Obiettivi formativi
Gli obiettivi formativi sono di seguito schematizzati:
Conoscenza e capacità di comprensione
Saranno illustrati diversi approcci per l'analisi dei dati sia sfruttando tecniche di statistica univariata che multivariata, con spiegazione della teoria ed esempi pratici, seguiti da esercitazioni utilizzando il PC. L'obiettivo è far comprendere allo studente le logiche dell'analisi dei dati, selezionando tra i diversi approcci e modelli di analisi investigati il più adatto a studiare una determinata problematica. Gli studenti saranno inoltre introdotti ai principi del disegno sperimentale per l’ottimizzazione di processi industriali, approcci sintetici e analisi chimiche.
Conoscenza e capacità di comprensione applicate: Lo studente acquisirà le competenze per l'elaborazione del dato scientifico tramite l'uso di tecniche di elaborazione chemiometrica sfruttando software disponibili free o con licenza di ateneo. Sarà inoltre in grado di riconoscere le variabili che influiscono sui processi industriali, di sintesi e di analisi strumentale, procedendo poi alla loro ottimizzazione sfruttando l'opportuno approccio di disegno sperimentale, proponendo soluzioni adatte al contesto
Autonomia di giudizio: gli studenti sapranno interpretare criticamente le proprie competenze ed i risultati ottenuti. Sulla base dei dati ottenuti saranno in grado di analizzare in modo critico i dati ottenuti e fornire risultati supportati da una base statistica, chiarendo i limiti dell'approccio utilizzato e le eventuali problematiche nell'analisi di determinati dataset.
Abilità comunicative
Gli studenti sapranno comunicare problematiche di tipo chimico/scientifico e spiegare in modo esaustivo la scelta dell'approccio utilizzato nell'analisi dei dati sfruttando sistemi multimediali; sostenere le proprie opinioni in ambiti di confronto; interagire con altre persone e lavorare in gruppo su tematiche multidisciplinari tipiche della scienza dei materiali
Capacità di apprendimento
Gli studenti hanno compreso la logica che sta alla base della scelta di un determinato approccio chemiometrico, sfruttando le tecniche di analisi investigate per un approccio critico ai problemi nuovi; sono in grado di fornire soluzioni analizzando i dati ottenuti e supportando in modo critico i risultati; sono in grado di recuperare informazioni da letteratura, banche dati ed internet; sono in grado di analizzare con senso critico i risultati per l’ottimizzazione delle condizioni sperimentali
Prerequisiti
- - -
Contenuti dell'insegnamento
Comprendere la logica dell'analisi statistica, con illustrazione della teoria, applicazioni pratiche ed esercitazioni. Saranno illustrati metodi di analisi statistica univariata, analisi statistica multivariata e tecniche di disegno sperimentale per l'ottimizzazione delle condizioni per analisi chimiche, reazioni e processi industriali, con particolare focus sulla scienza dei materiali.
Programma esteso
Ripasso dei seguenti test
- t di Student
- Test per l’omogeneità della varianza
- test F
Analisi statistica univariata:
- Analisi della varianza (ANOVA) a una via, a due vie, a due vie con interazioni e confronti multipli a posteriori (principio di Bonferroni). Analisi dell’interazione tra due fattori;
- Regressione lineare: stima dei coefficienti sfruttando il metodo dei minimi quadrati, analisi della significatività dei coefficienti. Introduzione al coefficiente di determinazione R-quadro e alla correlazione tra variabili: stima dell’indice di correlazione r di Pearson e sua significatività.
Tecniche di disegno sperimentale per l'ottimizzazione di condizioni sperimentali:
- analisi dello spazio delle variabili
- pianificazione sperimentale: disegni fattoriali completi, fattoriali frazionari, disegni di Plackett-Burmann, calcolo dell'errore sperimentale, test di curvatura, funzioni di desiderabilità
Analisi multivariata dei dati
- introduzione a metodi supervised e unsupervised
- approfondimento su analisi delle componenti principali
- cenni di regressione multivariata basata su partial least square analysis (PLS)
Bibliografia
George E. P. Box, William Gordon Hunter, J. Stuart Hunter"Statistics for experimenters: an introduction to design, data analysis, and model building" Wiley
James N. Miller, Jane C. Miller, Statistics and Chemometrics
for Analytical Chemistry, Pearson
Metodi didattici
La presentazione della teoria e di casi di studio avviene con lezioni frontali, confrontandosi in modo attivo sulle problematiche investigate e sulle soluzioni disponibili e le logiche alla base della scelta di una tecnica di analisi. Durante le lezioni l'insegnante si avvarrà di slides e di programmi free (CAT) o disponibili su licenza di ateneo (MATLAB) per le esercitazioni. Gli studenti saranno istruiti sui principi base del linguaggio dei software e sul loro utilizzo per analizzare dataset pubblici o forniti dall'insegnante. Gli studenti dovranno seguire e apprendere le varie fasi richieste per l'elaborazione dati in modo da poter svolgere autonomamente le esercitazioni sui propri PC. E' obbligatoria la partecipazione alle esercitazioni al computer per poter sostenere l'esame.
Modalità verifica apprendimento
La verifica dell'apprendimento sarà realizzata mediante un esame orale della durata di 30-45 min per verificare:
Le conoscenze acquisite relative agli approcci di analisi investigati
Capacità di elaborazione dati utilizzando i programmi proposti durante le esercitazioni
Capacità di interpretazione dei risultati e analisi critica
Capacità di pianificare gli esperimenti e la loro elaborazione per l'ottimizzazione di reazioni, processi produttivi e tecniche di analisi strumentale
La risposta relativa al superamento dell'esame verrà data immediatamente e sarà formalizzata su ESSE3.
Altre informazioni
- - -
Obiettivi agenda 2030 per lo sviluppo sostenibile
- - -