|
Insegnamento
METODI STATISTICI PER LA BIOINGEGNERIA
INP9087105, A.A. 2019/20
Informazioni valide per gli studenti immatricolati nell'A.A. 2019/20
Dettaglio crediti formativi
Tipologia |
Ambito Disciplinare |
Settore Scientifico-Disciplinare |
Crediti |
CARATTERIZZANTE |
Ingegneria biomedica |
ING-INF/06 |
9.0 |
Organizzazione dell'insegnamento
Periodo di erogazione |
Secondo semestre |
Anno di corso |
I Anno |
Modalità di erogazione |
frontale |
Tipo ore |
Crediti |
Ore di didattica assistita |
Ore Studio Individuale |
LEZIONE |
9.0 |
72 |
153.0 |
Inizio attività didattiche |
02/03/2020 |
Fine attività didattiche |
12/06/2020 |
Visualizza il calendario delle lezioni |
Lezioni 2019/20 Ord.2011
|
Commissioni d'esame
Commissione |
Dal |
Al |
Membri |
1 A.A. 2019/2020 |
01/10/2019 |
15/03/2021 |
BERTOLDO
ALESSANDRA
(Presidente)
DALLA MAN
CHIARA
(Membro Effettivo)
DEL FAVERO
SIMONE
(Supplente)
FACCHINETTI
ANDREA
(Supplente)
PEDERSEN
MORTEN GRAM
(Supplente)
SACCOMANI
MARIAPIA
(Supplente)
SAWACHA
ZIMI
(Supplente)
SCHIAVON
MICHELE
(Supplente)
SPARACINO
GIOVANNI
(Supplente)
VISENTIN
ROBERTO
(Supplente)
|
Prerequisiti:
|
Elementi di Probabilità e Statistica |
Conoscenze e abilita' da acquisire:
|
Utilizzare la statistica descrittiva per la rappresentazione dei dati sperimentali e conoscere e comprendere i principali test statistici; saper utilizzare con dimestichezza il metodo dei minimi quadrati lineari; rendere l'allievo in grado di effettuare analisi regressione e correlazione, analisi alle componenti principali (PCA), analisi alle componenti indipendenti (ICA), clustering. |
Modalita' di esame:
|
La verifica delle conoscenze e delle abilità sarà valutata con un esame scritto, basato sul materiale presentato nelle lezioni ed una prova al calcolatore basata sul materiale presentato nel laboratorio. |
Criteri di valutazione:
|
La prova scritta è suddivisa in due parti. Nella prima, gli studenti devono rispondere a semplici quesiti rivolti a verificare la conoscenza di una singola tecnica o proprietà discussa nel corso.
La seconda parte è di natura più teorica e riguarda la conoscenza delle basi teoriche dei metodi principali presentati a lezione.
La prova al calcolatore verifica l'apprendimento sia delle nozioni principali sia delle tecniche di elaborazione, che sono state presentate durante le ore di laboratorio svolte durante il corso.
Il voto complessivo è la somma dei voti conseguiti nelle singole parti. |
Contenuti:
|
Statistica descrittiva: distribuzioni di frequenza, percentili, rappresentazioni grafiche, Indici di posizione, di dispersione e di forma, calcolo di media e varianza per dati raggruppati, boxplots, analisi comparative, correlazioni di variabili
Variabili aleatorie: valore atteso, varianza, intervalli di confidenza, disuguaglianza di Chebychev. Il teorema dell’aspettazione. Distribuzioni di probabilità discrete: binomiale, binomiale negativa, Poisson. Distribuzioni di probabilità continue: esponenziale, gamma, normale. Variabili aleatorie vettoriali: indipendenza, distribuzione normale multivariata.
Acquisizione dei dati: campionamento casuale, distorsioni, studi sperimentali e osservazionali, studi clinici controllati randomizzati, studi in doppio cieco, crossover.
Test statistici: Test di normalità. Test per valutare la differenza tra gruppi: Test T (accoppiato e non), ANOVA. Il significato del p-value. Test non parametrici. Misure ripetute e confronti post-hoc: correzione di Bonferroni, False Discovery Rate, correzione con permutazioni.
Calcolo della potenza di un test: potenza e ampiezza campionaria
Progetto dell’esperimento: tipo di disegno (2 o più gruppi paralleli, 1 gruppo appaiato (disegno pre-post), 2 gruppi incrociati (disegno cross-over), 2x2 gruppi paralleli (disegno fattoriale), ranomizzato), scambiabilità, bias sistematico
Inferenza statistica: La regressione lineare; il metodo dei minimi quadrati lineari, proprietà, bias, MSE, residui, errore di stima (varianza dello stimatore)
Verifica della relazione tra variabili: regressione e correlazione, correlazione dei ranghi (Spearman). Metodo di Bland-Altman.
Analisi alle componenti principali (PCA)
Metodi di regolarizzazione per modelli lineari: regressione di Ridge, regressione di Lasso, Elastic Net, regressione logistica
Analisi alle componenti indipendenti (ICA)
Clustering: K-means, Fuzzy c-means, Spettrale, Gerarchico |
Attivita' di apprendimento previste e metodologie di insegnamento:
|
Il corso prevede che l'apprendimento avvenga mediante:
- lezioni frontali (circa il 65% delle ore complessive di lezione)
- lezioni "hands on" realizzando codici in Matlab (35%) e lavorando su casi di studio concreti. |
Eventuali indicazioni sui materiali di studio:
|
Tutto il materiale didattico presentato durante le lezioni frontali (in formato pdf) è reso disponibile sulla piattaforma Elearning. |
Testi di riferimento: |
-
Hastie, Trevor J.; Tibshirani, Robert, The elements of statistical learningdata mining, inference, and predictionTrevor Hastie, Robert Tibshirami, Jerome Friedman. New York: Springer, 2009.
|
Didattica innovativa: Strategie di insegnamento e apprendimento previste
- Case study
- Problem solving
Didattica innovativa: Software o applicazioni utilizzati
- Moodle (files, quiz, workshop, ...)
- Matlab
Obiettivi Agenda 2030 per lo sviluppo sostenibile
|
|