Corsi di Laurea Corsi di Laurea Magistrale Corsi di Laurea Magistrale
a Ciclo Unico
Scuola di Ingegneria
BIOINGEGNERIA
Insegnamento
METODI STATISTICI PER LA BIOINGEGNERIA
INP9087105, A.A. 2019/20

Informazioni valide per gli studenti immatricolati nell'A.A. 2019/20

Principali informazioni sull'insegnamento
Corso di studio Corso di laurea magistrale in
BIOINGEGNERIA
IN0532, ordinamento 2011/12, A.A. 2019/20
N0
porta questa
pagina con te
Crediti formativi 9.0
Tipo di valutazione Voto
Denominazione inglese STATISTICAL METHODS FOR BIOENGINEERING
Dipartimento di riferimento Dipartimento di Ingegneria dell'Informazione (DEI)
Obbligo di frequenza No
Lingua di erogazione ITALIANO
Sede PADOVA
Corso singolo È possibile iscriversi all'insegnamento come corso singolo
Corso a libera scelta È possibile utilizzare l'insegnamento come corso a libera scelta

Docenti
Responsabile ALESSANDRA BERTOLDO ING-INF/06

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

Calendario
Inizio attività didattiche 02/03/2020
Fine attività didattiche 12/06/2020
Visualizza il calendario delle lezioni Lezioni 2019/20 Ord.2011

Syllabus
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
Salute e Benessere Istruzione di qualita'