LV Luca Vedovelli
// Statistical calculatorsCalcolatori statistici

Statistics, in the browserStatistica, nel browser

A small, growing set of calculators for everyday biostatistics. Everything runs locally in your browser — no data leaves your machine. Una piccola raccolta, in crescita, di calcolatori per la biostatistica di tutti i giorni. Tutto gira in locale nel tuo browser — nessun dato lascia il tuo computer.

Comparing means — t-tests & non-parametricConfronto tra medie — t-test & non parametrici

When: compare the mean of one or two groups. Use the t-test when data are roughly normal; the rank-based non-parametric test otherwise.Quando: confrontare la media di uno o due gruppi. Usa il t-test se i dati sono ~normali; il test non parametrico sui ranghi altrimenti.

 

Non-parametric tests (Mann-Whitney for two groups, Wilcoxon signed-rank for one-sample / paired) are computed automatically with Raw data.I test non parametrici (Mann-Whitney per due gruppi, Wilcoxon signed-rank per un campione / appaiati) sono calcolati in automatico con Dati grezzi.

Contingency tablesTabelle di contingenza

When: test whether two categorical variables are associated. Chi-square for large counts; Fisher's exact for small 2×2; McNemar for paired 2×2.Quando: verificare se due variabili categoriali sono associate. Chi-quadro per conteggi ampi; Fisher esatto per 2×2 piccole; McNemar per 2×2 appaiate.

Row = exposure/group, column = outcome. Reports chi-square (Yates), Fisher's exact, odds ratio, risk ratio & risk difference with 95% CI.Riga = esposizione/gruppo, colonna = esito. Riporta chi-quadro (Yates), Fisher esatto, odds ratio, risk ratio e differenza di rischio con IC 95%.

Paired 2×2 (e.g. before/after on the same subjects). The discordant cells (top-right, bottom-left) drive the test.2×2 appaiata (es. prima/dopo sugli stessi soggetti). Contano le celle discordanti (in alto a destra, in basso a sinistra).

CorrelationCorrelazione

When: measure how two continuous variables move together (−1 to +1). Pearson for linear/normal; Spearman & Kendall for monotonic or ranked data.Quando: misurare quanto due variabili continue variano insieme (−1 a +1). Pearson per relazioni lineari/normali; Spearman e Kendall per dati monotoni o su ranghi.

ANOVA & Kruskal-WallisANOVA & Kruskal-Wallis

When: compare the means of three or more groups. One-way ANOVA assumes ~normal groups; Kruskal-Wallis is the non-parametric alternative.Quando: confrontare le medie di tre o più gruppi. L'ANOVA a una via assume gruppi ~normali; Kruskal-Wallis è l'alternativa non parametrica.

Clinical test metricsMetriche di test clinico

When: evaluate a diagnostic test — accuracy from a 2×2, discrimination (ROC/AUC), and how a result updates disease probability (Fagan).Quando: valutare un test diagnostico — accuratezza da una 2×2, discriminazione (ROC/AUC), e come un risultato aggiorna la probabilità di malattia (Fagan).

TP = test+ & diseasemalattia+, FP = test+ & diseasemalattia−, FN = test− & diseasemalattia+, TN = test− & diseasemalattia−

Survival — Kaplan-Meier & CoxSopravvivenza — Kaplan-Meier & Cox

When: time-to-event data. Kaplan-Meier estimates the survival curves; the Cox model gives the hazard ratio (with p) between two groups.Quando: dati tempo-a-evento. Kaplan-Meier stima le curve di sopravvivenza; il modello di Cox dà l'hazard ratio (con p) tra due gruppi.

Power & sample sizePotenza & numerosità campionaria

When: plan a study — how many subjects you need, or what power you have, to detect a given effect. Two means (t) or two proportions.Quando: pianificare uno studio — quanti soggetti servono, o che potenza hai, per rilevare un effetto dato. Due medie (t) o due proporzioni.

 

Meta-analysisMeta-analisi

When: pool effect estimates from several studies. Fixed-effect and DerSimonian-Laird random-effects, with heterogeneity (I², τ²) and a forest plot.Quando: combinare le stime d'effetto di più studi. Effetti fissi e casuali (DerSimonian-Laird), con eterogeneità (I², τ²) e forest plot.

Omics toolkitStrumenti omici

When: high-dimensional data — control false positives across thousands of tests (FDR), visualise differential expression (volcano), or test gene-set over-representation (enrichment).Quando: dati ad alta dimensionalità — controllare i falsi positivi su migliaia di test (FDR), visualizzare la differential expression (volcano), o testare l'over-representation di un gene set (arricchimento).

Paste one p-value per test (one per gene/feature). Bonferroni and Holm control the chance of even one false positive (strict); Benjamini-Hochberg (FDR) controls the expected fraction of false positives among your hits — the usual choice in omics. You get how many pass your threshold per method, plus the adjusted p-values to download.Incolla un p-value per test (uno per gene/feature). Bonferroni e Holm controllano la probabilità anche di un solo falso positivo (severi); Benjamini-Hochberg (FDR) controlla la frazione attesa di falsi positivi tra gli hit — la scelta usuale in omica. Ottieni quanti passano la soglia per metodo, più i p-value corretti da scaricare.

Each gene becomes a point: x = log2 fold-change (how much, and which direction, it changes), y = −log10(p) (higher = more significant). Genes beyond the fold-change lines and above the p line are the hits — up-regulated (right) or down-regulated (left). Tick "apply BH" to threshold on FDR-adjusted p instead of raw p.Ogni gene è un punto: x = log2 fold-change (quanto, e in che direzione, cambia), y = −log10(p) (più in alto = più significativo). I geni oltre le linee del fold-change e sopra la linea della p sono gli hit — sovra-espressi (destra) o sotto-espressi (sinistra). Spunta "applica BH" per usare la soglia sui p corretti (FDR) invece che sui p grezzi.

Is your gene list over-represented in a set / pathway more than expected by chance? N = total genes considered (background, e.g. all tested); K = genes belonging to the set; n = size of your list (e.g. your significant genes); k = how many of your list fall in the set. The p-value (hypergeometric = one-sided Fisher) is the chance of ≥ k overlaps at random; fold enrichment = observed k ÷ expected.La tua lista di geni è sovra-rappresentata in un set / pathway più di quanto atteso per caso? N = geni totali considerati (background, es. tutti i testati); K = geni che appartengono al set; n = dimensione della tua lista (es. i geni significativi); k = quanti della tua lista cadono nel set. Il p-value (ipergeometrico = Fisher unilaterale) è la probabilità di ≥ k sovrapposizioni per caso; fold enrichment = k osservato ÷ atteso.