ID:
510537
Durata (ore):
50
CFU:
6
SSD:
STATISTICA
Anno:
2024
Dati Generali
Periodo di attività
Primo Semestre (24/09/2024 - 24/01/2025)
Syllabus
Obiettivi Formativi
Il corso ha come scopo quello di fornire competenze teoriche e pratiche di analisi dei dati e di progettazione degli esperimenti per la ricerca e lo sviluppo di prodotti di interesse per le scienze farmaceutiche.
Prerequisiti
Nessuno
Metodi didattici
Lezioni frontali e soluzione guidata di esercizi numerici discussi in aula usando Microsoft Excel e software open source sviluppato appositamente per la didattica del corso. Il materiale didattico è realizzato con Power Point e file Excel e messo a disposizione integralmente su Kiro insieme ai software open source.
Apprendimento attivo (active learning, learn by doing): gli studenti, in orario di lezione, saranno guidati nell’uso dei software.
Apprendimento per padronanza (mastery learning): gli studenti devono raggiungere la padronanza degli argomenti trattati in ogni modulo. Agli studenti che non raggiungono un grado di apprendimento sufficiente, è fornito supporto aggiuntivo.
La frequenza alle lezioni non è solo raccomandata, ma è sicuramente vantaggiosa per gli studenti. Offre infatti l'opportunità di interagire con il docente, condividendo l’obiettivo di migliorare e facilitare l'apprendimento dei temi del corso.
Per gli studenti con esigenze specifiche, che non possono frequentare di persona le attività didattiche e che hanno fatto domanda per usufruire di Modalità Didattiche Inclusive, sarà disponibile materiale didattico adeguato per studio autonomo (autoapprendimento). Se richiesto, l'autoapprendimento potrà essere supportato da attività di tutoraggio o di didattica integrativa, e da incontri dedicati, anche online, con flessibilità di orario a seconda delle esigenze.
Apprendimento attivo (active learning, learn by doing): gli studenti, in orario di lezione, saranno guidati nell’uso dei software.
Apprendimento per padronanza (mastery learning): gli studenti devono raggiungere la padronanza degli argomenti trattati in ogni modulo. Agli studenti che non raggiungono un grado di apprendimento sufficiente, è fornito supporto aggiuntivo.
La frequenza alle lezioni non è solo raccomandata, ma è sicuramente vantaggiosa per gli studenti. Offre infatti l'opportunità di interagire con il docente, condividendo l’obiettivo di migliorare e facilitare l'apprendimento dei temi del corso.
Per gli studenti con esigenze specifiche, che non possono frequentare di persona le attività didattiche e che hanno fatto domanda per usufruire di Modalità Didattiche Inclusive, sarà disponibile materiale didattico adeguato per studio autonomo (autoapprendimento). Se richiesto, l'autoapprendimento potrà essere supportato da attività di tutoraggio o di didattica integrativa, e da incontri dedicati, anche online, con flessibilità di orario a seconda delle esigenze.
Verifica Apprendimento
L’esame può essere superato con cinque prove in itinere consistenti nella discussione di un project work presentato dallo studente alla fine di ogni modulo dell’insegnamento. I project work consistono nell’analisi e interpretazione di dati acquisiti sotto la guida del docente.
Il voto d’esame è calcolato in trentesimi come media aritmetica dei punteggi ottenuti nelle prove in itinere.
In alternativa, l’esame può essere superato nella modalità tradizionale, in forma scritta, nelle sessioni ordinarie di esame. L’esame in queste sessioni prevederà la soluzione di un esercizio di analisi dei dati. La durata della prova è di due ore. Durante la prova sarà consentito l’uso di manuali, appunti e personal computer. La valutazione della prova è fatta in trentesimi.
Il voto d’esame è calcolato in trentesimi come media aritmetica dei punteggi ottenuti nelle prove in itinere.
In alternativa, l’esame può essere superato nella modalità tradizionale, in forma scritta, nelle sessioni ordinarie di esame. L’esame in queste sessioni prevederà la soluzione di un esercizio di analisi dei dati. La durata della prova è di due ore. Durante la prova sarà consentito l’uso di manuali, appunti e personal computer. La valutazione della prova è fatta in trentesimi.
Testi
G. Marrubini, C. Melzi, Trattamento dei dati e progettazione degli esperimenti per le scienze chimiche e farmaceutiche. McGraw-Hill, Milano, maggio 2024.
K.H. Jarman, The Art of Data Analysis. How to Answer Almost Any Question Using Basic Statistics. Wiley, New York 2013,
G.A. Lewis, D. Mathieu, R. Phan-Tan-Luu, Pharmaceutical Experimental Design.
Marcel Dekker-CRC Press, New York 1998.
D.C. Montgomery, Design and Analysis of Experiments. 10th edition, Wiley, New York 2019.
G.E.P. Box, J.S. Hunter, W.G. Hunter, Statistics for Experimenters. Design, Innovation, and Discovery. Second edition, Wiley, New York 2005.
R.G. Brereton, Data Analysis for the Laboratory and Chemical Plant. Wiley, New York 2003.
K.H. Jarman, The Art of Data Analysis. How to Answer Almost Any Question Using Basic Statistics. Wiley, New York 2013,
G.A. Lewis, D. Mathieu, R. Phan-Tan-Luu, Pharmaceutical Experimental Design.
Marcel Dekker-CRC Press, New York 1998.
D.C. Montgomery, Design and Analysis of Experiments. 10th edition, Wiley, New York 2019.
G.E.P. Box, J.S. Hunter, W.G. Hunter, Statistics for Experimenters. Design, Innovation, and Discovery. Second edition, Wiley, New York 2005.
R.G. Brereton, Data Analysis for the Laboratory and Chemical Plant. Wiley, New York 2003.
Contenuti
Il corso è strutturato in cinque moduli, ciascuno dedicato ad un argomento specifico. L'accesso al modulo 5 richiede comprensione e pratica degli argomenti esposti nei moduli 1-4.
Modulo 1 (8 ore, lezioni 1-3): analisi descrittiva dei dati, dati univariati e multivariati.
Modulo 2 (6 ore, lezioni 4-6): teoria della probabilità.
Modulo 3 (10 ore, lezioni 7-10): inferenza statistica.
Modulo 4 (6 ore, lezioni 11-13): analisi di regressione; dati univariati e multivariati.
Modulo 5 (20 ore, lezioni 14-18): progettazione degli esperimenti.
MODULO 1
LEZIONE 1
Analisi di dati univariati: statistica descrittiva. Variabili quantitative e qualitative. Tabelle e grafici. Calcolo di moda, media, mediana, quantili, intervallo di variazione, varianza, deviazione standard, deviazione standard relativa, deviazione standard raggruppata.
LEZIONE 2
Analisi di dati multivariati. Rappresentazione di dati multidimensionali. Covarianza e correlazione. Analisi esplorativa dei dati. Analisi esplorativa generica: riconoscimento di pattern non supervisionato. Analisi esplorativa guidata: riconoscimento di pattern supervisionato.
LEZIONE 3
Analisi delle componenti principali (Principal Component Analysis, PCA). Matrici di dati multivariati. Obiettivi della PCA. PCA: il metodo di indagine applicato. I fattori chimici. Scores e Loadings. Rappresentazione grafica di scores e loadings. Pretrattamento dei dati.
MODULO 2
LEZIONE 4
Teoria della probabilità. Spazio di probabilità. Eventi e spazio campionario. Definizioni di probabilità. Eventi indipendenti. Variabili casuali
LEZIONE 5
Distribuzione di probabilità di una variabile casuale discreta. Aspettativa e varianza di una variabile casuale discreta. Variabili casuali indipendenti. Variabili casuali continue. La legge dei grandi numeri. Distribuzione di probabilità di variabili casuali continue.
LEZIONE 6
La distribuzione normale. Teorema centrale del limite. Le distribuzioni 𝜒2, 𝑇 di Student e 𝐹 di Fischer.
MODULO 3
LEZIONE 7
Statistica inferenziale. Stima della media e della varianza. Modellizzare una misura. Popolazione e campione. Stima puntuale di un parametro. Stima per intervallo di un parametro.
LEZIONE 8
Analisi dei dati con varianza di popolazione nota 𝜎2. Analisi dei dati con varianza di popolazione non nota. Test di ipotesi. Tipi di errori e potenza dei test di ipotesi. Confronto di un valore medio con un dato di riferimento. Uso della distribuzione normale standardizzata, z score: la varianza della popolazione è nota a priori. Test T: la varianza della popolazione non è nota. Verifica della precondizione di normalità per applicare correttamente i test Z e T.
LEZIONE 9
Test per confrontare due medie. Test per serie di dati che non sono indipendenti tra loro ma che possono essere rese indipendenti. Test per due serie indipendenti di dati.
LEZIONE 10
Analisi della varianza (ANOVA). ANOVA a un fattore. ANOVA a due fattori. Test per il confronto di due varianze.
MODULO 4
LEZIONE 11
Regressione lineare semplice. Stima e significatività dei parametri 𝛽0 e 𝛽1 . Verifica della proporzionalità. ANOVA della regressione.
LEZIONE 12
Previsione della risposta in un punto, leverage e intervallo di confidenza della previsione. Verifica delle ipotesi di costruzione del metodo dei minimi quadrati. Regressione pesata
LEZIONE 13
Regressione lineare multipla. Stima e significatività dei parametri dei modelli di regressione multipla. Coefficiente di determinazione e analisi della varianza.
Previsione del modello in un punto, leverage e intervallo di confidenza della previsione dei modelli di regressione multilineare. Verifica delle ipotesi di costruzione del metodo dei minimi quadrati per la regressione multilineare. Introduzione alla progettazione degli esperimenti (Design of Experiments, DoE)
MODULO 5
LEZIONE 14
Approcci metodologici alla ricerca sperimentale: cos'è un piano sperimentale?
Rappresentazione matriciale di un piano sperimentale. Piani fattoriali completi. Piani fattoriali completi a due livelli, 2𝑘. Interazioni nei modelli fattoriali completi 2𝑘.
LEZIONE 15
Piani fattoriali frazionari. Piani frazionari metà di un fattoriale completo. Il piano frazionario per quattro fattori: 24−1𝐼𝑉. Piani frazionari che descrivono un quarto di un piano fattoriale completo. Confusioni nei piani fattoriali frazionari. Piani di Plackett-Burman. Le confusioni nei piani di Plackett-Burman.
LEZIONE 16
Metodologia della superficie di risposta.
LEZIONE 17
Piani D-ottimali.
LEZIONE 18
Piani per miscele.
Modulo 1 (8 ore, lezioni 1-3): analisi descrittiva dei dati, dati univariati e multivariati.
Modulo 2 (6 ore, lezioni 4-6): teoria della probabilità.
Modulo 3 (10 ore, lezioni 7-10): inferenza statistica.
Modulo 4 (6 ore, lezioni 11-13): analisi di regressione; dati univariati e multivariati.
Modulo 5 (20 ore, lezioni 14-18): progettazione degli esperimenti.
MODULO 1
LEZIONE 1
Analisi di dati univariati: statistica descrittiva. Variabili quantitative e qualitative. Tabelle e grafici. Calcolo di moda, media, mediana, quantili, intervallo di variazione, varianza, deviazione standard, deviazione standard relativa, deviazione standard raggruppata.
LEZIONE 2
Analisi di dati multivariati. Rappresentazione di dati multidimensionali. Covarianza e correlazione. Analisi esplorativa dei dati. Analisi esplorativa generica: riconoscimento di pattern non supervisionato. Analisi esplorativa guidata: riconoscimento di pattern supervisionato.
LEZIONE 3
Analisi delle componenti principali (Principal Component Analysis, PCA). Matrici di dati multivariati. Obiettivi della PCA. PCA: il metodo di indagine applicato. I fattori chimici. Scores e Loadings. Rappresentazione grafica di scores e loadings. Pretrattamento dei dati.
MODULO 2
LEZIONE 4
Teoria della probabilità. Spazio di probabilità. Eventi e spazio campionario. Definizioni di probabilità. Eventi indipendenti. Variabili casuali
LEZIONE 5
Distribuzione di probabilità di una variabile casuale discreta. Aspettativa e varianza di una variabile casuale discreta. Variabili casuali indipendenti. Variabili casuali continue. La legge dei grandi numeri. Distribuzione di probabilità di variabili casuali continue.
LEZIONE 6
La distribuzione normale. Teorema centrale del limite. Le distribuzioni 𝜒2, 𝑇 di Student e 𝐹 di Fischer.
MODULO 3
LEZIONE 7
Statistica inferenziale. Stima della media e della varianza. Modellizzare una misura. Popolazione e campione. Stima puntuale di un parametro. Stima per intervallo di un parametro.
LEZIONE 8
Analisi dei dati con varianza di popolazione nota 𝜎2. Analisi dei dati con varianza di popolazione non nota. Test di ipotesi. Tipi di errori e potenza dei test di ipotesi. Confronto di un valore medio con un dato di riferimento. Uso della distribuzione normale standardizzata, z score: la varianza della popolazione è nota a priori. Test T: la varianza della popolazione non è nota. Verifica della precondizione di normalità per applicare correttamente i test Z e T.
LEZIONE 9
Test per confrontare due medie. Test per serie di dati che non sono indipendenti tra loro ma che possono essere rese indipendenti. Test per due serie indipendenti di dati.
LEZIONE 10
Analisi della varianza (ANOVA). ANOVA a un fattore. ANOVA a due fattori. Test per il confronto di due varianze.
MODULO 4
LEZIONE 11
Regressione lineare semplice. Stima e significatività dei parametri 𝛽0 e 𝛽1 . Verifica della proporzionalità. ANOVA della regressione.
LEZIONE 12
Previsione della risposta in un punto, leverage e intervallo di confidenza della previsione. Verifica delle ipotesi di costruzione del metodo dei minimi quadrati. Regressione pesata
LEZIONE 13
Regressione lineare multipla. Stima e significatività dei parametri dei modelli di regressione multipla. Coefficiente di determinazione e analisi della varianza.
Previsione del modello in un punto, leverage e intervallo di confidenza della previsione dei modelli di regressione multilineare. Verifica delle ipotesi di costruzione del metodo dei minimi quadrati per la regressione multilineare. Introduzione alla progettazione degli esperimenti (Design of Experiments, DoE)
MODULO 5
LEZIONE 14
Approcci metodologici alla ricerca sperimentale: cos'è un piano sperimentale?
Rappresentazione matriciale di un piano sperimentale. Piani fattoriali completi. Piani fattoriali completi a due livelli, 2𝑘. Interazioni nei modelli fattoriali completi 2𝑘.
LEZIONE 15
Piani fattoriali frazionari. Piani frazionari metà di un fattoriale completo. Il piano frazionario per quattro fattori: 24−1𝐼𝑉. Piani frazionari che descrivono un quarto di un piano fattoriale completo. Confusioni nei piani fattoriali frazionari. Piani di Plackett-Burman. Le confusioni nei piani di Plackett-Burman.
LEZIONE 16
Metodologia della superficie di risposta.
LEZIONE 17
Piani D-ottimali.
LEZIONE 18
Piani per miscele.
Lingua Insegnamento
INGLESE
Altre informazioni
Nessuna
Corsi
Corsi
INDUSTRIAL NANOBIOTECHNOLOGIES FOR PHARMACEUTICALS
Laurea Magistrale
2 anni
No Results Found
Persone
Persone
Personale tecnico amministrativo
No Results Found