ID:
746
Durata (ore):
48
CFU:
6
Url:
CHIMICA/PERCORSO COMUNE Anno: 3
Anno:
2023
Dati Generali
Periodo di attività
Secondo Semestre (24/02/2024 - 31/05/2024)
Syllabus
Obiettivi Formativi
Il corso si propone di fornire le basi teoriche e pratiche della Chemiometria per la Chimica Analitica. In particolare, lo studente imparerà ad applicare i principali test statistici e ad elaborare matrici di dati multivariati.
Prerequisiti
Lo studente deve avere conoscenza di base di matematica e di chimica analitica
Metodi didattici
Il corso prevede lezioni frontali (24 h) ed esercitazioni in aula (24 h). Le lezioni frontali sono dedicate all'acquisizione dei concetti di base della Chemiometria ed all'acquisizione di strumenti informatici specifici (software per applicazioni matematiche e statistiche).
Le esercitazioni nel laboratorio informatico hanno lo scopo di rendere lo studente autonomo nell'utilizzare gli strumenti della Chemiometria e capace di applicare nozioni e software alla soluzione di problemi reali di analisi chimica multivariata.
Le esercitazioni nel laboratorio informatico hanno lo scopo di rendere lo studente autonomo nell'utilizzare gli strumenti della Chemiometria e capace di applicare nozioni e software alla soluzione di problemi reali di analisi chimica multivariata.
Verifica Apprendimento
L'esame consiste in un'interrogazione orale che verte sul programma spiegato in aula e sulle esercitazioni in aula (definizioni e dimostrazioni contenute nelle dispense di lezione). Il Docente assegna un voto all'esame orale compreso tra 18 e 30.
Testi
- Appunti delle lezioni
- Roberto Todeschini, Introduzione alla chemiometria, Edises, 1998.
- Michele Forina, Fondamenta per la chimica analitica. ISBN 9788890406461
- J.C. Miller, J.N. Miller, Statistics and Chemometrics for Analytical Chemistry, Pearson Education, 2010.
- Richard G. Brereton, Applied Chemometrics for Scientists, Wiley, 2007.
- Richard Kramer, Chemometric techniques for quantitative analysis, Marcel Dekker, 1998.
- Software: Origin, Excel, PLS toolbox, CAT su R.
- Grotti M., Ardini F., Il Laboratorio di Chimica Analitica. EdiSES, 2022
- Roberto Todeschini, Introduzione alla chemiometria, Edises, 1998.
- Michele Forina, Fondamenta per la chimica analitica. ISBN 9788890406461
- J.C. Miller, J.N. Miller, Statistics and Chemometrics for Analytical Chemistry, Pearson Education, 2010.
- Richard G. Brereton, Applied Chemometrics for Scientists, Wiley, 2007.
- Richard Kramer, Chemometric techniques for quantitative analysis, Marcel Dekker, 1998.
- Software: Origin, Excel, PLS toolbox, CAT su R.
- Grotti M., Ardini F., Il Laboratorio di Chimica Analitica. EdiSES, 2022
Contenuti
I contenuti del corso riguardano l’apprendimento di concetti teorici ed applicazioni pratiche legate all’analisi di dati chimici univariati, bivariati e multivariati. La prima parte del corso è incentrata sui dati univariati e riguarda lo studio delle principali distribuzioni di probabilità, il concetto di errore (sistematico e casuale), i test di significatività, l’analisi della varianza e la calibrazione univariata (retta di calibrazione). La seconda parte del corso riguarda l’esplorazione dei dati multivariati utilizzando metodi “unsupervised” come l’analisi delle componenti principali (PCA) e la cluster analysis (CA). La terza parte del corso riguarda metodi di analisi “supervised” di tipo qualitativo, come l’Analisi di Classificazione (K-NN, LDA, QDA, UNEQ, SIMCA), e quantitativo, come i metodi di regressione, come MCR e PLS. La quarta e ultima parte del corso mira all'apprendimento e all'applicazione del disegno sperimentale utilizzando diversi esempi (Full factorial design, fractional design, Plackett-Burman, CCD, Dohelert, D-optimal design, miscele). Durante tutto il corso, sarà studiato l'uso di alcuni software statistici, come il pacchetto CAT su R.
Programma esteso:
CENNI DI STATISTICA DI BASE (4 h lezioni frontali) Introduzione: la natura dei dati, definizione di variabile, oggetto, frequenza, probabilità. Parametri di posizione: media, moda mediana, media mobile, quantili, distribuzione gaussiana di Poisson e geometrica. Errori e parametri di dispersione: errori casuali, errori sistematici, errore assoluto, errore relativo, deviazione standard, varianza, intervalli di fiducia.
INFERENZA STATISTICA (2 ore lezioni frontali e 2 h di esercitazioni numeriche). Test di significatività: t-test per il confronto tra medie o tra una media ed un valore noto, F-test per il confronto tra deviazioni standard (e.g. tra metodi), Q-test per la verifica di outliers, chi2 -test per la verifica della normalità di una distribuzione Analisi della varianza:test ANOVA a una via ed a due vie Parametri di qualità: limiti di rivedibilità, selettività, esattezza, precisione, incertezza di misurazione, robustezza, recupero. ESERCITAZIONI NUMERICHE SU TEST DI SIGNIFICATIVITA
ESPLORAZIONE DEI DATI (4 ore lezioni frontali e 6 ore di esercitazioni numeriche) Struttura multivariata dei dati. Matrici: dimensione, trasposizione, centratura, covarianza, correlazione. Pretrattamento dei dati. Trasformazione delle variabili. Gestione dei dati mancanti. Analisi delle componenti principali. Grafici dei loadings. Grafici degli scores. Scelta delle componenti principali (rank analysis), per via numerica e per via grafica mediante scree plot. Analisi multivariata di processo: uso dei modelli PCA per il controllo di processo. Carte di controllo multivariate. Processi continui. Processi in batch. Analisi dei clusters. Matrice delle distanze, matrice di similarità. Metodi gerarchici agglomerativi per l'analisi dei clusters. Dendrogrammi. ESERCITAZIONI NUMERICHE SU ESPLORAZIONE DEI DATI
METODI DI VALIDAZIONE (2 ore lezioni frontali e 2 ore di esercitazioni numeriche): metodi di splitting dei set di dati per creare il sub-set di calibrazione e il sub-set di validazione. Test set esterno: Algortimo Kennard-Stone, Cross validazione con metodo venetian blind, metodo leave-one-out. ESERCITAZIONI NUMERICHE SUI METODI DI VALIDAZIONE.
METODI DI CLASSIFICAZIONE (4 h lezioni frontali e 6 h esercitazioni numeriche): Modelli. Ordine e linearità di un modello. Parametri di controllo. Validazione di un modello. Metodi di classificazione discriminante basati su modelli probabilistici: LDA, QDA, Matrice di confusione, Matrice delle perdite. Parametri di valutazione di metodi di classificazione discriminante, null model rate. Metodi di classificazione modellante di tipo bayesiano (probabilistici): UNEQ, parametri di valutazione di metodi modellanti (specificità, selettività, efficienza, Cooman plot) Metodi di classificazione basati sulle componenti principali: SIMCA Metodi di classificazione non lineari: K-NN, scelta del valore di K. Cenni su altri metodi di classificazione (CART, PLS-DA). ESERCITAZIONI NUMERICHE SU METODI DI CLASSIFICAZIONE
METODI DI REGRESSIONE (2 h lezioni frontali e 2 h esercitazioni numeriche): Calibrazione: modelli quantitativi. Concetto di Leverages (effetto leva). Coefficienti di regressione. Parametri di valutazione di un modello di regressione. Coefficiente di correlazione. Coefficiente di predizione. Errore standard della stima. Metodi diagnostici per un modello di regressione. Metodi di regressione: Multilinear regression (MLR). Metodi di regressione biased: principal component regression (PCR), partial least square (PLS e PLS2). Esempi pratici di calibrazione mediante regressione PLS: spettrofotometria, voltammetria pulsata di ridissoluzione, cromatografia-spettrometria di massa. ESERCITAZIONI NUMERICHE SU METODI DI REGRESSIONE
PROGETTAZIONE DI ESPERIMENTI “DOE” (4 h di lezioni frontali e 4 ore di esercitazioni numeriche):
Concetto di experimental design. Parametri di valutazione di disegni sperimentali. Strategie di ottimizzazione. Metodi presi in considerazione: Full factorial design, screening Plackett-Burman, fractional factorial design, central composite design, Dohelert design, D-Optimal designs, miscele. ESERCITAZIONI NUMERICHE SU METODI DI DISEGNO SPERIMENTALE.
Programma esteso:
CENNI DI STATISTICA DI BASE (4 h lezioni frontali) Introduzione: la natura dei dati, definizione di variabile, oggetto, frequenza, probabilità. Parametri di posizione: media, moda mediana, media mobile, quantili, distribuzione gaussiana di Poisson e geometrica. Errori e parametri di dispersione: errori casuali, errori sistematici, errore assoluto, errore relativo, deviazione standard, varianza, intervalli di fiducia.
INFERENZA STATISTICA (2 ore lezioni frontali e 2 h di esercitazioni numeriche). Test di significatività: t-test per il confronto tra medie o tra una media ed un valore noto, F-test per il confronto tra deviazioni standard (e.g. tra metodi), Q-test per la verifica di outliers, chi2 -test per la verifica della normalità di una distribuzione Analisi della varianza:test ANOVA a una via ed a due vie Parametri di qualità: limiti di rivedibilità, selettività, esattezza, precisione, incertezza di misurazione, robustezza, recupero. ESERCITAZIONI NUMERICHE SU TEST DI SIGNIFICATIVITA
ESPLORAZIONE DEI DATI (4 ore lezioni frontali e 6 ore di esercitazioni numeriche) Struttura multivariata dei dati. Matrici: dimensione, trasposizione, centratura, covarianza, correlazione. Pretrattamento dei dati. Trasformazione delle variabili. Gestione dei dati mancanti. Analisi delle componenti principali. Grafici dei loadings. Grafici degli scores. Scelta delle componenti principali (rank analysis), per via numerica e per via grafica mediante scree plot. Analisi multivariata di processo: uso dei modelli PCA per il controllo di processo. Carte di controllo multivariate. Processi continui. Processi in batch. Analisi dei clusters. Matrice delle distanze, matrice di similarità. Metodi gerarchici agglomerativi per l'analisi dei clusters. Dendrogrammi. ESERCITAZIONI NUMERICHE SU ESPLORAZIONE DEI DATI
METODI DI VALIDAZIONE (2 ore lezioni frontali e 2 ore di esercitazioni numeriche): metodi di splitting dei set di dati per creare il sub-set di calibrazione e il sub-set di validazione. Test set esterno: Algortimo Kennard-Stone, Cross validazione con metodo venetian blind, metodo leave-one-out. ESERCITAZIONI NUMERICHE SUI METODI DI VALIDAZIONE.
METODI DI CLASSIFICAZIONE (4 h lezioni frontali e 6 h esercitazioni numeriche): Modelli. Ordine e linearità di un modello. Parametri di controllo. Validazione di un modello. Metodi di classificazione discriminante basati su modelli probabilistici: LDA, QDA, Matrice di confusione, Matrice delle perdite. Parametri di valutazione di metodi di classificazione discriminante, null model rate. Metodi di classificazione modellante di tipo bayesiano (probabilistici): UNEQ, parametri di valutazione di metodi modellanti (specificità, selettività, efficienza, Cooman plot) Metodi di classificazione basati sulle componenti principali: SIMCA Metodi di classificazione non lineari: K-NN, scelta del valore di K. Cenni su altri metodi di classificazione (CART, PLS-DA). ESERCITAZIONI NUMERICHE SU METODI DI CLASSIFICAZIONE
METODI DI REGRESSIONE (2 h lezioni frontali e 2 h esercitazioni numeriche): Calibrazione: modelli quantitativi. Concetto di Leverages (effetto leva). Coefficienti di regressione. Parametri di valutazione di un modello di regressione. Coefficiente di correlazione. Coefficiente di predizione. Errore standard della stima. Metodi diagnostici per un modello di regressione. Metodi di regressione: Multilinear regression (MLR). Metodi di regressione biased: principal component regression (PCR), partial least square (PLS e PLS2). Esempi pratici di calibrazione mediante regressione PLS: spettrofotometria, voltammetria pulsata di ridissoluzione, cromatografia-spettrometria di massa. ESERCITAZIONI NUMERICHE SU METODI DI REGRESSIONE
PROGETTAZIONE DI ESPERIMENTI “DOE” (4 h di lezioni frontali e 4 ore di esercitazioni numeriche):
Concetto di experimental design. Parametri di valutazione di disegni sperimentali. Strategie di ottimizzazione. Metodi presi in considerazione: Full factorial design, screening Plackett-Burman, fractional factorial design, central composite design, Dohelert design, D-Optimal designs, miscele. ESERCITAZIONI NUMERICHE SU METODI DI DISEGNO SPERIMENTALE.
Lingua Insegnamento
ITALIANO
Corsi
Corsi
CHIMICA
Laurea
3 anni
No Results Found
Persone
Persone
Professori/esse Associati/e
No Results Found