Statistica applicata agli alimenti
Denominazione insegnamento: Statistica applicata agli alimenti ed Economia e marketing
Denominazione insegnamento (in inglese): Applied statistics for food science – Economics and marketing
Lingua dell’insegnamento: Italiano
Crediti e ore di lezione: 11 cfu / 110 ore
Moduli: SÌ
Se sì, specificare denominazione Statistica applicata agli alimenti (6 cfu / 60 ore)
Denominazione inglese: Applied statistics for food science
Settore/i scientifico disciplinare: SECS-S/02
Docente (nome e cognome): Giovanni Fonseca
Indirizzo email: giovanni.fonseca@uniud.it
Pagina web personale: http://people.uniud.it/page/giovanni.fonseca
PREREQUISITI E PROPEDEUTICITÀ |
Nessuno |
CONOSCENZE E ABILITÀ DA ACQUISIRE |
Lo/la studente/essa dovrà: - conoscere le principali tecniche di base per l'analisi descrittiva dei dati e l'inferenza statistica; inoltre dovra' conoscere le basi teoriche dei modelli di regressione e le loro principali applicazioni; - saper utilizzare il software statistico R almeno nelle principali funzioni di base; - saper interpretare in autonomia analisi e report statistici forniti da terzi; - essere in grado di analizzare, tramite l'uso di R, un insieme di dati reali e saper trarre conclusioni coerenti con le analisi svolte; - saper commentare e comunicare con sicurezza i risultati ottenuti dall'analisi di un insieme di dati. |
PROGRAMMA/CONTENUTI DELL’INSEGNAMENTO |
MODULO: Statistica applicata agli alimenti 1. Introduzione a R Ambiente di lavoro. Assegnazioni di valori e operazioni aritmetiche. Vettori, matrici e data-frame. Caricamento e salvataggio dei dati. Cenni di programmazione. 2. Statistica descrittiva, probabilita' e richiami di inferenza statistica Tabelle di frequenza e rappresentazioni grafiche. Indici di posizione e variabilità. Risultati di base di calcolo delle probabilita'. Intervalli di confidenza. Test delle ipotesi: errori di primo e secondo tipo, livello di significatività. 3. Relazioni fra variabili Indipendenza statistica, dipendenza in media (Anova a una via) e correlazione lineare. 4. Regressione lineare Il modello di regressione lineare. Stima dei parametri. Test sui parametri. Misure di bontà di adattamento. I residui e la diagnostica sul modello. Punti influenti e valori anomali. Analisi della varianza e test F. 5. Cenni di statistica avanzata Le principali metodologie per l'analisi di dati multivariati. Disegno degli esperimenti. Metodi di simulazione. |
ATTIVITÀ DI APPRENDIMENTO E METODI DIDATTICI PREVISTI |
L’insegnamento prevede: - lezioni teoriche con esempi; - sessioni di laboratorio per l'analisi di insiemi di dati reali tramite l'utilizzo del software R.
|