ID:
511156
Durata (ore):
50
CFU:
6
SSD:
STATISTICA
Statistica
Anno:
2026
Dati Generali
Periodo di attività
Primo Semestre (28/09/2026 - 22/01/2027)
Syllabus
Obiettivi Formativi
Il corso ha lo scopo di fornire competenze teoriche e pratiche di analisi dei dati e di progettazione degli esperimenti, integrando l'uso responsabile dell'intelligenza artificiale in supporto alla programmazione, nel calcolo e nell'interpretazione dei risultati della ricerca chimico-farmaceutica.
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.
Le esercitazioni con IA utilizzeranno prevalentemente Gemini, ma saranno proposti anche altri modelli sia proprietari (ChatGPT, Copilot) che open-source (Llama, Qwen, BioMistral, Deepseek).
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.
Le esercitazioni con IA utilizzeranno prevalentemente Gemini, ma saranno proposti anche altri modelli sia proprietari (ChatGPT, Copilot) che open-source (Llama, Qwen, BioMistral, Deepseek).
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.
Verifica Apprendimento
L’esame può essere superato con cinque prove parziali svolte durante il corso per valutare il progresso degli studenti. Ogni prova consiste 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 parziali. 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. M. Bhupathyraaj, K. R. V. Rani, M. M. Essa, Artificial intelligence in Pharmaceutical Sciences. CRC Press, New York 2023. 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 si articola in cinque moduli propedeutici. L'accesso al modulo 5 richiede la comprensione e l'applicazione pratica degli argomenti dei moduli 1-4. L'integrazione di AI generativa e LLM attraversa l'intero percorso, per supportare la scrittura di semplici programmi per l'automazione dei calcoli e l'interpretazione critica dei risultati chimico-farmaceutici.
L'uso dell'AI rispetta le linee guida dell'Università di Pavia (https://ai.unipv.it/), promuovendone un impiego consapevole, equo e trasparente. Gli strumenti di Ateneo supportano l'apprendimento in modo integrativo e mai sostitutivo, sotto la supervisione dei docenti e previa valutazione critica dei risultati.
MODULO 1 (8 ore, lezioni 1-3): analisi descrittiva dei dati, dati univariati e multivariati
LEZIONE 1: analisi di dati univariati e statistica descrittiva
Statistica descrittiva univariata: variabili quantitative/qualitative, tabelle e grafici. Calcolo di moda, media, mediana, quantili, varianza, deviazione standard, deviazione standard relativa (DSR) e s_pooled. Uso di assistenti AI (Copilot, Gemini) per script di analisi e data cleaning; prompt engineering per validare i dati di laboratorio e verificare i calcoli dell'AI.
LEZIONE 2: analisi di dati multivariati ed esplorativa
Rappresentazione di dati multidimensionali, covarianza e matrice di correlazione. Analisi esplorativa: pattern recognition non supervisionato e supervisionato. Uso dell'AI per visualizzare matrici ad alta dimensionalità; confronto tra tecniche classiche e primi algoritmi di pattern recognition/clustering per le scienze farmaceutiche.
LEZIONE 3: analisi delle componenti principali (Principal Component Analysis, PCA)
Matrici multivariate ed obiettivi della PCA. Scores e Loadings: interpretazione chimica e grafici (score plot, loading plot, biplot). Pretrattamento dati (mean centering, autoscaling). Supporto AI nell'interpretazione delle relazioni nei loading plot e nella scelta del pretrattamento.
MODULO 2 (6 ore, lezioni 4-6): teoria della probabilità
LEZIONE 4: fondamenti di teoria della probabilità
Spazio di probabilità, eventi, spazio campionario. Definizioni classica, frequentista e soggettiva. Eventi indipendenti e probabilità condizionata. Variabili casuali. Simulazioni Monte Carlo assistite da AI per modellare l'incertezza nei processi farmaceutici di sintesi e formulazione.
LEZIONE 5: distribuzioni di probabilità discrete e continue
Distribuzioni discrete e continue: probabilità, valore atteso e varianza. Variabili casuali indipendenti. Legge dei grandi numeri. Uso dell'AI per modellazione e fitting rapido di distribuzioni empiriche su dataset farmaceutici (es. dati di dissoluzione o rilascio).
LEZIONE 6: distribuzione normale e distribuzioni campionarie
La distribuzione normale (Gaussiana) e Teorema Centrale del Limite. Distribuzioni chi-quadro, T di Student e F di Fisher. Verifica con AI della normalità e visualizzazione dei limiti di confidenza.
MODULO 3 (10 ore, lezioni 7-10): inferenza statistica
LEZIONE 7: introduzione alla statistica inferenziale
Modellizzazione di misure analitiche: popolazione e campione. Stima puntuale e per intervallo di media e varianza. Impiego dell'AI nel calcolo degli intervalli di confidenza da rapporti di prova.
LEZIONE 8: test di ipotesi univariati
Test di ipotesi, errori di tipo I e II, potenza. Confronto di una media con un riferimento (z-test, test T). Verifica di normalità e omoschedasticità. Interpretazione di p-value e potenza; uso dell'AI per prevenire p-hacking e allucinazioni.
LEZIONE 9: confronto tra due medie campionarie
Test T per dati accoppiati e per due serie indipendenti. Selezione del test statistico ottimale guidata da AI nel controllo qualità.
LEZIONE 10: analisi della varianza (ANOVA)
ANOVA a una e due vie (con e senza interazione). Test di omogeneità delle varianze (F-test). ANOVA guidata da AI-LLM su dati complessi; redazione di report di conformità per enti regolatori (EMA/FDA).
MODULO 4 (6 ore, lezioni 11-13): analisi di regressione
LEZIONE 11: regressione lineare semplice
Modellazione con minimi quadrati. Stima e significatività di intercetta e pendenza. Verifica della proporzionalità e ANOVA della regressione. Supporto AI nella diagnostica dei modelli e trasformazioni matematiche per linearizzare le risposte.
LEZIONE 12: diagnostica e predizione nella regressione semplice
Previsione della risposta, leverage e intervalli di confidenza/predizione. Ipotesi dei minimi quadrati (omoschedasticità, normalità dei residui) e regressione pesata. Diagnostica dei residui assistita da AI per rilevare eteroschedasticità e punti influenti (outliers, punti di leva).
LEZIONE 13: regressione lineare multipla e introduzione alla progettazione razionale degli esperimenti (Design of Experiments, DoE)
Regressione lineare multipla (MLR): stima dei parametri, R^2, R^2 adjusted, ANOVA del modello, leverage e intervalli di predizione. Verifica delle ipotesi fondamentali e transizione al DoE. Confronto tra modelli MLR e studi DoE guidato da AI.
MODULO 5 (20 ore, lezioni 14-18): progettazione degli esperimenti (Design of Experiments, DoE)
LEZIONE 14: fondamenti di DoE e Piani Fattoriali Completi
Strategia OFAT vs DoE. Rappresentazione matriciale (X e Y). Piani fattoriali completi 2^k, calcolo degli effetti principali e delle interazioni. Generazione di piani DoE assistita da AI; supporto AI per modellare e interpretare le interazioni di processo.
LEZIONE 15: piani fattoriali frazionari e di screening
Piani fattoriali frazionari 2^(k-p) e piani 2^(4-1) a Risoluzione IV. Struttura di alias e confusione tra effetti. Piani di Plackett-Burman per lo screening. Risoluzione di matrici di alias e disaccoppiamento dei fattori confusi con supporto AI.
LEZIONE 16: metodologia della superficie di risposta (Response Surface Methodology, RSM)
Modelli di secondo ordine. Piani Centrali Compositi (CCD), superfici di risposta e Design Space (ottimo). Uso dell'AI per selezionare il piano (CCD, Doehlert, Box-Behnken, screening), ottimizzare multi-obiettivo (resa, purezza, stabilità) e simulare il Design Space.
LEZIONE 17: piani D-Ottimali
Criteri di ottimalità. Generazione e selezione di piani D-ottimali con vincoli operativi, regioni irregolari o fattori multilivello. Supporto AI nella definizione di vincoli complessi, selezione rapida di esperimenti ottimali e confronto tra modelli.
LEZIONE 18: piani per miscele
Esperimenti con vincoli di composizione (somma = 100%) e modelli di Scheffé. Grafici ternari, piani Simplex-Lattice e Simplex-Centroid. AI applicata alla pre-selezione di formulazioni; visualizzazione e ottimizzazione assistita di diagrammi ternari per sistemi multifase, emulsioni e forme solide.
INFORMAZIONI GENERALI E REQUISITI
Lezioni frontali ed esercizi numerici in aula con Microsoft Excel e software open source dedicato. Le esercitazioni con IA utilizzeranno Gemini, ChatGPT, Copilot, Llama, Qwen, BioMistral e Deepseek.
Materiale didattico (PowerPoint, Excel e software open source) disponibile su Kiro. Apprendimento attivo (learn by doing): gli studenti saranno guidati nell'uso dei software a lezione. Apprendimento per padronanza (mastery learning): gli studenti devono raggiungere la padronanza dei temi di ogni modulo; previsto supporto aggiuntivo per chi non raggiunge la sufficienza. La frequenza è raccomandata e vantaggiosa per l'interazione col docente.
Per studenti con esigenze specifiche (Modalità Didattiche Inclusive), sarà disponibile materiale per lo studio autonomo. L'autoapprendimento può essere integrato da tutoraggio o didattica integrativa con incontri dedicati online e orari flessibili.
L'uso dell'AI rispetta le linee guida dell'Università di Pavia (https://ai.unipv.it/), promuovendone un impiego consapevole, equo e trasparente. Gli strumenti di Ateneo supportano l'apprendimento in modo integrativo e mai sostitutivo, sotto la supervisione dei docenti e previa valutazione critica dei risultati.
MODULO 1 (8 ore, lezioni 1-3): analisi descrittiva dei dati, dati univariati e multivariati
LEZIONE 1: analisi di dati univariati e statistica descrittiva
Statistica descrittiva univariata: variabili quantitative/qualitative, tabelle e grafici. Calcolo di moda, media, mediana, quantili, varianza, deviazione standard, deviazione standard relativa (DSR) e s_pooled. Uso di assistenti AI (Copilot, Gemini) per script di analisi e data cleaning; prompt engineering per validare i dati di laboratorio e verificare i calcoli dell'AI.
LEZIONE 2: analisi di dati multivariati ed esplorativa
Rappresentazione di dati multidimensionali, covarianza e matrice di correlazione. Analisi esplorativa: pattern recognition non supervisionato e supervisionato. Uso dell'AI per visualizzare matrici ad alta dimensionalità; confronto tra tecniche classiche e primi algoritmi di pattern recognition/clustering per le scienze farmaceutiche.
LEZIONE 3: analisi delle componenti principali (Principal Component Analysis, PCA)
Matrici multivariate ed obiettivi della PCA. Scores e Loadings: interpretazione chimica e grafici (score plot, loading plot, biplot). Pretrattamento dati (mean centering, autoscaling). Supporto AI nell'interpretazione delle relazioni nei loading plot e nella scelta del pretrattamento.
MODULO 2 (6 ore, lezioni 4-6): teoria della probabilità
LEZIONE 4: fondamenti di teoria della probabilità
Spazio di probabilità, eventi, spazio campionario. Definizioni classica, frequentista e soggettiva. Eventi indipendenti e probabilità condizionata. Variabili casuali. Simulazioni Monte Carlo assistite da AI per modellare l'incertezza nei processi farmaceutici di sintesi e formulazione.
LEZIONE 5: distribuzioni di probabilità discrete e continue
Distribuzioni discrete e continue: probabilità, valore atteso e varianza. Variabili casuali indipendenti. Legge dei grandi numeri. Uso dell'AI per modellazione e fitting rapido di distribuzioni empiriche su dataset farmaceutici (es. dati di dissoluzione o rilascio).
LEZIONE 6: distribuzione normale e distribuzioni campionarie
La distribuzione normale (Gaussiana) e Teorema Centrale del Limite. Distribuzioni chi-quadro, T di Student e F di Fisher. Verifica con AI della normalità e visualizzazione dei limiti di confidenza.
MODULO 3 (10 ore, lezioni 7-10): inferenza statistica
LEZIONE 7: introduzione alla statistica inferenziale
Modellizzazione di misure analitiche: popolazione e campione. Stima puntuale e per intervallo di media e varianza. Impiego dell'AI nel calcolo degli intervalli di confidenza da rapporti di prova.
LEZIONE 8: test di ipotesi univariati
Test di ipotesi, errori di tipo I e II, potenza. Confronto di una media con un riferimento (z-test, test T). Verifica di normalità e omoschedasticità. Interpretazione di p-value e potenza; uso dell'AI per prevenire p-hacking e allucinazioni.
LEZIONE 9: confronto tra due medie campionarie
Test T per dati accoppiati e per due serie indipendenti. Selezione del test statistico ottimale guidata da AI nel controllo qualità.
LEZIONE 10: analisi della varianza (ANOVA)
ANOVA a una e due vie (con e senza interazione). Test di omogeneità delle varianze (F-test). ANOVA guidata da AI-LLM su dati complessi; redazione di report di conformità per enti regolatori (EMA/FDA).
MODULO 4 (6 ore, lezioni 11-13): analisi di regressione
LEZIONE 11: regressione lineare semplice
Modellazione con minimi quadrati. Stima e significatività di intercetta e pendenza. Verifica della proporzionalità e ANOVA della regressione. Supporto AI nella diagnostica dei modelli e trasformazioni matematiche per linearizzare le risposte.
LEZIONE 12: diagnostica e predizione nella regressione semplice
Previsione della risposta, leverage e intervalli di confidenza/predizione. Ipotesi dei minimi quadrati (omoschedasticità, normalità dei residui) e regressione pesata. Diagnostica dei residui assistita da AI per rilevare eteroschedasticità e punti influenti (outliers, punti di leva).
LEZIONE 13: regressione lineare multipla e introduzione alla progettazione razionale degli esperimenti (Design of Experiments, DoE)
Regressione lineare multipla (MLR): stima dei parametri, R^2, R^2 adjusted, ANOVA del modello, leverage e intervalli di predizione. Verifica delle ipotesi fondamentali e transizione al DoE. Confronto tra modelli MLR e studi DoE guidato da AI.
MODULO 5 (20 ore, lezioni 14-18): progettazione degli esperimenti (Design of Experiments, DoE)
LEZIONE 14: fondamenti di DoE e Piani Fattoriali Completi
Strategia OFAT vs DoE. Rappresentazione matriciale (X e Y). Piani fattoriali completi 2^k, calcolo degli effetti principali e delle interazioni. Generazione di piani DoE assistita da AI; supporto AI per modellare e interpretare le interazioni di processo.
LEZIONE 15: piani fattoriali frazionari e di screening
Piani fattoriali frazionari 2^(k-p) e piani 2^(4-1) a Risoluzione IV. Struttura di alias e confusione tra effetti. Piani di Plackett-Burman per lo screening. Risoluzione di matrici di alias e disaccoppiamento dei fattori confusi con supporto AI.
LEZIONE 16: metodologia della superficie di risposta (Response Surface Methodology, RSM)
Modelli di secondo ordine. Piani Centrali Compositi (CCD), superfici di risposta e Design Space (ottimo). Uso dell'AI per selezionare il piano (CCD, Doehlert, Box-Behnken, screening), ottimizzare multi-obiettivo (resa, purezza, stabilità) e simulare il Design Space.
LEZIONE 17: piani D-Ottimali
Criteri di ottimalità. Generazione e selezione di piani D-ottimali con vincoli operativi, regioni irregolari o fattori multilivello. Supporto AI nella definizione di vincoli complessi, selezione rapida di esperimenti ottimali e confronto tra modelli.
LEZIONE 18: piani per miscele
Esperimenti con vincoli di composizione (somma = 100%) e modelli di Scheffé. Grafici ternari, piani Simplex-Lattice e Simplex-Centroid. AI applicata alla pre-selezione di formulazioni; visualizzazione e ottimizzazione assistita di diagrammi ternari per sistemi multifase, emulsioni e forme solide.
INFORMAZIONI GENERALI E REQUISITI
Lezioni frontali ed esercizi numerici in aula con Microsoft Excel e software open source dedicato. Le esercitazioni con IA utilizzeranno Gemini, ChatGPT, Copilot, Llama, Qwen, BioMistral e Deepseek.
Materiale didattico (PowerPoint, Excel e software open source) disponibile su Kiro. Apprendimento attivo (learn by doing): gli studenti saranno guidati nell'uso dei software a lezione. Apprendimento per padronanza (mastery learning): gli studenti devono raggiungere la padronanza dei temi di ogni modulo; previsto supporto aggiuntivo per chi non raggiunge la sufficienza. La frequenza è raccomandata e vantaggiosa per l'interazione col docente.
Per studenti con esigenze specifiche (Modalità Didattiche Inclusive), sarà disponibile materiale per lo studio autonomo. L'autoapprendimento può essere integrato da tutoraggio o didattica integrativa con incontri dedicati online e orari flessibili.
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