Indice degli argomenti

  • Statistica multivariata applicata - Prof. Marcello Mascini - a.a. 2015/2016

    Ricercatore confermato di chimica analitica, titolare da piu’ di 10 anni di vari corsi: Chimica, Elementi di Chimica, Laboratorio di analisi chimiche degli alimenti, Analisi Controllo Qualità, Trattamento Statistico dei Dati, per i corsi di laurea e Laurea magistrale in Scienze e Tecnologie Alimentari, Tutela e Benessere Animale, Veterinaria, Viticoltura ed Enologia.

    Autore di oltre 100 pubblicazioni nel settore della Chimica Analitica su riviste scientifiche internazionali (70% come corresponding author) e oltre 150 partecipazioni a convegni internazionali (abstracts).

    Una quota consistente dell’attività di ricerca ha riguardato lo sviluppo di metodi rapidi e sensori per la misura di contaminanti ed il controllo di qualità negli alimenti. Sull’argomento è stato coordinatore di progetti di ricerca internazionale. Nella tornata 2012 e’ abilitato a professore associato

     

    INFO SUL CORSO


    OBIETTIVI GENERALI DEL CORSO

    • Conoscenza e capacità di comprensione: Il corso si prefigge di aumentare le conoscenze relative al primo ciclo (laurea triennale) per effettuare il post-processing di dati sperimentali con tecniche di statistica multivariata applicata all’analisi degli alimenti. Verranno confrontate tecniche di statistica univariata e multivariata (PCA e PLS). Verranno riportati dei casi studio relativi a progetti di ricerca e pubblicazioni recenti del titolare del corso e docenti afferenti alla Facoltà.
    • Capacità di applicare conoscenza e comprensione: Lo studente sarà in grado in base alle conoscenze ottenute di lavorare nel settore agroalimentare con riferimento particolare ad aspetti di ricerca, sviluppo, ed innovazione. La discussione dei casi studio selezionati indirizzata alle problematiche di statistica multivariata consentira’ di risolvere problemi in vari contesti del settore agroalimentare. Lo studio della statistica multivariata consentirà, ad esempio, la classificazione di dati indipendentemente dallo sviluppo di metodi.
    • Autonomia di giudizio: Gli studenti saranno in grado sulla base dei casi studio e di report su articoli recenti pubblicati su riviste internazionali di giudicare la potenziale applicazione di metodi di statistica multivariata per il post processing di analisi sugli alimenti. Gli studenti frequentanti lavoreranno su programmi demo o academic-free elaborando praticamente modelli di statistica univariati e multivariati usando i dati di pubblicazioni di interesse agroalimentare. I risultati saranno presentati sotto forma di una relazione individuale cui evidenzieranno potenzialità, limitazioni e possibili sviluppi del lavoro eseguito. Ai non frequentanti verrà chiesto di presentare una relazione che sarà valutata on-line dal docente e dagli studenti frequentanti.
    • Abilità comunicative: La presentazione del report consentirà di sviluppare abilità comunicative rispetto ai pari (studenti) e al docente del corso.
    • Capacità di apprendimento: Alla fine del corso gli studenti saranno in grado di usare programmi di statistica multivariata e giudicare sulla letteratura internazionale le applicazioni di statistica multivariata nell’analisi degli alimenti.


    PREREQUISITI E PROPEDEUTICITA'
    • Prerequisiti: Le conoscenze pregresse necessarie per l’apprendimento riguardano principalmente la statistica di base. In particolare è necessario avere conoscenze relative alla distribuzione normale di gauss, varianza e deviazione standard calibrazione , regressione, minimi quadrati, chi quadro, errore di misura , precisione e accuratezza.
    • Propedeuticità: NO

    INDICATORI DI DUBLINO


    UNITA' DIDATTICA 1: regressione statistica

    Dati, informazioni, modelli, Tipi di dati, Rappresentazione analitica dei dati

    Calibrazione e regressione, Cenni di Statistica

    Probabilità e densità di probabilità, Media e Varianza

    La distribuzione Normale, Teoria degli errori di Misura, Il teorema del limite centrale e il teorema di Gauss

    Massima verosimiglianza, Metodo dei Minimi quadrati, Generalizzazione del metodo dei minimi quadrati

    Regressione polinomiale, Regressione non-lineare, Metodo del χ2, La validazione del modello

    UNITA' DIDATTICA 2: Matrici di dati e sensor arrays

    Correlazione

    Multiple linear regression

    Analisi delle componenti principali (PCA)

    PCR e PLS

    UNITA' DIDATTICA 3: Elementi di Pattern recognition

    Cluster analysis

    Metodo del potenziale

    La normalizzazione

    Gli spazi di rappresentazione (PCA)

    Esempi di PCA

    Analisi Discriminante

    PLS-DA

    Esempi di PLS-DA

    LEZIONI SETTIMANALI


    • Giovedì ore 15.30 - aula 11

    LIBRI DI TESTO


    Introduzione all’Analisi dei dati strumentali



    MATERIALE DI APPROFONDIMENTO


    slides delle lezioni

    • Autore: Marcello Mascini


    PROVE INTERMEDIE


    PROVA INTERMEDIA 1

    • Unità didattica di riferimento: 1
    • Data: al termine dell'unità didattica di riferimento
    • Tipologia di prova: test multivariato


    PROVA INTERMEDIA 2
    • Unità didattica di riferimento: 2
    • Data: al termine dell'unità didattica di riferimento
    • Tipologia di prova: test multivariato


    PROVA INTERMEDIA 3
    • Unità didattica di riferimento: 3
    • Data: al termine dell'unità didattica di riferimento
    • Tipologia di prova: test multivariato


    MODALITA' DI VALUTAZIONE

    L'esame del modulo si compone di una prova scritta e di una eventuale prova orale. Il voto finale risulta dalla media dei voti ottenuti nelle varie prove.

    La prova scritta richiede il superamento di tre prove in itinere o, in caso di insufficienza in queste ultime, di un esame scritto finale su tutti gli argomenti del corso.

    Le prove in itinere si tengono durante il semestre al termine delle unità didattiche e contengono una serie di 30 domande a risposta multipla, limitate agli argomenti specifici delle unità. La risposta corretta a ogni domanda vale 1 punto. La risposta sbagliata o non data vale 0 punti. Le prove in itinere si intendono superate con un voto medio uguale o maggiore di 18/30

    In caso di insufficienza nelle prove in itinere, al termine del semestre, lo studente è tenuto a sostenere un esame scritto finale consistente in un quiz di 90 domande a risposta multipla sugli argomenti dell'intero modulo. La risposta corretta a ogni domanda vale 1 punto. Le risposte sbagliate o non date valgono 0 punti. La prova si intende superata con un voto finale uguale o maggiore di 18/30.

    Il voto ottenuto nella prova scritta (i.e., prove in itinere o esame scritto finale) sarà mantenuto per un periodo non superiore a un anno dalla data del suo superamento.

    La eventuale prova orale, da sostenersi solo se si è superato la prova scritta, verte sull’intero programma del modulo. In caso di non superamento dell’orale, il voto della prova scritta viene mantenuto fino alla sua naturale scadenza.

    Durante le lezioni, gli studenti verificano il loro grado di apprendimento, attraverso la risoluzione di test, simili alle prove in itinere.

    Il Docente e' disponibile per chiarimenti al termine della lezione o su richiesta via mail (mmascini@unite.it)


  • U2_SMA Matrici di dati e sensor arrays

    U2.1 Matrici e Minimi Quadrati, Regressione Lineare Multipla (MLR)

    U2.2 Analisi delle Componenti Principali (PCA)

    U2.3  Partial Least Squares (PLS)

  • U3_SMA Elementi di Pattern recognition

    U3.1 Cluster Analysis, Metodo del Potenziale, La Normalizzazione

    U3.2 Gli Spazi di Rappresentazione (PCA), Esempi di PCA

    U3.3 Analisi Discriminante, PLS-DA, Esempi di PLS-DA