usare la massima verosimiglianza, cio`e, partendo dalla nostra funzione di densit`a, f (t; Σ) = 1 σ1 a(θ1)φGSN t σ2 ; θ2 + 1 σ2 a(θ2)φGSN t σ2 ; θ2 + 1 σ3 a(θ3)φGSN t σ3 ; θ3 , t ∈ R per indipendenza delle componenti abbiamo L(t; α1, α2, ρ) = c(t)f (t; Σ).
La corrispondente funzione di log-verosimiglianza `e: l(α1, α2, ρ)= log(L(α1, α2, ρ)),
quindi, il massimo di L(α1, α2, ρ) si ottiene minimizzando l(α1, α2, ρ). Dopo
aver effettuato i calcoli, usando i nostri dati, otteniamo le seguenti stime. ˆ
α1 = 0.4083673 ˆα2 = 0.4083673 ˆρ = 0.4166181. Con i risultati ottenuti
proviamo a vedere il grafico della nostra funzione di densit`a sovrapposta all’istogramma dei dai Normali standardizzati.
Fig. 4.5: istogramma con sovrapposta la funzione di densit`a di GSN Abbiamo quindi sviluppato i due metodi differenti ed in entrambi i casi assumiamo che le singole variabili sono normali e in entrambi i casi quindi otteniamo il risultato che il massimo tra tre normali `e una GSN, e infatti le due distribuzioni dei massimi ottenute seguendo i due metodi proposti sono praticamente identiche. Questo viene confermato dal seguente grafico.
Fig. 4.6: istogramma, stima della densit`a secondo il primo metodo, linea rossa, e densit`a secondo il secondo metodo linea blu
Capitolo 5
Conclusioni
In questo lavoro di tesi abbiamo presentato la distribuzione del flusso nasale (PNIF) massimo tra le due narici e il flusso nasale massimo di tre osservazio- ni consecutive usando entrambe le narici, informazioni utili medicina nella diagnostica e nel trattamento di patologie rinologiche. In particolare, abbia- mo studiato la misurazione del funzionamento delle vie nasali applicando il PNIF solo su una singola narice, tenendo ermeticamente chiusa l’altra. Per ottenere il massimo tra le due variabili unilaterali si procede seguendo 2 di- versi metodi. Nel primo metodo riportiamo la modellazione dei massimi per i dati unilaterali del setto nasale, sapendo che il massimo tra le 2 variabili unilaterali che assumiamo normali (destra e sinistra), si distribuisce come una normale asimmetrica con parametri che dipendono dal coefficiente di correlazione tra le due normali unilaterali. A partire dai parametri stimati della distribuzione delle singole osservazioni si ottiene cos`ı la distribuzione del massimo.
Il secondo metodo si concentra nell’ottenere la distribuzione del massimo tra flusso destro e sinistro ottenendo direttamente il massimo delle osserva- zioni, ipotizzando che si distribuisce come normale asimmetrica e stimandone i parametri via massima verosimiglianza. Tramite l’analisi preliminare dei dati, abbiamo tuttavia osservato che i nostri dati non sembrano in realt`a distribuirsi come una gaussiana perch´e presentano una leggera asimmetria. Tuttavia l’applicazione dei due diversi metodi per le stime ci ha portato a ottenere una misura di quanto l’ipotesi sulla distribuzione delle singole osser- vazioni influenza la forma della distribuzione del massimo tra le due variabili unilaterali (destra e sinistra). Ci auguriamo che in future ricerche si possa sviluppare anche la distribuzione del massimo tra due distribuzioni che pre- sentano leggere deviazioni dalla normalit`a, come ad esempio le distribuzioni normali asimmetriche. Un’analisi dei massimi tra due skew normal potrebbe essere certamente interessante assieme allo studio delle sue propriet`a formali e verificandone il comportamento su altri insiemi di dati. Nel capito 4 di questa tesi abbiamo anche effettuato uno studio sulla distribuzione del mas-
simo tra tre diverse quantit`a la cui distribuzione si ipotizza essere normale. Per ottenere il PNIF infatti `e necessario ripetere l’operazione di inspirazione per tre volte consecutive nelle medesime condizioni e per ciascuna di queste si registra il risultato. Il PNIF `e quindi il massimo tra queste tre misurazio- ni. Era perci`o di interesse individuare la distribuzione del PNIF, a partire dalle singole distribuzioni delle inspirazioni.
Un risultato teorico di Jamalizadeh e Balakrishnan (2009) mostra che il massimo di tre variabili aleatorie normali correlate tra loro si distribuisce co- me una GSN (Generalized Skew Normal) con parametri legati ai coefficienti di correlazione tra le variabili originali. Anche in questo caso, per stimare la GSN del massimo, sono stati usati due approcci differenti:
Nel primo metodo vengono stimati i parametri dai dati raccolti dalle sin- gole 3 variabili e poi otteniamo i parametri della GSN(Generalized Skew Nor- mal) usando le relazioni tra i parametri delle 3 variabili e quelli della distribu- zione del massimo dati da Jamalizadeh e Balakrishnan (2009). Nel secondo caso invece vengono stimati direttamente i parametri della distribuzione del massimo (che `e una GSN) partendo dai massimi osservati.
Analogamente a quanto svolto sopra, anche qui `e stata effettuata l’analisi preliminare dei dati e come risultato otteniamo che , in entrambi i casi i dati sono prossimi ad una distribuzione normale. Abbiamo quindi sviluppato i due metodi differenti ed in entrambi i casi assumiamo che le singole variabili sono normali e in entrambi i casi quindi otteniamo il risultato che il massimo tra tre normali `e una GSN, e infatti le due distribuzioni dei massimi ottenute seguendo i due metodi proposti sono praticamente identiche.
Bibliografia
[1] Azzalini, A. (2014). The Skew-Normal and Related Families. Institute of Mathematical Statistics Monographs 12-2013.
[2] Azzalini, A. (1985). A class of distributions which includes the normal ones. Scandinavian journal of statistics, 171-178.
[3] Azzalini,A (2000). Una presentazione basata sul concetto di verosimi- glianza, 382pp,2a edizione, Italia, Springer-Vergal.
[4] Bowman, A. W., Azzalini, A. (1997). Applied Smoothing Techniques for Data Analysis: The Kernel Approach with S-Plus Illustrations: The Kernel Approach with S-Plus Illustrations. Oxford University Press. [5] Corey, J. P., Houser, S. M., Ng, B. A. (2000). Nasal congestion: a review
of its etiology, evaluation, and treatment. Ear nose and throat journal, 79(9), 690-703.
[6] Holmstrom, M., Scadding, G. K., Lund, V. J., Darby, Y. C. (1990). Assessment of nasal obstruction. A comparison between rhinomanometry and nasal inspiratory peak flow. Rhinology, 28(3), 191-196.
[7] Iacus, S. M., Masarotto, G. (2005). LabstatR: libreria del laboratorio di statistica con R. McGraw-Hill education.
[8] Haddad, J. H. and Provost, S. B. (2011). Approximations to the distri- bution of the sample correlation coefficient.World Academy of Science, Engineering and Technology 52 910-915.
[9] Jamalizadeh, A., Balakrishnan, N. (2009). Order statistics from triva- riate normal and tv-distributions in terms of generalized skew-normal and skew-tv distributions. Journal of Statistical Planning and Inference, 139(11), 3799-3819.
[10] Loperfido, N. (2008). A note on skew-elliptical distributions and linear functions of order statistics. Statistics Probability Letters, 78(18), 3184- 3186.
[11] Loperfido, N. (2002). Statistical implications of selectively reported inferential results. Statistics probability letters, 56(1), 13-22.
[12] Ottaviano, G., Scadding, G. K., Scarpa, B., Accordi, D., Staffieri, A., Lund, V. J. (2012). Unilateral peak nasal inspiratory flow, normal values in adult population. Rhinology, 50(4), 386-392.
[13] Ottaviano, G., Lund, V. J., Nardello, E., Scarpa, B., Mylonakis, I., Frasson, G., Staffieri, A. (2014). Peak nasal inspiratory flow: a useful and handy tool for the diagnosis of nasal obstruction in the elderly. European Archives of Oto-Rhino-Laryngology, 1-5.
[14] Youlten, L. J. F. (1980). The peak nasal inspiratory flow meter: a new instrument for the assessment of the response to immunotherapy in seasonal allergic rhinitis. Allergol immunopathol, 8, 344.
Appendice A
Codice sorgente e immagini
PNIF DESTRA SECONDA MISURAZIONEPNIFDESTRA2<−DATI PNIF ALL$PNIF .DX. 2
c l a s s i <− s e q ( min (PNIFDESTRA2 ) , max (PNIFDESTRA2 ) )
h i s t (PNIFDESTRA2, b r e a k s=c l a s s i , prob=TRUE)
l i n e s ( d e n s i t y (PNIFDESTRA2 ) )
b o x p l o t ( DATI PNIF ALL$PNIF .DX. 2 )
qqnorm ( DATI PNIF ALL$PNIF .DX. 2 )
q q l i n e ( DATI PNIF ALL$PNIF .DX. 2 , c o l =2)
PNIF SINISTRA SECONDA MISURAZIONE
PNIFSINISTRA2<−DATI PNIF ALL$PNIF . SX . 2
c l a s s i <− s e q ( min ( PNISINISTRA2 ) , max ( PNISINISTRA2 ) )
h i s t ( PNIFSINISTRA2 , b r e a k s=c l a s s i , prob=TRUE, y l i m=c ( 0 , 0 . 0 1 8 ) , x l i m=c ( 3 0 , 2 1 0 )
l i n e s ( d e n s i t y ( PNIFSINISTRA2 ) )
b o x p l o t ( DATI PNIF ALL$PNIF . SX . 2 , y l i m=c ( 2 0 , 1 9 0 ) , )
qqnorm ( DATI PNIF ALL$PNIF . SX . 2 )
q q l i n e ( DATI PNIF ALL$PNIF . SX . 2 , c o l =2)}
STIMA USANDO IL PRIMO METODO DI MAX((PNIF.DX.2,PNIF.SX.2)
Z1=Z
n<−180
f o r ( i i n 1 : n ) {
Z1 [ i ]<−max ( DATI PNIF ALL$PNIF .DX. 2 [ i ] : DATI PNIF ALL$PNIF . SX . 2 [ i ] , na . rm = FALSE) }
q u a n t i l e ( Z1 )
pdf1<−dsn ( s e q ( 3 0 , 2 6 0 , by = 0 . 1 ) , x i = 9 5 . 4 0 2 7 5 , omega = 3 7 . 6 0 1 6 4 , a l p h a = 0 . 4 0 9 5 7 2 6 , dp=NULL, l o g=FALSE , )
PNIFZ1<−DATI PNIF ALL$Z1
h i s t ( PNIFZ1 , b r e a k s =16 , prob=TRUE)
s<−s e q ( 3 0 , 2 6 0 , by = 0 . 1 )
l i n e s ( s , pdf1 , lwd =2 , l t y =3 , c o l =2)
SECONDO METODO: STIMA CON L’ALGORITMO DI OT- TIMIZZAZIONE
m1 <− s e l m ( ”Z1 ˜ 1 ” , f a m i l y =”SN ” , d a t a=DATI PNIF ALL )
p r i n t (m1)
p l o t (m1 , param . t y p e =”DP”)
INTERVALLI DI CONFIDENZA
max ( PNIF . SX . 2 , PNIF .DX. 2 )
uso<−DATI PNIF ALL [ , c ( 1 2 , 1 7 ) ]
x1 <− ( u s o [ , 1 ] − mean ( u s o [ , 1 ] ) ) / sd ( u s o [ , 1 ] ) x2 <− ( u s o [ , 2 ] − mean ( u s o [ , 2 ] ) ) / sd ( u s o [ , 2 ] ) d1<− sum ( ( x1+x2 ) ˆ 2 ) d2<− sum ( ( x1−x2 ) ˆ 2 ) s q r t ( d2 / d1 ∗ q f ( 0 . 9 7 5 , 1 8 0 − 1 , 1 8 0 − 1 ) ) s q r t ( d2 / d1 ∗ q f ( 0 . 0 2 5 , 1 8 0 − 1 , 1 8 0 − 1 ) )
VERIFICA NORMALIT´A, HISTOGRAMA
PNIF2<−DATI PNIF ALL$PNIF . 2
h i s t ( PNIF2 , b r e a k s =16 , prob=TRUE)
l i n e s ( d e n s i t y ( PNIF2 ) )
b o x p l o t ( DATI PNIF ALL$PNIF . 2 )
qqnorm ( DATI PNIF ALL$PNIF . 2 )
q q l i n e ( DATI PNIF ALL$PNIF . 2 , c o l =2)
Z1=PNIF .MAX
a t t a c h ( DATI PNIF ALL )
p d <−(PNIF .DX. 2 − mean ( PNIF .DX. 2 ) ) / s d ( PNIF .DX. 2 )
p s <−(PNIF . SX . 2 − mean ( PNIF . SX . 2 ) ) / sd ( PNIF . SX . 2 )
n<−180
f o r ( i i n 1 : n ) {
Z1 [ i ]<−max ( PNIF .DX. 2 [ i ] : PNIF . SX . 2 [ i ] , na . rm = FALSE) }
DATI PNIF ALL<−c b i n d ( DATI PNIF ALL , Z1 )
STIMA DEI PARAMETRI CON I DUE METODI PRESEN- TATI IN CAP. 4
DATI PNIF ALL <− r e a d . c s v ( ”DATI PNIF ALL . c s v ”)
a t t a c h ( DATI PNIF ALL )
FUNZIONE DI PNIF.MAX STANDARDIZZANDO
PNIF . 1 s <−(PNIF . 1 − mean ( PNIF . 1 ) ) / sd ( PNIF . 1 ) PNIF . 2 s <−(PNIF . 2 − mean ( PNIF . 2 ) ) / sd ( PNIF . 2 ) PNIF . 3 s <−(PNIF . 3 − mean ( PNIF . 3 ) ) / sd ( PNIF . 3 )
#Creo l a mia c o l o n a d e l massimo con d a t i s t a n d a r d PNIF .MAX. S=NULL
n<−180
f o r ( i i n 1 : n ) {
PNIF .MAX. S [ i ]<−max ( PNIF . 1 s [ i ] , PNIF . 2 s [ i ] , PNIF . 3 s [ i ] , na . rm = FALSE) }
DATI PNIF ALL<−c b i n d ( DATI PNIF ALL , PNIF .MAX. S )
summary ( PNIF .MAX. S )
l i b r a r y ( mnormt ) PRIMO METODO r h o 1 2=c o r ( PNIF . 1 , PNIF . 2 ) r h o 1 3=c o r ( PNIF . 1 , PNIF . 3 ) r h o 2 3=c o r ( PNIF . 2 , PNIF . 3 ) r h o . s =( r h o 1 2+r h o 1 3+r h o 2 3 ) / 3
# r h o `e l a media d i rho12 , rho13 , r h o 2 3 lambda1=lambda2=s q r t ((1 − r h o . s )/(1+ r h o . s ) )
r h o=r h o . s /(1+ r h o . s )
a t h e t a 3 <− 1 / ( 2 ∗ p i ) ∗ ( a c o s (( − rho−lambda1 ∗ lambda2 ) / s q r t ((1+ lambda1 ˆ2)∗(1+ lambda2 ˆ 2 ) ) ) )
c o s t 3 <−1/ a t h e t a 3
PNIF .MASSIMO=PNIF .MAX. S
Sigma<−m a t r i x ( c ( 1 , rho , rho , 1 ) , n c o l =2 , nrow=2)
x < −( −30:40)/10
dgsn . 1 . p l o t <−NULL
dgsn . 1 . p l o t [ i ] = ( 1 / a t h e t a 3 ) ∗ dnorm ( x [ i ] ) ∗ ( pmnorm ( c ( lambda1 ∗ x [ i ] , lambda2 ∗ x [ i ] ) , v a r c o v=Sigma ) ) s c r i p t s i z e h i s t ( PNIF . MASSIMO, f r e q=F) l i n e s ( x , dgsn . 1 . p l o t ) SECONDO METODO d p d f . b=f u n c t i o n ( p a r a m e t r o ) { rho<−exp ( p a r a m e t r o )/(1+ exp ( p a r a m e t r o ))∗2 −1 lambda1=s q r t ((1 − r h o )/(1+ r h o ) ) lambda2=lambda1 r h o . new<− r h o /(1+ r h o )
Sigma<−m a t r i x ( c ( 1 , r h o . new , r h o . new , 1 ) , n c o l =2 , nrow=2)
a t h e t a <−1/(2∗ p i ) ∗ ( a c o s (( − r h o . new−lambda1 ∗ lambda2 ) / s q r t ((1+ lambda1 ˆ2)∗(1+ lambda2 ˆ 2 ) ) ) )
x = PNIF .MAX. S
dgsn<−NULL
f o r ( i i n 1 :NROW( x ) )
dgsn [ i ] = ( 1 / a t h e t a ) ∗ dnorm ( x [ i ] ) ∗ ( pmnorm ( c ( lambda1 ∗ x [ i ] , lambda2 ∗ x [ i ] ) , v a r c o v=Sigma ) )
r e t u r n ( dgsn ) } n l l i k =f u n c t i o n ( p a r a m e t r o ) { −sum ( l o g ( dpdf . b ( p a r a me t r o ) ) ) } out<−nlminb ( c ( 0 . 4 7 ) , n l l i k ) #p a r a m e t r i d e l l a d i s t r i b u z i o n e d e l massimo #r i s c a l o i l r h o d e l l a s i n g o l a X p e r r i p o r t a r l o t r a −1 e 1 ro<−exp ( o u t $ p a r )/(1+ exp ( o u t $ p a r ))∗2 −1 #o t t e n g o i l r h o p e r l a d i s t r i b u z i o n e GSN d e i m a s s i m i r o . new<−r o /(1+ r o ) #o t t e n g o i lambda1=lambda2 p e r l a d i s t r i b u z i o n e GSN d e i m a s s i m i lam<− s q r t ((1 − r o )/(1+ r o ) )
#c r e o una f u n z i o n e p e r d i s e g n a r e l a GSN con una q u a l s i a s i x d p d f . bx=f u n c t i o n ( rho , x )
{
rho<− exp ( r h o )/(1+ exp ( r h o ))∗2 −1
lambda1=s q r t ((1 − r h o )/(1+ r h o ) )
lambda2=lambda1
r h o . new<− r h o /(1+ r h o )
a t h e t a <−1/(2∗ p i ) ∗ ( a c o s (( − r h o . new−lambda1 ∗ lambda2 ) / s q r t ((1+ lambda1 ˆ2)∗(1+ lambda2 ˆ 2 ) ) ) )
dgsn<−NULL
f o r ( i i n 1 :NROW( x ) ) {
dgsn [ i ] = ( 1 / a t h e t a ) ∗ dnorm ( x [ i ] ) ∗ ( pmnorm ( c ( lambda1 ∗ x [ i ] , lambda2 ∗ x [ i ] ) , v a r c o v=Sigma ) ) } r e t u r n ( dgsn ) } #c a l c o l o l a f u n z i o n e da d i s e g n a r e p e r a l c u n i v a l o r i d e l l a uso<−d p d f . bx ( o u t $ p a r , x = ( − 3 0 : 4 0 ) / 1 0 ) h i s t ( PNIF .MAX. S , f r e q=F) l i n e s ( ( − 3 0 : 4 0 ) / 1 0 , uso , c o l =4) p l o t ( ( − 3 0 : 4 0 ) / 1 0 , uso , t y p e =”l ”)
h i s t ( PNIF .MAX. S , f r e q=F , add=T)
GRAFICI VERIFICA DELLA NORMALIT`A MISURAZIO- NE DEL PRIMO, TERZO DEL PNIF DI DESTRA E SINISTRA
Fig. A.1: a. Istogramma del PNIF.DX.1; b. Diagramma a scatola con 44
Fig. A.2: a. Istogramma del PNIF.SX.1; b. Diagramma a scatola con 45
Fig. A.3: a. Istogramma del PNIF.DX.3; b. Diagramma a scatola con 46
Fig. A.4: a. istogramma del PNIF.SX.3; b. Diagramma a scatola con 47
CAP3.GRAFICI DELLA FUNZIONE DI DENSIT`A USANDO PRIMO E SECONDO METODO
Fig. A.5: a. istogramma del massimo tra le due osservazioni unilaterali primo metodo; b. istogramma del massimo tra le due osservazioni unilaterali secondo metodo;
Fig. A.6: a. istogramma del massimo tra le due osservazioni unilaterali; b. diagramma a scatola con baffi.
CAP4.GRAFICI DELLA FUNZIONE DI DENSIT`A USANDO PRIMO E SECONDO METODO
Fig. A.7: a. istogramma con la densit`a del massimo tra le tre osserva- zioni primo metodo; b. istogramma con la densit`a del massimo tra le tre osservazioni usecondo metodo;c. confronto densit`a.
Appendice B
Gavin Setzen, MD Lawrence S. Kaufman, MD
Diplomates American Board of Otolaryngology Fellows American College of Surgeons American Academy of Otolaryngic Allergy
Siobhan Kuhar, MD, PhD
Diplomate American Board of Otolaryngology American Board of Sleep Medicine Fellow American College of Surgeons American Academy of Otolaryngic Allergy
Nora Perkins, MD, FACS
Diplomate American Board of Otolaryngology Fellow American College of Surgeons
John Gavin, MD, FAAP
Fellow American Academy of Pediatrics Diplomate of American Board of Otolaryngology
Robert Adelson, MD, FACS
Fellow American College of Surgeons Diplomate American Board of Otolaryngology – Head and Neck Surgery Diplomate American Board of Facial Plastic and Reconstructive Surgery
Michael Dailey, MD
Donna Silvernail, RPA-C Maggie West-Bump, RPA-C Robert Nadratowski, RPA-C Robyn Smith, RPA-C
400 Patroon Creek Boulevard, Suite 205 Albany, New York 12206 Tel : 518 701.2000 Fax: 518 701.2020
www.albanyentandallergy.com
Pediatric & Adult Ear, Nose & Throat Disorders
Sinus, Nasal & Rhinology Allergy Testing & Treatment Dizziness & Hearing Loss Voice, Speech & Swallowing Snoring & Sleep Apnea Head & Neck Surgery Thyroid & Parathyroid Surgery Facial Plastic Surgery CAT Scan Imaging Hearing & Balance Testing
Audiology
Marcia Perretta, AuD Deanna Ross, AuD Tricia Brown, AuD Dana Wilhite, AuD
CAT Scan Imaging
Judith Martin,L.RT,CT.M
Speech Pathology
Sino-Nasal Outcome Test (SNOT-22)
Name: __________________________ Date: ______________________ Below you will find a list of symptoms and social/emotional consequences of your nasal disorder. We would like to know more about these problems and would appreciate your answering the following questions to the best of your ability. There is no right or wrong answers, and only you can provide us with this information. Please rate your problems as they have been over the past two weeks. Thank you for your participation.
Consider how severe the problem is when you experience it and how frequently it happens, please rate each item below on how “bad” it is by circling the number that corresponds with how you feel using the table. →
No Pr ob lem Very M ild Problem M ild o r Sligh t Problem Mo de rat e Problem Seve re Problem Prob lem is b ad as it can be Mo st imp ortan t 5 items
1. Need to blow nose 0 1 2 3 4 5 □
2. Sneezing 0 1 2 3 4 5 □
3. Runny nose 0 1 2 3 4 5 □
4. Nasal obstruction 0 1 2 3 4 5 □
5. Loss of smell or taste 0 1 2 3 4 5 □
6. Cough 0 1 2 3 4 5 □
7. Post-nasal discharge 0 1 2 3 4 5 □ 8. Thick nasal discharge 0 1 2 3 4 5 □
9. Ear fullness 0 1 2 3 4 5 □
10. Dizziness 0 1 2 3 4 5 □
11. Ear pain 0 1 2 3 4 5 □
12. Facial pain/pressure 0 1 2 3 4 5 □ 13. Difficulty falling asleep 0 1 2 3 4 5 □
14. Wake up at night 0 1 2 3 4 5 □
15. Lack of a good night’s sleep 0 1 2 3 4 5 □
16. Wake up tired 0 1 2 3 4 5 □ 17. Fatigue 0 1 2 3 4 5 □ 18. Reduced productivity 0 1 2 3 4 5 □ 19. Reduced concentration 0 1 2 3 4 5 □ 20. Frustrated/restless/irritable 0 1 2 3 4 5 □ 21. Sad 0 1 2 3 4 5 □ 22. Embarrassed 0 1 2 3 4 5 □
1. Please check off the 5 most important items affecting your health……….↑ 2. List any other items important to you, which you feel are not mentioned above.
____________________________________________________________________________ _____________________________________________________________________ _____________________________________________________________________ Systems reviewed with above questions: General Ear, Nose & Throat · Respiratory · Neurology · Psychology
Ringraziamenti
In quest’ultima pagina voglio ringraziare chi, a suo modo, mi ha aiutato in questi cinque anni di Universit`a. In primo luogo, ringrazio il Prof. Bruno Scarpa per l’aiuto durante questo lavoro di tesi, per le correzioni della lingua italiana e soprattutto per l’esame di data-mining. Un grazie in particolare per le sue buone parole su di me. Ringrazio inoltre il Prof. Guido Masarotto per la disponibilit`a e per i consigli dati.
Un grazie a tutti i miei amici che mi sono stati vicini. Grazie per il vostro supporto Andrea e Maddalena. Un super grazie a Oriona e Marsel, Ela e Andi che mi sono sempre stati vicini e soprattutto sempre ottimisti. A Tushi (Matilda) per tutti i pranzi e le cene, per il tuo essere in ritardo e le chiacchierate infinite fatte. Un ringraziamento va alla mia personal language trainer (Monika) che mi `e sempre stata vicina anche via Skype e a tutti gli amici di Ceccarelli per le serate di studio.
Un particolare ringraziamento va a mia lali (Jenny) per avermi sempre regalato i sorrisi usando la sua terapia telefonica e per le bellissime serate a Jesolo.
Grazie a Henk per tutto (anche se non sei molto bravo ad aiutarmi moralmente) ma nessuno `e perfetto.
Ringrazio la mia famiglia per avermi portata fin qui e soprattutto alla mia sorella Fabiola (per la sicurezza che ha su di me e per tutto il resto). Mamma e pap`a per la preoccupazione dimostrata per gli ultimi sviluppi della tesi e per i consigli durante questi cinque anni. A mia sorella Elona che mi accontentava sempre con i regali dopo ogni sessione d’esame. Un grazie e un saluto va al mio GRUPI (Turi) e a mia sorella Alda per i due fantastici nipotini che basta un loro sorriso su Skype e la zia `e sempre felice.