Il corso intende fornire conoscenza e comprensione in relazione: ai principi alla base della pianificazione di disegni sperimentali tradizionali ed innovativi in ambito agronomico e ambientale e all’analisi statistica…
Scheda dell'insegnamento
Obiettivi formativi
Il corso intende fornire conoscenza e comprensione in relazione:
- ai principi alla base della pianificazione di disegni sperimentali tradizionali ed innovativi in ambito agronomico e ambientale e all’analisi statistica dei dati raccolti;
- all’interpretazione dei risultati di metodologie avanzate di analisi dei dati quali l’analisi della covarianza, l’analisi delle misure ripetute nello spazio e nel tempo, la stima di variabili del suolo e delle colture attraverso metodi avanzati di analisi dei dati (analisi multivariata e metodi di machine learning), al fine di acquisire la capacità di gestire in modo sostenibile le tecniche agronomiche e l’agroecosistema.
I risultati di apprendimento previsti in termini di conoscenze, competenze e abilità, sono indicati per ciascun Descrittore di Dublino (DD) in accordo a quanto indicato nel Regolamento didattico del corso di studi.
- Descrittore di Dublino 1: conoscenza e capacità di comprensione
o Conoscenza dei principi alla base: dell’impostazione di disegni sperimentali tradizionali ed innovativi e dell’analisi della varianza ad essi relativa; di metodologie avanzate quali l’analisi della covarianza e l’analisi dei dati degli esperimenti con misure ripetute nel tempo e nello spazio.
o Capacità di interpretare correttamente e capire i risultati delle metodologie di analisi dei dati studiate. Attraverso l’analisi di casi studio, capacità di comprendere il significato e l’importanza di metodi complessi di analisi di dati per migliorare la gestione delle tecniche agronomiche e la sostenibilità ambientale. - Descrittore di Dublino 2: conoscenza e capacità di comprensione applicate
o Capacità di impostare disegni sperimentali idonei ai fini della ricerca e sperimentazione in ambito agronomico; capacità di applicare le metodologie studiate; capacità di comprendere i risultati di metodologie più complesse di analisi dei dati. - Descrittore di Dublino 3: capacità critiche e di giudizio
- Autonomia di giudizio
Al termine dell’insegnamento lo/la studente/studentessa dovrà essere in grado di
o Selezionare le metodologie più appropriate per impostare correttamente un disegno sperimentale, analizzare i dati raccolti e interpretare correttamente i risultati ottenuti; - Abilità comunicative
o presentare i dati e discutere i risultati delle proprie attività sperimentali;
o trasferire le conoscenze teoriche ed applicative apprese dall’ambito scientifico al settore produttivo. - Capacità di apprendere
o effettuare ulteriori approfondimenti su tecniche avanzate di analisi dei dati (analisi di dati derivanti da misure ripetute nel tempo e nello spazio; analisi multivariata; pianificazione di disegni gerarchici più complessi). - Descrittore di Dublino 4: capacità di comunicare quanto si è appreso
- Abilità comunicative
Al termine dell’insegnamento lo/la studente/studentessa dovrà essere in grado di
o presentare i dati e discutere i risultati delle proprie attività sperimentali;
o trasferire le conoscenze teoriche ed applicative apprese dall’ambito scientifico al settore produttivo. - Descrittore di Dublino 5: capacità di proseguire lo studio in modo autonomo nel
corso della vita - Capacità di apprendere in modo autonomo
Al termine dell’insegnamento lo/la studente/studentessa dovrà essere in grado di
o effettuare ulteriori approfondimenti su tecniche avanzate di analisi dei dati (analisi di dati ripetuti nel tempo e nello spazio; analisi multivariata e metodi di machine learning; pianificazione di disegni gerarchici più complessi).
Programma
Gli studenti acquisiranno conoscenze di base teoriche ed applicative in relazione a:
•pianificazione ed analisi di disegni sperimentali tradizionali ed innovativi in ambito agronomico e ambientale; •principali tecniche di analisi parametrica univariata e bivariata; •analisi della covarianza e potenzialità nella ricerca agronomica e ambientale; •elementi di base della caratterizzazione della dipendenza temporale e spaziale delle osservazioni e dei residui.
Inoltre, attraverso la presentazione di casi studio, gli studenti comprenderanno il significato e l’importanza di metodi complessi di analisi dei dati per migliorare la gestione delle tecniche agronomiche, i disegni sperimentali e la sostenibilità ambientale.
Contenuti:
Aspetti teorici
•Richiamo di conoscenze teoriche di base (test of hypothesis; test of the assumptions for the application of parametric data analysis methods; basic concepts of main parametric methods for univariate and bivariate analysis);
- pianificazione e analisi statistica dei dati derivanti da disegni sperimentali tradizionali ed innovativi in ambito agronomico e ambientale per lo studio di esperimenti ad un fattore di classificazione o fattoriali e impostati in disegni sperimentali gerarchici o non gerarchici;
•analisi della covarianza e impiego di informazione ausiliaria, derivante anche da sensori prossimali, per migliorare la stima delle variabili del suolo e della vegetazione; - conoscenze di base relative ai metodi di analisi per gli esperimenti con misure ripetute nel tempo e nello spazio (differenti approcci; modellizzazione della struttura di covarianza dei residui);
- cenni ai modelli lineari ad effetti misti che consentono di incorporare l’informazione relativa alla correlazione temporale e spaziale di osservazioni e residui.
Analisi e discussione di casi studio in ambito agronomico e ambientale:
•analisi dei dati di esperimenti di lungo periodo (LTEs);
•individuazione di aree omogenee (MZ) per applicazioni agronomiche ed ambientali (applicazione di precisione di input idrici e nutrizionali); - stima di variabili del suolo (contenuto di carbonio organico, contenuto idrico) e della vegetazione a partire da dati derivanti da sensori prossimali.
Modalità d'esame
Modalità di verifica dell’apprendimento
L’esame prevede lo svolgimento di una prova scritta e di una prova orale come riportato nel Regolamento Didattico del CdLM in Innovation Development in Agrifood Systems.
La prova scritta potrà essere divisa in due parti e riguarderà: i) l’analisi della varianza di dati derivanti da un esperimento fattoriale (di tipo gerarchico o non gerarchico); ii) l’analisi della covarianza. Inoltre saranno presenti domande relative alla randomizzazione e layout dei principali disegni sperimentali studiati.
Per gli studenti iscritti all’anno di corso nel quale è svolto l’insegnamento, la prima prova scritta prova potrà essere svolta come prova di valutazione intermedia (esonero).
La prova orale sarà incentrata sulle tematiche sviluppate durante le ore di lezione teorica e teorico-pratica.
La valutazione della preparazione dello studente avviene sulla base di criteri prestabiliti, come dettagliato nell’allegato A del Regolamento Didattico del Corso di Laurea Magistrale in Innovation Development in Agrifood Systems.
Criteri di valutazione
La prova d’esame mira a verificare il livello di padronanza dei contenuti proposti tenendo in considerazione: i riferimenti alla teoria; l’uso appropriato della terminologia tecnica; la capacità di operare collegamenti tra i diversi aspetti teorici e tra le diverse discipline e di elaborare strategie di azione pertinenti; la capacità di rielaborazione personale in ottica critica e riflessiva.
Per ogni risultato di apprendimento atteso su indicato, di seguito è dettagliato cosa ci si aspetta lo/la studente/studentessa conosca o sia in grado di fare e a quale livello al fine di dimostrare che un risultato di apprendimento è stato raggiunto e a quale livello.
- Conoscenza e capacità di comprensione:
o Conoscenza dei principi alla base: dell’impostazione di disegni sperimentali tradizionali ed innovativi e dell’analisi della varianza ad essi relativa; di metodologie avanzate quali l’analisi della covarianza e l’analisi dei dati degli esperimenti con misure ripetute nel tempo e nello spazio.
o Capacità di interpretare correttamente e capire i risultati delle metodologie di analisi dei dati studiate. Attraverso l’analisi di casi studio, capacità di comprendere il significato e l’importanza di metodi complessi di analisi di dati per migliorare la gestione delle tecniche agronomiche e la sostenibilità ambientale. - Conoscenza e capacità di comprensione applicate:
o impostare un disegno sperimentale ai fini della ricerca e sperimentazione in ambito agronomico; capacità di applicare le metodologie studiate; capacità di comprendere i risultati di metodologie più complesse di analisi dei dati. - Autonomia di giudizio:
o Mostrare autonomia nell’interpretazione, con livello di approfondimento elevato, dei risultati di test statistici relativi ai principali metodi di analisi parametrica univariata e bivariata dei dati;
o Capacità di selezionare le metodologie più appropriate per impostare correttamente un disegno sperimentale, analizzare i dati raccolti e interpretare correttamente i risultati ottenuti. - Abilità comunicative:
o Saper presentare i risultati dell’attività di ricerca e sperimentazione.
o Capacità di presentare i dati e discutere i risultati delle proprie attività sperimentali;
o Capacità di trasferire le conoscenze teoriche ed applicative apprese dall’ambito scientifico al settore produttivo. - Capacità di apprendere:
o Capacità di effettuare ulteriori approfondimenti su tecniche avanzate di analisi dei dati (analisi di dati ripetuti nel tempo e nello spazio; analisi multivariata e applicazione di metodi di machine learning; pianificazione di disegni gerarchici complessi.
Criteri di misurazione dell'apprendimento e di attribuzione del voto finale
La valutazione della preparazione dello studente avviene sulla base di criteri prestabiliti, come dettagliato nel Regolamento Didattico del CdLM IDEAS. Il voto finale è attribuito in trentesimi. L’esame si intende superato quando il voto è maggiore o uguale a 18.
Testi di riferimento
Testi di riferimento
Materiale di studio
- Appunti dalle lezioni e materiale didattico distribuito durante le lezioni.
- Littell R.C., Milliken G.A., Stroup W.W., Wolfinger R.D., Schabenberger O., 2006. SAS for Mixed Models, Second Edition. Cary, NC: SAS Institute Inc.
- Gomez K.A., Gomez A.A., 1984. Statistical procedures in agricultural research. New York, Chichester, etc.: Wiley, 2nd edition.
- Quinn G.P., Keough M.J., 2002. Experimental Design and Data Analysis for Biologists. Cambridge.
- France J., Thornley J.H.M., 1984 - Mathematical Models in agriculture. Butterworths, London.
- Camussi et al., 1995. Metodi Statistici per la Sperimentazione Biologica. Zanichelli Bologna.
Capitoli specifici oggetto di approfondimento saranno indicati dal docente.
Note ai testi di riferimento
Materiale bibliografico di approfondimento - Pubblicazioni scientifiche fornite dal docente.
Altro materiale di approfondimento potrà essere fornito su richiesta da parte degli studenti.
Materiali didattici
Il materiale didattico presentato durante le lezioni (power point delle lezioni, testi di dispense, capitoli di libri, pubblicazioni) verrà reso disponibile sulla piattaforma Teams. I powerpoint delle lezioni non sono utilizzabili quale materiale di studio ma sono di supporto all’utilizzo dei libri di testo indicati e dell’altro materiale didattico fornito.
Codice insegnamento P032278187