Corso di Biostatistica per l'Agronomia

Lezione 1 • Visualizzazione dei Dati per la Ricerca Agronomica

Seleziona e costruisce istogrammi, box plot e diagrammi di dispersione per rivelare modelli nei dati di campo. Una visualizzazione efficace supporta l'interpretazione e la comunicazione dei risultati.

Lezione 2 • Statistica Descrittiva per Dati di Campo

Calcola le misure di tendenza centrale e di dispersione per dataset di resa, biomassa e nutrienti del suolo. Riassumere i dati accuratamente precede qualsiasi analisi inferenziale.

Lezione 3 • Concetti di Probabilità e Distribuzioni

Introduce le regole della probabilità, le variabili casuali e le principali distribuzioni rilevanti per i dati biologici. Questi concetti sono alla base dei test di ipotesi trattati nei capitoli successivi.

Lezione 4 • Tipi di Dati Agronomici

Classifica i dati come continui, discreti, nominali o ordinali utilizzando esempi di resa e suolo. La classificazione corretta guida tutte le scelte di analisi successive.

Lezione 1 • Disegni Fattoriali e a Parcelle Suddivise

Introduce esperimenti multifattoriali e disposizioni a parcelle suddivise per studiare le interazioni fertilizzante-varietà. Questi disegni massimizzano l'informazione da un singolo esperimento.

Lezione 2 • Principi del Disegno Sperimentale

Spiega la replicazione, la randomizzazione e il controllo locale come i tre pilastri di esperimenti di campo validi. Questi principi riducono la distorsione e il confondimento nei confronti tra trattamenti.

Lezione 3 • Disegno a Blocchi Randomizzati Completati

Utilizza i blocchi per controllare l'eterogeneità di campo nella fertilità del suolo o nei gradienti di pendenza. L'RCBD migliora la precisione tenendo conto di una fonte nota di variazione.

Lezione 4 • Disegno Completamente Randomizzato

Applica il disegno completamente randomizzato a unità sperimentali uniformi come vasi in serra. Gli studenti dispongono i trattamenti, assegnano le replicazioni e identificano metodi di analisi appropriati.

Lezione 1 • Test t per un Campione e Due Campioni

Esegue test t per confrontare una media campionaria con uno standard o per confrontare due medie di trattamento. Esempi agronomici includono il confronto di dosi di fertilizzante e percentuali di germinazione dei semi.

Lezione 2 • Intervalli di Confidenza e Dimensione dell'Effetto

Costruisce intervalli di confidenza per medie e proporzioni e interpreta la significatività pratica. Le metriche della dimensione dell'effetto completano i p-value nella valutazione dell'importanza agronomica.

Lezione 3 • Analisi di Potenza e Pianificazione della Dimensione Campionaria

Calcola la potenza statistica e le dimensioni campionarie richieste prima di condurre prove di campo. Una potenza adeguata previene costosi esperimenti sottoalimentati che producono risultati inconcludenti.

Lezione 4 • Logica del Test di Ipotesi

Stabilisce il quadro dell'ipotesi nulla e alternativa e il processo decisionale. Comprendere questa logica è prerequisito per tutte le procedure inferenziali del corso.

Lezione 1 • ANOVA a Due Vie e Fattoriale

Analizza gli effetti principali e le interazioni in esperimenti a due fattori come le prove varietà-azoto. I grafici di interazione rivelano se gli effetti dei fattori dipendono l'uno dall'altro.

Lezione 2 • ANOVA per RCBD e Quadrato Latino

Estende l'ANOVA ai disegni a blocchi aggiungendo la somma dei quadrati del blocco al modello. I disegni a quadrato latino controllano simultaneamente due fonti di eterogeneità di campo.

Lezione 3 • Procedure di Confronto Multiplo

Applica i test LSD, Tukey, Duncan e Bonferroni per identificare quali medie di trattamento differiscono significativamente. La scelta della procedura corretta controlla l'errore di I tipo su tutti i confronti a coppie.

Lezione 4 • Stima delle Componenti di Varianza

Stima le componenti di varianza a effetti casuali per genotipo, ambiente e la loro interazione. Le componenti di varianza informano le stime di ereditabilità e le decisioni di breeding.

Lezione 1 • Regressione Lineare Multipla

Costruisce modelli con diversi predittori come precipitazioni, temperatura e pH del suolo per spiegare la variazione di resa. I coefficienti di regressione parziale isolano il contributo di ciascun predittore.

Lezione 2 • Analisi di Correlazione

Quantifica l'associazione lineare tra variabili agronomiche usando i coefficienti di Pearson e Spearman. La correlazione precede la regressione e guida la selezione delle variabili negli studi multi-carattere.

Lezione 3 • Diagnostica della Regressione e Assunzioni

Valuta linearità, omoschedasticità, indipendenza e normalità dei residui per validare i modelli. Le violazioni richiedono trasformazioni o approcci di modellazione alternativi.

Lezione 4 • Regressione Polinomiale e Curvilinea

Estende la regressione lineare a modelli quadratici e di ordine superiore per curve dose-risposta e densità-resa. Identificare il tasso ottimale di input richiede l'adattamento di relazioni curvilinee.

Lezione 1 • Quando Utilizzare Test Non Parametrici

Identifica le condizioni—piccoli campioni, dati ordinali, forte asimmetria—che giustificano approcci non parametrici. Sapere quando le assunzioni falliscono previene conclusioni parametriche non valide.

Lezione 2 • Correlazione e Associazione Non Parametrica

Utilizza i coefficienti di Spearman e tau di Kendall per misurare associazioni monotone in dati agronomici per ranghi. Questi completano la correlazione parametrica quando la linearità non può essere assunta.

Lezione 3 • Test di Kruskal-Wallis e Friedman

Estende il confronto non parametrico a gruppi multipli usando le procedure di Kruskal-Wallis e Friedman. Questi sostituiscono l'ANOVA a una via e l'ANOVA RCBD quando le assunzioni non sono soddisfatte.

Lezione 4 • Strategie di Trasformazione dei Dati

Applica trasformazioni logaritmiche, radice quadrata, arcoseno e Box-Cox per normalizzare dati agronomici asimmetrici. Le trasformazioni spesso ripristinano le assunzioni parametriche e migliorano l'adattamento del modello.

Lezione 1 • Analisi dei Cluster per Classificazione Genotipica

Raggruppa genotipi o ambienti per similarità usando metodi di clustering gerarchico e k-means. L'analisi dei cluster supporta la gestione del germoplasma e la delineazione dei mega-ambienti.

Lezione 2 • Analisi delle Componenti Principali

Riduce i caratteri agronomici correlati a componenti principali non correlati che catturano la massima varianza. La PCA semplifica la selezione varietale e la caratterizzazione ambientale.

Lezione 3 • Analisi Discriminante per Classificazione Varietale

Costruisce funzioni discriminanti lineari per classificare genotipi o tipi di suolo in gruppi predefiniti. L'accuratezza della classificazione è validata usando la convalida incrociata o campioni di controllo.

Lezione 4 • Introduzione ai Dati Multivariati

Definisce i dataset multivariati e spiega perché analizzare i caratteri congiuntamente supera gli approcci univariati. Esempi agronomici includono la misurazione simultanea di resa, proteina e allettamento.

Lezione 1 • Statistiche di Stabilità e Regressione

Calcola i coefficienti di regressione di Eberhart-Russell e l'ecovalenza di Wricke per quantificare la stabilità genotipica. I genotipi stabili mostrano prestazioni costanti tra gli ambienti con interazione minima.

Lezione 2 • Analisi Biplot GGE

Utilizza i biplot GGE per visualizzare i pattern "which-won-where" e la struttura dei mega-ambienti nei dati MET. L'analisi GGE integra gli effetti principali del genotipo con l'interazione GE per una valutazione completa.

Lezione 3 • Modello AMMI per Dati MET

Applica il modello additivo degli effetti principali e dell'interazione moltiplicativa per scomporre l'interazione GE in componenti interpretabili. I biplot AMMI identificano i genotipi vincenti e gli ambienti discriminanti.

Lezione 4 • Concetti di Interazione GE nel Miglioramento Genetico

Definisce l'interazione genotipo-ambiente e spiega il suo impatto sulla selezione e raccomandazione varietale. Comprendere l'interazione GE è essenziale prima di applicare qualsiasi analisi di stabilità o adattabilità.