Metodiche classiche di acquisizione e quan3ficazione della variabilità della frequenza cardiaca

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Metodiche classiche di acquisizione e quan3ficazione della variabilità della frequenza cardiaca"

Transcript

1 Metodiche classiche di acquisizione e quan3ficazione della variabilità della frequenza cardiaca (Ivan Corazza)

2 INDICE Misura intervalli RR battito-a-battito (Giorgio Barletta) Misura della variabilità della frequenza cardiaca nel dominio del TEMPO Metodi geometrici per la valutazione della HRV Misura della variabilità della frequenza cardiaca nel dominio della FREQUENZA

3 INDICE Misura intervalli RR battito-a-battito (Giorgio Barletta) Misura della variabilità della frequenza cardiaca nel dominio del TEMPO Metodi geometrici per la valutazione della HRV Misura della variabilità della frequenza cardiaca nel dominio della FREQUENZA RR i RR i+1 RR i+2 RR i+3 RR i+4 Tacogramma

4 Tilt Test ecg sbp taco Valsalva ecg sbp taco

5 Respiro profondo ecg sbp taco

6 Respiro profondo ecg sbp taco Una corretta valutazione della variabilità della frequenza cardiaca presuppone una corretta valutazione delle onde R. Bisogna individuare ed eliminare gli artefatti.

7 Misura della variabilità della frequenza cardiaca nel dominio del TEMPO

8 Misura della variabilità della frequenza cardiaca nel dominio del TEMPO (ricavata direttamente dalla sequenza degli RR). Ipotesi: gli RR sono distribuiti normalmente (segnale stazionario). Sono necessari periodi > 5 minuti per avere un numero sufficiente di dati. Valore medio e deviazione standard (SDNN) NN = numero totale di intervalli RR Media ± SDNN fornisce una quantificazione della variabilità su un periodo. Posso fare confronti fra periodi diversi (con medesima durata) corrispondenti a diverse attività (es. sonno, veglia ).

9 SDNN Index Consideriamo un periodo di registrazione lungo (tipicamente 24h); Suddividiamolo in intervalli di 5 minuti; Calcoliamo la deviazione standard per ogni intervallo; SDNN Index: media delle singole deviazioni standard (ricavate ciascuna su 5 minuti). M = numero RR contenuti in 5 min S = numero periodi di 5 min contenuti nella serie totale E una stima della variabilità su cicli più brevi di 5 minuti.

10 SDANN Consideriamo un periodo di registrazione lungo (tipicamente 24h); Suddividiamolo in intervalli di 5 minuti; Calcoliamo la media per ogni intervallo (RRM5 k ); SDANN: deviazione standard della distribuzione delle medie (fatte ciascuna su 5 minuti) M = numero RR contenuti in 5 min S = numero periodi di 5 min contenuti nella serie totale E una stima delle modificazioni della frequenza cardiaca dovute a cicli più lunghi di 5 minuti.

11 Misura della variabilità della frequenza cardiaca nel dominio del TEMPO (ricavata dalla sequenza delle differenze tra gli RR). La differenza fra due RR successivi è indice della variabilità su breve periodo. RMSSD: Radice quadrata della differenza quadratica media degli RR successivi (RMSSD) E una stima della variabilità battito a battito.

12 NN50 = numero delle differenze successive che hanno durata > 50ms pnn50 = NN50 / NN I parametri legati alle differenze tra un RR e il successivo (RRMSSD, NN50 e pnn50) sono strettamente correlati tra loro. Figure 1. Relazione RMSSD-pNN50 (a) e pnn50- NN50 (b) calcolate su 857 registrazioni holter di 24h in pazienti con pregresso infarto del miocardio. Gli NN50 riportati nel grafico (b) sono stati normalizzati rispetto alla lunghezza totale della registrazione (24h). Heart Rate Variability - Standards of Measurement, Physiological Interpretation, and Clinical Use. Task Force of the European Society of Cardiology the North American Society of Pacing Electrophysiology. Circulation. 1996;93:

13 Misura della variabilità della frequenza cardiaca: metodi geometrici

14 Misura della variabilità della frequenza cardiaca con metodi GEOMETRICI Metodi basati sull istogramma degli RR Sono metodi che tengono conto della forma della distribuzione degli intervalli RR. 1) Si deve costruire l istogramma della distribuzione degli RR e lo si interpola congiungendo i valori corrispondenti a ciascun intervallo. Numero RR RR (s)

15 Indice triangolare (HRV triangular index) 2) Ipotizzando che la distribuzione abbia una forma triangolare, si calcola l ampiezza della base del triangolo come il rapporto tra l area sottesa dalla curva e l altezza (valore più frequente della distribuzione moda). Numero RR A h RR (s)

16 Interpolazione triangolare dell istogramma degli intervalli RR (TINN o TIRR) Rispetto al precedente parametro, viene effettuata una interpolazione lineare per calcolare il miglior triangolo che interpola (es. con il metodo dei minimi quadrati) la distribuzione e poi se ne utilizza la base come indice di variabilità della frequenza cardiaca. Numero RR RR (s) Entrambi gli indici forniscono le stesse informazioni fornite dalla deviazione standard calcolata sull intero periodo.

17 Vantaggi/1 Utilizzando questi due indici è possibile eliminare dall analisi eventuali artefatti Probabile riconoscimento di onde T come R Probabile mancato riconoscimento di onde R Numero RR A h RR (s) Considero solamente il picco più alto e quindi la distribuzione centrale. In caso di sequenze di RR con molti errori, riesco a discriminarli e quindi non considerarli nell analisi.

18 Vantaggi/2 Sovrapposizione di due fasi diverse (es veglia e sonno) segnale NON STAZIONARIO Numero RR A h h1 RR (s) Nel caso in cui nell istogramma siano presenti due picchi, ad esempio corrispondenti a fasi diverse (sonno e veglia, ad esempio), i metodi statistici che si basano sulla normalità della distribuzione degli RR, compiono errori. Con i metodi geometrici è possibile discriminare tra i due picchi e considerarne solo 1.

19 Misura della variabilità della frequenza cardiaca con metodi GEOMETRICI Metodi basati sull istogramma delle differenze fra RR successivi Sono metodi che tengono conto della forma della distribuzione delle differenze fra intervalli RR contigui. 1) Si deve costruire l istogramma della distribuzione delle differenze e lo si interpola congiungendo i valori corrispondenti a ciascun intervallo. Numero differenze RR 0 Differenze RR (s)

20 Si possono calcolare degli indici differenziali, definiti come la larghezza della distribuzione a diversi valori di NN (es. 1000, 10000). Questi indici dipendono dalla durata totale del periodo considerato e si possono utilizzare solo se eseguite su sequenze di durata standard e sufficientemente lunga (tipicamente 24h). Numero differenze RR 0 Differenze RR (s)

21 Svantaggi: - Sono necessari molti dati per avere una distribuzione adeguata (periodi di almeno 20 minuti). In genere si applicano a registrazioni di almeno 24h. - Sono meno precisi dei parametri statistici e dell analisi spettrale. In conclusione: Si applicano solo nei casi in cui non sia possibile applicare i tradizionali metodi nel dominio del tempo a causa della presenza di molti artefatti e sempre con durate molto lunghe.

22 Misura della variabilità della frequenza cardiaca con metodi GEOMETRICI Lorenz Plot (Poincarè Plot) Si rappresenti su un piano cartesiano ciascun RR in funzione del precedente. RR l+1 RR l

23 Misura della variabilità della frequenza cardiaca con metodi GEOMETRICI Lorenz Plot (Poincarè Plot) Si rappresenti su un piano cartesiano ciascun RR in funzione del precedente. RR l+1 RR i+1 =RR i RR l

24 Misura della variabilità della frequenza cardiaca con metodi GEOMETRICI Lorenz Plot (Poincarè Plot) Si rappresenti su un piano cartesiano ciascun RR in funzione del precedente. RR i+2 >>RR i+1 RR l+1 RR i+1 =RR i RR l

25 Misura della variabilità della frequenza cardiaca con metodi GEOMETRICI Lorenz Plot (Poincarè Plot) Si rappresenti su un piano cartesiano ciascun RR in funzione del precedente. RR i+2 >>RR i+1 RRi+3 RRi+2 RR l+1 RR i+1 =RR i RR l

26 Misura della variabilità della frequenza cardiaca con metodi GEOMETRICI Lorenz Plot (Poincarè Plot) Si rappresenti su un piano cartesiano ciascun RR in funzione del precedente. RR i+2 >>RR i+1 RRi+3 RRi+2 RR l+1 RR i+1 =RR i RR l

27 Misura della variabilità della frequenza cardiaca con metodi GEOMETRICI Lorenz Plot (Poincarè Plot) Si rappresenti su un piano cartesiano ciascun RR in funzione del precedente. La variabiltà battito-a-battito fa sì che i punti si sparpaglino lungo l asse trasverso T RR i+2 >>RR i+1 RRi+3 RRi+2 RR l+1 RR i+1 =RR i RR l

28 Misura della variabilità della frequenza cardiaca con metodi GEOMETRICI Lorenz Plot (Poincarè Plot) Si rappresenti su un piano cartesiano ciascun RR in funzione del precedente. La variabiltà battito-a-battito fa sì che i punti si sparpaglino lungo l asse trasverso T RR i+2 >>RR i+1 RRi+3 RRi+2 RR l+1 RR i+1 =RR i La variabiltà su più lungo periodo fa sì che i punti si sparpaglino lungo la bisettrice. RR l

29 Misura della variabilità della frequenza cardiaca con metodi GEOMETRICI Lorenz Plot (Poincarè Plot) Avendo molti battiti. Quantifichiamo la variabilità a breve e lungo periodo mediante una interpolazione ellittica e calcolando i due raggi SD1 e SD2. Se proietto i punti lungo l asse trasverso e la bisettrice ottengo SD1 e SD2 come le deviazioni standard delle due distribuzioni così ottenute. RR i+1 RR i SD1 SD2 Brennan M, Palaniswami M and Kamen P 2001 Do existing measures of Poincare plot geometry reflect nonlinear features of heart rate variability? IEEE Trans. Biomed. Eng

30 Misura della variabilità della frequenza cardiaca con metodi GEOMETRICI Lorenz Plot (Poincarè Plot) Avendo molti battiti. Quantifichiamo la variabilità a breve e lungo periodo mediante una interpolazione ellittica e calcolando i due raggi SD1 e SD2. Se proietto i punti lungo l asse trasverso e la bisettrice ottengo SD1 e SD2 come le deviazioni standard delle due distribuzioni così ottenute. RR i+1 RR i SD1 SD2 Istogramma delle differenze fra RR successivi Brennan M, Palaniswami M and Kamen P 2001 Do existing measures of Poincare plot geometry reflect nonlinear features of heart rate variability? IEEE Trans. Biomed. Eng

31 Misura della variabilità della frequenza cardiaca con metodi GEOMETRICI Lorenz Plot (Poincarè Plot) Avendo molti battiti. Quantifichiamo la variabilità a breve e lungo periodo mediante una interpolazione ellittica e calcolando i due raggi SD1 e SD2. Se proietto i punti lungo l asse trasverso e la bisettrice ottengo SD1 e SD2 come le deviazioni standard delle due distribuzioni così ottenute. RR i+1 RR i SD1 SD2 Istogramma delle differenze fra RR successivi Istogramma delle lunghezze Brennan M, Palaniswami M and Kamen P 2001 Do existing measures of Poincare plot geometry reflect nonlinear features of heart rate variability? IEEE Trans. Biomed. Eng

32 Misura della variabilità della frequenza cardiaca con metodi GEOMETRICI Lorenz Plot (Poincarè Plot) Avendo molti battiti. Quantifichiamo la variabilità a breve e lungo periodo mediante una interpolazione ellittica e calcolando i due raggi SD1 e SD2. Se proietto i punti lungo l asse trasverso e la bisettrice ottengo SD1 e SD2 come le deviazioni standard delle due distribuzioni così ottenute. RR i+1 RR i SD1 SD2 Istogramma delle differenze fra RR successivi Istogramma degli RR Istogramma delle lunghezze Brennan M, Palaniswami M and Kamen P 2001 Do existing measures of Poincare plot geometry reflect nonlinear features of heart rate variability? IEEE Trans. Biomed. Eng

33

34 Analisi di Fourier

35 Analisi HRV nel dominio delle frequenza: metodi non parametrici Teorema di Fourier Qualsiasi funzione s(t) limitata in ampiezza e periodica può essere espressa come: con T T T/2 f 0 2f 0 3f 0 4f 0 T T T T 5f 0

36 Se abbiamo una funzione discreta (N punti) e periodica, con frequenza di campionamento pari a fc e armonica di frequenza superiore limitata dal sistema A/D (per il teorema di Shannon): Sapendo che: Poiché m=1,2,.n/2 allora: mf 1 = frequenza dell armonica La frequenza è multiplo intero della frequenza fondamentale e può assumere i valori interi tra f 1 e fc/2. Risoluzione in frequenza =

37 Componendo le equazioni risulta: Ciascun coefficiente R m dice quanto vale l ampiezza dell armonica di frequenza mf 1. È possibile riportare in un grafico i valori di R m in funzione della frequenza: quello che viene fuori è il cosiddetto spettro di ampiezza della funzione s(k): dice essenzialmente qual è l ampiezza della sinusoide di frequenza mf 1. Analogamente il grafico di Φ m si dice spettro di fase di s(t). Il grafico di R m 2 si chiama invece spettro di potenza, o semplicemente spettro, del segnale, e dice come è stata ripartita tra le varie armoniche la potenza, o l energia, trasportata dal segnale s(k). (Applet)

38 N.B. Lo spettro che si ricava dalla analisi di Fourier di un segnale discreto è discreto. A f

39 N.B. Lo spettro che si ricava dalla analisi di Fourier di un segnale discreto è discreto. A Per motivi di leggibilità ed estetica, lo si trova visualizzato come se fosse continuo A f f

40 Πίνδαρος N.B. La successione dei coefficien- R m definisce una funzione discreta che possiamo chiamare TRASFORMATA DISCRETA DI FOURIER. Calcolare gli R m, quindi significa eseguire la trasformata di Fourier.

41 Πίνδαρος N.B. La successione dei coefficien- R m definisce una funzione discreta che possiamo chiamare TRASFORMATA DISCRETA DI FOURIER. Calcolare gli R m, quindi significa eseguire la trasformata di Fourier. Fast Fourier Transform (FFT) I tempi di elaborazione per calcolare la trasformata di Fourier discreta di un numero elevato di punti sono lunghi. Avendo una funzione discreta composta da N punti, il calcolo degli Rm presuppone l esecuzione di circa N 2 operazioni. È stata quindi introdotta la FFT che consente di velocizzare i calcoli riducendo il numero globale di operazioni a Nlog 2 N con il vincolo che N=2 m.

42 Questa è la teoria, ora la pratica La successione degli RR è un segnale discreto campionato a frequenza variabile (RR originali)

43 Questa è la teoria, ora la pratica La successione degli RR è un segnale discreto campionato a frequenza variabile (RR originali) Interpoliamo gli RR. Possiamo usare diversi algoritmi, tipicamente polinomiali di grado >=2.

44 Questa è la teoria, ora la pratica La successione degli RR è un segnale discreto campionato a frequenza variabile (RR originali) Interpoliamo gli RR. Possiamo usare diversi algoritmi, tipicamente polinomiali di grado >=2. Ricampioniamo il segnale a frequenza fissa (tipicamente 2-8Hz). In questo caso aumento il range di frequenze rappresentabile nello spettro.

45 Questa è la teoria, ora la pratica La successione degli RR è un segnale discreto campionato a frequenza variabile (RR originali) Interpoliamo gli RR. Possiamo usare diversi algoritmi, tipicamente polinomiali di grado >=2. Ricampioniamo il segnale a frequenza fissa (tipicamente 2-8Hz). In questo caso aumento il range di frequenze rappresentabile nello spettro. Ricampionando il segnale: - aumentiamo la massima frequenza rappresentabile sullo spettro, - rimane inalterata la risoluzione in frequenza, - aggiungiamo dei punti non fisiologici che non esistono...

46 Si può anche non ricampionare: consideriamo la sequenza degli RR originali e approssimiamo la frequenza di campionamento con l inverso dell intervallo RR medio. RR 1 RR 2 RR 3 RR 4 RR 5 RR medio RR medio RR medio RR medio RR medio

47 Esempio: Consideriamo una successione di RR formata da 200 intervalli. RR medio: 850ms Frequenza di campionamento Durata totale: 200/1.18 = 169.5s (è la durata reale) Risoluzione in frequenza: 1.18/200 = Hz In questo modo i singoli RR vengono tutti posti alla stessa distanza temporale: alcuni si avvicineranno fra loro, altri si allontanano. Se ho un numero sufficientemente alto e il segnale è stazionario mi aspetto che per ogni RR compresso ce ne sia un altro dilatato. La scomposizione in frequenza finale non viene compromessa. Si modifica naturalmente l estremo superiore dello spettro estraibile dal segnale che è uguale a circa 0.6Hz.

48 Continuiamo La sequenza degli RR non è un segnale periodico.

49 Continuiamo La sequenza degli RR non è un segnale periodico. Consideriamo una sequenza sufficientemente lunga da poter essere considerata periodica. Maggiore è la lunghezza, maggiore anche la risoluzione in frequenza dello spettro.

50 Continuiamo La sequenza degli RR non è un segnale periodico. Consideriamo una sequenza sufficientemente lunga da poter essere considerata periodica. Maggiore è la lunghezza, maggiore anche la risoluzione in frequenza dello spettro. Attenzione!!!! Scopo della analisi in frequenza è quello di evidenziare l attivazione dei sistemi simpatico e parasimatico e il loro rapporto.

51 Continuiamo La sequenza degli RR non è un segnale periodico. Consideriamo una sequenza sufficientemente lunga da poter essere considerata periodica. Maggiore è la lunghezza, maggiore anche la risoluzione in frequenza dello spettro. Attenzione!!!! Scopo della analisi in frequenza è quello di evidenziare l attivazione dei sistemi simpatico e parasimatico e il loro rapporto. Durante il periodi di analisi la modulazione dei due sistemi deve essere costante.

52 Continuiamo La sequenza degli RR non è un segnale periodico. Consideriamo una sequenza sufficientemente lunga da poter essere considerata periodica. Maggiore è la lunghezza, maggiore anche la risoluzione in frequenza dello spettro. Attenzione!!!! Scopo della analisi in frequenza è quello di evidenziare l attivazione dei sistemi simpatico e parasimatico e il loro rapporto. Durante il periodi di analisi la modulazione dei due sistemi deve essere costante. Il segnale deve essere stazionario.

53 Continuiamo La sequenza degli RR non è un segnale periodico. Consideriamo una sequenza sufficientemente lunga da poter essere considerata periodica. Maggiore è la lunghezza, maggiore anche la risoluzione in frequenza dello spettro. Attenzione!!!! Scopo della analisi in frequenza è quello di evidenziare l attivazione dei sistemi simpatico e parasimatico e il loro rapporto. Maggiore è la lunghezza del segnale maggiore è la probabilità che l attivazione del simpatico e del vagale si modifichino (segnale non stazionario) Durante il periodi di analisi la modulazione dei due sistemi deve essere costante. Il segnale deve essere stazionario.

54 Continuiamo La sequenza degli RR non è un segnale periodico. Consideriamo una sequenza sufficientemente lunga da poter essere considerata periodica. Maggiore è la lunghezza, maggiore anche la risoluzione in frequenza dello spettro. Attenzione!!!! Scopo della analisi in frequenza è quello di evidenziare l attivazione dei sistemi simpatico e parasimatico e il loro rapporto. Maggiore è la lunghezza del segnale maggiore è la probabilità che l attivazione del simpatico e del vagale si modifichino (segnale non stazionario) Durante il periodi di analisi la modulazione dei due sistemi deve essere costante. Il segnale deve essere stazionario.

55 È fondamentale il ruolo del tecnico/clinico che deve scegliere i periodi da analizzare in funzione del segnale (e quindi dello stato del paziente). Ad esempio:

56 È fondamentale il ruolo del tecnico/clinico che deve scegliere i periodi da analizzare in funzione del segnale (e quindi dello stato del paziente). Ad esempio: ecg sbp taco

57 È fondamentale il ruolo del tecnico/clinico che deve scegliere i periodi da analizzare in funzione del segnale (e quindi dello stato del paziente). Ad esempio: ecg sbp taco OK OK OK

58 È fondamentale il ruolo del tecnico/clinico che deve scegliere i periodi da analizzare in funzione del segnale (e quindi dello stato del paziente). Ad esempio: ecg sbp taco OK OK OK ecg sbp taco

59 È fondamentale il ruolo del tecnico/clinico che deve scegliere i periodi da analizzare in funzione del segnale (e quindi dello stato del paziente). Ad esempio: ecg sbp taco OK OK OK ecg sbp taco NO!!!!

60 È fondamentale il ruolo del tecnico/clinico che deve scegliere i periodi da analizzare in funzione del segnale (e quindi dello stato del paziente). Ad esempio: ecg sbp taco OK OK OK ecg sbp taco NO!!!! Devo eliminare dall analisi le fasi transitorie, quelle in cui l attivazione simpatovagale si modifica. Altrimenti non ha senso l analisi. Quali sono le fasi in cui cambia? È il clinico che deve rispondere facendo ipotesi

61 Quindi, quanto deve essere lunga la sequenza da analizzare? Dobbiamo soddisfare 2 condizioni essenziali: - NECESSITA CLINICA: stazionarietà del segnale (assenza quindi di fasi transitorie) - NECCESSITA TECNICA/CLINICA: opportuna risoluzione in frequenza che consenta di evidenziare correttamente le bande di interesse. Facciamo un esempio: 1 minuto di segnale campionato a 4Hz Numero punti=4*60=240 Risoluzione in frequenza: 4/240 = Hz Se volessi evidenziare correttamente le armoniche a 0.01Hz devo aumentare il periodo che sto analizzando raddopiandolo (ris=4/480=0.008hz).

62 1 minuto Esempio (risoluzione in frequenza) f: 8Hz 2 minuti 4 minuti

63 Esempio (Stazionarietà del segnale) TILT TEST f: 8Hz 5 minuti 5 minuti

64 5 minuti 15 minuti Posso fare l analisi ma ha un senso clinico?

65 ANALISI IN TEMPO REALE Molti sistemi forniscono lo spettro in tempo reale durante l acquisizione. Naturalmente l analisi non può essere eseguita su tutti i dati ma su finestre definite dall utente e poi gli spettri sommati e presentati in output. Spostando la finestra su spezzoni diversi di segnale, possono verificarsi dei problemi legati al fatto che gli estremi di ciascuna finestra non sono uguali.

66 Facciamo un esempio. Immaginiamo che il segnale acquisito sia una sinusoide di frequenza f1. Se la finestra definita a priori taglia esattamente un numero intero di lunghezze d onda, nessun problema: PSD f1 f

67 Se la finestra non taglia un numero itero di lunghezze d onda: PSD Lo spettro presenta dei valori non nulli per frequenze che non ci sono (leaking). f1 f

68 Devo quindi fare in modo che la funzione assuma agli estremi lo stesso valore. PSD Restringo il picco e minimizzo la presenza di frequenze spurie. f1 f

69 Esempio di funzioni finestra:

70 Successione di 1023 RR ricampionati a 4Hz (255s) e a media zero (per eliminare la componente continua) Spettri della sequenza degli RR senza finestra e con finestra di Blackman

71 La finestra taglia armoniche presenti nelle fasi iniziali e finali. Facciamo un esempio. Lo spettro della funzione a cui è stata applicata la finestra di Blackman presenta sicuramente delle frequenze spurie ma non ha un picco importante

72 L applicazione di una finestra alla serie di dati, di fatto, agisce come filtro sul segnale iniziale. Riduce il fenomeno del leaking dovuto alla diversità di valori della serie nei punti estremi ma taglia delle frequenze.

73 Metodi Autoregressivi

74 Analisi HRV nel dominio delle frequenza: metodi autoregressivi (parametrici)

75 Analisi HRV nel dominio delle frequenza: metodi autoregressivi (parametrici) Fare l autoregressione di una serie di dati significa esprimere ciascun punto della serie come combinazione lineare dei punti precedenti (a meno di un errore che è tanto più piccolo tanto migliore la ricostruzione).

76 Analisi HRV nel dominio delle frequenza: metodi autoregressivi (parametrici) Fare l autoregressione di una serie di dati significa esprimere ciascun punto della serie come combinazione lineare dei punti precedenti (a meno di un errore che è tanto più piccolo tanto migliore la ricostruzione). Il numero di punti p considerati nella ricostruzione della serie è l ordine del modello.

77 Analisi HRV nel dominio delle frequenza: metodi autoregressivi (parametrici) Fare l autoregressione di una serie di dati significa esprimere ciascun punto della serie come combinazione lineare dei punti precedenti (a meno di un errore che è tanto più piccolo tanto migliore la ricostruzione). Il numero di punti p considerati nella ricostruzione della serie è l ordine del modello. La densità spettrale della serie si ricava facendo la trasformata di Fourier della funzione di autocorrelazione.

78

79 Cerchiamo di dare un senso a tutto questo. Ogni punto della serie viene espresso in funzione dei precedenti. Per ciascun punto esistono quindi p coefficienti a i che lo legano ai dati precedenti a meno di un errore (ε) *. Non lavoro quindi più sulla serie di dati iniziali ma su una sua interpolazione. In questo modo, è come se rendessi continuo il segnale discreto compreso in ogni intervallino di p punti riuscendo ad ottenere risoluzioni in frequenza molto piccole anche per durate molto brevi del segnale iniziale. Viene poi fatta l autocorrelazione della serie così ricostruita per estrarre le periodicità presenti.? *(Gli algoritmi usati per calcolare i coefficienti a sono basati sulla minimizzazione di ε).

80 Correlazione fra due serie di dati (x e y): y y x x Buona correlazione (R ±1) Cattiva correlazione (R 0) Le due serie di dati sono correlate tra loro: (y=ax+b) Non c è relazione fra le due serie di dati ma sono distribuite casualmente l una rispetto all altra.

81 Autocorrelazione Facciamo una correlazione tra una serie di N dati e se stessa introducendo un ritardo variabile tra 0 e N. Stimiamo il valore di correlazione corrispondente ad ogni ritardo in modo che ci indichi quanto è buona la sovrapposizione.

82 Autocorrelazione di una serie di dati contenenti solo rumore (casuale) Se la serie di dati contiene del rumore casuale, allora il grafico dell autocorrelazione è praticamente piatto Se ho un segnale contenente delle onde con propria periodicità sovrapposte a rumore casuale, l autocorrelazione elimina il rumore casuale e mette in evidenza il segnale periodico presente nella serie iniziale.

83 In questo modo verifico se nella serie sono presenti delle strutture che si ripetono, con quale ampiezza e con quale ritardo l una rispetto all altra (periodicità). Estraendo le periodicità (frequenze) e la loro ampiezza dal segnale mediante analisi di Fourier riesco quindi a ricavare lo spettro delle frequenze presenti nella serie. Ciascuna banda viene rappresentata come una curva a campana la cui area rappresenta la potenza associata a quella data frequenza. La somma delle curve relative a tutte le periodicità trovate rappresenta lo spettro del segnale. La risoluzione in frequenza è molto maggiore di quella che si ottiene mediante analisi di Fourier. Posso quindi analizzare pezzi piccoli di segnale discriminando correttamente fra le diverse bande di interesse.

84

85 Ipotesi per poter applicare l analisi AR Il segnale iniziale deve essere stazionario (media e varianza costante). L analisi funziona correttamente se l autoregressione ricostruisce il segnale senza commettere errori. Maggiore è il modello, migliore la ricostruzione del segnale. Il numero di periodicità che riesco ad estrarre dipende dall ordine del modello autoregressivo che utilizzo per ricostruire il segnale. Se il modello ha ordine p, riesco ad estrarre circa p/2 picchi. Se l ordine del modello è insufficiente a ricostruire correttamente il segnale, perdo delle periodicità. Se l ordine del modello è troppo elevato, vengono identificate delle periodicità non presenti nel segnale.

86 E importante scegliere correttamente l ordine del modello. Esistono diversi metodi per scegliere quello ottimale. I più usati sono: AIC (Akaike Information Criterion) FPE (Final Prediction Error) MDL (Minimum Description Length)

87 Esempio (AIC)

88 Attenzione!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! L ordine del modello ottimale dipende dal numero di punti usati per l autoregressione e quindi dalla frequenza di campionamento. Esempio (AIC) Tacogramma campionato a 4Hz Tacogramma campionato a 2Hz Maggiore è la frequenza di ricampionamento, maggiore è l ordine del modello richiesto.

89 Esempio (fase di ortostatismo tilt test) f=1hz OM: 6 OM: 10 OM: 16 OM: 30 f=2hz OM: 6 OM: 10 OM: 16 OM: 30 f=8hz OM: 6 OM: 10 OM: 16 OM: 30

90 f=1hz Se avessimo usato Fourier f=2hz f=8hz

91 Segnale con discontinuità: la presenza di una discontinuità altera la stazionarietà del segnale Elimino la discontinuità

92 Se usassi l analisi di Fourier Elimino la discontinuità

93 Esempio (Stazionarietà del segnale) TILT TEST f: 8Hz 5 minuti 5 minuti

94 5 minuti NON POSSO FARE L ANALISI AUTOREGRESSIVA!!!!!!!! 15 minuti

95 Posso filtrare il segnale in modo da renderlo stazionario. 1) Estraggo le variazione lente e le sottraggo alla sequenza degli RR Modifico in maniera importante le frequenze basse ed eseguo l analisi su una serie di RR che non sono più quelli originari

96 Riassumiamo.

97 Analisi Fourier Riassumiamo.

98 Analisi Fourier Riassumiamo. Indipendente dall operatore (metodo non parametrico)

99 Analisi Fourier Riassumiamo. Indipendente dall operatore (metodo non parametrico) Necessità clinica di segnali stazionari

100 Analisi Fourier Riassumiamo. Indipendente dall operatore (metodo non parametrico) Necessità clinica di segnali stazionari Buona risoluzione in frequenza per periodi lunghi (>5minuti) Scarsa risoluzione su finestre più brevi e quindi impossibilità di analisi di fasi transitorie rapide.

101 Analisi Fourier Riassumiamo. Indipendente dall operatore (metodo non parametrico) Necessità clinica di segnali stazionari Buona risoluzione in frequenza per periodi lunghi (>5minuti) Scarsa risoluzione su finestre più brevi e quindi impossibilità di analisi di fasi transitorie rapide. Incapacità di localizzare temporalmente le armoniche. Se riduco il periodo di analisi non ho sufficiente risoluzione in frequenza.

102 Analisi Fourier Indipendente dall operatore (metodo non parametrico) Riassumiamo. Analisi Autoregressiva Necessità clinica di segnali stazionari Buona risoluzione in frequenza per periodi lunghi (>5minuti) Scarsa risoluzione su finestre più brevi e quindi impossibilità di analisi di fasi transitorie rapide. Incapacità di localizzare temporalmente le armoniche. Se riduco il periodo di analisi non ho sufficiente risoluzione in frequenza.

103 Analisi Fourier Indipendente dall operatore (metodo non parametrico) Riassumiamo. Analisi Autoregressiva Dipendente dall operatore (metodo parametrico) Necessità clinica di segnali stazionari Buona risoluzione in frequenza per periodi lunghi (>5minuti) Scarsa risoluzione su finestre più brevi e quindi impossibilità di analisi di fasi transitorie rapide. Incapacità di localizzare temporalmente le armoniche. Se riduco il periodo di analisi non ho sufficiente risoluzione in frequenza.

104 Analisi Fourier Indipendente dall operatore (metodo non parametrico) Riassumiamo. Analisi Autoregressiva Dipendente dall operatore (metodo parametrico) Necessità clinica di segnali stazionari Buona risoluzione in frequenza per periodi lunghi (>5minuti) Scarsa risoluzione su finestre più brevi e quindi impossibilità di analisi di fasi transitorie rapide. Necessità tecnica e clinica di segnali stazionari (impossibilità di analisi di fasi transitorie rapide) Incapacità di localizzare temporalmente le armoniche. Se riduco il periodo di analisi non ho sufficiente risoluzione in frequenza.

Introduzione al Campionamento e

Introduzione al Campionamento e Introduzione al Campionamento e all analisi analisi in frequenza Presentazione basata sul Cap.V di Introduction of Engineering Experimentation, A.J.Wheeler, A.R.Ganj, Prentice Hall Campionamento L'utilizzo

Dettagli

Abbiamo costruito il grafico delle sst in funzione del tempo (dal 1880 al 1995).

Abbiamo costruito il grafico delle sst in funzione del tempo (dal 1880 al 1995). ANALISI DI UNA SERIE TEMPORALE Analisi statistica elementare Abbiamo costruito il grafico delle sst in funzione del tempo (dal 1880 al 1995). Si puo' osservare una media di circa 26 C e una deviazione

Dettagli

Il Campionameto dei segnali e la loro rappresentazione. 1 e prende il nome frequenza di

Il Campionameto dei segnali e la loro rappresentazione. 1 e prende il nome frequenza di Il Campionameto dei segnali e la loro rappresentazione Il campionamento consente, partendo da un segnale a tempo continuo ovvero che fluisce con continuità nel tempo, di ottenere un segnale a tempo discreto,

Dettagli

Carichiamo il segnale contenuto nel file ecg_es_20121128.mat

Carichiamo il segnale contenuto nel file ecg_es_20121128.mat Esercitazione su analisi segnale ECG Carichiamo il segnale contenuto nel file ecg_es_20121128.mat Il file contiene due variabili - dt, che vale 0.004 - ecg, che è vettore lungo 6500 campioni La frequenza

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

Elementi di Psicometria con Laboratorio di SPSS 1

Elementi di Psicometria con Laboratorio di SPSS 1 Elementi di Psicometria con Laboratorio di SPSS 1 10-Il test t per un campione e la stima intervallare (vers. 1.1, 25 ottobre 2015) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia,

Dettagli

Università degli Studi di Cassino e del Lazio Meridionale. Area Didattica di Ingegneria. Corso di Laurea in Ingegneria Industriale

Università degli Studi di Cassino e del Lazio Meridionale. Area Didattica di Ingegneria. Corso di Laurea in Ingegneria Industriale Università degli Studi di Cassino e del Lazio Meridionale Area Didattica di Ingegneria Corso di Laurea in Ingegneria Industriale Lezioni del Corso di Misure Industriali 1 Università degli Studi di Cassino

Dettagli

Elementi di Psicometria con Laboratorio di SPSS 1

Elementi di Psicometria con Laboratorio di SPSS 1 Elementi di Psicometria con Laboratorio di SPSS 1 5-Indici di variabilità (vers. 1.0c, 20 ottobre 2015) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca

Dettagli

ESERCIZI DI STATISTICA DESCRITTIVA

ESERCIZI DI STATISTICA DESCRITTIVA ESERCIZI DI STATISTICA DESCRITTIVA ES1 Data la seguente serie di dati su Sesso e Altezza di 8 pazienti, riempire opportunamente due tabelle per rappresentare le distribuzioni di frequenze dei due caratteri,

Dettagli

Descrizione del funzionamento di un Lock-in Amplifier

Descrizione del funzionamento di un Lock-in Amplifier Descrizione del funzionamento di un Lock-in Amplifier S.C. 0 luglio 004 1 Propositi di un amplificatore Lock-in Il Lock-in Amplifier é uno strumento che permette di misurare l ampiezza V 0 di una tensione

Dettagli

lezione 18 AA 2015-2016 Paolo Brunori

lezione 18 AA 2015-2016 Paolo Brunori AA 2015-2016 Paolo Brunori Previsioni - spesso come economisti siamo interessati a prevedere quale sarà il valore di una certa variabile nel futuro - quando osserviamo una variabile nel tempo possiamo

Dettagli

Elementi di teoria dei segnali /b

Elementi di teoria dei segnali /b Elementi di teoria dei segnali /b VERSIONE 29.4.01 Filtri e larghezza di banda dei canali Digitalizzazione e teorema del campionamento Capacità di canale e larghezza di banda Multiplexing e modulazioni

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

Autenticazione Vocale

Autenticazione Vocale Autenticazione Vocale (A. Gorziglia) INTRODUZIONE: perché usare i sistemi biometrici per l autenticazione. Il motivo principale è quello di impedire all utente di perdere (o dimenticare) la chiave di autenticazione

Dettagli

ESERCIZI CINEMATICA IN UNA DIMENSIONE

ESERCIZI CINEMATICA IN UNA DIMENSIONE ESERCIZI CINEMATICA IN UNA DIMENSIONE ES. 1 - Due treni partono da due stazioni distanti 20 km dirigendosi uno verso l altro rispettivamente alla velocità costante di v! = 50,00 km/h e v 2 = 100,00 km

Dettagli

Capitolo 5 RESTAURO E RICOSTRUZIONE DI IMMAGINI

Capitolo 5 RESTAURO E RICOSTRUZIONE DI IMMAGINI Capitolo 5 RESTAURO E RICOSTRUZIONE DI IMMAGINI La differenza tra il restauro e il miglioramento (enhancement) delle immagini è che il miglioramento è un processo soggettivo, mentre il restauro è un processo

Dettagli

Capitolo 4 Tecnica di analisi on-line

Capitolo 4 Tecnica di analisi on-line Capitolo 4:Tecniche di analisi in on-line 70 Capitolo 4 Tecnica di analisi on-line 4.1 Introduzione L analisi in tempo reale di un sistema complesso comporta la scelta di tecniche di analisi di tipo statistico

Dettagli

Prof. Ing. Michele Marra - Appunti delle Lezioni di Ricerca Operativa Sequenze CAPITOLO II

Prof. Ing. Michele Marra - Appunti delle Lezioni di Ricerca Operativa Sequenze CAPITOLO II CAPITOLO II 2. - PROBLEMI DI SEQUENZA I problemi di sequenza si presentano ogni qualvolta vi sono delle attività che richiedono delle risorse limitate ed indivisibili e bisogna definire l'ordine secondo

Dettagli

CURRICOLO MATEMATICA ABILITA COMPETENZE

CURRICOLO MATEMATICA ABILITA COMPETENZE CURRICOLO MATEMATICA 1) Operare con i numeri nel calcolo aritmetico e algebrico, scritto e mentale, anche con riferimento a contesti reali. Per riconoscere e risolvere problemi di vario genere, individuando

Dettagli

Premesse alla statistica

Premesse alla statistica Premesse alla statistica Versione 22.10.08 Premesse alla statistica 1 Insiemi e successioni I dati di origine sperimentale si presentano spesso non come singoli valori, ma come insiemi di valori. Richiamiamo

Dettagli

Elementi di Statistica descrittiva Parte I

Elementi di Statistica descrittiva Parte I Elementi di Statistica descrittiva Parte I Che cos è la statistica Metodo di studio di caratteri variabili, rilevabili su collettività. La statistica si occupa di caratteri (ossia aspetti osservabili)

Dettagli

Introduzione all elaborazione di immagini Part II

Introduzione all elaborazione di immagini Part II Introduzione all elaborazione di immagini Part II Obiettivi delle tecniche di elaborazione di immagini: miglioramento di qualità (image enhancement) ripristino di qualità o restauro (image restoration)

Dettagli

CURRICOLO MATEMATICA

CURRICOLO MATEMATICA 1 CURRICOLO MATEMATICA Competenza 1 al termine della scuola dell Infanzia 2 NUMERI Raggruppare, ordinare, contare, misurare oggetti, grandezze ed eventi direttamente esperibili. Utilizzare calendari settimanali

Dettagli

I punteggi zeta e la distribuzione normale

I punteggi zeta e la distribuzione normale QUINTA UNITA I punteggi zeta e la distribuzione normale I punteggi ottenuti attraverso una misurazione risultano di difficile interpretazione se presi in stessi. Affinché acquistino significato è necessario

Dettagli

Tesina di Identificazione dei Modelli e Analisi dei Dati

Tesina di Identificazione dei Modelli e Analisi dei Dati Tesina di Identificazione dei Modelli e Analisi dei Dati Ceccarelli Egidio e Papi Alessio 19 Luglio 2000 1 Indice 1 Introduzione 3 2 Valutazioni relative all identificazione 3 3 Prove 4 4 Conclusioni 5

Dettagli

Benvenuti a tutti i Partecipanti, alle Autorità e ai Relatori

Benvenuti a tutti i Partecipanti, alle Autorità e ai Relatori Benvenuti a tutti i Partecipanti, alle Autorità e ai Relatori che hanno accolto l invito. Un Grazie a loro, a quanti hanno collaborato e all ISTITUTO ALBERGHIERO che ci ospita: tutti consapevoli dell importanza

Dettagli

Prof.ssa Paola Vicard

Prof.ssa Paola Vicard Questa nota consiste perlopiù nella traduzione da Descriptive statistics di J. Shalliker e C. Ricketts, 2000, University of Plymouth Consideriamo come esempio il data set contenuto nel foglio excel esercizio2_dati.xls.

Dettagli

Funzioni in due variabili Raccolta di FAQ by Andrea Prevete

Funzioni in due variabili Raccolta di FAQ by Andrea Prevete Funzioni in due variabili Raccolta di FAQ by Andrea Prevete 1) Cosa intendiamo, esattamente, quando parliamo di funzione reale di due variabili reali? Quando esiste una relazione fra tre variabili reali

Dettagli

PROBLEMI DI SCELTA. Problemi di. Scelta. Modello Matematico. Effetti Differiti. A Carattere Continuo. A più variabili d azione (Programmazione

PROBLEMI DI SCELTA. Problemi di. Scelta. Modello Matematico. Effetti Differiti. A Carattere Continuo. A più variabili d azione (Programmazione 1 PROBLEMI DI SCELTA Problemi di Scelta Campo di Scelta Funzione Obiettivo Modello Matematico Scelte in condizioni di Certezza Scelte in condizioni di Incertezza Effetti Immediati Effetti Differiti Effetti

Dettagli

Elementi di Psicometria con Laboratorio di SPSS 1

Elementi di Psicometria con Laboratorio di SPSS 1 Elementi di Psicometria con Laboratorio di SPSS 1 12-Il t-test per campioni appaiati vers. 1.2 (7 novembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca

Dettagli

Introduzione all Analisi dei Segnali

Introduzione all Analisi dei Segnali Tecniche innovative per l identificazione delle caratteristiche dinamiche delle strutture e del danno Introduzione all Analisi dei Segnali Prof. Ing. Felice Carlo PONZO - Ing. Rocco DITOMMASO Scuola di

Dettagli

Scuola Primaria Conta oggetti o eventi, a voce e a mente, in senso progressivo e regressivo e per salti di due, tre ;

Scuola Primaria Conta oggetti o eventi, a voce e a mente, in senso progressivo e regressivo e per salti di due, tre ; Primo anno Secondo anno Terzo anno Primo anno MATEMATICA Scuola dell Infanzia Scuola Primaria Conta oggetti o eventi, a voce e a mente, in senso progressivo e regressivo e per salti di due, tre ; legge

Dettagli

Misure della dispersione o della variabilità

Misure della dispersione o della variabilità QUARTA UNITA Misure della dispersione o della variabilità Abbiamo visto che un punteggio di per sé non ha alcun significato e lo acquista solo quando è posto a confronto con altri punteggi o con una statistica.

Dettagli

STRUMENTAZIONE E MISURE ELETTRICHE. Condizionamento ed acquisizione del segnale

STRUMENTAZIONE E MISURE ELETTRICHE. Condizionamento ed acquisizione del segnale STRUMENTAZIONE E MISURE ELETTRICHE Condizionamento ed acquisizione del segnale Prof. Salvatore Nuccio salvatore.nuccio@unipa.it, tel.: 0916615270 1 Circuito di condizionamento Un sensore/trasduttore (S/T)

Dettagli

Analisi dei segnali nel dominio della frequenza

Analisi dei segnali nel dominio della frequenza Laboratorio di Telecomunicazioni - a.a. 2010/2011 Lezione n. 7 Analisi dei segnali nel dominio della frequenza docente L.Verdoliva In questa lezione affrontiamo il problema dell analisi dei segnali tempo

Dettagli

E naturale chiedersi alcune cose sulla media campionaria x n

E naturale chiedersi alcune cose sulla media campionaria x n Supponiamo che un fabbricante stia introducendo un nuovo tipo di batteria per un automobile elettrica. La durata osservata x i delle i-esima batteria è la realizzazione (valore assunto) di una variabile

Dettagli

Elementi di Psicometria con Laboratorio di SPSS 1

Elementi di Psicometria con Laboratorio di SPSS 1 Elementi di Psicometria con Laboratorio di SPSS 1 29-Analisi della potenza statistica vers. 1.0 (12 dicembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca

Dettagli

STATISTICA DESCRITTIVA UNIVARIATA

STATISTICA DESCRITTIVA UNIVARIATA Capitolo zero: STATISTICA DESCRITTIVA UNIVARIATA La STATISTICA è la scienza che si occupa di fenomeni collettivi che richiedono lo studio di un grande numero di dati. Il termine STATISTICA deriva dalla

Dettagli

MATEMATICA SCUOLE DELL INFANZIA

MATEMATICA SCUOLE DELL INFANZIA MATEMATICA SCUOLE DELL INFANZIA CAMPO DI ESPERIENZA: LA CONOSCENZA DEL MONDO (ordine, misura, spazio, tempo, natura) È l'ambito relativo all'esplorazione, scoperta e prima sistematizzazione delle conoscenze

Dettagli

DEFINIZIONE Una grandezza fisica è una classe di equivalenza di proprietà fisiche che possono essere misurate mediante un rapporto.

DEFINIZIONE Una grandezza fisica è una classe di equivalenza di proprietà fisiche che possono essere misurate mediante un rapporto. «Possiamo conoscere qualcosa dell'oggetto di cui stiamo parlando solo se possiamo eseguirvi misurazioni, per descriverlo mediante numeri; altrimenti la nostra conoscenza è scarsa e insoddisfacente.» (Lord

Dettagli

Prova scritta intercorso 2 31/5/2002

Prova scritta intercorso 2 31/5/2002 Prova scritta intercorso 3/5/ Diploma in Scienza e Ingegneria dei Materiali anno accademico - Istituzioni di Fisica della Materia - Prof. Lorenzo Marrucci Tempo a disposizione ora e 45 minuti ) Un elettrone

Dettagli

Metodi di previsione

Metodi di previsione Metodi di previsione Giovanni Righini Università degli Studi di Milano Corso di Logistica I metodi di previsione I metodi di previsione sono usati per ricavare informazioni a sostegno dei processi decisionali

Dettagli

Polarizzazione, dispersione dei modi di polarizzazione e sua compensazione

Polarizzazione, dispersione dei modi di polarizzazione e sua compensazione UNIVERSITA DEGLI STUDI DI TRIESTE Corso di Laurea Triennale in Ingegneria Elettronica Polarizzazione, dispersione dei modi di polarizzazione e sua compensazione Laureando: Danijel Miletic 28/11/2008 1

Dettagli

VERIFICA DELLE IPOTESI

VERIFICA DELLE IPOTESI VERIFICA DELLE IPOTESI Introduzione Livelli di significatività Verifica di ipotesi sulla media di una popolazione normale Verifica di ipotesi sulla varianza di una popolazione normale Verifica di ipotesi

Dettagli

Statistiche campionarie

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

Dettagli

0. Piano cartesiano 1

0. Piano cartesiano 1 0. Piano cartesiano Per piano cartesiano si intende un piano dotato di due assi (che per ragioni pratiche possiamo scegliere ortogonali). Il punto in comune ai due assi è detto origine, e funziona da origine

Dettagli

Corso di Laurea in Ingegneria Informatica Anno Accademico 2014/2015 Calcolo delle Probabilità e Statistica Matematica

Corso di Laurea in Ingegneria Informatica Anno Accademico 2014/2015 Calcolo delle Probabilità e Statistica Matematica Corso di Laurea in Ingegneria Informatica Anno Accademico 2014/2015 Calcolo delle Probabilità e Statistica Matematica Nome N. Matricola Ancona, 14 luglio 2015 1. Tre macchine producono gli stessi pezzi

Dettagli

Mete e coerenze formative. Dalla scuola dell infanzia al biennio della scuola secondaria di II grado

Mete e coerenze formative. Dalla scuola dell infanzia al biennio della scuola secondaria di II grado Mete e coerenze formative Dalla scuola dell infanzia al biennio della scuola secondaria di II grado Area disciplinare: Area Matematica Finalità Educativa Acquisire gli alfabeti di base della cultura Disciplina

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

INTRODUZIONE ALLE SERIE DI FOURIER. poi più in generale la somma dei termini da 0 ad n (che chiamerò s n )

INTRODUZIONE ALLE SERIE DI FOURIER. poi più in generale la somma dei termini da 0 ad n (che chiamerò s n ) INTRODUZIONE ALLE SERIE DI FOURIER. Definizione di Serie Data una successione di numeri reali a k posso considerare la somma dei numeri da 0 a 5 (che chiamerò s 5 ): 5 s 5 = a k = a 0 + a + a + a 3 + a

Dettagli

ESPERIENZE DI LABORATORIO

ESPERIENZE DI LABORATORIO MISURE ELETTRICHE INDUSTRIALI (01GKDFD) ESPERIENZE DI LABORATORIO A.A. 010 011 GRUPPO 09 Faustino elettrix01 Ezio Maxwell LABORATORIO 01 Acquisizione dati attraverso una DAQ Board Obiettivi Comprendere

Dettagli

TEST NON INVASIVI NELLA STRATIFICAZIONE DEL RISCHIO ARITMICO Novara, 14 gennaio 2011 C.P.S. Laura Valzi PATOLOGIE - IMA in fase sub-acuta (dopo stabilizzazione i della cicatrice, a 2-4 settimane dall evento

Dettagli

Amministrazione, finanza e marketing - Turismo Ministero dell Istruzione, dell Università e della Ricerca PROGRAMMAZIONE DISCIPLINARE PER U. di A.

Amministrazione, finanza e marketing - Turismo Ministero dell Istruzione, dell Università e della Ricerca PROGRAMMAZIONE DISCIPLINARE PER U. di A. CLASSE quinta INDIRIZZO AFM-SIA-RIM-TUR UdA n. 1 Titolo: LE FUNZIONI DI DUE VARIABILI E L ECONOMIA Utilizzare le strategie del pensiero razionale negli aspetti dialettici e algoritmici per affrontare situazioni

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

Università di Napoli Parthenope Facoltà di Ingegneria

Università di Napoli Parthenope Facoltà di Ingegneria Università di Napoli Parthenope Facoltà di Ingegneria Corso di rasmissione Numerica docente: Prof. Vito Pascazio 18 a Lezione: 13/1/4 19 a Lezione: 14/1/4 Sommario rasmissione di segnali PM numerici su

Dettagli

SPC e distribuzione normale con Access

SPC e distribuzione normale con Access SPC e distribuzione normale con Access In questo articolo esamineremo una applicazione Access per il calcolo e la rappresentazione grafica della distribuzione normale, collegata con tabelle di Clienti,

Dettagli

RAPPRESENTAZIONE GRAFICA E ANALISI DEI DATI SPERIMENTALI CON EXCEL

RAPPRESENTAZIONE GRAFICA E ANALISI DEI DATI SPERIMENTALI CON EXCEL RAPPRESENTAZIONE GRAFICA E ANALISI DEI DATI SPERIMENTALI CON EXCEL 1 RAPPRESENTAZIONE GRAFICA Per l analisi dati con Excel si fa riferimento alla versione 2007 di Office, le versioni successive non differiscono

Dettagli

ELEMENTI DI ACUSTICA 03

ELEMENTI DI ACUSTICA 03 I.U.A.V. Scienze dell architettura a.a. 01/013 Fisica Tecnica e Controllo Ambientale Prof. Piercarlo Romagnoni EEMENTI DI ACUSTICA 03 PROPAGAZIONE DE SUONO 0 DIRETTIVITA DEA SORGENTE FREQUENZA SONORA PROPAGAZIONE

Dettagli

Corso di Fondamenti di Segnali e Trasmissione - Appello del 07 Settembre 2005

Corso di Fondamenti di Segnali e Trasmissione - Appello del 07 Settembre 2005 Corso di Fondamenti di Segnali e Trasmissione - Appello del 07 Settembre 2005 Gli esercizi devono essere risolti solo sui fogli dei colori indicati Per esiti e soluzioni si veda il sito web del corso:

Dettagli

Come costruire una distribuzione di frequenze per caratteri quantitativi continui

Come costruire una distribuzione di frequenze per caratteri quantitativi continui Come costruire una distribuzione di frequenze per caratteri quantitativi continui Consideriamo i dati contenuti nel primo foglio di lavoro (quello denominato dati) del file esempio2.xls. I dati si riferiscono

Dettagli

ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA

ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA Francesco Bottacin Padova, 24 febbraio 2012 Capitolo 1 Algebra Lineare 1.1 Spazi e sottospazi vettoriali Esercizio 1.1. Sia U il sottospazio di R 4 generato dai

Dettagli

LA STATISTICA E IL CALCOLO DELLE PROBABILITÀ

LA STATISTICA E IL CALCOLO DELLE PROBABILITÀ LA STATISTICA E IL CALCOLO DELLE PROBABILITÀ Prof. Francesco Tottoli Versione 3 del 20 febbraio 2012 DEFINIZIONE È una scienza giovane e rappresenta uno strumento essenziale per la scoperta di leggi e

Dettagli

Elaborazione dati in Analisi Sensoriale

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

Dettagli

STUDIO DI UNA FUNZIONE

STUDIO DI UNA FUNZIONE STUDIO DI UNA FUNZIONE OBIETTIVO: Data l equazione Y = f(x) di una funzione a variabili reali (X R e Y R), studiare l andamento del suo grafico. PROCEDIMENTO 1. STUDIO DEL DOMINIO (CAMPO DI ESISTENZA)

Dettagli

Metodi statistici per le ricerche di mercato

Metodi statistici per le ricerche di mercato Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2013-2014 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per

Dettagli

Serie numeriche e serie di potenze

Serie numeriche e serie di potenze Serie numeriche e serie di potenze Sommare un numero finito di numeri reali è senza dubbio un operazione che non può riservare molte sorprese Cosa succede però se ne sommiamo un numero infinito? Prima

Dettagli

Un po di statistica. Christian Ferrari. Laboratorio di Matematica

Un po di statistica. Christian Ferrari. Laboratorio di Matematica Un po di statistica Christian Ferrari Laboratorio di Matematica 1 Introduzione La statistica è una parte della matematica applicata che si occupa della raccolta, dell analisi e dell interpretazione di

Dettagli

( x) ( x) 0. Equazioni irrazionali

( x) ( x) 0. Equazioni irrazionali Equazioni irrazionali Definizione: si definisce equazione irrazionale un equazione in cui compaiono uno o più radicali contenenti l incognita. Esempio 7 Ricordiamo quanto visto sulle condizioni di esistenza

Dettagli

Funzione Una relazione fra due insiemi A e B è una funzione se a ogni elemento di A si associa uno e un solo elemento

Funzione Una relazione fra due insiemi A e B è una funzione se a ogni elemento di A si associa uno e un solo elemento TERIA CAPITL 9. ESPNENZIALI E LGARITMI. LE FUNZINI Non si ha una funzione se anche a un solo elemento di A non è associato un elemento di B, oppure ne sono associati più di uno. DEFINIZINE Funzione Una

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

INTRODUZIONE AL DESIGN OF EXPERIMENTS (Parte 1)

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

Dettagli

La logica statistica della verifica (test) delle ipotesi

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

Dettagli

STATISTICA DESCRITTIVA SCHEDA N. 5: REGRESSIONE LINEARE

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

Dettagli

Statistica inferenziale

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

Dettagli

Corso di Analisi Numerica - AN1. Parte 2: metodi diretti per sistemi lineari. Roberto Ferretti

Corso di Analisi Numerica - AN1. Parte 2: metodi diretti per sistemi lineari. Roberto Ferretti Corso di Analisi Numerica - AN1 Parte 2: metodi diretti per sistemi lineari Roberto Ferretti Richiami sulle norme e sui sistemi lineari Il Metodo di Eliminazione di Gauss Il Metodo di Eliminazione con

Dettagli

Esempi di funzione. Scheda Tre

Esempi di funzione. Scheda Tre Scheda Tre Funzioni Consideriamo una legge f che associa ad un elemento di un insieme X al più un elemento di un insieme Y; diciamo che f è una funzione, X è l insieme di partenza e X l insieme di arrivo.

Dettagli

Revisione dei concetti fondamentali dell analisi in frequenza

Revisione dei concetti fondamentali dell analisi in frequenza Revisione dei concetti fondamentali dell analisi in frequenza rgomenti: trasformazione in frequenza: significato e funzionamento; schemi di rappresentazione; trasformata discreta. 1 Rappresentazione dei

Dettagli

Il Controllo Interno di Qualità dalla teoria alla pratica: guida passo per passo IL MODELLO TEORICO. Pasquale Iandolo

Il Controllo Interno di Qualità dalla teoria alla pratica: guida passo per passo IL MODELLO TEORICO. Pasquale Iandolo Il Controllo Interno di Qualità dalla teoria alla pratica: guida passo per passo IL MODELLO TEORICO Pasquale Iandolo Laboratorio analisi ASL 4 Chiavarese, Lavagna (GE) 42 Congresso Nazionale SIBioC Roma

Dettagli

CORSO DI STATISTICA ED ELEMENTI DI INFORMATICA

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

Dettagli

Il concetto di valore medio in generale

Il concetto di valore medio in generale Il concetto di valore medio in generale Nella statistica descrittiva si distinguono solitamente due tipi di medie: - le medie analitiche, che soddisfano ad una condizione di invarianza e si calcolano tenendo

Dettagli

Cluster. Vicino alla temperatura critica gli spin formano grandi gruppi (cluster)

Cluster. Vicino alla temperatura critica gli spin formano grandi gruppi (cluster) Cluster Vicino alla temperatura critica gli spin formano grandi gruppi (cluster) all interno di ogni gruppo è molto improbabile riuscire a flippare uno spin perché ci sarebbe una grande perdita di energia,

Dettagli

2. SINCRONIZZAZIONE (CENNI)

2. SINCRONIZZAZIONE (CENNI) 2. SINCRONIZZAZIONE (CENNI) INTRODUZIONE AL PROBLEMA DELLA SINCRONIZZAZIONE SINCRONISMO DI BIT SCRAMBLING SINCRONISMO DI FRAME INTRODUZIONE Abbiamo visto diverse tecniche in grado di convertire e di trasmettere

Dettagli

MATEMATICA. Classe I Classe II Classe III Classe IV Classe V Traguardo 1

MATEMATICA. Classe I Classe II Classe III Classe IV Classe V Traguardo 1 MATEMATICA COMPETENZE Dimostra conoscenze matematiche che gli consentono di analizzare dati e fatti della realtà e di verificare l'attendibilità delle analisi quantitative e statistiche proposte da altri.

Dettagli

Metodologia per l analisi dei dati sperimentali L analisi di studi con variabili di risposta multiple: Regressione multipla

Metodologia per l analisi dei dati sperimentali L analisi di studi con variabili di risposta multiple: Regressione multipla Il metodo della regressione può essere esteso dal caso in cui si considera la variabilità della risposta della y in relazione ad una sola variabile indipendente X ad una situazione più generale in cui

Dettagli

Lezioni del Corso di Fondamenti di Metrologia Meccanica

Lezioni del Corso di Fondamenti di Metrologia Meccanica Facoltà di Ingegneria Lezioni del Corso di Fondamenti di Metrologia Meccanica A.A. 2005-2006 Prof. Paolo Vigo Indice 1. Errori ed Incertezze 2. Errori Sistematici ed Accidentali 3. Proprietà degli Strumenti

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

ISI MANUALE PER CORSI QUALITÀ CONTROLLO STATISTICO DEL PROCESSO MANUALE DI UTILIZZO ISI PAGINA 1 DI 9

ISI MANUALE PER CORSI QUALITÀ CONTROLLO STATISTICO DEL PROCESSO MANUALE DI UTILIZZO ISI PAGINA 1 DI 9 CONTROLLO STATISTICO DEL PROCESSO MANUALE DI UTILIZZO ISI PAGINA 1 DI 9 INTRODUZIONE 1.0 PREVENZIONE CONTRO INDIVIDUAZIONE. L'approccio tradizionale nella fabbricazione dei prodotti consiste nel controllo

Dettagli

L ACQUISIZIONE DIGITALE DEI SEGNALI I vantaggi principali dei sistemi digitali consistono in: elevata insensibilità ai disturbi bassa incertezza con costi relativamente contenuti compatibilità intrinseca

Dettagli

Elaborazione dei dati su PC Regressione Multipla

Elaborazione dei dati su PC Regressione Multipla 21 Elaborazione dei dati su PC Regressione Multipla Analizza Regressione Statistiche Grafici Metodo di selezione Analisi dei dati 21.1 Introduzione 21.2 Regressione lineare multipla con SPSS 21.3 Regressione

Dettagli

DISCRETIZZAZIONE DI UN SEGNALE ANALOGICO:

DISCRETIZZAZIONE DI UN SEGNALE ANALOGICO: DISCRETIZZAZIONE DI UN SEGNALE ANALOGICO: nel processo di digitalizzazione che permette di convertire un segnale analogico in modo da poterlo elaborare con dispositivi numerici di calcolo, si operano due

Dettagli

L A B O R A T O R I O D I I N F O R M A T I C A M U S I C A L E

L A B O R A T O R I O D I I N F O R M A T I C A M U S I C A L E L A B O R A T O R I O D I I N F O R M A T I C A M U S I C A L E MODULO 1: MANIPOLAZI ONE DEL SEGNALE AUDI O G.PRESTI - 12/03/2015 - LE ZI ON E 2 1. CONVERSIONE DA ANALOGICO A DIGITALE Convertire un segnale

Dettagli

Esercitazione n.2 Inferenza su medie

Esercitazione n.2 Inferenza su medie Esercitazione n.2 Esercizio L ufficio del personale di una grande società intende stimare le spese mediche familiari dei suoi impiegati per valutare la possibilità di attuare un programma di assicurazione

Dettagli

ISTITUTO COMPRENSIVO MONTEGROTTO TERME SCUOLA PRIMARIA DISCIPLINA: MATEMATICA - CLASSE PRIMA OBIETTIVI DI APPRENDIMENTO

ISTITUTO COMPRENSIVO MONTEGROTTO TERME SCUOLA PRIMARIA DISCIPLINA: MATEMATICA - CLASSE PRIMA OBIETTIVI DI APPRENDIMENTO PRIMA DELLA DISCIPLINA: MATEMATICA - CLASSE PRIMA L alunno si muove con sicurezza nel calcolo scritto e mentale con i numeri naturali. Legge e comprende testi che coinvolgono aspetti logici e matematici.

Dettagli

INTRODUZIONE AL CONTROLLO OTTIMO

INTRODUZIONE AL CONTROLLO OTTIMO INTRODUZIONE AL CONTROLLO OTTIMO Teoria dei Sistemi Ingegneria Elettronica, Informatica e TLC Prof. Roberto Zanasi, Dott. Giovanni Azzone DII - Università di Modena e Reggio Emilia AUTOLAB: Laboratorio

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

Statistica e biometria. D. Bertacchi. Variabili aleatorie. V.a. discrete e continue. La densità di una v.a. discreta. Esempi.

Statistica e biometria. D. Bertacchi. Variabili aleatorie. V.a. discrete e continue. La densità di una v.a. discreta. Esempi. Iniziamo con definizione (capiremo fra poco la sua utilità): DEFINIZIONE DI VARIABILE ALEATORIA Una variabile aleatoria (in breve v.a.) X è funzione che ha come dominio Ω e come codominio R. In formule:

Dettagli

STATISTICA INFERENZIALE

STATISTICA INFERENZIALE STATISTICA INFERENZIALE Premessa importante: si ipotizza che il comportamento della popolazione rispetto ad una variabile casuale X viene descritto attraverso una funzione parametrica di probabilità p

Dettagli

Parte 3. Rango e teorema di Rouché-Capelli

Parte 3. Rango e teorema di Rouché-Capelli Parte 3. Rango e teorema di Rouché-Capelli A. Savo Appunti del Corso di Geometria 203-4 Indice delle sezioni Rango di una matrice, 2 Teorema degli orlati, 3 3 Calcolo con l algoritmo di Gauss, 6 4 Matrici

Dettagli

Formazione Matematica. Luisa Rossi, Paolo Teruzzi, Lorella Carimali

Formazione Matematica. Luisa Rossi, Paolo Teruzzi, Lorella Carimali Formazione Matematica Luisa Rossi, Paolo Teruzzi, Lorella Carimali Il Progetto Obiettivo: proposta di un percorso per valutare le competenze relative all Asse Matematico, acquisite nel biennio Ambito:

Dettagli

Analisi sensitività. Strumenti per il supporto alle decisioni nel processo di Valutazione d azienda

Analisi sensitività. Strumenti per il supporto alle decisioni nel processo di Valutazione d azienda Analisi sensitività. Strumenti per il supporto alle decisioni nel processo di Valutazione d azienda Premessa Con l analisi di sensitività il perito valutatore elabora un range di valori invece di un dato

Dettagli