Corso di Chemiometria e Analisi Dati

Lezione 1 • Distribuzioni di Probabilità nella Misurazione

Associare le distribuzioni comuni — normale, Poisson, binomiale — a scenari analitici reali. Supporta la verifica di ipotesi e la modellizzazione dell'errore introdotte successivamente.

Lezione 2 • Fondamenti di Visualizzazione dei Dati

Selezionare e costruire istogrammi, diagrammi a scatola e baffi e diagrammi di dispersione appropriati per i dati di laboratorio. Le competenze di visualizzazione ricorrono in ogni capitolo analitico successivo.

Lezione 3 • Tipi e Fonti dei Dati di Laboratorio

Distinguere i tipi di misurazione continui, discreti e categorici comuni nei laboratori analitici. Stabilisce il vocabolario dei dati utilizzato durante tutto il corso.

Lezione 4 • Errore, Incertezza e Cifre Significative

Differenziare l'errore sistematico da quello casuale e propagare l'incertezza attraverso i calcoli. Sottende direttamente il lavoro di calibrazione e validazione nei capitoli successivi.

Lezione 1 • Tecniche di Normalizzazione e Scalatura

Applicare centratura media, autoscalatura e scalatura per intervallo per equalizzare i contributi delle variabili. Le scelte di scalatura influenzano criticamente i risultati di PCA e regressione nei capitoli successivi.

Lezione 2 • Metodi di Pre-elaborazione Spettrale

Correggere le linee di base, attenuare il rumore e applicare correzioni di dispersione ai dati spettrali. Questi passaggi sono prerequisiti per una modellizzazione spettrale multivariata affidabile.

Lezione 3 • Strategie per i Dati Mancanti

Diagnosticare lacune mancanti casualmente vs. sistematiche e applicare metodi di imputazione o eliminazione. Una gestione appropriata preserva la potenza statistica per i modelli multivariati.

Lezione 4 • Rilevazione e Trattamento degli Outlier

Applicare i test di Grubbs, Dixon e basati sulla leva per identificare osservazioni anomale. Le decisioni qui prese influenzano direttamente l'accuratezza del modello e la difendibilità normativa.

Lezione 1 • Misure di Correlazione e Associazione

Quantificare le relazioni lineari e basate sul rango tra variabili analitiche utilizzando i coefficienti di Pearson e Spearman. Prepara gli studenti alla regressione e alla modellizzazione multivariata.

Lezione 2 • Test di Confronto Parametrici

Eseguire t-test e F-test per confrontare medie e varianze tra metodi analitici. Supporta direttamente gli studi di confronto e di equivalenza tra metodi.

Lezione 3 • Fondamenti di Verifica di Ipotesi

Definire ipotesi nulla e alternativa, errori di Tipo I/II e valori p in contesti di laboratorio. Stabilisce il quadro decisionale utilizzato in tutte le analisi comparative.

Lezione 4 • Analisi della Varianza

Suddividere la varianza tra più gruppi utilizzando disegni ANOVA a una e a due vie. Consente il confronto simultaneo di più strumenti, operatori o lotti.

Lezione 1 • Regressione Lineare Semplice per la Calibrazione

Adattare rette dei minimi quadrati ordinari ai dati di calibrazione ed estrarre pendenza, intercetta e R². Costituisce il nucleo quantitativo di tutti i flussi di lavoro di calibrazione strumentale.

Lezione 2 • Regressione Lineare Multipla

Estendere la calibrazione a variabili predittive multiple e diagnosticare multicollinearità e leva. Collega la calibrazione univariata ai metodi chemiometrici multivariati.

Lezione 3 • Limiti di Rilevazione e Quantificazione

Calcolare LOD e LOQ dal rumore e dalla pendenza della calibrazione utilizzando approcci segnale/rumore e di regressione. Output critici per la documentazione di validazione del metodo.

Lezione 4 • Validazione della Calibrazione e Riferibilità

Verificare le prestazioni della calibrazione attraverso test di recupero, linearità e robustezza alle variazioni allineati alle aspettative normative. Garantisce che i modelli soddisfino i criteri di idoneità allo scopo.

Lezione 1 • Applicazioni della PCA in Ambito di Laboratorio

Applicare la PCA a compiti di fingerprinting spettrale, monitoraggio di lotti e classificazione delle materie prime. Dimostra il valore pratico prima che gli studenti passino ai metodi supervisionati.

Lezione 2 • Fondamenti Matematici della PCA

Derivare le componenti principali dalle matrici di covarianza e dalla decomposizione a valori singolari. Fornisce le basi concettuali per tutti i metodi a variabili latenti del corso.

Lezione 3 • Selezione del Numero di Componenti

Applicare la convalida incrociata, gli scree plot e i criteri di varianza spiegata per scegliere il numero ottimale di componenti. Previene il sottoadattamento e il sovraadattamento nei modelli a valle.

Lezione 4 • Punteggi, Pesi e Biplot

Interpretare i grafici dei punteggi per il raggruppamento dei campioni e i grafici dei pesi per i contributi delle variabili. Queste visualizzazioni sono gli output primari di ogni applicazione PCA.

Lezione 1 • Trasferimento e Standardizzazione del Modello

Trasferire modelli di calibrazione tra strumenti utilizzando la correzione pendenza-bias e la standardizzazione diretta a tratti. Consente l'implementazione multi-strumento senza ricalibrazione completa.

Lezione 2 • Strategie di Validazione del Modello

Validare modelli multivariati utilizzando convalida incrociata, set di test e set di previsione esterni. Una validazione rigorosa è obbligatoria per l'accettazione normativa e per la pubblicazione.

Lezione 3 • Regressione dei Minimi Quadrati Parziali

Decomporre X e Y simultaneamente utilizzando PLS per massimizzare la covarianza con la risposta. PLS è il metodo di calibrazione multivariata dominante in chimica analitica.

Lezione 4 • Regressione sulle Componenti Principali

Regredire i valori di riferimento sui punteggi PCA per costruire modelli di calibrazione PCR. Collega direttamente la conoscenza della PCA ai compiti di previsione quantitativa.

Lezione 1 • SIMCA e Modellizzazione Soft

Costruire modelli PCA specifici per classe e assegnare i campioni utilizzando soglie di distanza SIMCA. Consente l'autenticazione a una o più classi senza confini decisionali rigidi.

Lezione 2 • Analisi Discriminante Lineare

Massimizzare la separazione tra classi rispetto alla varianza intra-classe utilizzando LDA. Un classificatore supervisionato fondamentale ampiamente utilizzato nell'autenticazione alimentare e farmaceutica.

Lezione 3 • k-Nearest Neighbors e Naive Bayes

Applicare classificatori basati su istanze e probabilistici come alternative ai metodi lineari. Amplia la gamma di classificatori per dati di laboratorio non lineari e ad alta dimensionalità.

Lezione 4 • Validazione del Classificatore e Reportistica delle Prestazioni

Valutare i classificatori utilizzando matrici di confusione, curve ROC e tassi di errore convalidati in modo incrociato. Garantisce che le prestazioni riportate siano imparziali e soddisfino le aspettative normative.

Lezione 1 • Principi del Disegno Sperimentale

Definire fattori, risposte e obiettivi del disegno per sostituire la sperimentazione un fattore alla volta. Stabilisce la mentalità strategica per tutto il lavoro di ottimizzazione del capitolo.

Lezione 2 • Metodologia della Superficie di Risposta

Adattare modelli polinomiali di secondo ordine per mappare le superfici di risposta e individuare gli ottimi. Consente l'ottimizzazione fine delle condizioni analitiche dopo i disegni di screening.

Lezione 3 • Test di Robustezza e Studi di Resistenza alle Variazioni

Utilizzare i disegni di Plackett-Burman e Youden per identificare i fattori critici del metodo durante la validazione. Supporta direttamente i requisiti normativi di presentazione per la robustezza del metodo.

Lezione 4 • Disegni per Miscele per Studi di Formulazione

Applicare disegni simplex-lattice e simplex-centroide dove le proporzioni dei componenti sommano a una costante. Affronta l'ottimizzazione delle formulazioni comune nei laboratori farmaceutici e alimentari.