Potenza di un test e Intervalli di confidenza
|
|
- Benvenuto Amato
- 7 anni fa
- Visualizzazioni
Transcript
1 Potenza di un test e Intervalli di confidenza 1
2 Indice Definizione di potenza di un test e dei parametri da cui dipende Potenza e ampiezza campionaria Analisi della varianza Confronto di due proporzioni RR e OR Tabelle di contingenza Definizione di IC ed applicazione nella verifica delle ipotesi IC per: Media di una popolazione Tassi e proporzioni RR e OR Intera popolazione
3 Riepilogo sull uso dei test Ipotesi per la applicazione di un test: H 0 vera quando i dati hanno BASSA probabilità di verificarsi, RIFIUTIAMO H 0 e concludiamo che c è differenza STATISTICAMENTE SIGNIFICATIVA tra i trattamenti 3
4 Analogamente Riepilogo sull uso dei test quando i dati hanno ALTA probabilità di verificarsi, ACCETTIAMO H 0 e concludiamo che NON c è differenza STATISTICAMENTE SIGNIFICATIVA tra i trattamenti porta a discutere i risultati come se PROBLEMA: il trattamento non ha effetto Non è stato dimostrata l EFFICACIA del trattamento dimensione dell effetto variabilità della popolazione numerosità dei campioni4
5 Esempio: diuretico efficace PROBLEMA: Dimostrare l efficacia di un nuovo diuretico FASE SPERIMENTALE: Gc 10 us placebo 1) G0 us Gt 10 us farmaco ) Misura di diuresi dopo 4h H 0 : Non c è differenza tra G c e G t ATTENZIONE!!!!!! Ipotesi nel t-test: H 0 vera (il trattamento NON è efficace) Ipotesi ora: H 0 falsa (il trattamento E efficace) 5
6 RISULTATO: Esempio: diuretico efficace Gc Gt Media ± DS diuresi (ml/giorno) Gc: MEDIA1180ml/giorno, DS144ml/giorno Gt: MEDIA1400ml/giorno, DS45ml/giorno eseguo il t-test 6
7 T-test (H 0 falsa): Esempio: diuretico efficace s 1 ( ) ( ) s + s G c G t 1 t X X Gt Gc ( ) ( ) ( s /n s /n 01 /10) ( /10) Gt Gc.447 Fisso α5% ed essendo ν(n-1)18 t c, t > t c ovvero, il farmaco ha AUMENTATO la diuresi VERO!!!! 7
8 Sotto ipotesi H 0 falsa, cambio il campione RISULTATO: Esempio: diuretico efficace Gc Gt Media ± DS diuresi (ml/giorno) Gc: MEDIA116ml/giorno, DS97ml/giorno Gt: MEDIA1368ml/giorno, DS63ml/giorno eseguo il t-test 8
9 Esempio: diuretico efficace T-test: s 1 ( ) ( ) s + s G c G t 1 t X X Gt Gc ( ) ( ) ( s /n s /n 198 /10) ( /10) Gt Gc 1.71 Fisso α5% ed essendo ν(n-1)18 t c, t < t c ovvero, il farmaco NON ha AUMENTATO la diuresi FALSO!!!! 9
10 Nell applicazione di un test Osservazione PROBLEMA: evitare di rifiutare l ipotesi di inefficacia, quando essa in realtà è vera, cioè controllare la probabilità di ottenere dei FALSI POSITIVI Ora si vuole non rifiutare l ipotesi di inefficacia, quando essa in realtà è falsa, cioè controllare la probabilità di ottenere dei FALSI NEGATIVI Qual è la probabilità di compiere questo secondo tipo di errore? 10
11 Risposta intuitiva Sotto l ipotesi che il farmaco è EFFICACE, ripetiamo l esperimento 00 volte (si riportano i valori del t-test) H 0 vera α5% H 0 falsa 111 valori di t sono > t c.101 Con α5%, c è una probabilità pari a 111/0055% di concludere che il diuretico aumenta la produzione di urina quando questa in media aumenta di 00ml/giorno La POTENZA del test è 0.55 e quantifica la PROBABILITA di rilevare una differenza reale 11
12 Tipi di conclusione nel test di ipotesi CONCLUSIONI tratte dalle OSSERVAZIONI Trattamento è efficace Trattamento è inefficace TRATTAMENTO è EFFICACE Vero Positivo Conclusione corretta (1-β) Falso negativo Errore di tip II (β) SITUAZIONE REALE TRATTAMENTO è INEFFICACE Falso positivo Errore di tipo I (α) Vero negativo Conclusione corretta (1- α) La POTENZA di un test è (1-β) ovvero Es: Un test con potenza 0.55, significa che c è una probabilità del 55% di evidenziare come statisticamente significativo un effetto che esiste realmente 1
13 Potenza di un test Gli errori di I e II tipo sono interdipendenti: prove più stringenti per dichiarare che un farmaco ha effetto (RIDURRE α) determina aumento della probabilità di NON rilevare l effetto vero (AUMENTO β) ovvero si RIDUCE la POTENZA Per rendere PICCOLI sia α che β si deve: AUMENTARE LA NUMEROSITA CAMPIONARIA, poiché con più osservazioni si può avere maggiore fiducia nelle conclusioni 13
14 Potenza di un test I fattori da cui dipende la POTENZA di un test sono: la dimensione dell errore di I tipo α la dimensione della differenza che si vuole rilevare, relativamente alla variabilità della popolazione la numerosità del campione 14
15 Dimensione dell errore α Il VALORE CRITICO è determinato dalla distribuzione del test statistico sotto ipotesi: H 0 VERA La POTENZA è la proporzione dei valori possibili del test che cadono oltre questa soglia sotto ipotesi: H 0 FALSA ATTENZIONE!!! La Gaussiana cambia perché il trattamento modifica il valor medio La POTENZA è 0.55 o equivalentemente β (la probabilità di incorrere in un errore di II tipo e accettare l ipotesi di inefficacia quando esiste un effetto) è % 15
16 Dimensione dell errore α Esigiamo prove più convincenti per concludere che il diuretico è efficace. La Potenza scende a 0.45! Per avere prove più convincenti, abbiamo ridotto la probabilità di concludere erroneamente circa l efficacia (α), ma abbiamo accresciuto il rischio di non riuscire a rilevare l effetto quando esiste (β) perché abbiamo ridotto la potenza. 16
17 Dimensione della differenza Se l effetto da evidenziare cambia, cambiano anche la Gaussiana e la POTENZA. E più facile rilevare differenze grandi che piccole. 17
18 Funzione di potenza Ripetendo l operazione per tutti i possibili valori dell effetto del trattamento: FUNZIONE di POTENZA Es: Se il farmaco aumenta la produzione di urina di 00ml/giorno, c è una probabilità del 55% di rilevarlo Misura quanto più facilmente si rileva una modificazione di urina, al crescere dell effetto del farmaco 18
19 Variabilità della popolazione La variabilità della popolazione influenza la probabilità di riuscire ad evidenziare l effetto di un trattamento. Formula del t-test: X X X X 1 1 t (s /n ) (s /n ) σ /n 1 + n 1 n s (variabilità della popolazione) diminuisce potenza del test nel rilevare un effetto aumenta Posto δ X δ/ σ 1 X /n δ σ n Parametro di NON CENTRALITA, Φ si quantifica 19
20 Numerosità del campione La POTENZA aumenta all aumentare della numerosità del campione perché: aumenta il numero di GL e il valore critico diminuisce il valore di t calcolato aumenta al crescere di n t δ σ n 0 us ν(0-1)38 GL 0
21 Funzione di potenza Ripetendo l operazione con diverse numerosità campionarie, fissato l incremento medio: FUNZIONE di POTENZA All aumentare della numerosità cresce la potenza Il calcolo della POTENZA viene utilizzato per stimare la DIMENSIONE CAMPIONARIA necessaria per rilevare un effetto. 1
22 Funzione di potenza Curve di POTENZA del t-test per il confronto di due gruppi sperimentali con numerosità n e α0.05 ES: Calcolare la POTENZA del t-test con un rischio di errore del I tipo α 0.05, utilizzato per rilevare una modificazione media di urina di 00ml/giorno in una popolazione con deviazione standard di 00ml/giorno δ 00 Φ 1 n10 σ 00 Potenza0.55
23 CAMPIONI Esempio: alotano/morfina n Dati: X i si G1:us con ALOTANO 9.08(l/m ) 1.05(l/m ) G:us con MORFINA (l/m ) 0.88(l/m ) T-test: alotano e morfina non producono risultati significativamente differenti dell indice cardiaco, vista la differenza del 15% fra gli indici cardiaci associati con questi due anestetici ( *x1.75 x15%) Tesi: Qual è la potenza di questo esperimento se si vuole rilevare una differenza del 5% che può essere clinicamente significativa? 3
24 Esempio: alotano/morfina Risoluzione: Una differenza del 5% dell indice cardiaco corrisponde a 0.5l/m (5% di.08 l/m ). δ Calcoliamo il parametro di NON CENTRALITA : Φ σ (9 1)(1.05 ) + (16 1)(0.88) s 0.89(l/ m ) 0.5 Φ I due gruppi hanno numerosità diverse si sceglie il gruppo più piccolo la potenza è 0.16 Conclusione: E molto improbabile che questa sperimentazione rilevi una modificazione del 5% 4
25 Riepilogo La potenza di un test indica che l ipotesi di inefficacia del trattamento sia rifiutata, se il trattamento ha effetto Tanto più stringenti sono le prove che esigiamo per affermare l efficacia di un trattamento, tanto più bassa è la potenza del test Quanto più grande è la numerosità del campione, tanto maggiore è la potenza del test La procedura specifica per determinare la potenza di un test dipende dal test stesso 5
26 Calcolo della potenza e ampiezza campionaria per ANOVA OSSERVAZIONE: Questi calcoli si differenziano solo per: 1. il MODO in cui viene quantificata l entità dell effetto del trattamento. la RELAZIONE MATEMATICA tra questa grandezza 3. il rischio di concludere erroneamente che c è un effetto del trattamento. 6
27 Potenza per ANOVA 1. Si calcola Φ δ σ n k numero di gruppi di trattamento se i k-gruppi hanno medie µ i diverse con µ µ i i k. Si determina ν n k-1 e ν d k(n-1) Φ n ( µ i µ ) i s k 3. Si consulta il diagramma di potenza opportuno 7
28 Ampiezza campionaria per ANOVA ATTENZIONE!!! L ampiezza campionaria compare in Φ e in v d Per trovare l ampiezza campionaria n bisogna fare vari tentativi: si fissa n e si calcola la potenza si corregge fino a quando la potenza calcolata è vicina al valore desiderato 8
29 Esempio: ciclo mestruale e corsa PROBLEMA: Capire se le donne che corrono da dilettanti o da professioniste hanno andamenti mestruali differenti dalle donne che conducono vita sedentaria. Si vuole rilevare una differenza di δ1 ciclo mestruale/anno con σ cicli/anno, k3 (G dil, G prof, G con ), n6 e α5% Risoluzione: 1 6 Φ 1.04 ν 3 n 3-1 e ν d 3(6-1)75 Potenza0.3 9
30 Esempio: ciclo mestruale e corsa PROBLEMA: Si vuole aumentare la potenza a Quanti campioni devo scegliere? Risoluzione: Sappiamo che con 6 ho potenza 0.3. Guardo la curva Per potenza di 0.80 devo avere Φ n è sotto radice nella definizione di Φ aumento n di un fattore 4 30
31 Esempio: ciclo mestruale e corsa Φ.04 3 ν n 3-1 e ν d 3(100-1)97 Potenza0. 90 Per avere la potenza desiderata, scegliamo n75: 1 75 Φ 1.77 ν n 3-1 e ν d 3(75-1) 3 Potenza0.80 Conclusione: Per avere una probabilità dell 80% di rilevare un cambiamento di 1 ciclo/anno fra i 3 gruppi di donne quando la deviazione standard è circa cicli/anno con un livello di confidenza del 95%, occorrono 75 us. 31
32 Potenza per confronto di due proporzioni OBIETIVO: Trovare la potenza del test z per valutare la differenza tra due proporzioni e p di numerosità n 1 e n Test z: p1 z p 1 s p p 1 p che si distribuisce come una distribuzione normale con media p1 p e deviazione standard s p p 1 p (1 1 n 1 p 1 ) + p (1 n p ) 3
33 Potenza per confronto di due proporzioni Distribuzione di tutti i possibili valori delle differenze osservate e pˆ pˆ 1 Potenza: (1-β)*100% della distribuzione deve essere oltre la soglia H 0 VERA (p 1 -p )+z β(1) s p1-p Percentile inferiore della normale standardizzata Si ottiene una potenza del (1-β)*100% per il rifiuto di ipotesi con significatività α*100% se (p 1 -p )+z β(1) s p1-p z α s 0 33
34 Potenza per confronto di due proporzioni La potenza del test è data dalla seguente probabilità: zαs0 (p1 p ) z β(1) s CAMPIONI Alotano Morfina p 1 p Esempio: alotano/morfina Dati n MORTI % % totale morti % Tesi: Qual è la potenza se si vuole evidenziare una differenza del 30% con una confidenza del 95%? Si vuole evidenziare differenza del 30% 34
35 Esempio: alotano/morfina (8 + 16) (8 + 16) * 30/ Differenza del 30% % Quindi p (è la proporzione che quantifica il totale dei morti) e p 0.10 (è la proporzione che quantifica la differenza del 30%); n 1 61 e n 67 s 1 p Essendo pˆ 0.14(1 0.14) 0.10(1 0.10) p1 n1 + pn calcolo s 0 : n + n p s pˆ(1 pˆ) pˆ(1 pˆ) 0.119( ) ( ) n1 n
36 Esempio: alotano/morfina Fissato α0.05 z c 1.96 POTENZA è data dalla frazione di distribuzione superiore a : ( ) z ( 1) β 1.55 POTENZA11% Conclusione: La potenza è bassa quindi la differenza tra i due anestetici non è significativa. 36
37 Potenza e numerosità campionaria per RR e OR Le formule precedenti sono utilizzate per stimare POTENZA e NUMEROSITA CAMPIONARIA per RR e OR. Non si specificano entrambe le proporzioni ma solo una (p 1 ) e l altra si ricava: RR p p esposti non esposti p p 1 p RR p 1 OR p p esposti nonesposti /(1 p /(1 p esposti ) nonesposti ) p p 1 /(1 p ) /(1 p ) 1 p OR p 1 + p (OR 1)
38 Finalità e limiti delle tecniche statistiche FINALITA : Decidere se un insieme di osservazioni è compatibile con una certa ipotesi (probabilità e potenza del test) LIMITI: non quantificano l entità dell effetto non mettono in evidenza risultati che possono non essere statisticamente significativi OBIETTIVO: stimare l entità dell effetto del trattamento Intervalli di Confidenza (IC) 38
39 IC per differenza di due medie T-test: t differenza delle medie campionarie errore standard della differenza delle medie eseguo il test. Campioni estratti da stessa popolazione la distribuzione dei valori di t ha MEDIA0 SIMMETRICA rispetto ad origine Campioni estratti da popolazioni diverse la distribuzione dei valori di t ha MEDIA 0 che dipende dall entità dell effetto del trattamento 39
40 IC per differenza di due medie Per avere MEDIA0 a prescindere dall efficacia del trattamento: diff. medie camp. - diff.vera medie popolazioni t errore standard della differenza delle medie camp. (X 1 - X s ) - ( µ X 1 X 1 - µ ) incognita Se H 0 VERA (campioni estratti da stessa popolazione) µ 1 µ def precedente di t Scelto un appropriato valore di t, t α, stimiamo incognita usando l equazione precedente. COME? 40
41 IC per differenza di due medie Per DEF: il 100α% di tutti i possibili valori di t comprende valori MINORI di -t α e MAGGIORI di +t α 1- α α -t α +t α Il 100(1- α)% di tutti i possibili valori di t è in ] -t α,+t α [ ES: il 95% dei possibili valori di t è in ] t 0.05,+t 0.05 [ t (X - X ) - ( µ 1 1 α < < + s X 1 X - µ ) t α 41
42 DEF: IC per differenza di due medie Intervallo di Confidenza per la differenza delle medie al 100(1- α)% è: ( X1 - X ) tα s < µ X 1 - µ < (X1 - X ) + tαs 1 X X1 X la differenza vera delle medie delle popolazioni dalle quali provengono i campioni cade ad una distanza dalla differenza osservata delle medie campionarie inferiore a t α volte la deviazione standard delle medie campionarie Distribuzione dipende da n. di campioni estratti ATTENZIONE! numerosità di ciascun campione (GL) distribuzione della popolazione dalla t α ha νn 1 +n - GL quale i campioni sono estratti i campioni devono essere estratti da popolazioni che seguono una distribuzione normale Gradi di Libertà 4
43 CASO IDEALE: Esempio: diuretico efficace TUTTA la popolazione di 00 individui è accessibile. Si misura la produzione media di urina. Tutti sono trattati con placebo µ pla 100ml/giorno Tutti sono trattati con farmaco µ far 1400ml/giorno µ pla - µ far 00ml/giorno CASO REALE: Sono accessibili solo 10 campioni! CAMPIONI G pla G far n Dati: X i 1150(ml/giorno) 1400(ml/giorno) si 144(ml/giorno) 45(ml/giorno) X far X pla aumento della diuresi di 50 ml/giorno 43
44 Calcolo IC al 95%: Esempio: diuretico efficace Per stimare l errore standard della differenza delle medie sx 1 X si calcola prima la stima aggregata della varianza della popolazione: 1 1 s (s + s ) ( ) 01 far pla s X1 X s n far s + n pla ml/ giorno Essendo t poichè ν(n-1)(10-1)18, IC è: < µ - µ < far pla 61ml/ giorno < µ - µ < 439ml/ giorno far pla Al 95% siamo sicuri che il farmaco aumenta la diuresi di un ammontare tra 61 e 439ml/giorno 44
45 Osservazioni Al variare dei campioni variano gli IC Intervalli negativi indicano che i dati non ci permettono di escludere la possibilità che il farmaco faccia diminuire la produzione di urina La maggior parte degli IC contengono il valor medio rilevato sull intera popolazione CONFIDENZA significa che il 95% di tutti i possibili intervalli conterrà la differenza REALE rilevata sulla popolazione 45
46 Ampiezza di IC α diminuisce t α aumenta IC più ampio ES: Calcolare IC al 90, 98% con dati precedenti Essendo t poichè ν18, IC al 90% è: < µ - µ far pla ml/ giorno < µ - µ 94 < far pla < ml/ giorno Essendo t poichè ν 18, IC al 98% è: < µ - µ far pla ml/ giorno < µ - µ 1 < far pla < ml/ giorno ATTENZIONE!!! Questo significa che ora i dati forniscono, in modo MAGICO, una stima più precisa dell effetto del farmaco? NO! Significa che se si accetta che il 10% di tutti i possibili intervalli non contenga l effetto vero del farmaco, allora si possono ottenere intervalli più stretti. 46
47 IC e verifica di ipotesi Se IC al 100(1-α)% associato con le osservazioni contiene lo ZERO µ 1 µ (ipotesi verificata dal t test) non ci sono prove sufficienti per respingere l ipotesi di inefficienza (ACCETTO H 0 ). Se IC NON contiene lo ZERO µ 1 µ RIFIUTO H 0 ES: IC al 95% ottenuto da dati precedenti non contiene lo zero il farmaco ha prodotto una modificazione statisticamente significativa (come trovato dal t-test) 47
48 IC e potenza del test Se osservassimo TUTTI i possibili IC al 95% calcolati con 10 campioni: 45% di tali IC include lo zero ovvero il 45% di essi non evidenzia il reale effetto del farmaco il 45% delle volte incorreremmo in errore del II tipo β0.45 e POTENZA0.55 Perché IC? 1. Consente di rifiutare l ipotesi di inefficacia. Fornisce indicazione sull entità dell effetto ( se un risultato è significativo GRAZIE a campioni numerosi e non perché c è un reale effetto del trattamento, allora IC lo evidenzia!) 48
49 PROBLEMA: Esempio: farmaco antipertensivo Dimostrare l efficacia del farmaco antipertensivo sulla pressione diastolica Dati: CAMPIONI G pla G far n H 0 : Xi 81mmHg 85mmHg s i 11mmHg 9mmHg Non c è differenza di pressione diastolica tra gli individui che ricevono il farmaco e quelli che ricevono il placebo 49
50 Esempio: farmaco antipertensivo RISOLUZIONE: T-test s 1 ( ) 101 t X far s X X far X pla pla (101/100) + (101/100).81 Fisso α1% ed essendo ν(n-1)198 t c, t < t c,198 RIFIUTO H 0 (il farmaco abbassa la pressione) IC al 95% Essendo t poichè ν198: < µ - µ far pla 6.88mmHg < µ - µ far pla < < 1.mmHg Rifiuto H 0, ma da IC vedo che l effetto non è molto grande (confronto con le deviazioni standard) 50
51 IC per la SINGOLA media di una popolazione Quando si applica? Quando non si conosce l incremento (per il calcolo di s e X 1 X X 1 X ) ma soltanto la MEDIA CAMPIONARIA e l ERRORE STANDARD della media campionaria: t media camp. - media popolazione errore standard della media campionaria scelto t α per νn-1 X t α s < µ < X + t s X α X ATTENZIONE: è consuetudine calcolare IC 95% perché t 0.05 per 0 campioni. SOTTOSTIMA di IC! [ X s,x + ] X s X X µ s X 51
52 Z Test: z IC per tassi e proporzioni differenza delle proporzioni camp. errore standard della diff.delle proporz. Se le dimensioni dei campioni sono sufficientemente grandi, il rapporto: diff.delle prop.camp. - diff.delle prop.nelle popolaz. z errore standard della diff.delle proporz.camp. si distribuisce in modo normale (pˆ 1 - pˆ ) - (p Il 100(1- α)% di tutti i possibili valori di z è in ] -z α,+z α [ fissato z α, IC al 100(1- α)% è: s pˆ 1- pˆ 1 - p ) ( 1 ) zα s < p pˆ 1 - p < 1 ) + zαs pˆ - pˆ (pˆ - pˆ 1 -pˆ pˆ 1 -pˆ 5
53 CAMPIONI Alotano Morfina s Dati n Esempio: alotano/morfina MORTI RISOLUZIONE: 8 10 % Calcolo l errore standard della differenza pˆ alo pˆ mor pˆ alo pˆ mor pˆ(1 pˆ) n alo + 1 n mor 0.0 H 0 : I due anestetici non sono differenti 0.14(1 0.14) pˆ Essendo z poichè ν, IC è: < pˆ pˆ alo mor.14 < pˆ pˆ 0 alo mor < < % CONCLUSIONE: ACCETTO H 0. Essendo l intervallo quasi 53 simmetrico i due anestetici sono confrontabili
54 IC per la SINGOLA media (caso tassi e proporzioni) Quando non si conosce l incremento (per il calcolo di s e ) ma soltanto la MEDIA CAMPIONARIA pˆ1 pˆ 1 pˆ pˆ e l ERRORE STANDARD della media campionaria: z proporz.osservata - proporz. vera errore standard della proporz.osservata pˆ p s pˆ segue la DISTRIBUZIONE BINOMIALE Fissato z α, IC è: pˆ z α s < p < + z s pˆ α pˆ pˆ 54
55 IC e approssimazione binomiale per tassi e proporzioni Se le dimensioni dei campioni NON sono sufficientemente grandi, il rapporto z non si approssima alla distribuzione normale, ma alla BINOMIALE Esempio: chirurgo e interventi Un chirurgo afferma: 30 interventi SENZA complicanze pˆ 0/30 0% Per ottenere il VERO TASSO di complicanze (e non quello fortunato!) si calcola IC al 95%: IC[pˆ z ˆ αs,p + z pˆ αs ] [0,0] pˆ pˆ(1 pˆ) 0(1 0) s pˆ 0 assurdo perché non è possibile n 30 che il chirurgo non abbia mai una complicanza! IC da approssimazione BINOMIALE]0%,10%[ 55
56 Esempio: chirurgo e interventi Il chirurgo ha 1 solo caso di complicanza: pˆ 1/ % 0.033( ) s pˆ < pˆ < < pˆ < IC[pˆ z s,pˆ+ z s ] Un chirurgo non può ottenere un TASSO di COMPLICANZE NEGATIVO! IC da approssimazione BINOMIALE]0%,13%[ α pˆ α pˆ OSSERVAZIONE: IC si estende grazie alla distribuzione binomiale quando i campioni sono pochi 56
57 RR e OR non si distribuiscono normalmente, contrariamente a ln RR e ln OR CAMPIONI Espsoti Non esposti TOTALE CASI a c a+c Numerosità CONTR b d b+d Il logaritmo naturale di RR si distribuisce normalmente con deviazione standard: 1 a/(a a z s Totale a+b c+d + b) 1 c/(c d) c < lnrr < lnrr + s ln RR lnrr e ln RR z IC per RR e OR α ln RR vero + < RR α sln RR ln RR+ vero < e a/(a+ b) RR c/(c + d) Per verificare H 0, cioè RR1 (il trattamento o fattore di rischio non ha effetto), 1 IC 57 z α z s α s ln RR ln RR IC
58 IC per RR e OR CAMPIONI Esposti Non esposti TOTALE CASI a c a+c Numerosità CONTR Il logaritmo naturale di OR si distribuisce normalmente con deviazione standard: s ln OR IC a b c d b d b+d Totale a+b c+d OR ad bc lnor z α s < lnor ln OR vero < lnor + z α s ln RR e ln OR z < OR α sln OR ln OR+ vero Per verificare H 0, cioè OR1 (l esposizione al fattore di rischio non sia associata ad un incremento nell OR di sviluppare la malattia), 1 IC < e z α s ln OR 58
59 e Con trombi Senza trombi TOTALE Esempio: trombosi in soggetti riceventi emodialisi trattati con aspirina CAMPIONI ln Aspirina Dati n. pazienti Placebo 1 6/(6 + 18) Totale /(13 + 7) 13 s ln RR H 0 : Non c è differenza tra placebo e aspirina RR0.44 Essendo z poichè ν, IC al 95%è: < ln RRvero < e 0.0 < RR vero < Conclusione: Al 95% siamo confidenti che il valore vero del RR di sviluppare trombosi in soggetti che ricevono aspirina rispetto a quelli che ricevono placebo è compreso tra ]0.0,0.94[. RIFIUTO H 59 0,1 IC
60 Esempio: fumo passivo e cancro alla mammella e CAMPIONI Esposti Non esposti TOTALE 1 a Dati H 0 : CASI numerosità CONTR Totale Il fumo passivo non aumenta l OR di contrarre tumore alla mammella OR b c d Essendo z poichè ν, IC al 95%è: s ln OR ln ln < RRvero < e 1.39 < RRvero < Conclusione: Al 95% siamo confidenti che il valore vero del OR tra ]1.39,6.10[. RIFIUTO H 0,1 IC 60
61 IC per intera popolazione Popolazione (con campioni 100 o 00) che segue distribuzione normale IC 95% [ X s,x + ] X s X Stime della MEDIA e DS della popolazione IC IMPRECISO se popolazione è rappresentata da pochi campioni IC di popolazione dipende da: frazione f di popolazione da comprendere grado di fiducia con cui si vuole calcolare IC numerosità del campione usato per calcolare MEDIA e DS X Kα s < X < X + Kαs 61
62 Kα IC per intera popolazione numero di DS campionarie da sottrarre e addizionare alla MEDIA per calcolare i limiti di IC che copre la FRAZIONE di popolazione voluta con il grado di fiducia desiderato Ruolo di K α è analogo a quello di t α e z α ATTENZIONE! 1. K α può essere PIU GRANDE di per numerosità campionaria tra 5 e 5!. Non confondere SEM con DS e pensare che per popolazione: IC 95% X s,x+ 6 [ ] X s X
63 Conclusione SI a prestare attenzione al problema Accettazione/Rifiuto tipico del TEST STATISTICO ma è fondamentale valutare la FORZA con la quale le osservazioni suggeriscono un effetto (duplice controllo per l errore di I e II tipo POTENZA del test). Talvolta è necessario esprimere i risultati NON solo in termini di ACCETTAZIONE/RIFIUTO, ma anche stimare l entità dell effetto del trattamento e misurare l imprecisione della stima (IC) 63
64 Funzione di Potenza per il confronto di due gruppi di numerosità n 64
65 Funzione di Potenza per ANOVA 65
66 Percentili della distribuzione normale standardizzata Es: Se si vuole ottenere una potenza dell 80% si trova z α z
67 Tabella t-test 67
68 IC al 95% con approssimazione binomiale 68
Concetti principale della lezione precedente
Corso di Statistica medica e applicata 9 a Lezione Dott.ssa Donatella Cocca Concetti principale della lezione precedente I concetti principali che sono stati presentati sono: Variabili su scala nominale
DettagliQuanti soggetti devono essere selezionati?
Quanti soggetti devono essere selezionati? Determinare una appropriata numerosità campionaria già in fase di disegno dello studio molto importante è molto Studi basati su campioni troppo piccoli non hanno
DettagliTest d ipotesi: confronto fra medie
Test d ipotesi: confronto fra medie Prof. Giuseppe Verlato Sezione di Epidemiologia e Statistica Medica, Università di Verona CONFRONTO FRA MEDIE 1) confronto fra una media campionaria e una media di popolazione
DettagliTest d Ipotesi Introduzione
Test d Ipotesi Introduzione Uno degli scopi più importanti di un analisi statistica è quello di utilizzare i dati provenienti da un campione per fare inferenza sulla popolazione da cui è stato estratto
DettagliAnalisi di tassi e proporzioni: χ 2 test e test esatto di Fisher
Analisi di tassi e proporzioni: χ test e test esatto di Fisher Indice Stima di proporzioni ottenute dai campioni Verifica di ipotesi per proporzioni Z-test Analisi delle tabelle di contingenza (test non
DettagliIntervallo di confidenza
Intervallo di confidenza Prof. Giuseppe Verlato, Prof. Roberto de Marco Sezione di Epidemiologia e Statistica Medica, Università di Verona campione inferenza popolazione Media Riportare sempre anche Stima
Dettagli05. Errore campionario e numerosità campionaria
Statistica per le ricerche di mercato A.A. 01/13 05. Errore campionario e numerosità campionaria Gli schemi di campionamento condividono lo stesso principio di fondo: rappresentare il più fedelmente possibile,
DettagliDistribuzione Normale
Distribuzione Normale istogramma delle frequenze di un insieme di misure di una grandezza che può variare con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata di
DettagliApprossimazione normale alla distribuzione binomiale
Approssimazione normale alla distribuzione binomiale P b (X r) costoso P b (X r) P(X r) per N grande Teorema: Se la variabile casuale X ha una distribuzione binomiale con parametri N e p, allora, per N
DettagliStatistica Inferenziale
Statistica Inferenziale a) L Intervallo di Confidenza b) La distribuzione t di Student c) La differenza delle medie d) L intervallo di confidenza della differenza Prof Paolo Chiodini Dalla Popolazione
DettagliTest delle ipotesi sulla media.
. Caso di un singolo campione. Varianza nota.. Ipotesi alternativa bilaterale Test delle ipotesi sulla media. Valore medio η e deviazione standard σ della popolazione note. η è il valore stimato dal nostro
DettagliMetodo epidemiologici per la clinica _efficacia / 1. L analisi statistica
Metodo epidemiologici per la clinica _efficacia / 1 L analisi statistica Metodo epidemiologici per la clinica _efficacia / 2 Esempio (de Gans et al. NEJM 2002, 347: 1549-56) Esito Desametazone Trattamento
DettagliContenuti: Capitolo 14 del libro di testo
Test d Ipotesi / TIPICI PROBLEMI DI VERIFICA DI IPOTESI SONO Test per la media Test per una proporzione Test per la varianza Test per due campioni indipendenti Test di indipendenza Contenuti Capitolo 4
DettagliLa verifica delle ipotesi
La verifica delle ipotesi Se abbiamo un idea di quale possa essere il valore di un parametro incognito possiamo sottoporlo ad una verifica, che sulla base di un risultato campionario, ci permetta di decidere
DettagliEsercizi di Probabilità e Statistica
Esercizi di Probabilità e Statistica Samuel Rota Bulò 6 giugno 26 Statistica Esercizio Sia {X n } n una famiglia di v.a. di media µ e varianza σ 2. Verificare che X = n n X i σ 2 = n (X i µ) 2 S 2 = n
DettagliIl processo inferenziale consente di generalizzare, con un certo grado di sicurezza, i risultati ottenuti osservando uno o più campioni
La statistica inferenziale Il processo inferenziale consente di generalizzare, con un certo grado di sicurezza, i risultati ottenuti osservando uno o più campioni E necessario però anche aggiungere con
DettagliCapitolo 8. Intervalli di confidenza. Statistica. Levine, Krehbiel, Berenson. Casa editrice: Pearson. Insegnamento: Statistica
Levine, Krehbiel, Berenson Statistica Casa editrice: Pearson Capitolo 8 Intervalli di confidenza Insegnamento: Statistica Corso di Laurea Triennale in Economia Dipartimento di Economia e Management, Università
DettagliDistribuzioni campionarie
1 Inferenza Statistica Descrittiva Distribuzioni campionarie Statistica Inferenziale: affronta problemi di decisione in condizioni di incertezza basandosi sia su informazioni a priori sia sui dati campionari
DettagliDISTRIBUZIONE NORMALE (1)
DISTRIBUZIONE NORMALE (1) Nella popolazione generale molte variabili presentano una distribuzione a forma di campana, bene caratterizzata da un punto di vista matematico, chiamata distribuzione normale
DettagliNOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI VERIFICA DI IPOTESI PER IL CONFRONTO TRA DUE PROPORZIONI
NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI VERIFICA DI IPOTESI PER IL CONFRONTO TRA DUE PROPORZIONI IL PROBLEMA Si vuole verificare se un nuovo trattamento per la cura dell otite è più efficace
DettagliSchema lezione 5 Intervalli di confidenza
Schema lezione 5 Intervalli di confidenza Non centrerò quella barca, ne sono convinto al 95% COMPRENDERE: Significato di intervallo di confidenza Uso degli stimatori come quantità di pivot per stime intervallari
DettagliDistribuzione Gaussiana - Facciamo un riassunto -
Distribuzione Gaussiana - Facciamo un riassunto - Nell ipotesi che i dati si distribuiscano seguendo una curva Gaussiana è possibile dare un carattere predittivo alla deviazione standard La prossima misura
DettagliSOLUZIONE. a) Calcoliamo il valore medio delle 10 misure effettuate (media campionaria):
ESERCIZIO SU TEST STATISTICO (Z, T e χ ) Da una ditta di assemblaggio di PC ci viene chiesto di controllare la potenza media dissipata da un nuovo processore, che causa a volte problemi di sovraccarico
DettagliEsercitazione 8 maggio 2014
Esercitazione 8 maggio 2014 Esercizio 2 dal tema d esame del 13.01.2014 (parte II). L età media di n gruppo di 10 studenti che hanno appena conseguito la laurea triennale è di 22 anni. a) Costruire un
DettagliEsercitazione 8 del corso di Statistica 2
Esercitazione 8 del corso di Statistica Prof. Domenico Vistocco Dott.ssa Paola Costantini 6 Giugno 8 Decisione vera falsa è respinta Errore di I tipo Decisione corretta non è respinta Probabilità α Decisione
DettagliDistribuzione Normale
Distribuzione Normale istogramma delle frequenze di un insieme di misure relative a una grandezza che può variare con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata
DettagliLaboratorio di Didattica di elaborazione dati 5 STIMA PUNTUALE DEI PARAMETRI. x i. SE = n.
5 STIMA PUNTUALE DEI PARAMETRI [Adattato dal libro Excel per la statistica di Enzo Belluco] Sia θ un parametro incognito della distribuzione di un carattere in una determinata popolazione. Il problema
DettagliMatematica II: Calcolo delle Probabilità e Statistica Matematica
Matematica II: Calcolo delle Probabilità e Statistica Matematica ELT A-Z Docente: dott. F. Zucca Esercitazione # 6 1 Test ed intervalli di confidenza per una popolazione Esercizio n. 1 Il calore (in calorie
DettagliRischio relativo e Odds Ratio
Scuola di specializzazione In Fisica Sanitaria a.a. 2005/2006 Rischio relativo e Odds Ratio Prof. Maria Antonietta Penco penco@fisica.unige.it 20/03/2006 Rischio Relativo Il Rischio è la probabilità che
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 10-Significatività statistica per la correlazione vers. 1.0 (5 novembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università
DettagliStatistica4-29/09/2015
Statistica4-29/09/2015 Raccogliere i dati con il maggior numero di cifre significative ed arrotondare eventualmente solo al momento dei calcoli (min. 3); nella grande maggioranza delle ricerche biologiche
DettagliUNIVERSITÀ DEGLI STUDI DI PERUGIA
SIGI, Statistica II, esercitazione n. 3 1 UNIVERSITÀ DEGLI STUDI DI PERUGIA FACOLTÀ DI ECONOMIA CORSO DI LAUREA S.I.G.I. STATISTICA II Esercitazione n. 3 Esercizio 1 Una v.c. X si dice v.c. esponenziale
DettagliTest per l omogeneità delle varianze
Test per l omogeneità delle varianze Le carte di controllo hanno lo scopo di verificare se i campioni estratti provengono da un processo produttivo caratterizzato da un unico valore dello s.q.m. σ. Una
DettagliTipi di variabili. Indici di tendenza centrale e di dispersione
Tipi di variabili. Indici di tendenza centrale e di dispersione L. Boni Variabile casuale In teoria della probabilità, una variabile casuale (o variabile aleatoria o variabile stocastica o random variable)
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 abelle riportate alla fine del documento. Esercizio 1 La concentrazione media di sostanze inquinanti osservata nelle acque di un fiume
DettagliSimulazione di esercizi su test di significatività e 95%CI
Simulazione di esercizi su test di significatività e 95%CI 1) In un trial clinico vennero trattati 10 pazienti ipertesi con un preparato di Rawolfia. I valori pressori (in mmhg) riscontrati prima del trattamento
Dettaglii dati escludono vi sia una relazione tra variabile indipendente e variabile dipendente (rispettivamente
TEST DI AUTOVALUTAZIONE - SETTIMANA 6 I diritti d autore sono riservati. Ogni sfruttamento commerciale non autorizzato sarà perseguito. Metodi statistici per la biologia Parte A. La retta di regressione.2
DettagliUlteriori Conoscenze di Informatica e Statistica
ndici di forma Ulteriori Conoscenze di nformatica e Statistica Descrivono le asimmetrie della distribuzione Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 ( piano) tel.: 06 55 17 72 17
DettagliSTATISTICA ESERCITAZIONE
STATISTICA ESERCITAZIONE Dott. Giuseppe Pandolfo 1 Giugno 2015 Esercizio 1 Una fabbrica di scatole di cartone evade il 96% degli ordini entro un mese. Estraendo 300 campioni casuali di 300 consegne, in
DettagliPSICOMETRIA. Corso di laurea triennale (classe 34) VERIFICA DELL IPOTESI CON DUE CAMPIONI
PSICOMETRIA Corso di laurea triennale (classe 34) VERIFICA DELL IPOTESI CON DUE CAMPIONI CAMPIONI INDIPENDENTI Campioni estratti casualmente dalla popolazione con caratteristiche omogenee Assegnazione
DettagliFondamenti di Psicometria. La statistica è facile!!! VERIFICA DELLE IPOTESI
Fondamenti di Psicometria La statistica è facile!!! VERIFICA DELLE IPOTESI INFERENZA STATISTICA Teoria della verifica dell ipotesi : si verifica, in termini probabilistici, se una certa affermazione relativa
DettagliCapitolo 9 Verifica di ipotesi: test basati su un campione
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 9 Verifica di ipotesi: test basati su un campione Insegnamento: Statistica Corsi di Laurea Triennale in Economia Facoltà di Economia, Università
DettagliSTATISTICA ESERCITAZIONE 13
STATISTICA ESERCITAZIONE 13 Dott. Giuseppe Pandolfo 9 Marzo 2015 Errore di I tipo: si commette se l'ipotesi nulla H 0 viene rifiutata quando essa è vera Errore di II tipo: si commette se l'ipotesi nulla
DettagliCaratterizzazione dei consumi energetici (parte 3)
ESERCITAZIONE 4 Caratterizzazione dei consumi energetici (parte 3) 4.1 CuSum: elementi di analisi statistica Il diagramma delle somme cumulate dei residui in funzione del tempo (CuSum) può essere in generale
DettagliEsercizi sull associazione di variabili categoriche
Dipartimento di Fisica SMID a.a. 004/005 Esercizi sull associazione di variabili categoriche Prof. Maria Antonietta Penco penco@fisica.unige.it tel. 003536404 7//005 Esercizio Tra i 40 e 50 anni la probabilità
DettagliLezione 16. Statistica. Alfonso Iodice D Enza Università degli studi di Cassino. Lezione 16. A. Iodice. Ipotesi statistiche
Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 23 Outline 1 2 3 4 5 6 () Statistica 2 / 23 La verifica delle ipotesi Definizione Un ipotesi statistica
DettagliDISTRIBUZIONI DI CAMPIONAMENTO
DISTRIBUZIONI DI CAMPIONAMENTO 12 DISTRIBUZIONE DI CAMPIONAMENTO DELLA MEDIA Situazione reale Della popolazione di tutti i laureati in odontoiatria negli ultimi 10 anni, in tutte le Università d Italia,
DettagliIL CONFRONTO TRA LE VARIANZE DI DUE POPOLAZIONI
IL CONFRONTO TRA LE VARIANZE DI DUE POPOLAZIONI Perchè confrontare le varianze stimate in due campioni? Torniamo all'esempio dei frinosomi Per poter applicare il test t avevamo detto che le varianze, e
DettagliGli errori nella verifica delle ipotesi
Gli errori nella verifica delle ipotesi Nella statistica inferenziale si cerca di dire qualcosa di valido in generale, per la popolazione o le popolazioni, attraverso l analisi di uno o più campioni E
DettagliEsercizio 1. Stima intervallare: IC per la media incognita (varianza ignota)
STATISTICA (2) ESERCITAZIONE 5 26.02.2014 Dott.ssa Antonella Costanzo Esercizio 1. Stima intervallare: IC per la media incognita (varianza ignota) Il responsabile del controllo qualità di un azienda che
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
DettagliSTATISTICA A K (60 ore)
STATISTICA A K (60 ore) Marco Riani mriani@unipr.it http://www.riani.it Esercizio Il contenuto di nicotina di una certa marca di sigarette è 0,25 milligrammi con una deviazione standard di 0,015. Un associazione
DettagliEsame di Statistica del 19 settembre 2006 (Corso di Laurea Triennale in Biotecnologie, Università degli Studi di Padova).
Esame di Statistica del 19 settembre 2006 (Corso di Laurea Triennale in Biotecnologie, Università degli Studi di Padova). Cognome Nome Matricola Es. 1 Es. 2 Es. 3 Es. 4 Somma Voto finale Attenzione: si
DettagliEsercitazioni di Statistica Matematica A Esercitatori: Dott. Fabio Zucca - Dott. Maurizio U. Dini Lezioni del 7/1/2003 e del 14/1/2003
Esercitazioni di Statistica Matematica A Esercitatori: Dott. Fabio Zucca - Dott. Maurizio U. Dini Lezioni del 7/1/003 e del 14/1/003 1 Esercizi 1.1 Test su media (con varianza nota) Esercizio n. 1 Il calore
DettagliDistribuzioni e inferenza statistica
Distribuzioni e inferenza statistica Distribuzioni di probabilità L analisi statistica spesso studia i fenomeni collettivi confrontandoli con modelli teorici di riferimento. Tra di essi, vedremo: la distribuzione
DettagliIntervalli di confidenza
Probabilità e Statistica Esercitazioni a.a. 2006/2007 C.d.L.: Ingegneria per l Ambiente ed il Territorio, Ingegneria Civile, Ingegneria Gestionale, Ingegneria dell Informazione C.d.L.S.: Ingegneria Civile
DettagliStatistica. Esercitazione 14. Alfonso Iodice D Enza Università degli studi di Cassino. Statistica. A. Iodice. Verifica di ipotesi
Esercitazione 14 Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () 1 / 14 Ex.1: Verifica Ipotesi sulla media (varianza nota) Le funi prodotte da un certo macchinario hanno una
DettagliProprietà della varianza
Proprietà della varianza Proprietà della varianza Proprietà della varianza Proprietà della varianza Intermezzo: ma perché dovremmo darci la pena di studiare come calcolare la varianza nel caso di somme,
DettagliPrefazione. Presentazione dell edizione italiana
Glantz_2007.book Page VII Monday, February 5, 2007 12:53 PM Indice Prefazione Presentazione dell edizione italiana XV XIX Capitolo 1 Biostatistica e pratica clinica 1 Medicina scientifica 1 Cosa rivelano
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:
DettagliIl confronto fra medie
L. Boni Obiettivo Verificare l'ipotesi che regimi alimentari differenti non producano mediamente lo stesso effetto sulla gittata cardiaca Ipotesi nulla IPOTESI NULLA La dieta non dovrebbe modificare in
DettagliEsercitazione: La distribuzione NORMALE
Esercitazione: La distribuzione NORMALE Uno dei più importanti esempi di distribuzione di probabilità continua è dato dalla distribuzione Normale (curva normale o distribuzione Gaussiana); è una delle
DettagliSTATISTICA INFERENZIALE PER VARIABILI QUALITATIVE
1 STATISTICA INFERENZIALE PER VARIABILI QUALITATIVE La presentazione dei dati per molte ricerche mediche fa comunemente riferimento a frequenze, assolute o percentuali. Osservazioni cliniche conducono
DettagliLe statistiche campionarie sono stime dei parametri ignoti della popolazione al cui valore siamo interessati.
Una volta selezionato il campione, la variabile di interesse viene misurata sugli elementi che lo costituiscono. I valori che la variabile assume vengono poi sintetizzati utilizzando le statistiche opportune
DettagliAnalisi della varianza
Analisi della varianza Prof. Giuseppe Verlato Sezione di Epidemiologia e Statistica Medica, Università di Verona ANALISI DELLA VARIANZA - 1 Abbiamo k gruppi, con un numero variabile di unità statistiche.
DettagliCapitolo 8. Probabilità: concetti di base
1 Capitolo 8 Probabilità: concetti di base Statistica - Metodologie per le scienze economiche e sociali 2/ed S. Borra, A. Di Ciaccio Copyright 2008 The McGraw-Hill Companies srl 2 Concetti primitivi di
DettagliGestione ed Analisi Statistica dei dati
Master in Evidence Based Practice e Metodologia della Ricerca clinico-assistenziale assistenziale Gestione ed Analisi Statistica dei dati Daniela Fortuna 12 giugno 2014 TEST di ipotesi Finora abbiamo visto
Dettaglistandardizzazione dei punteggi di un test
DIAGNOSTICA PSICOLOGICA lezione! Paola Magnano paola.magnano@unikore.it standardizzazione dei punteggi di un test serve a dare significato ai punteggi che una persona ottiene ad un test, confrontando la
DettagliFACOLTÀ DI SOCIOLOGIA CdL in SCIENZE DELL ORGANIZZAZIONE ESAME di STATISTICA 21/09/2011
FACOLTÀ DI SOCIOLOGIA CdL in SCIENZE DELL ORGANIZZAZIONE ESAME di STATISTICA 1/9/11 ESERCIZIO 1 (+3++3) La seguente tabella riporta la distribuzione di frequenza dei valori di emoglobina nel sangue (espressi
DettagliProva Scritta di METODI STATISTICI PER L AMMINISTRAZIONE DELLE IMPRESE (Milano, )
Università degli Studi di Milano Bicocca Scuola di Economia e Statistica Corso di Laurea in Economia e Amministrazione delle Imprese (ECOAMM) Prova Scritta di METODI STATISTICI PER L AMMINISTRAZIONE DELLE
DettagliStatistica Matematica A - Ing. Meccanica, Aerospaziale II prova in itinere - 2 febbraio 2005
Statistica Matematica A - Ing. Meccanica, Aerospaziale II prova in itinere - 2 febbraio 2005 c I diritti d autore sono riservati. Ogni sfruttamento commerciale non autorizzato sarà perseguito. Esercizio
Dettagliˆp(1 ˆp) n 1 +n 2 totale di successi considerando i due gruppi come fossero uno solo e si costruisce z come segue ˆp 1 ˆp 2. n 1
. Verifica di ipotesi: parte seconda.. Verifica di ipotesi per due campioni. Quando abbiamo due insiemi di dati possiamo chiederci, a seconda della loro natura, se i campioni sono simili oppure no. Ci
DettagliCapitolo 5 Confidenza, significatività, test di Student e del χ 2
Capitolo 5 Confidenza, significatività, test di Student e del χ 5.1 L inferenza Se conosciamo la legge di probabilità di un evento (a priori o a posteriori) possiamo fare delle previsioni su come l evento
DettagliLezione VI: Distribuzione normale. La distribuzione normale (curva di Gauss). Prof. Enzo Ballone. Lezione 6a- Ia distribuzione normale
Lezione VI: Distribuzione normale Cattedra di Biostatistica Dipartimento di Scienze Biomediche, Università degli Studi G. d Annunzio di Chieti Pescara Prof. Enzo Ballone Lezione 6a- Ia distribuzione normale
DettagliTest di ipotesi. Test
Test di ipotesi Test E una metodologia statistica che consente di prendere una decisione. Esempio: Un supermercato riceve dal proprio fornitore l assicurazione che non più del 5% delle mele di tipo A dell
DettagliCORSO DI LAUREA IN INFERMIERISTICA. LEZIONI DI STATISTICA Parte II Elaborazione dei dati Variabilità
CORSO DI LAUREA IN INFERMIERISTICA LEZIONI DI STATISTICA Parte II Elaborazione dei dati Variabilità Lezioni di Statistica VARIABILITA Si definisce variabilità la proprietà di alcuni fenomeni di assumere
DettagliStatistica inferenziale. La statistica inferenziale consente di verificare le ipotesi sulla popolazione a partire dai dati osservati sul campione.
Statistica inferenziale La statistica inferenziale consente di verificare le ipotesi sulla popolazione a partire dai dati osservati sul campione. Verifica delle ipotesi sulla medie Quando si conduce una
DettagliSTATISTICA INFERENZIALE PER VARIABILI QUALITATIVE
STATISTICA INFERENZIALE PER VARIABILI QUALITATIVE La presentazione dei dati per molte ricerche mediche fa comunemente riferimento a frequenze, assolute o percentuali. Osservazioni cliniche conducono sovente
DettagliElementi di Epidemiologia per la Valutazione Comparativa di Esito
Elementi di Epidemiologia per la Valutazione Comparativa di Esito La valutazione della qualità dell assistenza: quali domande? L incidenza di alcuni esiti negativi dell assistenza ospedaliera (come la
DettagliDispensa di Statistica
Dispensa di Statistica 1 parziale 2012/2013 Diagrammi... 2 Indici di posizione... 4 Media... 4 Moda... 5 Mediana... 5 Indici di dispersione... 7 Varianza... 7 Scarto Quadratico Medio (SQM)... 7 La disuguaglianza
DettagliCasa dello Studente. Casa dello Studente
Esercitazione - 14 aprile 2016 ESERCIZIO 1 Di seguito si riporta il giudizio (punteggio da 0 a 5) espresso da un gruppo di studenti rispetto alle diverse residenze studentesche di un Ateneo: a) Si calcolino
DettagliEsercizi riassuntivi di Inferenza
Esercizi riassuntivi di Inferenza Esercizio 1 Un economista vuole stimare il reddito medio degli abitanti di una cittadina mediante un intervallo al livello di confidenza del 95%. La distribuzione del
DettagliCorso di Psicometria Progredito
Corso di Psicometria Progredito 4.1 I principali test statistici per la verifica di ipotesi: Il test t Gianmarco Altoè Dipartimento di Pedagogia, Psicologia e Filosofia Università di Cagliari, Anno Accademico
DettagliProbabilità classica. Distribuzioni e leggi di probabilità. Probabilità frequentista. Probabilità soggettiva
Probabilità classica Distribuzioni e leggi di probabilità La probabilità di un evento casuale è il rapporto tra il numero dei casi favorevoli ed il numero dei casi possibili, purchè siano tutti equiprobabili.
DettagliCHEMIOMETRIA. CONFRONTO CON VALORE ATTESO (test d ipotesi) CONFRONTO DI VALORI MISURATI (test d ipotesi) CONFRONTO DI RIPRODUCIBILITA (test d ipotesi)
CHEMIOMETRIA Applicazione di metodi matematici e statistici per estrarre (massima) informazione chimica (affidabile) da dati chimici INCERTEZZA DI MISURA (intervallo di confidenza/fiducia) CONFRONTO CON
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
DettagliSTATISTICA A K (60 ore)
STATISTICA A K (60 ore) Marco Riani mriani@unipr.it http://www.riani.it Richiami sulla regressione Marco Riani, Univ. di Parma 1 MODELLO DI REGRESSIONE y i = a + bx i + e i dove: i = 1,, n a + bx i rappresenta
DettagliSTATISTICHE, DISTRIBUZIONI CAMPIONARIE E INFERENZA
Metodi statistici e probabilistici per l ingegneria Corso di Laurea in Ingegneria Civile A.A. 2009-10 Facoltà di Ingegneria, Università di Padova Docente: Dott. L. Corain 1 STATISTICHE, DISTRIBUZIONI CAMPIONARIE
DettagliStatistica - metodologie per le scienze economiche e sociali /2e S. Borra, A. Di Ciaccio - McGraw Hill
Statistica - metodologie per le scienze economiche e sociali /e S. Borra, A. Di Ciaccio - McGraw Hill Es.. Soluzione degli esercizi del capitolo 4 4. Il sistema d ipotesi è: μ 7, H : μ 7, Essendo 0 : t,
DettagliTeoria e tecniche dei test
Teoria e tecniche dei test Lezione 9 LA STANDARDIZZAZIONE DEI TEST. IL PROCESSO DI TARATURA: IL CAMPIONAMENTO. Costruire delle norme di riferimento per un test comporta delle ipotesi di fondo che è necessario
DettagliI appello di calcolo delle probabilità e statistica
I appello di calcolo delle probabilità e statistica A.Barchielli, L. Ladelli, G. Posta 8 Febbraio 13 Nome: Cognome: Matricola: Docente: I diritti d autore sono riservati. Ogni sfruttamento commerciale
DettagliArgomenti della lezione:
Lezione 13 L analisi della Varianza (ANOVA): il modello lineare Argomenti della lezione: Modello lineare Disegni a una via L Analisi della Varianza (ANOVA): Esamina differenze tra le medie di due o più
DettagliPROBABILITA. Distribuzione di probabilità
DISTRIBUZIONI di PROBABILITA Distribuzione di probabilità Si definisce distribuzione di probabilità il valore delle probabilità associate a tutti gli eventi possibili connessi ad un certo numero di prove
DettagliESERCIZIO pag ? = Stima del numero medio di battiti cardiaci /minuto per una certa popolazione.
ESERCIZIO pag.146 6..1? = Stima del numero medio di battiti cardiaci /minuto per una certa popolazione. x= 90 battiti/minuto n = 49 Assunzioni: campione casuale; popolazione distribuita N; σ = 10 battiti/minuto.
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 4
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 4 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Stimatore media campionaria Il tempo in minuti necessario a un certo impiegato dell anagrafe
DettagliUniversità del Piemonte Orientale. Corso di laurea in medicina e chirurgia. Corso di Statistica Medica. La distribuzione t - student
Università del Piemonte Orientale Corso di laurea in medicina e chirurgia Corso di Statistica Medica La distribuzione t - student 1 Abbiamo visto nelle lezioni precedenti come il calcolo del valore Z,
DettagliUn esempio. Ipotesi statistica: supposizione riguardante: un parametro della popolazione. la forma della distribuzione della popolazione
La verifica delle ipotesi In molte circostanze il ricercatore si trova a dover decidere quale, tra le diverse situazioni possibili riferibili alla popolazione, è quella meglio sostenuta dalle evidenze
DettagliDESCRITTIVE, TEST T PER IL CONFRONTO DELLE MEDIE DI CAMPIONI INDIPENDENTI.
Corso di Laurea Specialistica in Biologia Sanitaria, Universita' di Padova C.I. di Metodi statistici per la Biologia, Informatica e Laboratorio di Informatica (Mod. B) Docente: Dr. Stefania Bortoluzzi
DettagliISTOGRAMMI E DISTRIBUZIONI:
ISTOGRAMMI E DISTRIBUZIONI: i 3 4 5 6 7 8 9 0 i 0. 8.5 3 0 9.5 7 9.8 8.6 8. bin (=.) 5-7. 7.-9.4 n k 3 n k 6 5 n=0 =. 9.4-.6 5 4.6-3.8 3 Numero di misure nell intervallo 0 0 4 6 8 0 4 6 8 30 ISTOGRAMMI
DettagliTRACCIA DI STUDIO. Test di confronto per misure qualitative. Verifica di ipotesi
TRACCIA DI STUDIO Verifica di ipotesi Nelle analisi statistiche di dati sperimentali riguardanti più gruppi di studio (talvolta più variabili) si pone come ipotesi da verificare la cosiddetta ipotesi zero:
Dettagli