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

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

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

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

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

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

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

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

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

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

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

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

Analisi statistica di dati biomedici Analysis of biologicalsignals

Analisi statistica di dati biomedici Analysis of biologicalsignals Analisi statistica di dati biomedici Analysis of biologicalsignals II Parte Verifica delle ipotesi (a) Agostino Accardo (accardo@units.it) Master in Ingegneria Clinica LM in Neuroscienze 2013-2014 e segg.

Dettagli

Capitolo 9: PROPAGAZIONE DEGLI ERRORI

Capitolo 9: PROPAGAZIONE DEGLI ERRORI Capitolo 9: PROPAGAZIOE DEGLI ERRORI 9.1 Propagazione degli errori massimi ella maggior parte dei casi le grandezze fisiche vengono misurate per via indiretta. Il valore della grandezza viene cioè dedotto

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

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

Statistica. Lezione 6

Statistica. 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

Dettagli

STATISTICA INFERENZIALE PER VARIABILI QUALITATIVE

STATISTICA 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

Dettagli

MODELLI LINEARI E NON LINEARI IN R

MODELLI LINEARI E NON LINEARI IN R MODELLI LINEARI E NON LINEARI IN R Angelo M. Mineo Dipartimento di Scienze Statistiche e Matematiche S. Vianelli Università degli Studi di Palermo Copyright 2008 Angelo M. Mineo. All rights reserved. i

Dettagli

Università del Piemonte Orientale. Corso di laurea in biotecnologia. Corso di Statistica Medica. Analisi dei dati quantitativi :

Università del Piemonte Orientale. Corso di laurea in biotecnologia. Corso di Statistica Medica. Analisi dei dati quantitativi : Università del Piemonte Orientale Corso di laurea in biotecnologia Corso di Statistica Medica Analisi dei dati quantitativi : Confronto tra due medie Università del Piemonte Orientale Corso di laurea in

Dettagli

Introduzione alla Teoria degli Errori

Introduzione alla Teoria degli Errori Introduzione alla Teoria degli Errori 1 Gli errori di misura sono inevitabili Una misura non ha significato se non viene accompagnata da una ragionevole stima dell errore ( Una scienza si dice esatta non

Dettagli

errore I = numero soggetti (I = 4) K = numero livelli tratt. (K = 3) popolazione varianza dovuta ai soggetti trattamento

errore I = numero soggetti (I = 4) K = numero livelli tratt. (K = 3) popolazione varianza dovuta ai soggetti trattamento Analisi della varianza a una via a misure ripetute (Anova con 1 fattore within) modello strutturale dell'analisi della varianza a misure ripetute con 1 fattore: y = μ ik 0 +π i +α k + ik ε ik interazione

Dettagli

Principal Component Analysis

Principal Component Analysis Principal Component Analysis Alessandro Rezzani Abstract L articolo descrive una delle tecniche di riduzione della dimensionalità del data set: il metodo dell analisi delle componenti principali (Principal

Dettagli

(accuratezza) ovvero (esattezza)

(accuratezza) ovvero (esattezza) Capitolo n 2 2.1 - Misure ed errori In un analisi chimica si misurano dei valori chimico-fisici di svariate grandezze; tuttavia ogni misura comporta sempre una incertezza, dovuta alla presenza non eliminabile

Dettagli

Accuratezza di uno strumento

Accuratezza di uno strumento Accuratezza di uno strumento Come abbiamo già accennato la volta scora, il risultato della misurazione di una grandezza fisica, qualsiasi sia lo strumento utilizzato, non è mai un valore numerico X univocamente

Dettagli

Compito di SISTEMI E MODELLI. 19 Febbraio 2015

Compito di SISTEMI E MODELLI. 19 Febbraio 2015 Compito di SISTEMI E MODELLI 9 Febbraio 5 Non é ammessa la consultazione di libri o quaderni. Le risposte vanno giustificate. Saranno rilevanti per la valutazione anche l ordine e la chiarezza di esposizione.

Dettagli

ANALISI DEI DATI CON SPSS

ANALISI DEI DATI CON SPSS STRUMENTI E METODI PER LE SCIENZE SOCIALI Claudio Barbaranelli ANALISI DEI DATI CON SPSS II. LE ANALISI MULTIVARIATE ISBN 978-88-7916-315-9 Copyright 2006 Via Cervignano 4-20137 Milano Catalogo: www.lededizioni.com

Dettagli

RELAZIONE TRA VARIABILI QUANTITATIVE. Lezione 7 a. Accade spesso nella ricerca in campo biomedico, così come in altri campi della

RELAZIONE TRA VARIABILI QUANTITATIVE. Lezione 7 a. Accade spesso nella ricerca in campo biomedico, così come in altri campi della RELAZIONE TRA VARIABILI QUANTITATIVE Lezione 7 a Accade spesso nella ricerca in campo biomedico, così come in altri campi della scienza, di voler studiare come il variare di una o più variabili (variabili

Dettagli

ESERCIZI SVOLTI PER LA PROVA DI STATISTICA

ESERCIZI SVOLTI PER LA PROVA DI STATISTICA ESERCIZI SVOLTI PER LA PROVA DI STATISTICA Stefania Naddeo (anno accademico 4/5) INDICE PARTE PRIMA: STATISTICA DESCRITTIVA. DISTRIBUZIONI DI FREQUENZA E FUNZIONE DI RIPARTIZIONE. VALORI CARATTERISTICI

Dettagli

Potenza dello studio e dimensione campionaria. Laurea in Medicina e Chirurgia - Statistica medica 1

Potenza dello studio e dimensione campionaria. Laurea in Medicina e Chirurgia - Statistica medica 1 Potenza dello studio e dimensione campionaria Laurea in Medicina e Chirurgia - Statistica medica 1 Introduzione Nella pianificazione di uno studio clinico randomizzato è fondamentale determinare in modo

Dettagli

Queste sono alcune domande che ci sono venute in mente.

Queste sono alcune domande che ci sono venute in mente. Applicazione di metodi statistici per la verifica di Sistemi Qualità in società di servizi. S. Gorla (*), R. Bergami (**), R. Grassi (***), E. Belluco (****) (*) Responsabile Qualità e Certificazione Citroën

Dettagli

STATISTICA 1 ESERCITAZIONE 1 CLASSIFICAZIONE DELLE VARIABILI CASUALI

STATISTICA 1 ESERCITAZIONE 1 CLASSIFICAZIONE DELLE VARIABILI CASUALI STATISTICA 1 ESERCITAZIONE 1 Dott. Giuseppe Pandolfo 30 Settembre 2013 Popolazione statistica: insieme degli elementi oggetto dell indagine statistica. Unità statistica: ogni elemento della popolazione

Dettagli

APPLICAZIONE DEL (D.L.1937/07) SISTEMA DI AUTOCONTROLLO HACCP. DOTT. ANDREA STORTI 24-ottobre 2014

APPLICAZIONE DEL (D.L.1937/07) SISTEMA DI AUTOCONTROLLO HACCP. DOTT. ANDREA STORTI 24-ottobre 2014 APPLICAZIONE DEL SISTEMA DI AUTOCONTROLLO HACCP (D.L.1937/07) DOTT. ANDREA STORTI 24-ottobre 2014 DEFINIZIONE HACCP ( HAZARD ANALYSIS AND CRITICAL POINT) Analisi dei Rischi e Controllo dei Punti Critici

Dettagli

Stima 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

Dettagli

Conduzione di uno studio epidemiologico (osservazionale)

Conduzione di uno studio epidemiologico (osservazionale) Conduzione di uno studio epidemiologico (osservazionale) 1. Definisco l obiettivo e la relazione epidemiologica che voglio studiare 2. Definisco la base dello studio in modo che vi sia massimo contrasto

Dettagli

Rapporto CESI. Cliente: Oggetto: Ordine: Contratto CESI n. 71/00056. Note: N. pagine: 13 N. pagine fuori testo: Data: 30.05.2000.

Rapporto CESI. Cliente: Oggetto: Ordine: Contratto CESI n. 71/00056. Note: N. pagine: 13 N. pagine fuori testo: Data: 30.05.2000. A0/010226 Pag.1/13 Cliente: Ricerca di Sistema Oggetto: Determinazione della tenacità di acciai eserciti - Correlazioni per stime di FATT da prove Small Punch Ordine: Contratto CESI n. 71/00056 Note: DEGRADO/GEN04/003

Dettagli

Esercitazioni di Statistica

Esercitazioni di Statistica Esercitazioni di Statistica Test d ipotesi sul valor medio e test χ 2 di adattamento Prof. Livia De Giovanni statistica@dis.uniroma1.it Esercizio 1 Si supponga che il diametro degli anelli metallici prodotti

Dettagli

INCERTEZZA DI MISURA

INCERTEZZA DI MISURA L ERRORE DI MISURA Errore di misura = risultato valore vero Definizione inesatta o incompleta Errori casuali Errori sistematici L ERRORE DI MISURA Errori casuali on ne si conosce l origine poiche, appunto,

Dettagli

Ancora sull indipendenza. Se A e B sono indipendenti allora lo sono anche

Ancora sull indipendenza. Se A e B sono indipendenti allora lo sono anche Ancora sull indipendenza Se A e B sono indipendenti allora lo sono anche A e B Ā e B Ā e B Sfruttiamo le leggi di De Morgan Leggi di De Morgan A B = Ā B A B = Ā B P (Ā B) = P (A B) = 1 P (A B) = 1 (P (A)

Dettagli

4. Operazioni elementari per righe e colonne

4. Operazioni elementari per righe e colonne 4. Operazioni elementari per righe e colonne Sia K un campo, e sia A una matrice m n a elementi in K. Una operazione elementare per righe sulla matrice A è una operazione di uno dei seguenti tre tipi:

Dettagli

LA CORRELAZIONE LINEARE

LA CORRELAZIONE LINEARE LA CORRELAZIONE LINEARE La correlazione indica la tendenza che hanno due variabili (X e Y) a variare insieme, ovvero, a covariare. Ad esempio, si può supporre che vi sia una relazione tra l insoddisfazione

Dettagli

Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08. Alberto Perotti, Roberto Garello

Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08. Alberto Perotti, Roberto Garello Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08 Alberto Perotti, Roberto Garello DELEN-DAUIN Processi casuali Sono modelli probabilistici

Dettagli

VARIABILI E DISTRIBUZIONI DI FREQUENZA A.A. 2010/2011

VARIABILI E DISTRIBUZIONI DI FREQUENZA A.A. 2010/2011 VARIABILI E DISTRIBUZIONI DI FREQUENZA A.A. 2010/2011 1 RAPPRESENTARE I DATI: TABELLE E GRAFICI Un insieme di misure è detto serie statistica o serie dei dati 1) Una sua prima elementare elaborazione può

Dettagli

MINIMI QUADRATI. REGRESSIONE LINEARE

MINIMI QUADRATI. REGRESSIONE LINEARE MINIMI QUADRATI. REGRESSIONE LINEARE Se il coefficiente di correlazione r è prossimo a 1 o a -1 e se il diagramma di dispersione suggerisce una relazione di tipo lineare, ha senso determinare l equazione

Dettagli

La variabile casuale Binomiale

La variabile casuale Binomiale La variabile casuale Binomiale Si costruisce a partire dalla nozione di esperimento casuale Bernoulliano che consiste in un insieme di prove ripetute con le seguenti caratteristiche: i) ad ogni singola

Dettagli

ELEMENTI DI STATISTICA

ELEMENTI DI STATISTICA Pag 1 di 92 Francesco Sardo ELEMENTI DI STATISTICA PER VALUTATORI DI SISTEMI QUALITA AMBIENTE - SICUREZZA REV. 11 16/08/2009 Pag 2 di 92 Pag 3 di 92 0 Introduzione PARTE I 1 Statistica descrittiva 1.1

Dettagli

I METALLI PESANTI NEL LATTE

I METALLI PESANTI NEL LATTE I METALLI PESANTI NEL LATTE di Serraino Andrea Dipartimento di Sanità Pubblica Veterinaria e Patologia Animale - Facoltà Medicina Veterinaria - Università di Bologna - Alma Mater Studiorum. I metalli sono

Dettagli

ALGEBRA I: NUMERI INTERI, DIVISIBILITÀ E IL TEOREMA FONDAMENTALE DELL ARITMETICA

ALGEBRA I: NUMERI INTERI, DIVISIBILITÀ E IL TEOREMA FONDAMENTALE DELL ARITMETICA ALGEBRA I: NUMERI INTERI, DIVISIBILITÀ E IL TEOREMA FONDAMENTALE DELL ARITMETICA 1. RICHIAMI SULLE PROPRIETÀ DEI NUMERI NATURALI Ho mostrato in un altra dispensa come ricavare a partire dagli assiomi di

Dettagli

RELAZIONE SUL SISTEMA DI ALLERTA EUROPEO

RELAZIONE SUL SISTEMA DI ALLERTA EUROPEO RELAZIONE SUL SISTEMA DI ALLERTA EUROPEO M.G. PRIMO TRIMESTRE 2014 Il presente rapporto è stato realizzato dalla Direzione Generale per l'igiene e la Sicurezza degli Alimenti e la Nutrizione Direttore

Dettagli

Principal Component Analysis (PCA)

Principal Component Analysis (PCA) Principal Component Analysis (PCA) Come evidenziare l informazione contenuta nei dati S. Marsili-Libelli: Calibrazione di Modelli Dinamici pag. Perche PCA? E un semplice metodo non-parametrico per estrarre

Dettagli

Progettazione Robusta

Progettazione Robusta Progettazione Robusta Perdita Consumatore qualità = f 1 (perdita Perdite di reputazione e quote di mercato Costi di garanzia per il produttore La qualità di un prodotto è la (minima perdita impartita alla

Dettagli

Parte 2. Determinante e matrice inversa

Parte 2. Determinante e matrice inversa Parte. Determinante e matrice inversa A. Savo Appunti del Corso di Geometria 013-14 Indice delle sezioni 1 Determinante di una matrice, 1 Teorema di Cramer (caso particolare), 3 3 Determinante di una matrice

Dettagli

Dott.ssa Caterina Gurrieri

Dott.ssa Caterina Gurrieri Dott.ssa Caterina Gurrieri Le relazioni tra caratteri Data una tabella a doppia entrata, grande importanza riveste il misurare se e in che misura le variabili in essa riportata sono in qualche modo

Dettagli

TECNICHE DI SIMULAZIONE

TECNICHE DI SIMULAZIONE TECNICHE DI SIMULAZIONE MODELLI STATISTICI NELLA SIMULAZIONE Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Modelli statistici nella simulazione

Dettagli

Evoluzione competitiva dei controlli in produzione nelle filiere dei mezzi di trasporto. Torino, Centro Congressi Lingotto 14 15 aprile 2010

Evoluzione competitiva dei controlli in produzione nelle filiere dei mezzi di trasporto. Torino, Centro Congressi Lingotto 14 15 aprile 2010 Evoluzione competitiva dei controlli in produzione nelle filiere dei mezzi di trasporto INDICI E PIANI DI PROCESS CAPABILITY Prof. Biagio Palumbo (Università di Napoli Federico II - Dipartimento Ingegneria

Dettagli

Approssimazione polinomiale di funzioni e dati

Approssimazione polinomiale di funzioni e dati Approssimazione polinomiale di funzioni e dati Approssimare una funzione f significa trovare una funzione f di forma più semplice che possa essere usata al posto di f. Questa strategia è utilizzata nell

Dettagli

Statistical Process Control

Statistical Process Control Statistical Process Control 1 Introduzione SPC si occupa del miglioramento della qualità. I metodi per il miglioramento della qualità possono essere applicati a qualsiasi area in una fabbrica o organizzazione

Dettagli

ANALISI DELLA SOPRAVVIVENZA: IL MODELLO DI COX (parte I)

ANALISI DELLA SOPRAVVIVENZA: IL MODELLO DI COX (parte I) ANALISI DELLA SOPRAVVIVENZA: IL MODELLO DI COX (parte I) ESEMPIO 1 (continua): La costruzione del modello di Cox viene effettuata tramite un unico comando. Poiché il modello contiene una covariata categoriale

Dettagli

1 n. Intero frazionato. Frazione

1 n. Intero frazionato. Frazione Consideriamo un intero, prendiamo un rettangolo e dividiamolo in sei parti uguali, ciascuna di queste parti rappresenta un sesto del rettangolo, cioè una sola delle sei parti uguali in cui è stato diviso.

Dettagli

Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità

Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità Probabilità Probabilità Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità Se tutti gli eventi fossero ugualmente possibili, la probabilità p(e)

Dettagli

STUDIO DEL SEGNO DI UNA FUNZIONE

STUDIO DEL SEGNO DI UNA FUNZIONE STUDIO DEL SEGNO DI UNA FUNZIONE Quando si studia una funzione! " #$%&' (funzione reale di variabile reale) è fondamentale conoscere il segno, in altre parole sapere per quali valori di &( #$%&'$è positiva,

Dettagli

Deviazione standard delle misure : dove è la varianza e sono gli scarti quadratici

Deviazione standard delle misure : dove è la varianza e sono gli scarti quadratici ELEMENTI DI PROBABILITA Media : migliore stima del valore vero in assenza di altre info. Aumentare il numero di misure permette di approssimare meglio il valor medio e quindi ridurre l influenza degli

Dettagli

Metodi risolutivi per le disequazioni algebriche

Metodi risolutivi per le disequazioni algebriche Metodi risolutivi per le disequazioni algebriche v.scudero Una disequazioni algebrica si presenta in una delle quattro forme seguenti: () P( () P( (3) P( () P( essendo P( un polinomio in. Noi studieremo

Dettagli

STUDIO DI SETTORE SM43U

STUDIO DI SETTORE SM43U ALLEGATO 3 NOTA TECNICA E METODOLOGICA STUDIO DI SETTORE SM43U NOTA TECNICA E METODOLOGICA CRITERI PER LA COSTRUZIONE DELLO STUDIO DI SETTORE Di seguito vengono esposti i criteri seguiti per la costruzione

Dettagli

RELAZIONE SUL SISTEMA DI ALLERTA EUROPEO M.G.

RELAZIONE SUL SISTEMA DI ALLERTA EUROPEO M.G. Ministero della Salute RELAZIONE SUL SISTEMA DI ALLERTA EUROPEO M.G. ANNO 2014 2 Il presente rapporto è stato realizzato dalla Direzione Generale per l Igiene e la Sicurezza degli Alimenti e la Nutrizione

Dettagli

PROBABILITA, VALORE ATTESO E VARIANZA DELLE QUANTITÁ ALEATORIE E LORO RELAZIONE CON I DATI OSSERVATI

PROBABILITA, VALORE ATTESO E VARIANZA DELLE QUANTITÁ ALEATORIE E LORO RELAZIONE CON I DATI OSSERVATI statistica, Università Cattaneo-Liuc, AA 006-007, lezione del 08.05.07 IDICE (lezione 08.05.07 PROBABILITA, VALORE ATTESO E VARIAZA DELLE QUATITÁ ALEATORIE E LORO RELAZIOE CO I DATI OSSERVATI 3.1 Valore

Dettagli

Analisi Costi e Benefici Laura Vici laura.vici@unibo.it LEZIONE 5

Analisi Costi e Benefici Laura Vici laura.vici@unibo.it LEZIONE 5 Analisi Costi e Benefici Laura Vici laura.vici@unibo.it LEZIONE 5 Rimini, 26 aprile 2006 1 The Inter temporal Effects of International Trade Valore in $ del consumo di beni oggi G D F H 1/(1+r) G Valore

Dettagli

Indice generale. Modulo 1 Algebra 2

Indice generale. Modulo 1 Algebra 2 Indice generale Modulo 1 Algebra 2 Capitolo 1 Scomposizione in fattori. Equazioni di grado superiore al primo 1.1 La scomposizione in fattori 2 1.2 Raccoglimento a fattor comune 3 1.3 Raccoglimenti successivi

Dettagli

Fitopro s.r.l. - Milano. Servizio Fitosanitario Regionaledel Veneto - Bovolino di Buttapietra (VR)

Fitopro s.r.l. - Milano. Servizio Fitosanitario Regionaledel Veneto - Bovolino di Buttapietra (VR) LOTTA ANTIPERONOSPORICA SU VITE IN REGIME DI AGRICOLTURA BIOLOGICA: CONFRONTO TRA STRATEGIA A PROTEZIONE CONTINUA E STRATEGIA SUPPORTATA DAL MODELLO EPI. VENETO, BIENNIO 2007/2008 M. Buccini 1, G. Rho

Dettagli

SCHEDA DI PROGRAMMAZIONE DELLE ATTIVITA EDUCATIVE DIDATTICHE. Disciplina: Matematica Classe: 5A sia A.S. 2014/15 Docente: Rosito Franco

SCHEDA DI PROGRAMMAZIONE DELLE ATTIVITA EDUCATIVE DIDATTICHE. Disciplina: Matematica Classe: 5A sia A.S. 2014/15 Docente: Rosito Franco Disciplina: Matematica Classe: 5A sia A.S. 2014/15 Docente: Rosito Franco ANALISI DI SITUAZIONE - LIVELLO COGNITIVO La classe ha dimostrato fin dal primo momento grande attenzione e interesse verso gli

Dettagli

Behavior-Based BS) Riduzione degli incidenti e sviluppo della cultura della sicurezza agendo sui comportamenti nei luoghi di lavoro.

Behavior-Based BS) Riduzione degli incidenti e sviluppo della cultura della sicurezza agendo sui comportamenti nei luoghi di lavoro. Behavior-Based Based Safety (B-BS) BS) Riduzione degli incidenti e sviluppo della cultura della sicurezza agendo sui comportamenti nei luoghi di lavoro Italo Viganò Cosa causa gli incidenti Behavior &

Dettagli

BBC Betonrossi Basic Concrete a cura di Luigi Coppola e del Servizio Tecnologico di Betonrossi S.p.A.

BBC Betonrossi Basic Concrete a cura di Luigi Coppola e del Servizio Tecnologico di Betonrossi S.p.A. 22 IL CONTROLLO DELLA QUALITA DEL CALCESTRUZZO IN OPERA S e i risultati del controllo di accettazione dovessero non soddisfare una delle disuguaglianze definite dal tipo di controllo prescelto (A o B)

Dettagli

ELEMENTI DI STATISTICA DESCRITTIVA ED INFERENZIALE

ELEMENTI DI STATISTICA DESCRITTIVA ED INFERENZIALE ELEMENTI DI STATISTICA DESCRITTIVA ED INFERENZIALE Per gli studenti del 1 Anno della Facoltà di Agraria APPUNTI DALLE LEZIONI (A.A. 00/003) Andrea Onofri Dipartimento di Scienze Agroambientali e della

Dettagli

SCOMPOSIZIONE IN FATTORI DI UN POLINOMIO

SCOMPOSIZIONE IN FATTORI DI UN POLINOMIO SCOMPOSIZIONE IN FATTORI DI UN POLINOMIO Così come avviene per i numeri ( 180 = 5 ), la scomposizione in fattori di un polinomio è la trasformazione di un polinomio in un prodotto di più polinomi irriducibili

Dettagli

Acustica con una Bic e uno smartphone

Acustica con una Bic e uno smartphone 1 Acustica con una Bic e uno smartphone L. Galante #, 1, A. M. Lombardi*, 2 # LSS G. Bruno, Torino, Italy. * ITCS Primo Levi, Bollate (MI), Italy. Abstract. A smartphone, with its integrated sensors and

Dettagli

Corrente elettrica (regime stazionario)

Corrente elettrica (regime stazionario) Corrente elettrica (regime stazionario) Metalli Corrente elettrica Legge di Ohm Resistori Collegamento di resistori Generatori di forza elettromotrice Metalli Struttura cristallina: ripetizione di unita`

Dettagli

METODO DEI MINIMI QUADRATI. Quest articolo discende soprattutto dai lavori di Deming, Press et al. (Numerical Recipes) e Jefferys.

METODO DEI MINIMI QUADRATI. Quest articolo discende soprattutto dai lavori di Deming, Press et al. (Numerical Recipes) e Jefferys. METODO DEI MINIMI QUADRATI GIUSEPPE GIUDICE Sommario Il metodo dei minimi quadrati è trattato in tutti i testi di statistica e di elaborazione dei dati sperimentali, ma non sempre col rigore necessario

Dettagli

CONTROLLO AUTOMATICO DEI DEVIATOI Quadro normativo di riferimento

CONTROLLO AUTOMATICO DEI DEVIATOI Quadro normativo di riferimento CONTROLLO AUTOMATICO DEI DEVIATOI Quadro normativo di riferimento Ing. GianPiero Pavirani Bologna, 21 Novembre 2012 Sommario 1. Le attività di manutenzione 2. La normativa di riferimento: 1. 2. 3. Istruzione

Dettagli

STUDI CLINICI 1. Che cosa è uno studio clinico e a cosa serve? 2. Come nasce la sperimentazione clinica e che tipi di studi esistono?

STUDI CLINICI 1. Che cosa è uno studio clinico e a cosa serve? 2. Come nasce la sperimentazione clinica e che tipi di studi esistono? STUDI CLINICI 1. Che cosa è uno studio clinico e a cosa serve? Si definisce sperimentazione clinica, o studio clinico controllato, (in inglese: clinical trial), un esperimento scientifico che genera dati

Dettagli

Cenni sul calcolo combinatorio

Cenni sul calcolo combinatorio Cenni sul calcolo combinatorio Disposizioni semplici Le disposizioni semplici di n elementi distinti di classe k con kn sono tutti i gruppi di k elementi scelti fra gli n, che differiscono per almeno un

Dettagli

DISTRIBUZIONI DI VARIABILI CASUALI DISCRETE

DISTRIBUZIONI DI VARIABILI CASUALI DISCRETE DISTRIBUZIONI DI VARIABILI CASUALI DISCRETE variabile casuale (rv): regola che associa un numero ad ogni evento di uno spazio E. variabile casuale di Bernoulli: rv che può assumere solo due valori (e.g.,

Dettagli

ESTRAZIONE DI RADICE

ESTRAZIONE DI RADICE ESTRAZIONE DI RADICE La radice è l operazione inversa dell elevamento a potenza. L esponente della potenza è l indice della radice che può essere: quadrata (); cubica (); quarta (4); ecc. La base della

Dettagli

Sistema Qualità di Ateneo Modello di Ateneo MODELLO DI ATENEO PER L ACCREDITAMENTO INTERNO IN QUALITÀ DEI CORSI DI STUDIO UNIVERSITARI

Sistema Qualità di Ateneo Modello di Ateneo MODELLO DI ATENEO PER L ACCREDITAMENTO INTERNO IN QUALITÀ DEI CORSI DI STUDIO UNIVERSITARI MODELLO DI ATENEO PER L ACCREDITAMENTO INTERNO IN QUALITÀ DEI CORSI DI STUDIO UNIVERSITARI Requisiti di valutazione per un percorso di Ateneo finalizzato all accreditamento in qualità dei Corsi di Studio:

Dettagli

ALIMENTARI TAL QUALI E NEI PRODOTTI AlimentARI 2015-2018

ALIMENTARI TAL QUALI E NEI PRODOTTI AlimentARI 2015-2018 Piano Nazionale riguardante il Controllo Ufficiale DeGLI ADDITIVI ALIMENTARI TAL QUALI E NEI PRODOTTI AlimentARI 2015-2018 Paolo Stacchini Dipartimento di Sanità Pubblica veterinaria e Sicurezza Alimentare

Dettagli

Preprocessamento dei Dati

Preprocessamento dei Dati Preprocessamento dei Dati Raramente i dati sperimentali sono pronti per essere utilizzati immediatamente per le fasi successive del processo di identificazione, a causa di: Offset e disturbi a bassa frequenza

Dettagli

Esercizi di Algebra Lineare. Claretta Carrara

Esercizi di Algebra Lineare. Claretta Carrara Esercizi di Algebra Lineare Claretta Carrara Indice Capitolo 1. Operazioni tra matrici e n-uple 1 1. Soluzioni 3 Capitolo. Rette e piani 15 1. Suggerimenti 19. Soluzioni 1 Capitolo 3. Gruppi, spazi e

Dettagli

La MKT (Mean Kinetic Temperature) come criterio di accettabilità sui controlli della temperatura

La MKT (Mean Kinetic Temperature) come criterio di accettabilità sui controlli della temperatura La (Mean Kinetic Temperature) come criterio di accettabilità sui controlli della temperatura Come funzionano i criteri di valutazione sulla temperatura Vi sono 5 parametri usati per la valutazione del

Dettagli

DERIVATE DELLE FUNZIONI. esercizi proposti dal Prof. Gianluigi Trivia

DERIVATE DELLE FUNZIONI. esercizi proposti dal Prof. Gianluigi Trivia DERIVATE DELLE FUNZIONI esercizi proposti dal Prof. Gianluigi Trivia Incremento della variabile indipendente e della funzione. Se, sono due valori della variabile indipendente, y f ) e y f ) le corrispondenti

Dettagli

1) IL MOMENTO DI UNA FORZA

1) IL MOMENTO DI UNA FORZA 1) IL MOMENTO DI UNA FORZA Nell ambito dello studio dei sistemi di forze, diamo una definizione di momento: il momento è un ente statico che provoca la rotazione dei corpi. Le forze producono momenti se

Dettagli

1 Medie. la loro media aritmetica è il numero x dato dalla formula: x = x 1 + x 2 +... + x n

1 Medie. la loro media aritmetica è il numero x dato dalla formula: x = x 1 + x 2 +... + x n 1 Medie La statistica consta di un insieme di metodi atti a elaborare e a sintetizzare i dati relativi alle caratteristiche di una fissata popolazione, rilevati mediante osservazioni o esperimenti. Col

Dettagli

STATA. e la BIOSTATISTICA di Norman - Streiner. Prof. Pierpaolo Vittorini pierpaolo.vittorini@univaq.it

STATA. e la BIOSTATISTICA di Norman - Streiner. Prof. Pierpaolo Vittorini pierpaolo.vittorini@univaq.it e la BIOSTATISTICA di Norman - Streiner pierpaolo.vittorini@univaq.it Università degli Studi dell Aquila Facoltà di Medicina e Chirurgia 14 febbraio 2013 Contenuti e obiettivi Breve riassunto applicativo

Dettagli

Excel basi e funzioni

Excel basi e funzioni Esercitazione di Laboratorio Excel basi e funzioni Contenuto delle celle 1. Testo 2. Numeri 3. Formule Formattazione delle celle (1) Formattazione del testo e dei singoli caratteri: Orientamento a 45 Allineamento

Dettagli

REGOLAMENTO PER LA DISCIPLINA DELLE FORME DI COLLABORAZIONE DEGLI STUDENTI ALLE ATTIVITA' CONNESSE AI SERVIZI RESI

REGOLAMENTO PER LA DISCIPLINA DELLE FORME DI COLLABORAZIONE DEGLI STUDENTI ALLE ATTIVITA' CONNESSE AI SERVIZI RESI Senato Accademico 27 Aprile 2010 Consiglio di Amministrazione 18 Maggio 2010 Decreto Rettorale Rep. n. 811/2010 Prot. n 13531 del 29 Giugno 2010 Ufficio Competente Ufficio Agevolazioni allo studio e disabilità

Dettagli

Metodi statistici per l economia (Prof. Capitanio) Slide n. 4. Materiale di supporto per le lezioni. Non sostituisce il libro di testo

Metodi statistici per l economia (Prof. Capitanio) Slide n. 4. Materiale di supporto per le lezioni. Non sostituisce il libro di testo Metodi statistici per l economia (Prof. Capitanio) Slide n. 4 Materiale di supporto per le lezioni. Non sostituisce il libro di testo Dipendenza di un carattere QUANTITATIVO da un carattere QUALITATIVO

Dettagli

GLI INDICI DEI PREZZI ALL IMPORTAZIONE DEI PRODOTTI INDUSTRIALI

GLI INDICI DEI PREZZI ALL IMPORTAZIONE DEI PRODOTTI INDUSTRIALI 74/ 24 febbraio 2014 GLI INDICI DEI PREZZI ALL IMPORTAZIONE DEI PRODOTTI INDUSTRIALI L Istituto nazionale di statistica avvia la pubblicazione, con cadenza mensile, delle nuove serie degli indici dei prezzi

Dettagli

VARIABILI ALEATORIE CONTINUE

VARIABILI ALEATORIE CONTINUE VARIABILI ALEATORIE CONTINUE Se X è una variabile aleatoria continua, la probabilità che X assuma un certo valore x fissato è in generale zero, quindi non ha senso definire una distribuzione di probabilità

Dettagli

La distribuzione Normale. La distribuzione Normale

La 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

Dettagli

LEZIONE 14. a 1,1 v 1 + a 1,2 v 2 + a 1,3 v 3 + + a 1,n 1 v n 1 + a 1,n v n = w 1

LEZIONE 14. a 1,1 v 1 + a 1,2 v 2 + a 1,3 v 3 + + a 1,n 1 v n 1 + a 1,n v n = w 1 LEZIONE 14 141 Dimensione di uno spazio vettoriale Abbiamo visto come l esistenza di una base in uno spazio vettoriale V su k = R, C, permetta di sostituire a V, che può essere complicato da trattare,

Dettagli

DEFINIZIONE DELLE SPECIFICHE TECNICHE DI SVILUPPO DELL ATTREZZATURA PROTOTIPO PER LA CONCENTRAZIONE DI BIOMASSA MICROBICA DA ESTRATTO DI CASTAGNA

DEFINIZIONE DELLE SPECIFICHE TECNICHE DI SVILUPPO DELL ATTREZZATURA PROTOTIPO PER LA CONCENTRAZIONE DI BIOMASSA MICROBICA DA ESTRATTO DI CASTAGNA DEFINIZIONE DELLE SPECIFICHE TECNICHE DI SVILUPPO DELL ATTREZZATURA PROTOTIPO PER LA CONCENTRAZIONE DI BIOMASSA MICROBICA DA ESTRATTO DI CASTAGNA Premesso che nell ambito del progetto Castagna di Montella:

Dettagli

Rette e piani con le matrici e i determinanti

Rette e piani con le matrici e i determinanti CAPITOLO Rette e piani con le matrici e i determinanti Esercizio.. Stabilire se i punti A(, ), B(, ) e C(, ) sono allineati. Esercizio.. Stabilire se i punti A(,,), B(,,), C(,, ) e D(4,,0) sono complanari.

Dettagli

ESERCIZI SVOLTI Ricerca del dominio di funzioni razionali fratte e irrazionali. www.vincenzoscudero.it novembre 2009

ESERCIZI SVOLTI Ricerca del dominio di funzioni razionali fratte e irrazionali. www.vincenzoscudero.it novembre 2009 ESERCIZI SVOLTI Ricerca del dominio di funzioni razionali fratte e irrazionali v.scudero www.vincenzoscudero.it novembre 009 1 1 Funzioni algebriche fratte 1.1 Esercizio svolto y = x 1 x 11x + 10 (generalizzazione)

Dettagli