Modelli di Popolazione: Confronto fra Metodi di Massima Verosimiglianza e a Due Stadi su Dati Simulati e Clinici
|
|
- Casimiro Palumbo
- 6 anni fa
- Visualizzazioni
Transcript
1 Modelli di Popolazione: Confronto fra Metodi di Massima Verosimiglianza e a Due Stadi su Dati Simulati e Clinici Enrico Grisan Relatore: Prof. C. Cobelli Correlatore: Prof. P. Vicini, University of Washington
2 Modelli di Popolazione L individuo fa parte di una popolazione Tutti gli individui condividono gli stessi meccanismi fisiologici Glucose (mg/dl) Time (min) Parametri di popolazione Parametri individuali modello caratteristiche individuali componenti stocastiche
3 Vantaggi della Analisi di Popolazione Analisi di trials clinici: -pochi dati -molti soggetti Analisi dell importanza di indicatori diagnostici Buona stima della covarianza ( importante per la predizione a posteriori ) Minori costi per gli esperimenti
4 Modello Gerarchico Due livelli di variabilità f(t,β) = D e -kt /V k e V D(β, ω) inter-individuale y = f(t,β,ω) e D(0, R) intra-individuale y = f(t,β,ω) + e
5 Effetti Fissi e Stocastici x Caratteristiche individuali: covariate β, D, R Parametri di popolazione: effetti fissi b N (0, D) Incertezza conoscitive ed errori di misura: effetti stocastici Modello dei parametri fisiologici: β i =d (β,x i,b i ) Es: modello del volume di distribuzione: V i = βw i + b i, W i :peso del soggetto i
6 Metodi di Stima Massima Verosimiglianza Due Stadi Iterativo + Tutti i dati della popolazione sono analizzati simultaneamente + Computazionalmente veloce + Solida base teorica + I dati di ogni individuo sono trattati separatamente Sono necessari un minimo numero di dati per soggetto L espressione da ottimizzare è intrattabile analiticamente Convergenza non provata teoricamente
7 Approssimazione della verosimiglianza Modello di popolazione y i = f(t i, x i, β i ) + e i, e i N(0, R i ) β i = d(β, x i,b i ), b i N(0, D) La verosimiglianza che si ottiene è intrattabile y i Approssimazione attorno a E[b]=0 f(t i, β,0) + f(t i, β,0) b + b e i Approssimazione First Order (FO) y Approssimazione attorno a E[b]=b * 0 f(t, β, b ) b + b * * i * i f(t i, β, ) + ( b b ) e i Approssimazione First Order Conditional (FOCE)
8 Due Stadi Iterativo (ITS) Si ottengono le stime dei parametri individuali separatamente per ogni soggetto La media di popolazione β e la covarianza D sono calcolate da tutti i valori delle stime individuali La media di popolazione β e la covarianza D sono usate come informazione a priori Bayesiana nella stima individuale
9 Obiettivo FO e FOCE sono complessi e onerosi computazionalmente ITS richiede solo l iterazione di due problemi relativamente semplici Qual è il comportamento di ITS in confronto a FO e FOCE?
10 Software Massima Verosimiglianza NONMEM Version V Metodi FO e FOCE di NONEM University of California, San Francisco Due Stadi Iterativo ITS SAAM II Version per le stime individuali Iterazione dell analisi individuale tramite minimi quadrati estesi SAAM Institute e University of Washington
11 Studi Realizzati nella Tesi Studi su Simulazioni Studi su Dati Clinici Modello a 1 compartimento lineare: -50 soggetti sintetici -5 diversi livelli di variabilità -30 ripetizioni -4 tipi di errore di misura Modello a 1 compartimento con eliminazione Michaelis-Menten: -50 soggetti sintetici -30 ripetizioni Teofillina: -modello a 1 compartimento -12 soggetti Levofloxacina: -modello a 2 compartimenti -134 soggetti Glucosio: -modello a 2 compartimenti -16 soggetti
12 Valutazioni delle Prestazioni Rispetto ai valori veri -Distribuzione delle stime attorno al valore vero -Bianchezza degli errori di stima Rispetto alla capacità di predizione -Somma dei residui sulle predizioni individuali a posteriori (WRSS) -Verosimiglianza col metodo Laplaciano (esatto nel caso lineare e gaussiano)
13 Simulazione: modello lineare con errore log-normale FO FOCE ITS,2 Media dei WRSS 60 Funzione Obiettivo del metodo Laplaciano , ,6-40, ,
14 Dati Clinici: Levofloxacina ITS ha dovuto scartare 50 soggetti alla prima iterazione, ma le predizioni su tutta la popolazione sono buone 6,000 Media dei WRSS Funzione Obiettivo del metodo Laplaciano 300,000 5, ,000 4, ,000 3, ,000 2, ,000 1,000 50,000 0,000 FO FOCE ITS 0,000 FO FOCE ITS
15 Dati Clinici: Glucosio L insulina interpolata con funzione lineare a tratti provoca difficoltà di integrazione FOCE non ha dato risultati dopo 3 settimane di run 16 Media dei WRSS 1045 Funzione Obiettivo del metodo Laplaciano FO ITS 1015 FO ITS
16 Conclusioni Nella situazione dati ricchi & poco rumore, ITS dà una buona stima dei parametri, e la sua velocità lo rende preferibile rispetto agli altri due metodi Nella situazione dati sparsi & molto rumorosi, i metodi basati sull intera popolazione sono preferibili. -L approssimazione first order (FO ) della verosimiglianza dà però risultati spesso non soddisfacenti. -È preferibile FOCE, ma la lentezza e difficoltà di convergenza lo possono rendere di scarsa utilità.
Presentazione dell edizione italiana
1 Indice generale Presentazione dell edizione italiana Prefazione xi xiii Capitolo 1 Una introduzione alla statistica 1 1.1 Raccolta dei dati e statistica descrittiva... 1 1.2 Inferenza statistica e modelli
MODELLISTICA DI IMPIANTI E SISTEMI Syllabus e Testi di Riferimento Prof. Giuseppe Iazeolla
Syllabus e Testi di Riferimento MIS 1 di 7 MODELLISTICA DI IMPIANTI E SISTEMI Syllabus e Testi di Riferimento Prof. Giuseppe Iazeolla Syllabus da testo 1 (la numerazione fa riferimento ai capitoli del
VIII Indice 2.6 Esperimenti Dicotomici Ripetuti: Binomiale ed Ipergeometrica Processi Stocastici: Bernoul
1 Introduzione alla Teoria della Probabilità... 1 1.1 Introduzione........................................ 1 1.2 Spazio dei Campioni ed Eventi Aleatori................ 2 1.3 Misura di Probabilità... 5
Sommario. 2 I grafici Il sistema di coordinate cartesiane Gli istogrammi I diagrammi a torta...51
Sommario 1 I dati...15 1.1 Classificazione delle rilevazioni...17 1.1.1 Esperimenti ripetibili (controllabili)...17 1.1.2 Rilevazioni su fenomeni non ripetibili...18 1.1.3 Censimenti...19 1.1.4 Campioni...19
Stima di parametri per una risposta funzionale non lineare in un sistema preda-predatore stocastico
V Giornate di Studio GRIMPP - Piacenza, 29 p. 1/19 Stima di parametri per una risposta funzionale non lineare in un sistema preda-predatore stocastico Sara Pasquali CNR - Istituto di Matematica Applicata
Metodologia di applicazione dei modelli di massima verosimiglianza per il trattamento dei dati missing
Metodologia di applicazione dei modelli di massima verosimiglianza per il trattamento dei dati missing Erminio A. Bonizzoni Congresso nazionale BIAS 9/3 aprile 9 Sesto Fiorentino Firenze Stimatori di Massima
Problemi di stima in robotica
Problemi di stima in robotica Gianluca Antonelli Università degli Studi di Cassino antonelli@unicas.it http://webuser.unicas.it/antonelli G. Antonelli, Problemi di stima in robotica. Seconda Università
PROBABILITÀ ELEMENTARE
Prefazione alla seconda edizione XI Capitolo 1 PROBABILITÀ ELEMENTARE 1 Esperimenti casuali 1 Spazi dei campioni 1 Eventi 2 Il concetto di probabilità 3 Gli assiomi della probabilità 3 Alcuni importanti
Programma del corso di: Calcolo Numerico Corso di laurea in Matematica a.a. 2005-06 Prof. B.Paternoster
Programma del corso di: Calcolo Numerico Corso di laurea in Matematica a.a. 2005-06 Prof. B.Paternoster Richiami di analisi degli errori. Rappresentazione dei numeri in un calcolatore. Operazioni di macchina.
MODELLO DI REGRESSIONE LINEARE. le ipotesi del modello di regressione classico, stima con i metodi dei minimi quadrati e di massima verosimiglianza,
MODELLO DI REGRESSIONE LINEARE le ipotesi del modello di regressione classico, stima con i metodi dei minimi quadrati e di massima verosimiglianza, teorema di Gauss-Markov, verifica di ipotesi e test di
Ottimizzazione di manovre per velivoli ad ala rotante
Ottimizzazione di manovre per velivoli ad ala rotante Politecnico di Milano Anno Accademico 2002-2003 2003 Relatore: Prof. Ing.. Carlo L. Bottasso Correlatore: Ing.. Fabio Nannoni Tesi di Laurea di: Luca
Metodi iterativi SISTEMI LINEARI. Metodi Iterativi. Metodo di rilassamento successivo e metodi del gradiente
Metodi iterativi Metodo di rilassamento successivo e metodi del gradiente Metodi iterativi Metodi iterativi 1 Il metodo di rilassamento successivo Condizioni per la convergenza 2 Metodi del Metodo della
Maria Prandini Dipartimento di Elettronica e Informazione Politecnico di Milano
Note relative a test di bianchezza rimozione delle componenti deterministiche da una serie temporale a supporto del Progetto di Identificazione dei Modelli e Analisi dei Dati Maria Prandini Dipartimento
Corso di Identificazione dei Modelli e Analisi dei Dati
Corso di Identificazione dei Modelli e Analisi dei Dati Prof. Sergio Bittanti Esercitazione di Laboratorio A.A. 2010-11 Sistemi dinamici lineari a tempo discreto 1. Si consideri il sistema dinamico a tempo
Lezione 3. Statistica. Alfonso Iodice D Enza Università degli studi di Cassino. Lezione 3. A. Iodice
Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino La () Statistica 1 / 27 Outline La 1 2 3 4 5 6 Proprietà del 7 La () Statistica 2 / 27 La Si consideri il carattere
TEORIA DEI SISTEMI E DEL CONTROLLO LM in Ingegneria Informatica e Ingegneria Elettronica
TEORIA DEI SISTEMI E DEL CONTROLLO LM in Ingegneria Informatica e Ingegneria Elettronica http://www.dii.unimore.it/~lbiagiotti/teoriasistemicontrollo.html Stima dello stato in presenza di disturbi: il
Indagine sulle forze di lavoro nel Comune di Firenze. Nota metodologica
Indagine sulle forze di lavoro nel Comune di Firenze. Nota metodologica 1. Procedimento di stima La maggior parte dei caratteri che si rilevano nell indagine sulle Forze di Lavoro sono di tipo qualitativo.
Metodi iterativi per sistemi lineari
Metodi iterativi per sistemi lineari Mirano a costruire la soluzione x di un sistema lineare come limite di una successione di vettori Per matrici piene di ordine n il costo computazionale è dell ordine
Il metodo dei minimi quadrati. Molto spesso due grandezze fisiche x e y, misurabili direttamente, sono legate tra loro da una legge del tipo:
Il metodo dei minimi quadrati Molto spesso due grandezze fisiche x e y, misurabili direttamente, sono legate tra loro da una legge del tipo: Dove A e B sono costanti y = A + Bx (ad esempio in un moto uniformemente
VALIDAZIONE DEL MODELLO
VALIDAZIONE DEL MODELLO Validazione del Modello Non è sufficiente stimare il vettore θ per dichiarare concluso il processo di identificazione. E necessario ottenere una misura della sua affidabilità L
Tipi 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)
PEREQUAZIONE CON LEGGI DI SOPRAVVIVENZA
Siano PEREQUAZIONE CON LEGGI DI SOPRAVVIVENZA qˆ, = a, a +, K, ω le stime delle probabilità di morte q, = a, a +, K, ω, di un modello di sopravvivenza non parametrico ottenute secondo un approccio di stima
Prefazione Ringraziamenti dell'editore Il sito web dedicato al libro Test online: la piattaforma McGraw-Hill Education Guida alla lettura
INDICE GENERALE Prefazione Ringraziamenti dell'editore Il sito web dedicato al libro Test online: la piattaforma McGraw-Hill Education Guida alla lettura XI XIV XV XVII XVIII 1 LA RILEVAZIONE DEI FENOMENI
Modelli compartimentali e farmacocinetica.
Modelli compartimentali e farmacocinetica carmelo.demaria@centropiaggio.unipi.it Domanda http://goo.gl/forms/yvwxiwdfcq Distribuzione dell acqua Modelli compartimentali I modelli compartimentali traggono
Università di Siena. Corso di STATISTICA. Parte seconda: Teoria della stima. Andrea Garulli, Antonello Giannitrapani, Simone Paoletti
Università di Siena Corso di STATISTICA Parte seconda: Teoria della stima Andrea Garulli, Antonello Giannitrapani, Simone Paoletti Master E 2 C Centro per lo Studio dei Sistemi Complessi Università di
R - Esercitazione 6. Andrea Fasulo Venerdì 22 Dicembre Università Roma Tre
R - Esercitazione 6 Andrea Fasulo fasulo.andrea@yahoo.it Università Roma Tre Venerdì 22 Dicembre 2017 Il modello di regressione lineare semplice (I) Esempi tratti da: Stock, Watson Introduzione all econometria
Laboratorio di Meccanica (can C) A.A. 2014/15
Laboratorio di Meccanica (can C) A.A. 2014/15 Diario Tipo: PII: prova in itinere E: esercizi V: vacanza Lo scorso anno N Data Tipo Argomento N Data Tipo Argomento 1W No Lab 1W No Lab 1 mercoledì 4 marzo
Calcolo delle probabilità e statistica
Grazia Vicario Raffaello Levi Calcolo delle probabilità e statistica per 1ngegner1 - GO... PROGenO 00 LeoNARDO BOLOGNA r r, ) - Universi!a' IU~V Venezia DEPCIA w 1852 BIBLIOTECA G.ASTENGO G. Vicario~ R.
0 altimenti 1 soggetto trova lavoroentro 6 mesi}
Lezione n. 16 (a cura di Peluso Filomena Francesca) Oltre alle normali variabili risposta che presentano una continuità almeno all'interno di un certo intervallo di valori, esistono variabili risposta
Analisi Discriminante Strumenti quantitativi per la gestione
Analisi Discriminante Strumenti quantitativi per la gestione Emanuele Taufer Un esempio introduttivo Approccio con Bayes Perchè un altro metodo di classificazione? Classificazione con Bayes Analisi discriminante
Sintesi e sperimentazione di un modello di propagazione sonora per l analisi di reti di sensori sottomarine
tesi di laurea per l analisi di reti di sensori sottomarine Anno Accademico 2009/2010 relatore Ch.mo prof. Marcello Cinque correlatore Ing. Catello Di Martino candidato Francesco Caserta Matr. 534/003408
Statistica 1 A.A. 2015/2016
Corso di Laurea in Economia e Finanza Statistica 1 A.A. 2015/2016 (8 CFU, corrispondenti a 48 ore di lezione frontale e 24 ore di esercitazione) Prof. Luigi Augugliaro 1 / 35 Il modello di regressione
Tecniche di riconoscimento statistico
On AIR s.r.l. Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 2 Teoria della decisione Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com http://www.onairweb.com/corsopr
Università della Calabria
Università della Calabria FACOLTA DI INGEGNERIA Corso di Laurea in Ingegneria Civile CORSO DI IDROLOGIA N.O. Prof. Pasquale Versace SCHEDA DIDATTICA N 3 CURVE DI PROBABILITÀ PLUVIOMETRICA A.A. 00- CURVE
La multicollinearità sorge quando c è un elevata correlazione tra due o più variabili esplicative.
Lezione 14 (a cura di Ludovica Peccia) MULTICOLLINEARITA La multicollinearità sorge quando c è un elevata correlazione tra due o più variabili esplicative. In un modello di regressione Y= X 1, X 2, X 3
Distribuzioni Statistiche e Medie Esercitazione n 01
Distribuzioni Statistiche e Medie Esercitazione n 01 ESERCIZIO 1 In una clinica pediatrica si è registrato, nell'ultima settimana, il peso alla nascita dei neonati (in kg): Peso (in Kg) 2,7 1,8 4,6 2,9
Statistica Applicata all edilizia: il modello di regressione
Statistica Applicata all edilizia: il modello di regressione E-mail: orietta.nicolis@unibg.it 27 aprile 2009 Indice Il modello di Regressione Lineare 1 Il modello di Regressione Lineare Analisi di regressione
LEZIONI IN LABORATORIO Corso di MARKETING L. Baldi Università degli Studi di Milano. Strumenti statistici in Excell
LEZIONI IN LABORATORIO Corso di MARKETING L. Baldi Università degli Studi di Milano Strumenti statistici in Excell Pacchetto Analisi di dati Strumenti di analisi: Analisi varianza: ad un fattore Analisi
Il metodo di Gauss-Newton per le regressioni non-lineari
Il metodo di Gauss-Newton per le regressioni non-lineari Andrea Onofri Dipartimento di Scienze Agrarie ed Ambientali Università degli Studi di Perugia Versione on-line: http://www.unipg.it/ onofri/rtutorial/index.html
C.I. di Metodologia clinica
C.I. di Metodologia clinica Modulo 5. I metodi per la sintesi e la comunicazione delle informazioni sulla salute Quali errori influenzano le stime? L errore casuale I metodi per la produzione delle informazioni
IL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA
Metodi per l Analisi dei Dati Sperimentali AA009/010 IL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA Sommario Massima Verosimiglianza Introduzione La Massima Verosimiglianza Esempio 1: una sola misura sperimentale
Esercitazione del
Esercizi sulla regressione lineare. Esercitazione del 21.05.2013 Esercizio dal tema d esame del 13.06.2011. Si consideri il seguente campione di n = 9 osservazioni relative ai caratteri ed Y: 7 17 8 36
Bologna 15 settembre. Spazializzazione dati meteo
P.I.C. INTERREG III METODI, STRUMENTI ED INDICATORI PER LA DEFINIZIONE DELLE VARIABILI CLIMATICHE Tavolo di confronto BOLOGNA 15 Settembre 2004 Bologna 15 settembre Spazializzazione dati meteo Alfonso
Richiami di probabilità. Decision Theory e Utilità. Richiami di probabilità. assumere certi valori in un insieme x 1, x 2, x n (dominio)
9 lezione Scaletta argomenti: Probabilità Richiami di probabilità Reti Bayesiane Decision Theory e Utilità 1 Richiami di probabilità - La formalizzazione deriva da Boole - Concetto di VARIABILE CASUALE
Quiz di verifica Classificazione
Quiz di verifica Classificazione Strumenti Quantitativi per la gestione Le domande 1 4 si riferiscono al seguente problema: Supponiamo di raccogliere dati per un gruppo di studenti della classe di SQG
L Analisi della Varianza ANOVA (ANalysis Of VAriance)
L Analisi della Varianza ANOVA (ANalysis Of VAriance) 1 Concetti generali: Confronto simultaneo tra più di due popolazioni, esempi... La analisi della varianza estende il confronto a p gruppi con p>2.
Capitolo 1 Esercitazioni condotte in aula con Star-CCM+
Capitolo 1 Esercitazioni condotte in aula con Star-CCM+ 1.1 Mixing Pipe Nella prima esercitazione è stato trattato il caso di un miscelatore nel quale sono stati iniettati 2 fluidi considerati ideali a
Il filtro di Kalman stazionario e il regolatore LQG
Il filtro di stazionario e il regolatore LQG P. Valigi Ottimizzazione e Controllo 30 Aprile 2014 L estensione di KF al caso stazionario/intervallo infinito Nell estensione del filtro di ad intervallo infinito
Quanti 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
Progetto di Geometria Computazionale: simulazione del movimento ondoso di un fluido utilizzando Kass e Miller
Progetto di Geometria Computazionale: simulazione del movimento ondoso di un fluido utilizzando Kass e Miller Stefano Ceroni, Sara Toia Luglio 2011 1 Introduzione Il metodo di Kass e Miller [1] per la
VALORI o LIVELLI DECISIONALI
In alternativa all intervallo di riferimento VALORI o LIVELLI DECISIONALI Valori sopra o sotto i quali è raccomandabile seguire un determinato comportamento clinico: - Instaurare o modificare un regime
Modulo di Statistica e Tecnologia (Dott. Giorgio Poletti
Laurea in Scienze dell Educazione Insegnamento di Pedagogia Sperimentale (Prof. Paolo Frignani) Modulo di Statistica e Tecnologia (Dott. Giorgio Poletti giorgio.poletti@unife.it) MEDIA aritmetica semplice
Evidence Based Medicine e Linee Guida. Silvia Deandrea (ringrazio il Centro Cochrane Italia per alcune slide)
Evidence Based Medicine e Linee Guida Silvia Deandrea (ringrazio il Centro Cochrane Italia per alcune slide) Induzione dovrebbe funzionare analisi propria esperienza clinica, meccanismi fisiopatologici
Regressione lineare semplice
Regressione lineare semplice Prof. Giuseppe Verlato Sezione di Epidemiologia e Statistica Medica, Università di Verona Statistica con due variabili var. nominale, var. nominale: gruppo sanguigno - cancro
Modellazione di sistemi ingegneristici (parte 2 di 2)
Corso di Teoria dei Sistemi Modellazione di sistemi ingegneristici (parte 2 di 2) Prof. Ing. Daniele Testi DESTeC, Dipartimento di Ingegneria dell Energia, dei Sistemi, del Territorio e delle Costruzioni
UNIVERSITA DEGLI STUDI DI CASSINO FACOLTA DI INGEGNERIA
UNIVERSITA DEGLI STUDI DI CASSINO FACOLTA DI INGEGNERIA TESI DI LAUREA IN INGEGNERIA DELLE TELECOMUNICAZIONI STUDIO E SIMULAZIONE DI ANTENNE STAMPATE RELATORE: Prof. Marco Donald Migliore CORRELATORE:
Case study. viene espressa in unità µmol per ora per grammo di peso secco.
Vengono studiate due specie diverse (ma dello stesso genere) di piante di interesse agronomico. In particolare, i ricercatori vogliono misurare la capacità dell'apparato radicale di tali piante di assorbire
Risoluzione di sistemi lineari sparsi e di grandi dimensioni
Risoluzione di sistemi lineari sparsi e di grandi dimensioni Un sistema lineare Ax = b con A R n n, b R n, è sparso quando il numero di elementi della matrice A diversi da zero è αn, con n α. Una caratteristica
Enrico Silva - diritti riservati - Non è permessa, fra l altro, l inclusione anche parziale in altre opere senza il consenso scritto dell autore
Indeterminazione Finora si sono considerate le proprietà ondulatorie, lavorando sulla fase di una (per ora non meglio specificata) funzione. Si sono ricavate o ipotizzate relazioni per: - lunghezza d onda
Valutazione economica dell integrazione della comunità cinese a Prato: una analisi basata sulla SAM Provinciale bi-etnica
Valutazione economica dell integrazione della comunità cinese a Prato: una analisi basata sulla SAM Provinciale bi-etnica Stefano Rosignoli - IRPET XXXVII Conferenza scientifica annuale AISRe Ancona, 22
Statistica - 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 6 Soluzione degli esercizi del capitolo 6 In base agli arrotondamenti effettuati nei calcoli, si possono
Intervallo 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
Statistica Descrittiva Soluzioni 6. Indici di variabilità, asimmetria e curtosi
ISTITUZIONI DI STATISTICA A A 2007/2008 Marco Minozzo e Annamaria Guolo Laurea in Economia del Commercio Internazionale Laurea in Economia e Amministrazione delle Imprese Università degli Studi di Verona
Elementi di statistica per l econometria
Indice Prefazione i 1 Teoria della probabilità 1 1.1 Definizioni di base............................. 2 1.2 Probabilità................................. 7 1.2.1 Teoria classica...........................
Servizi di Igiene Urbana Rifiuti Solidi Urbani
Monitoraggio Anno IX - Report 1 Gennaio Aprile 2008 Servizi di Igiene Urbana Rifiuti Solidi Urbani 1) Il Monitoraggio dei Servizi di Igiene Urbana L analisi mira ad individuare le variazioni della domanda
Statistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 33 Outline 1 2 3 4 5 6 () Statistica 2 / 33 Misura del legame Nel caso di variabili quantitative
Modelli matematici e Data Mining
Modelli matematici e Data Mining Introduzione I modelli matematici giocano un ruolo critico negli ambienti di business intelligence e sistemi di supporto alle decisioni. Essi rappresentano un astrazione
Simulazione dei dati
Simulazione dei dati Scopo della simulazione Fasi della simulazione Generazione di numeri casuali Esempi Simulazione con Montecarlo 0 Scopo della simulazione Le distribuzioni di riferimento usate per determinare
lezione 9 AA Paolo Brunori
AA 2016-2017 Paolo Brunori Dove siamo arrivati? - la regressione lineare multipla ci permette di stimare l effetto della variabile X sulla Y tenendo ferme tutte le altre variabili osservabili che hanno
Tecniche di riconoscimento statistico
On AIR s.r.l. Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 2 Teoria della decisione Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com http://www.onairweb.com/corsopr
STATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 7:
esercitazione 7 p. 1/13 STATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 7: 20-05-2004 Luca Monno Università degli studi di Pavia luca.monno@unipv.it http://www.lucamonno.it
INNOVAZIONI E SPERIMENTAZIONI. Nuove prospettive per la statistica ufficiale: metodi bayesiani per la stima dei flussi demografici
COMPORTAMENTI INDIVIDUALI Il E punto RELAZIONI di vista dell accademia SOCIALI Brunero Liseo IN TRASFORMAZIONE UNA SFIDA PER LA STATISTICA UFFICIALE INNOVAZIONI E SPERIMENTAZIONI 22 GIUGNO 2016 11.15 12.45
IDENTIFICAZIONE DEI MODELLI E ANALISI DEI DATI 1 (Prof. S. Bittanti) Ingegneria Informatica 5 CFU. Appello 23 Luglio 2014 Cognome Nome Matricola
IDENTIFICAZIONE DEI MODELLI E ANALISI DEI DATI 1 (Prof. S. Bittanti) Ingegneria Informatica 5 CFU. Appello 23 Luglio 201 Cognome Nome Matricola............ Verificare che il fascicolo sia costituito da
Modelli di propagazione del rumore: diagnosi e previsione
30.10.2009 2 a Giornata di studio sull acustica ambientale Modelli di propagazione del rumore: diagnosi e previsione Ing. Giulio Chiarlo Dott. Alberto Lenzi Un po di definizioni. Descrittore acustico:
RENDITE. Ricerca del tasso di una rendita
RENDITE Ricerca del tasso di una rendita Un problema che si presenta spesso nelle applicazioni è quello di calcolare il tasso di interesse associato a una rendita quando siano note le altre grandezze 1
Statistica Descrittiva Soluzioni 7. Interpolazione: minimi quadrati
ISTITUZIONI DI STATISTICA A. A. 2007/2008 Marco Minozzo e Annamaria Guolo Laurea in Economia del Commercio Internazionale Laurea in Economia e Amministrazione delle Imprese Università degli Studi di Verona
Statistica Applicata all edilizia Lezione: approccio stocastico all analisi delle serie storiche
Lezione: approccio stocastico all analisi delle serie storiche E-mail: orietta.nicolis@unibg.it 3 maggio 2011 Programma 1 Approccio stocastico all analisi delle serie storiche Programma Approccio stocastico
Capitolo 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
Il campionamento e l inferenza. Il campionamento e l inferenza
Il campionamento e l inferenza Popolazione Campione Dai dati osservati mediante scelta campionaria si giunge ad affermazioni che riguardano la popolazione da cui essi sono stati prescelti Il campionamento
Lezione 18. Statistica. Alfonso Iodice D Enza Università degli studi di Cassino. Lezione 18. A. Iodice
Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 45 Outline 1 2 3 4 5 () Statistica 2 / 45 Modello di In molte applicazioni il ruolo delle variabili
()Probablità, Statistica e Processi Stocastici
Probablità, Statistica e Processi Stocastici Esempio di serie storica Esportazioni italiane di pezzi di accessori auto (trend accentuato, poca stagionalità) Esempio di serie storica Esportazioni italiane
Valutazione della Qualità della Ricerca (VQR) L UNIVERSITÀ ITALIANA HA ACCETTATO (E VINTO) LA SFIDA DELLA QUALITÀ DELLA RICERCA
Valutazione della Qualità della Ricerca (VQR) 2011-214 L UNIVERSITÀ ITALIANA HA ACCETTATO (E VINTO) LA SFIDA DELLA QUALITÀ DELLA RICERCA I risultati della VQR saranno utilizzati per ripartire tra le università
LEZIONI DI STATISTICA MEDICA
LEZIONI DI STATISTICA MEDICA Lezione n.11 - Principi dell inferenza statistica - Campionamento - Distribuzione campionaria di una media e di una proporzione - Intervallo di confidenza di una media e di
Incertezza di misura concetti di base. Roberto Olmi IFAC-CNR
Incertezza di misura concetti di base Roberto Olmi IFAC-CNR Certezza dell incertezza Il display mostra: Inferenza sulla la massa, basata sulla lettura: La massa ha un valore tra 83.35 e 83.45 g La massa
Programmazione con Foglio di Calcolo Cenni di Statistica Descrittiva
Fondamenti di Informatica Ester Zumpano Programmazione con Foglio di Calcolo Cenni di Statistica Descrittiva Lezione 5 Statistica descrittiva La statistica descrittiva mette a disposizione il calcolo di
IMPUTAZIONE MULTIPLA: UN APPLICAZIONE ALL ANALISI DI DATI DI REDDITO
Università degli studi di Firenze Dipartimento Statistico DOTTORATO IN STATISTICA APPLICATA VII CICLO IMPUTAZIONE MULTIPLA: UN APPLICAZIONE ALL ANALISI DI DATI DI REDDITO Anna Giraldo Relatore: Prof. Luigi
8. ANALISI DELLA COVARIANZA (ANCOVA)
8. ANALISI DELLA COVARIANZA (ANCOVA) L analisi della covarianza è un metodo statistico che risulta dalla combinazione dell analisi di regressione con l analisi della varianza. È utile quando all analisi
Problema. Equazioni non lineari. Metodo grafico. Teorema. Cercare la soluzione di
Problema Cercare la soluzione di Equazioni non lineari dove Se è soluzione dell equazione, cioè allora si dice RADICE o ZERO della funzione Metodo grafico Graficamente si tratta di individuare l intersezione
05. 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,
BOLLETTINO UNIONE MATEMATICA ITALIANA
BOLLETTINO UNIONE MATEMATICA ITALIANA Sezione A La Matematica nella Società e nella Cultura Benedetta Morini Metodi di Newton inesatti nella risoluzione di problemi ai valori iniziali di tipo stiff Bollettino
STATISTICA 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
Test di autovalutazione n.1
Test di autovalutazione n.1 22 febbraio 2015 Nome e cognome: Domanda N.: Points Risposta: 1 1 2 1 3 1 4 1 5 1 6 1 7 1 8 1 9 1 10 1 11 1 12 1 13 1 14 1 15 1 16 1 Somma 16 1 DOMANDA n. 1 Il procedimento
ARGOMENTI TRATTATI NEL CORSO DI ANALISI II
ARGOMENTI TRATTATI NEL CORSO DI ANALISI II ANALISI Limiti Curve Convergenza di una successione di punti Definizione di limite Condizione necessaria e condizione sufficiente all esistenza del limite in
Lezione n. 2. Introduzione all analisi numerica (metodi diretti ed iterativi per la soluzione di sistemi di equazioni lineari e non lineari)
Lezione n. 2 Introduzione all analisi numerica (metodi diretti ed iterativi per la soluzione di sistemi di equazioni lineari e non lineari) R. Albanese, "Metodi numerici Pag. 1 Pag. 2 Metodi diretti per
Statistica di base per l analisi socio-economica
Laurea Magistrale in Management e comunicazione d impresa Statistica di base per l analisi socio-economica Giovanni Di Bartolomeo gdibartolomeo@unite.it Definizioni di base Una popolazione è l insieme
Statistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@gmail.com Università degli studi di Cassino () Statistica 1 / 24 Outline 1 2 3 4 5 () Statistica 2 / 24 Dipendenza lineare Lo studio della relazione tra caratteri
Studio del movimento Spazio di frenata
Studio del movimento Spazio di frenata www.lepla.eu Scopo di questo esperimento è mettere in relazione velocità e spazio di frenata. Anche se la maggior parte delle linee guida dei curriculi europei non
Principi e Metodologie della Progettazione Meccanica
Principi e Metodologie della Progettazione Meccanica ing. F. Campana a.a. 06-07 Lezione 13: Robust Design Robust Design significato ed esempi Le tecniche di ottimizzazione fin qui viste hanno un ampio
Gaussian processes (GP)
Gaussian processes (GP) Corso di Modelli di Computazione Affettiva Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it Giuseppe.Boccignone@unimi.it http://boccignone.di.unimi.it/compaff017.html
Statistica multivariata Donata Rodi 08/11/2016
Statistica multivariata Donata Rodi 08/11/2016 MANOVA: Multivariate Analysis of Variance Due o più variabili dipendenti quantitative Una o più variabili indipendenti categoriali (con più livelli) Residui