di esecuzione delle prove. 7 PRINCIPI E FASI DEL DOE I principi basilari del DoE sono tre: randomizzazione, replicazione e blocco. Randomizzazione: sia l ordine di esecuzione delle prove sia l assegnazione del materiale sperimentale ai trattamenti deve avvenire in modo completamente casuale (randomizzato); questo consente di mediare gli effetti di fattori non controllabili sempre presenti (ma nascosti ) che vanno così ad incidere in modo uniforme sui vari trattamenti. Replicazione: significa che ogni trattamento deve essere eseguito in più di una prova indipendente; questo consente di migliorare la precisione della stima dell effetto dei fattori, riducendo nel contempo la stima dell errore e del rumore di fondo (si ricordi che l errore standard della media campionaria è uguale a σ, scarto quadratico medio della popolazione, diviso n). 8 4

5 PRINCIPI E FASI DEL DOE Blocco: si tratta di un fattore di disturbo noto e controllabile che quasi certamente produce sulla risposta un effetto, che non interessa però allo sperimentatore. Tuttavia la variabilità che trasmette alla risposta deve essere minimizzata. Tipici fattori di disturbo/blocco sono: lotti di materiale grezzo, operatori, provini, attrezzature, il fattore temporale (turni, giorni, ecc.). Se la variabilità del disturbo è nota e controllabile, si può usare la tecnica dei blocchi; se il fattore di disturbo è noto, osservabile ma non controllabile, si può usare l analisi di covarianza per rimuovere l effetto del fattore di disturbo dall analisi. Se il fattore di disturbo non è né noto né controllabile (a variabile nascosta ), si spera che la randomizzazione equilibri la sua influenza nei confronti dell esperimento. 9 PRINCIPI E FASI DEL DOE Le linee guida per la pianificazione ed analisi degli esperimenti sono le seguenti: Identificazione e formulazione del problema. Scelta dei fattori, livelli ed intervalli. Identificazioni dei blocchi e delle covariate. Selezione della variabile di risposta. Scelta del piano sperimentale: determinazione del numero di repliche; assegnazione del materiale sperimentale ai trattamenti; definizione dell ordine di esecuzione delle prove. Esecuzione dell esperimento. Analisi statistica dei dati mediante metodi ANOVA (Analysis of Variance). Conclusioni e raccomandazioni (eventuale pianificazione di un nuovo esperimento sulla base dei risultati ottenuti). 5

6 ANOVA A DUE VIE Nell ANOVA a due vie si vuole stabilire se l effetto dei due fattori di interesse A e B e della loro interazione ha un impatto significativo sulla risposta. Si definisce interazione la possibile sinergia dei due fattori che si verifica quando l effetto del fattore A sulla risposta è diverso a seconda dei livelli del fattore B. Il modello di rappresentazione dei dati è il seguente: Y ijk = µ + τ i + β j + (τβ) ij + ε ijk, con i=,...,a, j=,...,b, k=,...n. Le analisi inferenziali di interesse corrispondono alle verifiche d ipotesi: H A : τ = =τ a = contro H A : τ i per almeno un livello i; H B : β = =β b = contro H B : β j per almeno un livello j; H AB : (τβ) = =(τβ) ab = contro H AB : (τβ) ij per almeno una combinazione di livelli ij. ANOVA A DUE VIE Ad esempio, in uno studio sulle frodi alimentari, si vuole stabilire se i due fattori origine della produzione (due livelli: standard o commerciale) e tipo di produzione (due livelli: allevamento o pescato) e la loro interazione hanno un impatto significativo sulla quantità di grasso nella carne di branzino. I valori medi campionari della risposta, per ciascun livello dei singoli fattori (main effect plot) e per i 4 trattamenti in questione (interaction plot), possono fornire una preliminare indicazione descrittiva sul problema. Main Effects Plot (fitted means) for grasso Interaction Plot (fitted means) for grasso 6. Origine Tipo Prod 6 Origine Comm Std Mean of grasso Mean Allevam Pescato Comm Std Allevam Pescato Tipo Prod 6

7 ANOVA A DUE VIE Per sviluppare una formale verifica di ipotesi, per ciascuna delle tre ipotesi H di interesse, è necessario considerare la seguente scomposizione della somma dei quadrati della risposta. a b n a b ( yijk y... ) = bn ( yi.. y... ) + an ( y. j. y... ) i= j= k= i= j= a b a b n + n ( yij. yi.. y. j. + y... ) + ( yijk yij. ) i= j= i= j= k= SST = SS A + SSB + SS AB + SSE df gradi di libertà: abn = a + b + ( a )( b ) + ab( n ) 3 ANOVA A DUE VIE Grazie all assunzione di normalità del termine di errore casuale, è possibile considerare tre statistiche test di tipo F, riassunte nella usuale tabella ANOVA. Qualora uno o più p-value fossero inferiori al livello α prefissato, si potrebbe rigettare la corrispondente ipotesi H e concludere che i relativi effetti sono significativi. 4 7

8 ANOVA A DUE VIE Se applichiamo l analisi inferenziale ANOVA al caso studio sulle frodi alimentari dei branzini otteniamo i seguenti risultati. Fissato il livello α al 5%, si può concludere che sia il tipo di produzione, sia l origine sia la loro interazione ha un effetto significativo sulla quantità di grasso nella carne. Factor Type Levels Values Origine fixed Comm; Std Tipo Prod fixed Allevam; Pescato Analysis of Variance for grasso, using Adjusted SS for Tests Source DF Seq SS Adj SS Adj MS F P Origine Tipo Prod Origine*Tipo Prod Error Total S =.776 R-Sq = 4.5% R-Sq(adj) =.3% 5 ANOVA A DUE VIE Grazie all applicazione della procedura dei confronti multipli a coppie (metodo di Tukey) possiamo concludere che solamente lo standard/pescato differisce (ha meno grasso, si veda l interaction plot) rispetto agli altri 3 trattamenti, che presentano invece tra loro uguale valore medio di grasso. Tukey Simultaneous Tests Response Variable grasso All Pairwise Comparisons among Levels of Origine*Tipo Prod Origine = Comm, Tipo Prod = Allevam subtracted from: Difference SE of Adjusted Origine Tipo Prod of Means Difference T-Value P-Value Comm Pescato Std Allevam Std Pescato Origine = Comm, Tipo Prod = Pescato subtracted from: Difference SE of Adjusted Origine Tipo Prod of Means Difference T-Value P-Value Std Allevam Std Pescato Origine = Std, Tipo Prod = Allevam subtracted from: Difference SE of Adjusted Origine Tipo Prod of Means Difference T-Value P-Value Std Pescato

9 ANOVA A DUE VIE L analisi dei residui indica che l assunzione di normalità del termine di errore è ragionevole, mentre qualche perplessità rimane sull assunzione di omogeneità dalla varianza (ipotesi di omoschedasticità). Plots for grasso Normal Probability Plot of the s s Versus the Fitted Values Percent Fitted Value 4 Histogram of the s s Versus the Order of the Data Frequency Observation Order 7 ANOVA A DUE VIE E importante notare che la procedura dell ANOVA tratta ogni fattore come se fosse qualitativo, indipendentemente dal fatto che sia qualitativo o quantitativo. A volte un esperimento può coinvolgere sia fattori quantitativi che qualitativi. Questo fatto può essere considerato nell analisi statistica in riferimento ad un modello di regressione, per i fattori quantitativi a ciascun livello (o combinazione dei livelli) dei fattori qualitativi. Si tratta di una analisi aggiuntiva (e seguente a quella ANOVA) che può essere implementata sugli stessi dati sperimentali. Queste curve e/o superfici di risposta sono spesso un aiuto considerevole nell interpretazione pratica dei risultati. 8 9

10 ANOVA A DUE VIE Si consideri uno studio sulla contaminazione di Escherichia coli in funzione della temperatura di conservazione dell alimento (fattore A) ed il tipo di materiale di conservazione (fattore B). In questo caso, separatamente per ciascun materiale, è possibile applicare anche un modello di regressione, ad es. Y i = β + β T i + β T i + ε i. 9 ANOVA A DUE VIE L applicazione dell analisi inferenziale ANOVA al caso studio sulla contaminazione di Escherichia coli mette in luce i seguenti risultati. Fissato il livello α al 5%, si può concludere che sia il materiale sia la temperatura di conservazione, così come la loro interazione, hanno un effetto significativo sulla contaminazione batterica. Factor Type Levels Values Materiale fixed 3 ; ; 3 Temper fixed 3 5; 7; 5 Analysis of Variance for Batteri, using Adjusted SS for Tests Source DF Seq SS Adj SS Adj MS F P Materiale Temper Materiale*Temper Error Total S = R-Sq = 76.5% R-Sq(adj) = 69.56%

11 ANOVA A DUE VIE Analizzando i main effect e interaction plot (dopo l analisi inferenziale) possiamo stabilire quale sia il materiale migliore e peggiore ( e 3) e quale sia l effetto della temperatura (correlazione diretta con contaminazione). Inoltre si desume che al variare del materiale, l effetto della temperatura non è lo stesso (ogni materiale ha un proprio profilo di contaminazione in funzione della temperatura). Mean of Batteri Main Effects Plot (fitted means) for Batteri Materiale Temper Mean Interaction Plot (fitted means) for Batteri Materiale Temper ANOVA A DUE VIE L analisi dei residui non evidenzia alcuna criticità rispetto alle tre assunzioni (normalità, indipendenza ed omoschedasticità) sul termine di errore casuale del modello. Plots for Batteri Normal Probability Plot of the s s Versus the Fitted Values Percent Fitted Value 5 Frequency Histogram of the s s Versus the Order of the Data Observation Order

12 ANOVA A DUE VIE Dal momento che uno dei due fattori è di tipo quantitativo (temperatura) è possibile stimare una curva di risposta (polinomiale di grado) per ciascuno dei tre materiali. Dai risultati si possono desumere delle importanti indicazioni sul profili di contaminazione per i tre materiali. 5 Scatterplot of Batteri vs Temper Materiale 3 Batteri Temper 4 3 ANALISI DELLA VARIANZA MULTIVIA Modello statistico (3 fattori) Numero di osservazioni totali: abcn i =,,..., a j =,,..., b Yijkl = µ + τ i + β j + γ k + ( τβ ) ij + ( τγ ) ik + ( βγ ) jk + ( τβγ ) ijk + εijkl k =,,..., c l =,,..., n Yijkl è variabile casuale che indica l ijkl esima osservazione µ è il valore atteso totale, è un parametro comune a tutti i livelli dell esperimento τ è l effetto dell i esimo livello del fattore A i β è l effetto del j esimo livello del fattore B j γ k è l effetto del k esimo livello del fattore C τβ è l effetto dell interazione tra il fattore A e il fattore B ( ) ij ( τγ ) ik è l effetto dell interazione tra il fattore A e il fattore C ( βγ ) jk è l effetto dell interazione tra il fattore B e il fattore C ( τβγ ) ijk è l effetto dell interazione tra il fattore A, il fattore B e il fattore C ε ijkl rappresenta la componente dell errore casuale avente distribuzione normale con media zero e varianza σ. 4

13 ANALISI DELLA VARIANZA MULTIVIA La procedura di base è simile al caso a due fattori; tutti le abc k combinazioni dei fattori (trattamenti), ciascuna replicata n volte, vengono realizzate in ordine casuale. Anche l analisi ANOVA è simile e si basa sulla scomposizione della somma dei quadrati del tipo: SST = SS A + SSB + + SS AB + SS AC + + SS + + SS + SS ABC AB K E Per quanto riguarda l analisi inferenziale, si avranno tante verifiche di ipotesi (cosiddette sugli effetti principali) quanti sono i k fattori, così come si andrà a testare la significatività delle interazioni a due, a tre e così via. 5 PIANI K Lo studio sulle frodi alimentari è un esempio di piano, ovvero di piano k con k=. In generale, un piano k èun caso particolare di piano multivia quando si considerano k fattori, ciascuno dei quali su livelli (detti convenzionalmente alto / basso o presenza / assenza, rispettivamente per fattori quantitativi o qualitativi). Si noti che il modello di rappresentazione dei dati include k k k effetti principali, e interazioni a e a 3 e così via. Il piano k 3 è particolarmente utile nelle fasi iniziali della sperimentazione quando è probabile che ci siano molti fattori da analizzare. Dato che tale piano determina un numero di trattamenti che il minimo valore possibile per lo studio di k fattori, il piano k viene ampiamente utilizzato negli esperimenti di screening. Dato che si considerano solamente due livelli per fattore, si assume implicitamente che la risposta vari linearmente nel range dei livelli scelti del fattore. 6 3

14 PIANI K Esempio: si consideri il processo di riempimento di una bevanda gasata dove la risposta (differenza dell altezza del livello target) è in funzione di 3 fattori, quali A: % di carbonazione, B: pressione e C: velocità del macchinario. Per ciascuno degli 8 trattamenti sono state realizzate n= repliche. 7 PIANI K Risultati dell analisi inferenziale. Term Effect Coef SE Coef T P Constant A B C A*B A*C B*C A*B*C S = R-Sq = 93.59% R-Sq(adj) = 87.98% Analysis of Variance for Y (coded units) Source DF Seq SS Adj SS Adj MS F P Main Effects Way Interactions Way Interactions Error Pure Error Total

15 PIANI K Main effect e interaction plot. Interaction Plot (data means) for Y A 4 A Main Effects Plot (data means) for Y B 4 B 5 3 A B C Mean of Y C PIANI K Surface e contour plot. Surface Plots of Y Y - A B 5. Y - - A 4 C Hold Values A B 5 C Contour Plots of Y Y C 7.5 B 3. B*A C*A C*B 4 Y < > Hold Values A B 5 C

16 FATTORI FISSI E FATTORI CASUALI Negli esperimenti che abbiamo considerato finora i fattori si assumono come fissi: ciò significa che lo sperimentatore può fissare a propria scelta i livelli del fattore stesso. L analisi inferenziale mira a stabilire se quei specifici livelli del fattore inducono una variazione significativa nella risposta. Talvolta invece i livelli dei fattori non possono essere considerati fissi, ma sono di fatto estratti casualmente da una più ampia popolazione di possibili livelli (ad es. alcun tra tutti i possibili laboratori, operatori, ecc.). Parliamo in questo caso di fattori casuali. L obiettivo è stabilire se l intera popolazione di un dato fattore casuale ha un effetto significativo sulla risposta. 3 FATTORI FISSI E FATTORI CASUALI Nei disegni con fattori casuali spesso l obiettivo è anche quello di isolare e stimare la parte della variabilità imputabile al fattore casuale, separandola dalla variabilità non controllabile (rappresentata dal termine casuale ε). Nel caso di un singolo fattore casuale, il modello statistico è definito come y i =,,..., a = µ + τ + ε j =,,..., n ij i ij sia τ i sia ε i sono variabili casuali, ovvero εij IIN σ τ IIN στ (, ) e i (, ) da cui, la variabilità totale della variabile casuale che rappresenta ciascuna osservazione è data da V( yij ) = σ + σ τ 3 6

17 FATTORI FISSI E FATTORI CASUALI La variabilità totale delle osservazioni è scomposta in una componente che misura la variabilità tra i trattamenti e una che misura la variabilità all interno dei trattamenti. La verifica di ipotesi sugli effetti di un trattamento individuale è priva di significato, pertanto vengono valutate le ipotesi sulle componenti di varianza: H : στ = H : στ > Se σ τ= tutti i trattamenti sono identici; se invece σ τ> c è variabilità tra i trattamenti (e quindi un effetto sulla risposta). I valori attesi delle somme dei quadrati portano a E( MSE ) = σ e E( MSTreatments ) = σ + nσ τ Bisogna quindi valutare la statistica test F con a- e N- gradi di libertà:. F MS MS = Treatments / E 33 FATTORI FISSI E FATTORI CASUALI Gli stimatori dei componenti della varianza sono: ˆ σ = MS e ˆ ˆ E σ + nστ = MSTreatments MSTreatments MSE ˆ στ = n ˆ σ = MS Nel caso di due o più fattori (tutti od in parte) di tipo casuale, si possono ricavare opportuni stimatori dei componenti della varianza e stimare il peso che ciascuno di questi ha sulla variabilità (e quindi sulla riproducibilità) dell intero sistema/protocollo di misurazione. Si noti che talvolta il metodo di analisi della varianza può condurre ad una stima negativa (ovviamente priva di significato) di un componente della varianza. E 34 7

18 STUDI DI RIPETIBILITÀ E RIPRODUCIBILITÀ Spesso risulta di interesse validare/studiare un protocollo di laboratorio mediante un esperimento pianificato al fine di studiare/stimare le componenti di variabilità di un determinato sistema di misurazione. Si parla di ANOVA Gauge R&R (Repeatability & Reproducibility). Per ripetibilità si intende la variazione nelle misure prese da una sola persona o strumento sulla stessa unità e alle stesse condizioni. Si tratta della variabilità attribuibile esclusivamente all errore sperimentale (σ relativo ad ε). Con riproducibilità ci si riferisce invece alla componente della variabilità che può essere attribuita all operatore (inteso quindi come fattore casuale, come se un operatore venisse estratto da una ipotetica popolazione). Nel caso si considerasse anche il fattore laboratorio, saremmo di fronte ad un modello con due fattori casuali, entrambi con un possibile impatto sulla riproducibilità. 35 STUDI DI RIPETIBILITÀ E RIPRODUCIBILITÀ Si noti che il fattore operatore risultata nidificato (nested) all interno del fattore laboratorio; questo perché ovviamente un operatore opera solamente all interno di un dato laboratorio; in presenza di fattori nested, il numero di trattamenti e di gradi di libertà si calcolano in modo diverso dal caso standard. Un ulteriore fattore che viene spesso considerato negli studi Gauge R&R è rappresentato dalle parti (parts) o campioni (samples), ovvero ciò che viene misurato. Spesso le parti/campioni sono estratti (trattasi di un fattore casuale) dalla medesima popolazione (ad es. lotto di prodotto o materia prima) e ci si aspetta che tra le diverse parti/campioni non vi sia una differenza significativa. Anche l effetto delle parti/campioni può avere un potenziale impatto sulla riproducibilità del sistema. 36 8

19 STUDI DI RIPETIBILITÀ E RIPRODUCIBILITÀ Esempio: uno studio inter-laboratorio, dove la risposta è il conteggio delle colonie batteriche aerobiche, è stato condotto in laboratori in ciascuno dei quali analisti hanno provato campioni di uno stesso lotto, facendo le analisi in doppio per ogni campione. Quindi, ogni laboratorio ha effettuato xx=8 analisi e il numero totale di prove è pari ad 8. Si tratta di uno studio Gauge R&R con 3 fattori (full nested). Dall analisi della tabella ANOVA, fissato il livello α=5%, si evince che sia tra laboratori sia tra campioni esiste una differenza significativa. Analysis of Variance for Log(counts), using Adjusted SS for Tests Source DF Seq SS Adj SS Adj MS F P Laboratory Analyst(Laboratory) Sample(Laboratory Analyst) Error Total S =.7835 R-Sq = 96.53% R-Sq(adj) = 93.6% 37 STUDI DI RIPETIBILITÀ E RIPRODUCIBILITÀ Mean of Log(counts) Log(counts) Dotplot of Log(counts) vs Laboratory; Analyst; Sample Sample Analyst Laboratory Main Effects Plot (data means) for Log(counts) Laboratory Variance Components % of Source Var Comp. Total StDev Laboratory Analyst Sample Error Total Ripetibilità =.4 (6.4%) Riproducibilità = =.4(93.6%) Percent Frequency Plots for Log(counts) Normal Probability Plot of the s s Versus the Fitted Values Fitted Value Histogram of the s s Versus the Order of the Data Observation Order 38 9

Metodi statistici e probabilistici per l ingegneria. Corso di Laurea in Ingegneria Civile A.A. 2009-10. Facoltà di Ingegneria. Università di Padova

Metodi statistici e probabilistici per l ingegneria. Corso di Laurea in Ingegneria Civile A.A. 2009-10. Facoltà di Ingegneria. Università di Padova Metodi statistici e probabilistici per l ingegneria Corso di Laurea in Ingegneria Civile A.A. 29- Facoltà di Ingegneria Università di Padova Docente: Dott. L. Corain ESERCIZIO (TEST AD UN CAMPIONE) Un

Dettagli

MIGLIORAMENTO DI UN PROCESSO DI SMALTATURA MEDIANTE L APPLICAZIONE DI TECNICHE DOE

MIGLIORAMENTO DI UN PROCESSO DI SMALTATURA MEDIANTE L APPLICAZIONE DI TECNICHE DOE PRESENTATO AL CONVEGNO AIAS ASSOCIAZIONE ITALIANA PER L ANALISI DELLE SOLLECITAZIONI XXXVII CONVEGNO NAZIONALE, 10-13 SETTEMBRE 2008, UNIVERSITÀ DI ROMA LA SAPIENZA MIGLIORAMENTO DI UN PROCESSO DI SMALTATURA

Dettagli

Università del Piemonte Orientale. Corsi di Specialità. Corso di Statistica Medica. Analisi dei dati quantitativi : Analisi della varianza

Università del Piemonte Orientale. Corsi di Specialità. Corso di Statistica Medica. Analisi dei dati quantitativi : Analisi della varianza Università del Piemonte Orientale Corsi di Specialità Corso di Statistica Medica Analisi dei dati quantitativi : Analisi della varianza Università del Piemonte Orientale Corso di laurea in biotecnologie

Dettagli

Confronto di metodologie statistiche per l analisi di risultati di Customer Satisfaction

Confronto di metodologie statistiche per l analisi di risultati di Customer Satisfaction Confronto di metodologie statistiche per l analisi di risultati di Customer Satisfaction S. Gorla: Citroën Italia S.p.A. e Consigliere di giunta AicqCN; E. Belluco: statistico, PG. Della Role: master Black

Dettagli

STATISTICA DESCRITTIVA SCHEDA N. 5: REGRESSIONE LINEARE

STATISTICA DESCRITTIVA SCHEDA N. 5: REGRESSIONE LINEARE STATISTICA DESCRITTIVA SCHEDA N. : REGRESSIONE LINEARE Nella Scheda precedente abbiamo visto che il coefficiente di correlazione fra due variabili quantitative X e Y fornisce informazioni sull esistenza

Dettagli

L Analisi della Varianza ANOVA (ANalysis Of VAriance)

L Analisi della Varianza ANOVA (ANalysis Of VAriance) L Analisi della Varianza ANOVA (ANalysis Of VAriance) 1 CONCETTI GENERALI Finora abbiamo descritto test di ipotesi finalizzati alla verifica di ipotesi sulla differenza tra parametri di due popolazioni

Dettagli

4. Confronto tra medie di tre o più campioni indipendenti

4. Confronto tra medie di tre o più campioni indipendenti BIOSTATISTICA 4. Confronto tra medie di tre o più campioni indipendenti Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk MARTA BLANGIARDO

Dettagli

Indice. pag. 15. Prefazione. Introduzione» 17

Indice. pag. 15. Prefazione. Introduzione» 17 Indice Prefazione 15 Introduzione 17 1. Pianificazione della qualità 1.1. Il concetto di 6 sigma 1.1.1. Le aree e le fasi del sei sigma 1.2. I processi produttivi e la variabilità 1.2.1. Cause comuni 1.2.2.

Dettagli

Capitolo 12 La regressione lineare semplice

Capitolo 12 La regressione lineare semplice Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 12 La regressione lineare semplice Insegnamento: Statistica Corso di Laurea Triennale in Economia Facoltà di Economia, Università di Ferrara

Dettagli

Piacenza, 10 marzo 2014 La preparazione della tesi di Laurea Magistrale

Piacenza, 10 marzo 2014 La preparazione della tesi di Laurea Magistrale Piacenza, 0 marzo 204 La preparazione della tesi di Laurea Magistrale ma questa statistica a che cosa serve? non vedo l ora di cominciare a lavorare per la tesi. e dimenticarmi la statistica!! il mio relatore

Dettagli

Confronto tra gruppi (campioni indipendenti)

Confronto tra gruppi (campioni indipendenti) Confronto tra gruppi (campioni indipendenti) Campioni provenienti da una popolazione Normale con medie che possono essere diverse ma varianze uguali campioni: Test z or t sulla differenza tra medie 3,

Dettagli

Formazione Aziendale per la Qualità

Formazione Aziendale per la Qualità 4 Corsi e Formazione per la Qualità Formazione Aziendale per la Qualità Il nostro obiettivo L organizzazione, l analisi e l interpretazione dei dati aziendali all interno del proprio business, può rappresentare

Dettagli

Prova scritta di Complementi di Probabilità e Statistica. 31 Ottobre 2012

Prova scritta di Complementi di Probabilità e Statistica. 31 Ottobre 2012 Prova scritta di Complementi di Probabilità e Statistica 31 Ottobre 2012 1. In un processo per accrescere uno strato sottile di biossido di silicio sopra fette di silicio utilizzate per la fabbricazione

Dettagli

INTRODUZIONE AL DOE come strumento di sviluppo prodotto Francesca Campana Parte 3 Piani a fattore singolo e relativi test di interpretazione

INTRODUZIONE AL DOE come strumento di sviluppo prodotto Francesca Campana Parte 3 Piani a fattore singolo e relativi test di interpretazione INTRODUZIONE AL DOE come strumento di sviluppo prodotto Francesca Campana Parte 3 Piani a fattore singolo e relativi test di interpretazione Pagina 1 PIANI A SINGOLA VARIABILE Questi piani sono l esempio

Dettagli

La statistica nella ricerca scientifica

La statistica nella ricerca scientifica La statistica nella ricerca scientifica Pubblicazione dei risultati Presentazione dei dati e la loro elaborazione devono seguire criteri universalmente validi Impossibile verifica dei risultati da parte

Dettagli

Progettazione del processo produttivo

Progettazione del processo produttivo Progettazione del processo produttivo Il miglioramento della qualità e della produttività ha maggiore efficacia quando è parte integrante del processo di realizzazione del prodotto. In particolare l uso

Dettagli

Prefazione all edizione originale. Prefazione all edizione italiana

Prefazione all edizione originale. Prefazione all edizione italiana Indice Prefazione all edizione originale Prefazione all edizione italiana xiii xv 1 Il miglioramento della qualità nel moderno ambiente produttivo 1 1.1 Significato dei termini qualità e miglioramento

Dettagli

FACOLTÀ DI ECONOMIA Soluzione della Prova di autovalutazione 2012 (primi 6 CFU) ANALISI STATISTICA PER L IMPRESA

FACOLTÀ DI ECONOMIA Soluzione della Prova di autovalutazione 2012 (primi 6 CFU) ANALISI STATISTICA PER L IMPRESA FACOLTÀ DI ECONOMIA Soluzione della Prova di autovalutazione 2012 (primi 6 CFU) ANALISI STATISTICA PER L IMPRESA NB Come potete vedere facendo la somma dei punteggi il numero di quesiti è superiore a quello

Dettagli

Progettazione del processo

Progettazione del processo Progettazione del processo produttivo Il miglioramento della qualità e della produttività ha maggiore efficacia quando è parte integrante del processo di realizzazione del prodotto. In particolare l uso

Dettagli

INTRODUZIONE AL DESIGN OF EXPERIMENTS (Parte 1)

INTRODUZIONE AL DESIGN OF EXPERIMENTS (Parte 1) INTRODUZIONE AL DESIGN OF EXPERIMENTS (Parte 1) 151 Introduzione Un esperimento è una prova o una serie di prove. Gli esperimenti sono largamente utilizzati nel campo dell ingegneria. Tra le varie applicazioni;

Dettagli

4.2. IL TEST F DI FISHER O ANALISI DELLA VARIANZA (ANOVA)

4.2. IL TEST F DI FISHER O ANALISI DELLA VARIANZA (ANOVA) 4.2. IL TEST F DI FISHER O ANALISI DELLA VARIANZA (ANOVA) L analisi della varianza è un metodo sviluppato da Fisher, che è fondamentale per l interpretazione statistica di molti dati biologici ed è alla

Dettagli

Relazioni tra variabili

Relazioni tra variabili Università degli Studi di Padova Facoltà di Medicina e Chirurgia Corso di Laurea in Medicina e Chirurgia - A.A. 009-10 Scuole di specializzazione in: Medicina Legale, Medicina del Lavoro, Igiene e Medicina

Dettagli

ELABORATO FINALE DI STATISTICA:

ELABORATO FINALE DI STATISTICA: ELABORATO FINALE DI STATISTICA: PRIMA PARTE Analisi Descrittiva e Inferenziale di un campione di dati SECONDA PARTE Anova ad una via PRIMA PARTE Analisi Descrittiva e Inferenziale di un campione di dati

Dettagli

ELEMENTI DI STATISTICA DESCRITTIVA

ELEMENTI DI STATISTICA DESCRITTIVA Metodi Statistici e Probabilistici per l Ingegneria ELEMENTI DI STATISTICA DESCRITTIVA Corso di Laurea in Ingegneria Civile Facoltà di Ingegneria, Università di Padova Docente: Dott. L. Corain E-mail:

Dettagli

DoE - Design of Experiment

DoE - Design of Experiment 3 Tecniche di DoE DoE - Design of Experiment Sequenza di Prove Sperimentali da Effettuare per Studiare e Ottimizzare un Processo Un esperimento programmato è una prova o una serie di prove in cui vengono

Dettagli

Design of Experiments

Design of Experiments Design of Experiments Luigi Amedeo Bianchi 1 Introduzione Cominciamo spiegando cosa intendiamo con esperimento, ossia l investigare un processo cambiando i dati in ingresso, osservando i cambiamenti che

Dettagli

Esercitazione Statistica Computazionale B Modelli di regressione lineare semplice Verifica di ipotesi - Analisi della varianza

Esercitazione Statistica Computazionale B Modelli di regressione lineare semplice Verifica di ipotesi - Analisi della varianza Esercitazione Statistica Computazionale B Modelli di regressione lineare semplice Verifica di ipotesi - Analisi della varianza 3 maggio 2005 Esercizio 1 Consideriamo l esempio del libro di testo Annette

Dettagli

Valutazione sperimentale di tecniche di testing per software in relazione ai tipi di guasti

Valutazione sperimentale di tecniche di testing per software in relazione ai tipi di guasti tesi di laurea Valutazione sperimentale di tecniche di testing per software Anno Accademico 2008/2009 relatore Ch.mo prof. Stefano Russo correlatore Ing. Roberto Pietrantuono candidato Giuseppe Scafuti

Dettagli

Statistica. Esercitazione 15. Alfonso Iodice D Enza iodicede@unicas.it. Università degli studi di Cassino. Statistica. A. Iodice

Statistica. 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

Dettagli

Esperimenti in vaso: disegni a randomizzazione completa

Esperimenti in vaso: disegni a randomizzazione completa Esperimenti in vaso: disegni a randomizzazione completa Andrea Onofri 10 marzo 2015 Indice 1 Disegno sperimentale 2 2 Analisi dei dati 3 2.1 Analisi della varianza (ANOVA).................. 4 2.2 Errore

Dettagli

La logica statistica della verifica (test) delle ipotesi

La logica statistica della verifica (test) delle ipotesi La logica statistica della verifica (test) delle ipotesi Come posso confrontare diverse ipotesi? Nella statistica inferenziale classica vengono sempre confrontate due ipotesi: l ipotesi nulla e l ipotesi

Dettagli

Elaborazione dati in Analisi Sensoriale

Elaborazione dati in Analisi Sensoriale Elaborazione dati in Analisi Sensoriale Si è parlato di interpretazione corretta dei risultati ottenuti; a questo concorrono due fattori: affidabilità e validità. Se i test fossero stati ripetuti con lo

Dettagli

Università del Piemonte Orientale. Corso di dottorato in medicina molecolare. a.a. 2002 2003. Corso di Statistica Medica. Inferenza sulle medie

Università del Piemonte Orientale. Corso di dottorato in medicina molecolare. a.a. 2002 2003. Corso di Statistica Medica. Inferenza sulle medie Università del Piemonte Orientale Corso di dottorato in medicina molecolare aa 2002 2003 Corso di Statistica Medica Inferenza sulle medie Statistica U Test z Test t campioni indipendenti con uguale varianza

Dettagli

La regressione lineare multipla

La regressione lineare multipla 13 La regressione lineare multipla Introduzione 2 13.1 Il modello di regressione multipla 2 13.2 L analisi dei residui nel modello di regressione multipla 9 13.3 Il test per la verifica della significatività

Dettagli

VALIDAZIONE SECONDO LE NORME ISO ED UNI-ENV-ISO DEL METODO COLORIMETRICO QUANTITATIVO MBS CONTA DI COLIFORMI IN ACQUE SUPERFICIALI

VALIDAZIONE SECONDO LE NORME ISO ED UNI-ENV-ISO DEL METODO COLORIMETRICO QUANTITATIVO MBS CONTA DI COLIFORMI IN ACQUE SUPERFICIALI VALIDAZIONE SECONDO LE NORME ISO ED UNI-ENV-ISO DEL METODO COLORIMETRICO QUANTITATIVO MBS CONTA DI COLIFORMI IN ACQUE SUPERFICIALI Le metodiche sperimentali e le analisi statistiche che vengono applicate

Dettagli

VALIDAZIONE SECONDO LE NORME ISO ED UNI-ENV-ISO DEL METODO COLORIMETRICO QUANTITATIVO MBS CONTA DI COLIFORMI IN ACQUE SUPERFICIALI

VALIDAZIONE SECONDO LE NORME ISO ED UNI-ENV-ISO DEL METODO COLORIMETRICO QUANTITATIVO MBS CONTA DI COLIFORMI IN ACQUE SUPERFICIALI VALIDAZIONE SECONDO LE NORME ISO ED UNI-ENV-ISO DEL METODO COLORIMETRICO QUANTITATIVO MBS CONTA DI COLIFORMI IN ACQUE SUPERFICIALI Le metodiche sperimentali e le analisi statistiche che vengono applicate

Dettagli

GUIDA PER LA VALUTAZIONE E LA ESPRESSIONE DELL INCERTEZZA NELLE MISURAZIONI

GUIDA PER LA VALUTAZIONE E LA ESPRESSIONE DELL INCERTEZZA NELLE MISURAZIONI SISTEMA NAZIONALE PER L'ACCREDITAMENTO DI LABORATORI DT-000 GUIDA PER LA VALUTAZIONE E LA ESPRESSIONE DELL INCERTEZZA NELLE MISURAZIONI INDICE parte sezione pagina 1. INTRODUZIONE. FONDAMENTI.1. Misurando,

Dettagli

LE ASSUNZIONI DELL'ANOVA

LE ASSUNZIONI DELL'ANOVA LE ASSUNZIONI DELL'ANOVA Sono le assunzioni del test t, ma estese a tutti i gruppi: o La variabile deve avere una distribuzione normale in tutte le popolazioni corrispondenti ai gruppi campionati o Le

Dettagli

Problema pratico: Test statistico = regola di decisione

Problema pratico: Test statistico = regola di decisione La verifica delle ipotesi statistiche Problema pratico: Quale, tra diverse situazioni possibili, riferite alla popolazione, è quella meglio sostenuta dalle evidenze empiriche? Coerenza del risultato campionario

Dettagli

VALIDAZIONE METODI DI PROVA PROVE MICROBIOLOGICHE

VALIDAZIONE METODI DI PROVA PROVE MICROBIOLOGICHE VALIDAZIONE METODI DI PROVA PROVE MICROBIOLOGICHE 1 Il processo di validazione/qualificazione di un metodo microbiologico presuppone che i fattori critici siano adeguatamente disciplinati da indicazioni

Dettagli

iovanella@disp.uniroma2.it http://www.disp.uniroma2.it/users/iovanella Verifica di ipotesi

iovanella@disp.uniroma2.it http://www.disp.uniroma2.it/users/iovanella Verifica di ipotesi iovanella@disp.uniroma2.it http://www.disp.uniroma2.it/users/iovanella Verifica di ipotesi Idea di base Supponiamo di avere un idea del valore (incognito) di una media di un campione, magari attraverso

Dettagli

Regressione Lineare con un Singolo Regressore

Regressione Lineare con un Singolo Regressore Regressione Lineare con un Singolo Regressore Quali sono gli effetti dell introduzione di pene severe per gli automobilisti ubriachi? Quali sono gli effetti della riduzione della dimensione delle classi

Dettagli

METODOLOGIA CLINICA Necessita di: Quantificazione Formalizzazione matematica

METODOLOGIA CLINICA Necessita di: Quantificazione Formalizzazione matematica METODOLOGIA CLINICA Necessita di: Quantificazione Formalizzazione matematica EPIDEMIOLOGIA Ha come oggetto lo studio della distribuzione delle malattie in un popolazione e dei fattori che la influenzano

Dettagli

Test statistici non-parametrici

Test statistici non-parametrici Test statistici non-parametrici Il test t di Student e l ANOVA sono basati su alcune assunzioni. Variabili continue o almeno misurate in un intervallo (es. non conosco il valore assoluto, ma posso quantificare

Dettagli

I Metodi statistici utili nel miglioramento della qualità 27

I Metodi statistici utili nel miglioramento della qualità 27 Prefazione xiii 1 Il miglioramento della qualità nel moderno ambiente produttivo 1 1.1 Significato dei termini qualità e miglioramento della qualità 1 1.1.1 Le componenti della qualità 2 1.1.2 Terminologia

Dettagli

APPENDICE A: Tabella Process Sigma (I)

APPENDICE A: Tabella Process Sigma (I) APPENDICE A: Tabella Process Sigma (I) 203 APPENDICE A: Tabella Process Sigma (II) 204 APPENDICE B: Tipologie di variabili Lo schema sottostante è utile per la corretta scelta degli indicatori durante

Dettagli

Laboratorio R Corso di Algebra e Modelli lineari (Anno Accademico 2011-12)

Laboratorio R Corso di Algebra e Modelli lineari (Anno Accademico 2011-12) Laboratorio R Corso di Algebra e Modelli lineari (Anno Accademico 011-1) REGRESSIONE LINEARE SEMPLICE OPEN STATISTICA 8.44 Per 8 settimanali, appartenenti alla medesima fascia di prezzo e presenti in edicola

Dettagli

LA MODELLAZIONE EMPIRICA DELLE RELAZIONI ECONOMICHE: APPLICAZIONI IN STATA 7. Maria Elena Bontempi e.bontempi@economia.unife.it

LA MODELLAZIONE EMPIRICA DELLE RELAZIONI ECONOMICHE: APPLICAZIONI IN STATA 7. Maria Elena Bontempi e.bontempi@economia.unife.it LA MODELLAZIONE EMPIRICA DELLE RELAZIONI ECONOMICHE: APPLICAZIONI IN STATA 7 Maria Elena Bontempi e.bontempi@economia.unife.it VI LEZIONE: Analisi dei residui di stima: outlier, eteroschedasticità. Leverage.

Dettagli

Cenni di Statistica Inferenziale

Cenni di Statistica Inferenziale Cenni di Statistica Inferenziale Teorema del limite centrale Data una variabile, qualsiasi sia la sua distribuzione, la media di tutti i suoi campioni di ampiezza n ha una distribuzione normale: dove:

Dettagli

Indice Prefazione xiii 1 Probabilità

Indice Prefazione xiii 1 Probabilità Prefazione xiii 1 Probabilità 1 1.1 Origini del Calcolo delle Probabilità e della Statistica 1 1.2 Eventi, stato di conoscenza, probabilità 4 1.3 Calcolo Combinatorio 11 1.3.1 Disposizioni di n elementi

Dettagli

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 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

Dettagli

General Linear Model. Esercizio

General Linear Model. Esercizio Esercizio General Linear Model Una delle molteplici applicazioni del General Linear Model è la Trend Surface Analysis. Questa tecnica cerca di individuare, in un modello di superficie, quale tendenza segue

Dettagli

DISTRIBUZIONI DI PROBABILITÀ

DISTRIBUZIONI DI PROBABILITÀ Metodi statistici e probabilistici per l ingegneria Corso di Laurea in Ingegneria Civile A.A. 2009-10 Facoltà di Ingegneria, Università di Padova Docente: Dott. L. Corain 1 LE PRINCIPALI DISTRIBUZIONI

Dettagli

Microeconometria (Silvia Tiezzi) 01 aprile2011 Esercitazione

Microeconometria (Silvia Tiezzi) 01 aprile2011 Esercitazione Microeconometria (Silvia Tiezzi) 01 aprile2011 Esercitazione Esercizio 1 Si consideri il seguente modello ad effetti fissi con variabili binarie: + 1 2 a) supponete che N=3. Si mostri che i regressori

Dettagli

Analisi della varianza (anova) a due vie

Analisi della varianza (anova) a due vie Analisi della varianza (anova) a due vie Andrea Onofri 27 marzo 2014 Indice 1 Il concetto di interazione 1 2 Tipi di interazione 2 3 Descrizione del caso studio 3 4 Analisi dei dati 4 Sommario Scopo di

Dettagli

Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza

Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 17/06/2015 NOME: COGNOME: MATRICOLA: Esercizio 1 Un sistema

Dettagli

> d = alimentazione == "benz" > mean(percorr.urbana[!d]) - mean(percorr.urbana[d]) [1] 2.385627. > sd(percorr.urbana[d]) [1] 2.

> d = alimentazione == benz > mean(percorr.urbana[!d]) - mean(percorr.urbana[d]) [1] 2.385627. > sd(percorr.urbana[d]) [1] 2. A questo punto vale la pena di soffermarci di più sull alimentazione. Intanto cerchiamo di indagare se l alimentazione è davvero un fattore significativo per la percorrenza come è luogo comune pensare.

Dettagli

Elementi di Statistica

Elementi di Statistica Elementi di Statistica Contenuti Contenuti di Statistica nel corso di Data Base Elementi di statistica descrittiva: media, moda, mediana, indici di dispersione Introduzione alle variabili casuali e alle

Dettagli

6. Modelli statistici: analisi della regressione lineare

6. Modelli statistici: analisi della regressione lineare BIOSTATISTICA 6. Modelli statistici: analisi della regressione lineare Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk MARTA BLANGIARDO

Dettagli

Matlab per applicazioni statistiche

Matlab per applicazioni statistiche Matlab per applicazioni statistiche Marco J. Lombardi 19 aprile 2005 1 Introduzione Il sistema Matlab è ormai uno standard per quanto riguarda le applicazioni ingegneristiche e scientifiche, ma non ha

Dettagli

3) ANALISI DEI RESIDUI

3) ANALISI DEI RESIDUI 3) ANALISI DEI RESIDUI Dopo l analisi di regressione si eseguono alcuni test sui residui per avere una ulteriore conferma della validità del modello e delle assunzioni (distribuzione normale degli errori,

Dettagli

STATISTICA GIUSEPPE DE NICOLAO. Dipartimento di Informatica e Sistemistica Università di Pavia

STATISTICA GIUSEPPE DE NICOLAO. Dipartimento di Informatica e Sistemistica Università di Pavia STATISTICA GIUSEPPE DE NICOLAO Dipartimento di Informatica e Sistemistica Università di Pavia SOMMARIO V.C. vettoriali Media e varianza campionarie Proprietà degli stimatori Intervalli di confidenza Statistica

Dettagli

Cap. 5. Il progetto sperimentale

Cap. 5. Il progetto sperimentale Cap. 5 Il progetto sperimentale Introduzione La sperimentazione è l orizzonte entro cui genera e sviluppa ogni processo progettazione. Per questo motivo in questo capitolo introduce un metodo progettazione

Dettagli

Metodi di analisi dei dati in MINITAB

Metodi di analisi dei dati in MINITAB Metodi di analisi dei dati in MINITAB 73 Metodi di analisi dei dati in MINITAB 4.1 Introduzione ai metodi di analisi dei dati con MINITAB MINITAB dispone di diverse tipologie di comandi per l analisi grafica

Dettagli

RELAZIONE TRA DUE VARIABILI QUANTITATIVE

RELAZIONE TRA DUE VARIABILI QUANTITATIVE RELAZIONE TRA DUE VARIABILI QUANTITATIVE Quando si considerano due o più caratteri (variabili) si possono esaminare anche il tipo e l'intensità delle relazioni che sussistono tra loro. Nel caso in cui

Dettagli

Diaz - Appunti di Statistica - AA 2001/2002 - edizione 29/11/01 Cap. 3 - Pag. 1 = 1

Diaz - Appunti di Statistica - AA 2001/2002 - edizione 29/11/01 Cap. 3 - Pag. 1 = 1 Diaz - Appunti di Statistica - AA 2001/2002 - edizione 29/11/01 Cap. 3 - Pag. 1 Capitolo 3. L'analisi della varianza. Il problema dei confronti multipli. La soluzione drastica di Bonferroni ed il test

Dettagli

Facoltà di Psicologia Università di Padova Anno Accademico 2010-2011

Facoltà di Psicologia Università di Padova Anno Accademico 2010-2011 Facoltà di Psicologia Università di Padova Anno Accademico 010-011 Corso di Psicometria - Modulo B Dott. Marco Vicentini marco.vicentini@unipd.it Rev. 10/01/011 La distribuzione F di Fisher - Snedecor

Dettagli

Strumenti statistici per l analisi di dati genetici

Strumenti statistici per l analisi di dati genetici Strumenti statistici per l analisi di dati genetici Luca Tardella + Maria Brigida Ferraro 1 email: luca.tardella@uniroma1.it Lezione #1 Introduzione al software R al suo utilizzo per l implementazione

Dettagli

MODELLO DI REGRESSIONE PER DATI DI PANEL

MODELLO DI REGRESSIONE PER DATI DI PANEL MODELLO DI REGRESSIONE PER DAI DI PANEL 5. Introduzione Storicamente l analisi econometrica ha proceduto in due distinte direzioni: lo studio di modelli macroeconomici, sulla base di serie temporali di

Dettagli

Ricerca scientifica Processo di ricerca

Ricerca scientifica Processo di ricerca Ricerca scientifica Processo di ricerca Testi di riferimento: Coon, Mitterer (2011) Psicologia generale. UTET Cap. 1 Pedon, Gnisci (2004) Metodologia della ricerca psicologica. Mulino Cap. 2 La ricerca

Dettagli

CORSO DI STATISTICA ED ELEMENTI DI INFORMATICA

CORSO DI STATISTICA ED ELEMENTI DI INFORMATICA ANNO ACCADEMICO 2013-2014 UNIVERSITA DEGLI STUDI DI TERAMO FACOLTA DI MEDICINA VETERINARIA CORSO DI STATISTICA ED ELEMENTI DI INFORMATICA CFU 5 DURATA DEL CORSO : ORE 35 DOCENTE PROF. DOMENICO DI DONATO

Dettagli

VERIFICA DELLE IPOTESI

VERIFICA DELLE IPOTESI VERIFICA DELLE IPOTESI Nella verifica delle ipotesi è necessario fissare alcune fasi prima di iniziare ad analizzare i dati. a) Si deve stabilire quale deve essere l'ipotesi nulla (H0) e quale l'ipotesi

Dettagli

Analisi della varianza

Analisi della varianza Analisi della varianza L analisi della varianza (ANOVA, Analysis of Variance), è una tecnica di analisi dei dati che consente di verificare ipotesi relative alle differenze tra le medie di due o più popolazioni.

Dettagli

Metodologie statistiche per l analisi del rischio

Metodologie statistiche per l analisi del rischio Corso di Laurea in Sicurezza igienico-sanitaria degli alimenti Metodologie statistiche per l analisi del rischio INTRODUZIONE ALL ANALISI QUANTITATIVA DEL RISCHIO PER LA SICUREZZA IGIENICO-SANITARIA DEGLI

Dettagli

Abbiamo visto due definizioni del valore medio e della deviazione standard di una grandezza casuale, in funzione dalle informazioni disponibili:

Abbiamo visto due definizioni del valore medio e della deviazione standard di una grandezza casuale, in funzione dalle informazioni disponibili: Incertezze di misura Argomenti: classificazione delle incertezze; definizione di incertezza tipo e schemi di calcolo; schemi per il calcolo dell incertezza di grandezze combinate; confronto di misure affette

Dettagli

Statistica multivariata. Statistica multivariata. Analisi multivariata. Dati multivariati. x 11 x 21. x 12 x 22. x 1m x 2m. x nm. x n2.

Statistica multivariata. Statistica multivariata. Analisi multivariata. Dati multivariati. x 11 x 21. x 12 x 22. x 1m x 2m. x nm. x n2. Analisi multivariata Statistica multivariata Quando il numero delle variabili rilevate sullo stesso soggetto aumentano, il problema diventa gestirle tutte e capirne le relazioni. Cercare di capire le relazioni

Dettagli

Statistiche campionarie

Statistiche campionarie Statistiche campionarie Sul campione si possono calcolare le statistiche campionarie (come media campionaria, mediana campionaria, varianza campionaria,.) Le statistiche campionarie sono stimatori delle

Dettagli

Test non parametrici. Test non parametrici. Test non parametrici. Test non parametrici

Test non parametrici. Test non parametrici. Test non parametrici. Test non parametrici Test non parametrici Test non parametrici Il test T di Student per uno o per due campioni, il test F di Fisher per l'analisi della varianza, la correlazione, la regressione, insieme ad altri test di statistica

Dettagli

Metodologia sperimentale in agricoltura

Metodologia sperimentale in agricoltura Metodologia sperimentale in agricoltura Principi di disegno sperimentale Andrea Onofri January 2, 2012 Contents 1 Introduzione 1 2 Trattamenti 2 3 Unità sperimentali 3 4 Esperimenti efficaci 4 5 Esperimenti

Dettagli

ANALISI DELLA VARIANZA A PIU CRITERI DI CLASSIFICAZIONE

ANALISI DELLA VARIANZA A PIU CRITERI DI CLASSIFICAZIONE ANALISI DELLA VARIANZA A PIU CRITERI DI CLASSIFICAZIONE CON REPLICHE INTRODUZIONE Lo studio di un fenomeno non si deve limitareit alla valutazione dei singoli fattori in studio ma molto spesso è importante

Dettagli

Statistica inferenziale

Statistica inferenziale Statistica inferenziale Popolazione e campione Molto spesso siamo interessati a trarre delle conclusioni su persone che hanno determinate caratteristiche (pazienti, atleti, bambini, gestanti, ) Osserveremo

Dettagli

RICERCHE DI MERCATO. 5.6 Analisi Fattoriale (Componenti Principali)

RICERCHE DI MERCATO. 5.6 Analisi Fattoriale (Componenti Principali) RICERCHE DI MERCATO 5.6 Analisi Fattoriale (Componenti Principali) Prof. L. Neri Dip. di Economia Politica Premessa Come evidenziato in precedenza l approccio di segmentazione per omogeneità prevede la

Dettagli

Esercitazione #5 di Statistica. Test ed Intervalli di Confidenza (per una popolazione)

Esercitazione #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

Dettagli

IBM SPSS Advanced Statistics 20

IBM SPSS Advanced Statistics 20 IBM SPSS Advanced Statistics 20 Nota: Prima di utilizzare queste informazioni e il relativo prodotto, leggere le informazioni generali disponibili in Note legali a pag. 173. Questa versione si applica

Dettagli

Analisi della varianza

Analisi della varianza 1. 2. univariata ad un solo fattore tra i soggetti (between subjects) 3. univariata: disegni fattoriali 4. univariata entro i soggetti (within subjects) 5. : disegni fattoriali «misti» L analisi della

Dettagli

Statistical learning Strumenti quantitativi per la gestione

Statistical learning Strumenti quantitativi per la gestione Statistical learning Strumenti quantitativi per la gestione Emanuele Taufer Vendite Simbologia Reddito Statistical learning A cosa ci serve f? 1 Previsione 2 Inferenza Previsione Errore riducibile e errore

Dettagli

è decidere sulla verità o falsità

è decidere sulla verità o falsità I test di ipotesi I test di ipotesi Il test delle ipotesi consente di verificare se, e in quale misura, una determinata ipotesi (di carattere sociale, biologico, medico, economico, ecc.) è supportata dall

Dettagli

1a) Calcolare gli estremi dell intervallo di confidenza per µ al 90% in corrispondenza del campione osservato.

1a) Calcolare gli estremi dell intervallo di confidenza per µ al 90% in corrispondenza del campione osservato. Esercizio 1 Sia X 1,..., X un campione casuale estratto da una variabile aleatoria normale con media pari a µ e varianza pari a 1. Supponiamo che la media campionaria sia x = 2. 1a) Calcolare gli estremi

Dettagli

Validazione dei modelli Strumenti quantitativi per la gestione

Validazione dei modelli Strumenti quantitativi per la gestione Validazione dei modelli Strumenti quantitativi per la gestione Emanuele Taufer Validazione dei modelli Il data set Auto I dati Il problema analizzato Validation set approach Diagramma a dispersione Test

Dettagli

Metodologie statistiche in manutenzione

Metodologie statistiche in manutenzione M in in > Statistica di base per la > FMECA per la alla generali Sviluppare una sensibilità al valore aggiunto derivante da un applicazione di metodi e tecniche statistiche in Fornire conoscenze specifiche

Dettagli

Corso 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 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

Dettagli

RISCHIO E CONTROLLO DI GESTIONE LA COSTRUZIONE DI UN BUDGET

RISCHIO E CONTROLLO DI GESTIONE LA COSTRUZIONE DI UN BUDGET LA COSTRUZIONE DI UN BUDGET Prof. Francesco Albergo Docente di PIANIFICAZIONE E CONTROLLO Corso di Laurea in Economia Aziendale Curriculum in Gestione Aziendale Organizzata UNIVERSITA degli Studi di Bari

Dettagli

Elementi di Psicometria con Laboratorio di SPSS 1

Elementi 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

Dettagli

Il controllo delle prestazioni del provider. IL CONTROLLO DELLE PRESTAZIONI DEL PROVIDER (riferimenti)

Il controllo delle prestazioni del provider. IL CONTROLLO DELLE PRESTAZIONI DEL PROVIDER (riferimenti) del provider IL CONTROLLO DELLE PRESTAZIONI DEL PROVIDER (riferimenti) 1 del provider - premessa (1) in merito alla fase di gestione ordinaria dell outsourcing sono state richiamate le prassi di miglioramento

Dettagli

UNI EN ISO 7218:2007 Microbiologia di alimenti e mangimi per animali Requisiti generali e guida per le analisi microbiologiche

UNI EN ISO 7218:2007 Microbiologia di alimenti e mangimi per animali Requisiti generali e guida per le analisi microbiologiche elementi innovativi e conseguenti criticità Stefanetti Mariavittoria Roma, 25-26 giugno 2009 1 TEMPI DI ADEGUAMENTO al 30 novembre 2008 (dopo 12 mesi dall emanazione della norma UNI EN ISO 7218-22/11/2007)

Dettagli

Sommario. Capitolo 1 Impiego della statistica per la gestione dell azienda 1. Capitolo 2 Disponibilità e produzione delle informazioni statistiche 19

Sommario. Capitolo 1 Impiego della statistica per la gestione dell azienda 1. Capitolo 2 Disponibilità e produzione delle informazioni statistiche 19 Prefazione XI Capitolo 1 Impiego della statistica per la gestione dell azienda 1 1.1 Premessa 1 1.2 Il ruolo della statistica a supporto del processo decisionale del manager 3 1.3 L impiego della statistica

Dettagli

3. Confronto tra medie di due campioni indipendenti o appaiati

3. 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

Dettagli

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8 CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Test delle ipotesi sulla varianza In un azienda che produce componenti meccaniche, è stato

Dettagli

Temi di Esame a.a. 2012-2013. Statistica - CLEF

Temi 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

Dettagli

Riassunto 24 Parole chiave 24 Commenti e curiosità 25 Esercizi 27 Appendice

Riassunto 24 Parole chiave 24 Commenti e curiosità 25 Esercizi 27 Appendice cap 0 Romane - def_layout 1 12/06/12 07.51 Pagina V Prefazione xiii Capitolo 1 Nozioni introduttive 1 1.1 Introduzione 1 1.2 Cenni storici sullo sviluppo della Statistica 2 1.3 La Statistica nelle scienze

Dettagli