Fasi dell analisi di dati da microarray (2)
|
|
- Graziano Cattaneo
- 7 anni fa
- Visualizzazioni
Transcript
1 Fasi dell analisi di dati da microarray (). Image Processing: le immagini sono analizzate per determinare una misura dell intensità di ogni spot, insieme ad una valutazione della sua affidabilità. Data preprocessing and normalization: ha lo scopo di evidenziare le caratteristiche significative dei dati, oltre a consentire un corretto confronto tra le misure ottenute con diversi esperimenti.. Data mining: le misure di espressione genica ottenute sono confrontate al fine di individuare i geni differentemente espressi nei tessuti in esame. Tutte queste tre fasi richiedono l impiego di metodi statistici o di tecniche di machine learning. Marco Muselli ioinformatica Funzionale Le immagini ottenute dallo scanner a luce laser consistono di una matrice di spot, che può risultare confusa o parzialmente rovinata. Un metodo di image processing deve anzitutto scegliere la risoluzione e la profondità di colore con cui effettuare la lettura. Image processing () Marco Muselli ioinformatica Funzionale
2 Image processing () Poiché ogni pixel offre una misura dell intensità dello spot nell area occupata, un valore troppo basso della risoluzione conduce ad una misura distorta. In genere, si richiede che il diametro di uno spot sia almeno pixel. La profondità di colore consente di apprezzare le differenze tra le intensità dei vari pixel. Una scelta accettabile normalmente usata consiste nell impiegare bits/pixel, pari a livelli di grigio. Marco Muselli ioinformatica Funzionale Image processing () La fase di image processing consiste dei seguenti quattro passi: Spot finding: localizza gli spot all interno dell array Image segmentation: separa i pixel dello spot in tre gruppi, segnale, background, altro. Quantification: calcola un valore rappresentativo per il livello del segnale e per quello del background di ogni spot. Spot quality assessment: genera una misura dell affidabilità dei valori ottenuti per ciascuno spot. Nell analizzare i vari passi ci soffermeremo principalmente sui punti che richiedono l impiego di tecniche di tipo statistico. Marco Muselli 0 ioinformatica Funzionale
3 Spot finding () Sebbene a livello teorico la posizione degli spot dovrebbe essere fissata a priori, numerosi problemi di ordine tecnico contribuiscono a creare imperfezioni e distorsioni. Occorre pertanto identificare gli spot ponendo un cerchio attorno ad ognuno di essi. Sono usati i seguenti tre modi:. Manuale: attraverso un programma CD l utente identifica al meglio gli spot (occorre un tempo proibitivo con molti geni);. Semi automatico: l utente impone una griglia sull immagine e un programma trova le posizioni corrette degli spot (possibilità di correzione manuale in caso di errore);. utomatico: impiega algoritmi di computer vision per individuare gli spot nell array. Marco Muselli ioinformatica Funzionale Spot finding () Marco Muselli ioinformatica Funzionale
4 Image segmentation () Una volta individuati gli spot, occorre decidere quali pixel formano lo spot (segnale da rilevare), quali fanno parte del background e quali sono da considerarsi derivati da rumore. tale scopo sono impiegati i seguenti metodi:. Pure spatial based signal segmentation: non esegue alcuna analisi statistica. Intensity based segmentation: sceglie i pixel del segnale in base alla loro intensità (nessuna statistica). Mann Whitney segmentation: applica il test di Mann Whitney per individuare il segnale. Combined intensity spatial segmentation: applica un approccio statistico sia per il segnale che per il background Marco Muselli ioinformatica Funzionale Image segmentation () Spot Spot Marco Muselli ioinformatica Funzionale
5 Image segmentation () Spot Spot Marco Muselli ioinformatica Funzionale Image segmentation () Spot Marco Muselli ioinformatica Funzionale
6 Image segmentation () Spot Marco Muselli ioinformatica Funzionale Pure spatial based signal segmentation () Il metodo più semplice per eseguire l image segmentation (pure spatial based signal segmentation) consiste nel posizionare due cerchi attorno ad ogni spot. I pixel che cadono all interno del cerchio più interno sono da considerarsi parte del segnale, mentre quelli al di fuori del cerchio più esterno sono inclusi nel background. I pixel inclusi tra i due cerchi fanno parte della zona di transizione e sono scartati per aumentare la qualità del risultato. Pro: semplicità. Contro: difetti (ad es. polvere) e distorsioni (spot non circolari) provocano errori non riparabili. Marco Muselli ioinformatica Funzionale
7 Pure spatial based signal segmentation () Spot Spot Marco Muselli ioinformatica Funzionale Pure spatial based signal segmentation () Spot Marco Muselli 0 ioinformatica Funzionale
8 Pure spatial based signal segmentation () Spot Marco Muselli ioinformatica Funzionale Intensity based segmentation () Un altro approccio (intensity based segmentation) suppone che i pixel del segnale siano in media più chiari del background. Se ogni spot ha un diametro di circa 0 pixel ed è inserito in una regione di 0x0 pixel, risulta che circa il 0% dei pixel fa parte del segnale. Si possono allora ordinare i pixel secondo il valore crescente dell intensità e considerare l ultimo 0% di essi come facente parte del segnale. Pro: semplice e veloce; funziona bene se gli spot hanno intensità elevata rispetto al background. Contro: se l array è sporco o rumoroso, pixel con intensità nel 0% superiore sono considerati segnale anche se sono lontani dal centro dello spot. Marco Muselli ioinformatica Funzionale
9 Intensity based segmentation () Spot Spot Marco Muselli ioinformatica Funzionale Mann Whitney segmentation () Un test statistico può essere impiegato per individuare i pixel del background e del segnale. Un metodo non parametrico come il test di Mann Whitney è più adeguato in quanto i dati non sono distribuiti in modo normale. Si itera il seguente procedimento:. Prendi a caso pixel del background e gli pixel del presunto segnale con intensità minore.. Se dal valore della statistica U di Mann Whitney non risulta che i due insiemi differiscono significativamente, elimina il pixel del segnale con valore minimo. Pro: funziona bene se lo spot è correttamente individuato. Contro: non tiene conto di artefatti o rumore nel background; in tal caso, il valore di soglia può essere troppo elevato. Marco Muselli ioinformatica Funzionale
10 Mann Whitney segmentation () pplicazione all analisi dello spot : ackground Segnale Valore Rank.. Marco Muselli ioinformatica Funzionale Set n = n =, N = T = (somma rank di ) = T = (somma rank di ) = <T > = n (N+)/ = <T > = n (N+)/ = σ = (n n (N+)/) / =. z = (T <T > 0.)/σ =. Per il livello di significatività 0.0 deve essere z >.. La soglia risultante è 0.. Mann Whitney segmentation () Spot Spot Marco Muselli ioinformatica Funzionale
11 Combined intensity spatial segmentation () I due approcci impiegati dal pure spatial based e dall intensity based segmentation possono essere fusi tra loro. In questo modo, prima viene imposto un cerchio delimitante lo spot e successivamente il % dei pixel con valore più elevato (background) o più basso (segnale) vengono eliminati. lternativamente o in cascata può essere applicato il test di Mann Whitney, sia partendo dal background che dal segnale evitando così di imporre una percentuale arbitraria. Pro: risente meno della corretta individuazione dello spot; è in grado di rimuovere vari tipi di artefatti. Contro: richiede un numero consistente di pixel per la valutazione statistica. Marco Muselli ioinformatica Funzionale Combined intensity spatial segmentation () Spot Spot Marco Muselli ioinformatica Funzionale
12 Quantification () Una volta isolati i pixel del segnale e del background bisogna identificare un singolo valore che offra una misura del livello di espressione del gene associato. I valori comunemente usati sono: Intensità totale del segnale: somma dei valori dei pixel nella regione del segnale; dipende dalla quantità di DN depositata sullo spot e dal rumore per cui è raramente usata. Intensità media del segnale: media dei valori dei pixel nella regione del segnale; è una buona misura se la segmentazione è stata fatta correttamente. Non dipende dalla quantità di DN. Marco Muselli ioinformatica Funzionale Quantification () Mediana dell intensità del segnale: valore che divide a metà la densità dei pixel nel segnale; a differenza della media, la mediana è resistente agli outliers. Moda dell intensità del segnale: valore più probabile nella densità dei pixel del segnale; è robusta come la mediana se la densità è unimodale. Differenza tra segnale e background: i valori suddetti possono anche essere calcolati guardando alla differenza tra segnale e background; in questo modo di eliminano errori sistematici legati allo spot. Rapporto tra le intensità dei due canali: non dipende dall esatta quantità di DN depositato. Marco Muselli 0 ioinformatica Funzionale 0
13 Quantification () Spot Pure spatial Intensity Mann Whitney Combined ackgr. ackgr. ackgr. ackgr. Totale Media Mediana Moda Diff. medie Diff. mediane Diff. mode 0. Marco Muselli ioinformatica Funzionale Quantification () Spot Pure spatial Intensity Mann Whitney Combined ackgr. ackgr. ackgr. ackgr. Totale Media Mediana Moda 0. Diff. medie Diff. mediane Diff. mode Marco Muselli ioinformatica Funzionale
14 Spot quality assessment () Oltre alla misura del livello di espressione genica è importante conoscere la sua affidabilità. tale scopo occorre derivare un valore che indichi la qualità dello spot prodotto. Possibili scelte sono le seguenti: Rapporto tra area del segnale e area dello spot: l area dello spot è data dai pixel del segnale (area del segnale) e da quelli ignorati (dovuti ad artefatti o rumore); minore è tale valore, minore è la qualità dello spot. uona misura di affidabilità. Regolarità della forma: rapporto tra il numero di pixel del segnale e il numero totale dei pixel all interno del cerchio. Misura quanto è deformata la regione del segnale rispetto all attesa forma circolare. Marco Muselli ioinformatica Funzionale Spot quality assessment () Rapporto tra area e perimetro del segnale: è massimo per il cerchio; misura quanto è deformato lo spot rispetto alla forma circolare attesa. Simile al valore precedente. Spostamento (displacement): misura la distanza del centro dello spot dalla posizione attesa, (spostamento sulla griglia). Uniformità dello spot: dato da (rapporto varianza/media dell intensità del segnale); è necessario dividere per la media perché in tal caso la varianza può essere più elevata. Tutte le misure suddette sono normalizzate tra 0 e ; un valore minore indica una peggiore qualità della misura. Si può anche usare una somma pesata delle quantità suddette che rifletta l importanza data dall utente alle varie misure. Marco Muselli ioinformatica Funzionale
Bioinformatica Funzionale
Bioinformatica Funzionale Marco Muselli Istituto di Elettronica e di Ingegneria dell Informazione e delle Telecomunicazioni Consiglio Nazionale delle Ricerche Perché Bioinformatica? Attraverso le attuali
DettagliVideo Analysis (cenni) Annalisa Franco
1 Video Analysis (cenni) Annalisa Franco annalisa.franco@unibo.it http://bias.csr.unibo.it/vr/ 2 Visual motion Un video è una sequenza di frame catturati nel corso del tempo Il valori dell immagine sono
DettagliCALCOLO DELL ERRORE E VALUTAZIONE DI UN METODO ANALITICO
CALCOLO DELL ERRORE E VALUTAZIONE DI UN METODO ANALITICO In chimica analitica un settore importante riguarda il calcolo dell errore e la valutazione della significatività di una misura. Generalmente nell
DettagliSperimentazioni di Fisica I mod. A Statistica - Lezione 2
Sperimentazioni di Fisica I mod. A Statistica - Lezione 2 A. Garfagnini M. Mazzocco C. Sada Dipartimento di Fisica G. Galilei, Università di Padova AA 2014/2015 Elementi di Statistica Lezione 2: 1. Istogrammi
DettagliEsplorazione dei dati
Esplorazione dei dati Introduzione L analisi esplorativa dei dati evidenzia, tramite grafici ed indicatori sintetici, le caratteristiche di ciascun attributo presente in un dataset. Il processo di esplorazione
DettagliI modelli probabilistici
e I modelli probabilistici Finora abbiamo visto che esistono modelli probabilistici che possiamo utilizzare per prevedere gli esiti di esperimenti aleatori. Naturalmente la previsione è di tipo probabilistico:
DettagliRiconoscimento automatico di oggetti (Pattern Recognition)
Riconoscimento automatico di oggetti (Pattern Recognition) Scopo: definire un sistema per riconoscere automaticamente un oggetto data la descrizione di un oggetto che può appartenere ad una tra N classi
DettagliAnalisi della varianza
Università degli Studi di Padova Facoltà di Medicina e Chirurgia Facoltà di Medicina e Chirurgia - A.A. 2009-10 Scuole di specializzazione Lezioni comuni Disciplina: Statistica Docente: dott.ssa Egle PERISSINOTTO
DettagliFondamenti statistici : Test d Ipotesi (1)
Fondamenti statistici : Test d Ipotesi (1) Ipotesi statistica: È una assunzione formulata su un particolare aspetto della popolazione considerazioni teoriche Informazioni relative a popolazioni analoghe
DettagliUniversità degli Studi di Catania. DI SCIENZE MATEMATICHE FISICHE E NATURALI Corso di Laurea Specialistica in Informatica.
Università degli Studi di Catania FACOLTÀ DI SCIENZE MATEMATICHE FISICHE E NATURALI Corso di Laurea Specialistica in Informatica Computer Vision Segmentazione di Immagini: tecniche di soglia e region growing
DettagliMatematica Lezione 22
Università di Cagliari Corso di Laurea in Farmacia Matematica Lezione 22 Sonia Cannas 14/12/2018 Indici di posizione Indici di posizione Gli indici di posizione, detti anche misure di tendenza centrale,
DettagliRicerca di outlier. Prof. Matteo Golfarelli Alma Mater Studiorum - Università di Bologna
Ricerca di outlier Prof. Matteo Golfarelli Alma Mater Studiorum - Università di Bologna Ricerca di Anomalie/Outlier Cosa sono gli outlier? L insieme di dati che sono considerevolmente differenti dalla
DettagliEsempi di confronti grafici
Esempi di confronti grafici Esempi di confronti grafici 7/3 Capitolo 3 LE MEDIE La media aritmetica La media geometrica La trimmed mean La mediana La moda I percentili Statistica - Metodologie per
DettagliTEST NON PARAMETRICO DI MANN-WHITNEY
TEST NON PARAMETRICO DI MANN-WHITNEY Questo test viene può essere utilizzato come test di confronto tra due campioni in maniera analoga ai test ipotesi parametrici di confronto medie (test Z se la varianza
DettagliTeoria e tecniche dei test DIMENSIONALITA DI UN TEST DIMENSIONALITA DI UN TEST (2) 03/04/2012. Lezione 7 DIMENSIONALITA e ATTENDIBILITA
Teoria e tecniche dei test Lezione 7 DIMENSIONALITA e ATTENDIBILITA DIMENSIONALITA DI UN TEST Una domanda cruciale da porsi nella fase di messa a punto di un test riguarda la sua dimensionalità. La tecnica
DettagliN.B. Per la risoluzione dei seguenti esercizi, si fa riferimento alle Tabelle riportate alla fine del documento.
N.B. Per la risoluzione dei seguenti esercizi, si fa riferimento alle Tabelle riportate alla fine del documento. Esercizio 1 Un chimico che lavora per una fabbrica di batterie, sta cercando una batteria
DettagliIndici di. tendenza centrale: posizione: variabilità e dispersione: -quantili -decili -percentili. -Media -Moda -Mediana
Indici di posizione: -quantili -decili -percentili tendenza centrale: -Media -Moda -Mediana variabilità e dispersione: -Devianza - Varianza -Deviazione standard Indici di tendenza centrale Indici di tendenza
DettagliModulo Q Manuale del modulo Trace
rif.: ma-mq-trace ver. 10.0.1 del 16/2/2010 Modulo Q Manuale del modulo Trace per la linea di sistemi di visione artificiale HQV / Vedo. Questo manuale illustra le modalità di impiego del modulo opzionale
Dettaglip. 1/2 STIME STATISTICHE Consideriamo il caso della misura di una grandezza fisica che sia affetta da errori casuali.
p. 1/2 STIME STATISTICHE Consideriamo il caso della misura di una grandezza fisica che sia affetta da errori casuali. p. 1/2 STIME STATISTICHE Consideriamo il caso della misura di una grandezza fisica
DettagliSTIME STATISTICHE. Consideriamo il caso della misura di una grandezza fisica che sia affetta da errori casuali. p. 2/2
p. 1/1 INFORMAZIONI Prossime lezioni Giorno Ora Dove 10/02 14:30 P50 11/02 14:30 Laboratorio (via Loredan) 17/02 14:30 P50 23/02 14:30 P50 25/02 14:30 Aula informatica (6-7 gruppi) 02/03 14:30 P50 04/03
DettagliVALIDAZIONE DEL MODELLO
VALIDAZIONE DEL MODELLO Validazione del Modello Non è sufficiente stimare il vettore θ per dichiarare concluso il processo di identificazione. E necessario ottenere una misura della sua affidabilità L
DettagliNote sulla probabilità
Note sulla probabilità Maurizio Loreti Dipartimento di Fisica Università degli Studi di Padova Anno Accademico 2002 03 1 La distribuzione del χ 2 0.6 0.5 N=1 N=2 N=3 N=5 N=10 0.4 0.3 0.2 0.1 0 0 5 10 15
DettagliPagina 1 GRIGLIA DI VALUTAZIONE DEL TEST D INGRESSO
Pagina 1 GRIGLIA DI VALUTAZIONE DEL TEST D INGRESSO «La competenza matematica è la capacità di un individuo di identificare e comprendere il ruolo che la matematica gioca nel mondo reale, di operare valutazioni
DettagliAnalisi dei Dati. Lezione 9 - Preprocessing dei dati
Analisi dei Dati Lezione 9 - Preprocessing dei dati Motivazioni I dati nel mondo reale sono sporchi incompleti: mancano valori per gli attributi, mancano attributi importanti, solo valori aggregati rumorosi:
DettagliMisura della performance di ciascun modello: tasso di errore sul test set
Confronto fra modelli di apprendimento supervisionato Dati due modelli supervisionati M 1 e M costruiti con lo stesso training set Misura della performance di ciascun modello: tasso di errore sul test
DettagliAppunti di statistica ed analisi dei dati
Appunti di statistica ed analisi dei dati Indice generale Appunti di statistica ed analisi dei dati...1 Analisi dei dati...1 Calcolo della miglior stima di una serie di misure...3 Come si calcola μ...3
DettagliStatistica16 1/12/2015
I metodi non parametrici sono meno efficaci ma più generali (possono essere applicati a tutte le serie di dati). Vengono utilizzati quando non possono essere applicati i metodi parametrici (dati non distribuiti
DettagliLa statistica descrittiva per le variabili quantitative
La statistica descrittiva per le variabili quantitative E la sintesi dei dati Gli indici di posizione/tendenza centrale OBIETTIVO Individuare un indice che rappresenti significativamente un insieme di
DettagliImage Processing 2. Dispense del corso di Elaborazione di Immagini e Audio Digitali. Prof. Roberto Vezzani.
http://imagelab.ing.unimo.it Dispense del corso di Elaborazione di Immagini e Audio Digitali Image Processing 2 Prof. Roberto Vezzani Relazioni tra pixel Esistono delle relazioni di base tra pixel in un
DettagliGUIDA PER UNA SCANSIONE OTTIMALE
Condizioni per ottenere una buona scansione I fattori che intervengono nel processo di scansione sono fattori ambientali, propri della configurazione e della calibrazione dello scanner e dell oggetto da
DettagliProgrammazione modulare
Programmazione modulare 2016-2017 Indirizzo: BIENNIO Disciplina: FISICA Classe: I a D - I a E - I a F Ore settimanali previste: 3 (2 ore di teoria 1 ora di Laboratorio) Titolo Modulo Contenuti Conoscenze
DettagliEsempi di fattori che influenzano la dimensione del campione per le procedure di conformità EFFETTO SULLA DIMENSIONE DEL CAMPIONE
APPENDICE 2 (Rif.: Par. A11) Esempi di fattori che influenzano la dimensione del campione per le procedure di conformità Si riportano di seguito i fattori che il revisore può considerare nella determinazione
DettagliGrafici e tabelle permettono di fare valutazioni qualitative, non quantitative. E necessario poter sintetizzare i dati attraverso due importanti
Grafici e tabelle permettono di fare valutazioni qualitative, non quantitative. E necessario poter sintetizzare i dati attraverso due importanti indici : Indici di posizione Indici di variazione Indici
DettagliELABORAZIONE DELLE IMMAGINI:
Università degli Studi di Catania Facoltà di Scienze Matematiche,Fisiche e Naturali Corso di Laurea in Informatica, Secondo Livello ELABORAZIONE DELLE IMMAGINI: EDGE DETECTION Corso di Analisi Numerica
DettagliApproccio statistico alla classificazione
Approccio statistico alla classificazione Approccio parametrico e non parametrico Finestra di Parzen Classificatori K-NN 1-NN Limitazioni dell approccio bayesiano Con l approccio bayesiano, sarebbe possibile
DettagliDOCIMOLOGIA 2. Gabriella Agrusti Università degli Studi Roma Tre Settima lezione
DOCIMOLOGIA 2 Gabriella Agrusti Università degli Studi Roma Tre Settima lezione Difficoltà di una prova Tutto dipende dai punti di vista Matematica: In una scuola ci sono 300 alunni di quinta elementare.
DettagliCORSO DI STATISTICA (parte 1) - ESERCITAZIONE 2
CORSO DI STATISTICA (parte 1) - ESERCITAZIONE 2 Dott.ssa Antonella Costanzo a.costanzo@unicas.it TIPI DI MEDIA: GEOMETRICA, QUADRATICA, ARMONICA Esercizio 1. Uno scommettitore puntando una somma iniziale
DettagliCorso di laurea magistrale in Informatica Multimedia - Prof. F.Stanco. Segmentazione. A cura di Andrea Tambone
Corso di laurea magistrale in Informatica Multimedia - Prof. F.Stanco Segmentazione A cura di Andrea Tambone Introduzione Lo scopo della segmentazione è suddividere un immagine in regioni contenenti pixel
DettagliRappresentazioni grafiche
Rappresentazioni grafiche Su una popolazione di n = 20 unità sono stati rilevati i seguenti fenomeni: stato civile (X) livello di scolarità (Y ) numero di figli a carico (Z) reddito in migliaia di (W )
DettagliL'analisi bivariata (analisi della varianza e correlazione) Prof. Stefano Nobile. Corso di Metodologia della ricerca sociale
L'analisi bivariata (analisi della varianza e correlazione) Prof. Stefano Nobile Corso di Metodologia della ricerca sociale L analisi della varianza (ANOVA) La tecnica con cui si esplorano le relazioni
DettagliConvertitori Digitale-Analogico
Convertitori Digitale-Analogico Lucidi del Corso di Microelettronica Parte 7 Università di Cagliari Dipartimento di Ingegneria Elettrica ed Elettronica Laboratorio di Elettronica (EOLAB) Convertitori D/A
DettagliOperazioni puntuali. Tipi di elaborazioni Operatori puntuali Look Up Table Istogramma
Tipi di elaborazioni Operatori puntuali Look Up Table Istogramma Analisi di Basso Livello In ingresso abbiamo le immagini provenienti dai sensori. In uscita si hanno un insieme di matrici ognuna delle
DettagliAutomatic and Accurate Extraction of Road Intersections from Raster Maps
Automatic and Accurate Extraction of Road Intersections from Raster Maps Studente Francesco Vitagliani Introduzione L uso delle mappe è noto da tempi antichi. Oggi grazie alla diffusione di mappe raster,
DettagliRACCOMANDAZIONI PER STAMPARE CORRETTAMENTE I CODICI A BARRE
RACCOMANDAZIONI PER STAMPARE CORRETTAMENTE I CODICI A BARRE La stampa corretta dei codici a barre è fondamentale per garantire che il codice GS1 sui tuoi prodotti sia sempre leggibile da tutti i tuoi clienti.
DettagliUna statistica è una quantità numerica il cui valore è determinato dai dati.
STATISTICHE CAMPIONARIE Quando i dati sono molti e illeggibili nella forma grezza, si rende necessario introdurre quantità numeriche che possano essere usate per sintetizzarli. Queste misure riassuntive
DettagliCome scrivere bene codice? (1 di 1)
DIAGRMMI DI FLUSSO Come scrivere bene codice? (1 di 1) Prima di iniziare a scrivere un programma: Acquisire profonda comprensione del problema; Progettare un approccio per la risoluzione del problema.
DettagliConvertitori Digitale-Analogico
Convertitori Digitale-Analogico Lucidi del Corso di Microelettronica Parte 7 Università di Cagliari Dipartimento di Ingegneria Elettrica ed Elettronica Laboratorio di Elettronica (EOLAB) Convertitori D/A
DettagliComplementi ed Esercizi di Informatica Teorica II
Complementi ed Esercizi di Informatica Teorica II Vincenzo Bonifaci 21 maggio 2008 4 Problemi di ottimizzazione: il Bin Packing Il problema bin packing è il seguente: dato un insieme di n oggetti di dimensioni
DettagliIl Test di Ipotesi Lezione 5
Last updated May 23, 2016 Il Test di Ipotesi Lezione 5 G. Bacaro Statistica CdL in Scienze e Tecnologie per l'ambiente e la Natura I anno, II semestre Il test di ipotesi Cuore della statistica inferenziale!
DettagliUniversità degli Studi di Padova. Corso di Laurea in Medicina e Chirurgia - A.A
Università degli Studi di Padova Corso di Laurea in Medicina e Chirurgia - A.A. 015-16 Corso Integrato: Statistica e Metodologia Epidemiologica Disciplina: Statistica e Metodologia Epidemiologica Docenti:
DettagliESERCIZIO 1. Vengono riportati di seguito i risultati di un analisi discriminante.
ESERCIZIO 1. Vengono riportati di seguito i risultati di un analisi discriminante. Test di uguaglianza delle medie di gruppo SELF_EFF COLL_EFF COIN_LAV IMPEGNO SODDISF CAP_IST COLLEGHI Lambda di Wilks
DettagliUNIVERSITÀ DEGLI STUDI DI PAVIA FACOLTÀ DI INGEGNERIA. Algoritmi
UNIVERSITÀ DEGLI STUDI DI PAVIA FACOLTÀ DI INGEGNERIA Algoritmi Algoritmi classici Alcuni problemi si presentano con elevata frequenza e sono stati ampiamente studiati Ricerca di un elemento in un vettore
DettagliCorrettezza (prima parte)
Fondamenti di informatica Oggetti e Java (prima parte) Capitolo 16 ottobre 2015 1 Contenuti Introduzione alla correttezza dei programmi specifica di un programma correttezza di un programma verifica di
DettagliElaborazione delle immagini
Dipartimento di Fisica a.a. 4/5 Fisica Medica Elaborazione delle immagini 5/4/5 Processamento Una mappatura di tipo esponenziale mostra un immagine del tipo Intensità d uscita Intensità in entrata L =
DettagliIndicatori di Posizione e di Variabilità. Corso di Laurea Specialistica in SCIENZE DELLE PROFESSIONI SANITARIE DELLA RIABILITAZIONE Statistica Medica
Indicatori di Posizione e di Variabilità Corso di Laurea Specialistica in SCIENZE DELLE PROFESSIONI SANITARIE DELLA RIABILITAZIONE Statistica Medica Indici Sintetici Consentono il passaggio da una pluralità
DettagliCORSO DI LINGUAGGI DI PROGRAMMAZIONE Progetto A.A. 2008/2009
CORSO DI LINGUAGGI DI PROGRAMMAZIONE Progetto A.A. 2008/2009 Alberto Ceselli Maggio 2009 Tantrix Puzzles Tantrix è un board game ideato in Nuova Zelanda tra la fine degli anni ottanta e la prima metà degli
DettagliStatistica parametrica e non parametrica. Gli intervalli di confidenza
Statistica parametrica e non parametrica Per un campione univariato Gli intervalli di confidenza MEDIA CAMPIONARIA MEDIA VERA 1 Gli intervalli di confidenza 3 Gli intervalli di confidenza 4 Una introduzione
DettagliImage Elaboration. Image Processing
Image Elaboration Immagine digitale Un immagine digitale può essere rappresentata come una matrice con un prefissato numero di righe e colonne che ne determinano la risoluzione (campionamento). L'unità
DettagliSTATISTICA E MODELLI DI DATI SPERIMENTALI
Problema 36 La variabile aleatoria X (di Laplace) è definita mediante la densità di probabilità: f x = Ae x, A R A > 0 a) Si calcoli il valore del parametro A affinché f x sia normalizzata. b) Si determini
DettagliGrandezze e Misure.
Grandezze e Misure www.fisicaxscuola.altervista.org Grandezze e Misure Introduzione Il Metodo Sperimentale Unità di Misura Grandezze Fondamentali e Derivate Massa e Densità Strumenti di misura Misure dirette
DettagliSegmentazione automatica della carotide basata sulla classificazione dei pixel
Segmentazione automatica della carotide basata sulla classificazione dei pixel Samanta Rosati, Filippo Molinari, Gabriella Balestra Biolab, Dipartimento di Elettronica e Telecomunicazioni, Politecnico
DettagliImmagini binarie. Binarizzazione di immagini a livelli di grigio
Immagini binarie Binarizzazione di immagini a livelli di grigio Immagini binarie In molti casi gli le scene di interesse conducono ad immagini che possono essere considerate binarie, cioè contenenti nel
DettagliFiltraggio. Stefano Ferrari. Università degli Studi di Milano Tecniche di calcolo e sistemi operativi e informatica
Filtraggio Stefano Ferrari Università degli Studi di Milano stefano.ferrari@unimi.it Tecniche di calcolo e sistemi operativi e informatica anno accademico 2017 2018 Filtraggio Il termine filtraggio fa
DettagliCenni di statistica statistica
Cenni di statistica La statistica è una disciplina che ha come fine lo studio quantitativo e qualitativo di un particolare fenomeno in condizioni di incertezza o non determinismo, ovvero di non completa
DettagliAnalisi della varianza: I contrasti e il metodo di Bonferroni
Analisi della varianza: I contrasti e il metodo di Bonferroni 1 Contrasti In molti problemi risulta importante stabilire, nel caso venga rifiutata l ipotesi nulla, di uguaglianza delle medie µ j delle
DettagliPolitecnico di Milano - Scuola di Ingegneria Industriale. II Prova in Itinere di Statistica per Ingegneria Energetica 25 luglio 2011
Politecnico di Milano - Scuola di Ingegneria Industriale II Prova in Itinere di Statistica per Ingegneria Energetica 25 luglio 2011 c I diritti d autore sono riservati. Ogni sfruttamento commerciale non
DettagliProbabilità e Statistica
Cognome e Nome............................................................................... C. d. L.: GESL Anno di Corso: 1 2 3 altro Matricola....................................... Firma.......................................
DettagliArgomenti della lezione:
Lezione 9 Argomenti della lezione: La regressione multipla: Approcci analitici Regressione standard Regressione gerarchica Regressione statistica Strategie Analitiche per la regressione Tre principali
DettagliTrasformare e migliorare
Trasformare e migliorare Elaborazione di immagini Da f(x,y) a g(x,y) pixel trasformati secondo un determinato algoritmo f(x,y) g(x,y) Scopi dell elaborazione Eliminazione dei disturbi Esaltazione dei particolari
DettagliProject Scheduling: PERT. Il PERT ha potenzialità superiori rispetto a quelle di un semplice mezzo per la pianificazione ed il controllo.
1. Introduzione Project Scheduling: PERT Il PERT è una tecnica introdotta per la pianificazione ed il controllo di progetti in cui le durate t ij delle singole attività sono delle variabili aleatorie.
Dettagli5. Analisi dei dati di input
Anno accademico 2007/08 Analisi e scelta dei dati di input Per l esecuzione di una simulazione è necessario disporre di dati di input che siano una adeguata rappresentazione di ciò che accadrà in realtà
DettagliMetodo di Quine- McCluskey
Metodo di Quine- McCluskey Maurizio Palesi Maurizio Palesi 1 Definizioni Date due funzioni f(x 1,x 2,,x n ) e g(x 1,x 2,,x n ) si dice che f copre g (oppure g implica f) e si scrive f g se f(x 1,x 2,,x
DettagliUNITÀ DIDATTICA N. 1 IL NUMERO
UNITÀ DIDATTICA N. 1 IL NUMERO Rappresentare, leggere, scrivere e operare con i numeri naturali e decimali avendo la consapevolezza del valore posizionale delle cifre. Operare con le potenze del 10. Interpretare
DettagliStatistica multivariata Donata Rodi 08/11/2016
Statistica multivariata Donata Rodi 08/11/2016 MANOVA: Multivariate Analysis of Variance Due o più variabili dipendenti quantitative Una o più variabili indipendenti categoriali (con più livelli) Residui
DettagliCenno al trattamento delle immagini digitali. Cartografia numerica e GIS Domenico Sguerso
Cenno al trattamento delle immagini digitali Cartografia numerica e GIS Domenico Sguerso Digital Image Processing: Preprocessing (Memorizzazione) analysis Trattamento dell immagine: - ricampionamento necessario
DettagliAsse matematico. G8. Utilizzare le reti e gli strumenti informatici nelle attività di studio, ricerca e approfondimento
Asse matematico codici Abilità codici Conoscenze I II III IV V G8A1 G8. Utilizzare le reti e gli strumenti informatici nelle attività di studio, ricerca e approfondimento Esprimere procedimenti risolutivi
DettagliCorso di Visione Artificiale. Texture. Samuel Rota Bulò
Corso di Visione Artificiale Texture Samuel Rota Bulò Texture Le texture sono facili da riconoscere ma difficili da definire. Texture Il fatto di essere una texture dipende dal livello di scala a cui si
DettagliMISURE DI SINTESI 54
MISURE DI SINTESI 54 MISURE DESCRITTIVE DI SINTESI 1. MISURE DI TENDENZA CENTRALE 2. MISURE DI VARIABILITÀ 30 0 µ Le due distribuzioni hanno uguale tendenza centrale, ma diversa variabilità. 30 0 Le due
DettagliParte 1 : Inferenza. Varianza nota test Z. Distribuzioni asintotiche dei test. Varianza ignota test t ad un campione
! Test d'ipotesi Parte 1 : Inferenza! Intervalli di confidenza! Test parametrici! Calcoli di potenza! Test non parametrici Distribuzioni asintotiche dei test A seconda dei casi il nostro test può convergere
DettagliModelli per la distribuzione del reddito
Modelli per la distribuzione del reddito Obiettivo trovare (semplici) funzioni matematiche che generino distribuzioni di frequenza che si adattino bene alle distribuzioni di reddito osservate e che abbiano
DettagliLA DISTRIBUZIONE NORMALE o DI GAUSS
p. 1/2 LA DISTRIBUZIONE NORMALE o DI GAUSS Osservando gli istogrammi delle misure e degli scarti, nel caso di osservazioni ripetute in identiche condizioni Gli istogrammi sono campanulari e simmetrici,
DettagliTramite il software ImageJ è possibile effettuare la conta di cellule principalmente in due modi: a) Conta automatica b) Conta manuale
CONTA DI CELLULE: Tramite il software ImageJ è possibile effettuare la conta di cellule principalmente in due modi: a) Conta automatica b) Conta manuale Caso a): CONTA AUTOMATICA Prima di utilizzare la
DettagliPIANIFICAZIONE DEI TRASPORTI
Università di Cagliari DICAAR Dipartimento di Ingegneria Civile, Ambientale e architettura Sezione Trasporti PIANIFICAZIONE DEI TRASPORTI Esercitazione 6 Il modello di assegnazione A.A. 2016-2017 Ing.
DettagliRiconoscimento e recupero dell informazione per bioinformatica
Riconoscimento e recupero dell informazione per bioinformatica Applicazioni Manuele Bicego Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Applicazioni Analisi di dati
DettagliTecniche statistiche di analisi del cambiamento
Tecniche statistiche di analisi del cambiamento 07a-Ripasso: Anova ad un fattore (v. 1.9a, 29 dicembre 2018) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliPre-elaborazione dei dati (Data pre-processing)
Pre-elaborazione dei dati (Data pre-processing) I dati nel mondo reale sono sporchi incompleti: mancano valori per gli attributi, mancano attributi importanti, solo valori aggregati rumorosi: contengono
DettagliQUANTIZZATORE VETTORIALE
QUANTIZZATORE VETTORIALE Introduzione Nel campo delle reti neurali, la scelta del numero di nodi nascosti da usare per un determinato compito non è sempre semplice. Per tale scelta potrebbe venirci in
DettagliUnità E1. Obiettivi. Non solo problemi matematici. Problema. Risoluzione di un problema. I dati
Obiettivi Unità E1 Dall analisi del problema alla definizione dell algoritmo Conoscere il concetto di algoritmo Conoscere le fasi di sviluppo di un algoritmo (analisi, progettazione, verifica) Conoscere
DettagliVALUTAZIONE NON DISTUTTIVA DELLA QUALITÀ DEI VEGETALI ATTRAVERSO L IDENTIFICAZIONE AUTOMATICA DEI PARAMETRI DEL COLORE
VALUTAZIONE NON DISTUTTIVA DELLA QUALITÀ DEI VEGETALI ATTRAVERSO L IDENTIFICAZIONE AUTOMATICA DEI PARAMETRI DEL COLORE Bernardo PACE Istituto di Scienze delle Produzioni Alimentari, Bari Consiglio Nazionale
DettagliCampionamento. Una grandezza fisica e' distribuita secondo una certa PDF
Campionamento Una grandezza fisica e' distribuita secondo una certa PDF La pdf e' caratterizzata da determinati parametri Non abbiamo una conoscenza diretta della pdf Possiamo determinare una distribuzione
DettagliTeoria dei Fenomeni Aleatori AA 2012/13
Introduzione alla Statistica Nella statistica, anziché predire la probabilità che si verifichino gli eventi di interesse (cioè passare dal modello alla realtà), si osserva un fenomeno se ne estraggono
DettagliFondamenti di statistica per il miglioramento genetico delle piante. Antonio Di Matteo Università Federico II
Fondamenti di statistica per il miglioramento genetico delle piante Antonio Di Matteo Università Federico II Modulo 2 Variabili continue e Metodi parametrici Distribuzione Un insieme di misure è detto
DettagliIndici di tendenza centrale Media, mediana e moda.
Indici di tendenza centrale Media, mediana e moda. Indici di tendenza centrale Gli indici di tendenza centrale individuano gli aspetti tipici, ovvero i valori più rappresentativi della distribuzione Questi
DettagliSCUOLA PRIMARIA: MATEMATICA
SCUOLA PRIMARIA: MATEMATICA FINALITÀ: sviluppo delle capacità di comprendere, operare e comunicare significati con linguaggi formalizzati per affrontare problemi di vita quotidiana NUCLEI CONCETTUALI FONDANTI:
DettagliIntelligenza Artificiale. Clustering. Francesco Uliana. 14 gennaio 2011
Intelligenza Artificiale Clustering Francesco Uliana 14 gennaio 2011 Definizione Il Clustering o analisi dei cluster (dal termine inglese cluster analysis) è un insieme di tecniche di analisi multivariata
DettagliOgni misura è composta di almeno tre dati: un numero, un'unità di misura, un'incertezza.
Ogni misura è composta di almeno tre dati: un numero, un'unità di misura, un'incertezza. Misure ripetute forniscono dati numerici distribuiti attorno ad un valore centrale indicabile con un indice (indice
Dettaglio Si sceglie il modello che meglio si adatta alla realtà osservata, cioè quello per il quale risulta più probabile la realtà osservata.
Introduzione alla Statistica Nella statistica, anziché predire la probabilità che si verifichino gli eventi di interesse (cioè passare dal modello alla realtà), si osserva un fenomeno se ne estraggono
Dettagli