Guida degli insegnamenti
Syllabus
Partially translatedTradotto parzialmente
FRANCESCO MEMMOLA (Crediti: 2 Ore di lezioneTeaching hours: 16)
Laura Tamburello (Crediti: 4 Ore di lezioneTeaching hours: 32)
Lingua di erogazione: INGLESELessons taught in: ENGLISH
Laurea Magistrale - [SM02] BIOLOGIA MARINA Master Degree (2 years) - [SM02] MARINE BIOLOGY
Dipartimento: [040017] Dipartimento Scienze della Vita e dell'AmbienteDepartment: [040017] Dipartimento Scienze della Vita e dell'Ambiente
Anno di corsoDegree programme year : 2 - Primo Semestre
Anno offertaAcademic year: 2020-2021
Anno regolamentoAnno regolamento: 2019-2020
Opzionale
Crediti: 6
Ore di lezioneTeaching hours: 48
TipologiaType: D - A scelta dello studente
Settore disciplinareAcademic discipline: BIO/07 - ECOLOGIA
INGLESE
English
Conoscenza statistica descrittiva, conoscenze informatiche di base (e.g., archiviazione file, fogli elettronici, editor di testi)
Descriptive statistical knowledge, basic computer knowledge (eg, file storage, spreadsheets, text editor)
Le lezioni teoriche saranno alternate ad esercitazioni informatiche utilizzando software freeware (se posibile, gli studenti utilizzeranno propri computer)
Theoretical lessons will be alternated with computer exercises using freeware software (if possible, students will use their own computers)
Il corso si propone di fornire agli studenti le competenze e le abilità necessarie per realizzare disegni sperimentali ed analizzare dati ambientali e biologici marini.
Capacità di applicare conoscenze e comprensione.
Gli studenti impareranno ad utilizzare strumenti di analisi dati e come recuperare e analizzare dati provenienti da banche dati ad accesso libero.
Competenze trasversali.
Gli studenti impareranno ad affrontare problemi pratici ed interpretativi negli esperimenti di laboratorio e in campo, imparando il rigore logico ed aprendo la loro mente alla complessità e possibili interazioni che avvengono nel mondo reale.
Knowledge and Understanding.
The course aims to provide the students with the skills and abilities needed to develope expreimental designs and analyze marine environmental and biological data.
Capacity to apply Knowledge and Understanding.
Students will learn how to use data analysis tools and how to retrieve and analyze data from open access databases.
Transversal Skills.
Students will learn how to deal with practical and interpretative problems in laboratory and field experiments, learning logical rigor and opening their minds to the complexity and possible interactions that take place in the real world.
• Modello ipotetico-deduttivo vs. approccio induttivo. Osservazione, modello, ipotesi ed ipotesi nulla, esperimento, test di falsificazione. Differenza tra studi manipolativi e correlativi.
• Variabilità nella misurazione, distribuzione di frequenza delle osservazioni, parametri di tendenza centrale/dispersione e loro stima campionaria. Campionamento rappresentativo, precisione ed accuratezza.
• Test statistico dell’ipotesi nulla. Distribuzione normale e distribuzione Gaussiana, errore standard, intervallo di confidenza. Ipotesi ad una e due code. Test t di Student. Errore di Tipo I ed errore di Tipo II. Potenza statistica del test.
• Esperimenti manipolativi: allocazione delle repliche ai trattamenti, replicazione, randomizzazione, interspersione.
• Analisi della varianza, sorgenti di variabilità, scomposizione della variabilità totale. Modello lineare e test F. Assunti dell’analisi: indipendenza dei dati, omogeneità della varianza (test di Cochran e trasformazione dei dati), normalità ed indipendenza dei campioni. Fattori fissi e random. Confronti a posteriori: il test di Student-Neuman-Keuls.
• Analisi della varianza gerarchizzata. Il concetto di scala: risoluzione ed estensione. Pseudoreplicazione e campionamento stratificato. Stima delle componenti di varianza per fattori random. Analisi della varianza fattoriale. Interpretazione dell’interazione. Disegni BACI
• Esercitazione pratica di campionamento nell’intertidale – struttura del disegno di campionamento, metodo di campionamento visivo, raccolta dati per le successive analisi in laboratorio.
• Introduzione a R come programma di analisi statistica. Lezioni pratiche di analisi della varianza in R
• Analisi multivariata: variabili, tipologie di dataset, trasformazione dei dati e matrici di resemblance. Analisi permutazionale della varianza in ambito multivariato (PERMANOVA), disegno sperimentale, output e test a posteriori. Metodi di ordinamento dei dati forzati e non-forzati (es. Cluster, MDS, CAP, PCA, PCO, RDA). Calcolo degli indici di diversità da matrici di dati in ambito multivariato. Lezioni pratiche di analisi dei dati.
• Tipi di dato fondamentali. Nozione di variabile. Assegnazione. Operatori aritmetici, logici e relazionali.
• Istruzioni condizionate. Istruzioni cicliche. Funzioni. Funzioni ricorsive. Importazione dati.
• Cenni di equazioni differenziali e la loro integrazione numerica.
• Modellistica numerica: introduzione e applicazione.
• Hypothetico-deductive model vs. inductive approach. Observation, model, hypothesis and null hypothesis, experiment, falsification test. Difference between manipulative and correlative studies.
• Variability in measurements, observations and measures as frequency distribution, location / dispersion parameters and their sample estimate. Representative sampling, precision and accuracy.
• Statistical test of null hypotheses. Normal distribution and standard normal distribution, standard error, confidence interval. One- and two-tailed null hypotheses. Student’s t-test. Type I and Type II errors, power of statistical test.
• Manipulative experiments: allocation of sampling units to treatments, replication, randomization, interspersion.
• Analysis of variance, sources of variability, variability partitioning. Linear model and test F. Assumptions of the analysis: independence of data, homogeneity of variances (Cochran’s test, transformations), normality and independency of samples. Random and fixed factors. A-posteriori comparisons: Student-Neuman-Keuls test.
• Nested analysis of variance. The concept of scale: grain and extension. Pseudoreplication and stratified sampling. Estimate of variance components for random factors. Factorial analysis of variance. Interpretation of interactions. BACI designs
• Practical experience of sampling in the field – structuring of sampling design, collection of data to be analyzed during lessons in the laboratory.
• Introduction to R as a tool for statistical analyses. Practical lessons on the Analysis of Variance in R
• Multivariate analysis: variables, types of datasets, data transformation and resemblance matrices. Permutational Multivariate Analysis of Variance (PERMANOVA), experimental design, output and a posteriori tests. Constrained and non-constrained data ordination (eg Cluster, MDS, CAP, PCA, PCO, RDA). Calculation of diversity indices from multivariate data matrices. Practical lessons of data analysis.
• Fundamentals of data Structure. Notion of variable. Assignment. Arithmetic, logical and relational operators.
• Conditional Instructions. Cyclic instructions. Functions. Recursive functions. Data import.
• An outline of differential equations and their numerical integration.
• Numerical modelling: introduction and application.
L'esame finale prevede una prova pratica di analisi dati e la risoluzione di un problema utilizzando le conoscenze di programmazione di base acquisite durante l'insegnamento. E' anche prevista la possibilità di fare una prova orale (opzionale) nel caso lo studente volesse migliorare il voto ottenuto nello scritto.
Criteri di valutazione dell'apprendimento.
La valutazione verte sulla pratica: lo studente dovrà dimostrare di saper utilizzare le conoscenze acquisite per la risoluzione di problemi reali.
Criteri di misurazione dell'apprendimento.
Il voto finale è attribuito in trentesimi. L’esame si intende superato quando il voto è maggiore o uguale a 18.
Criteri di attribuzione del voto finale.
Il voto finale si assegna in seguito alla valutazione nella prova scritta e dell' eventuale prova orale. La lode viene attributa a quegli studenti che dimostrano una conoscenza piena della materia.
Learning Evaluation Methods.
The final exam involves a practical test of data analysis and the resolution of a problem using the basic programming knowledge acquired during teaching. The student will also have the chance to take an oral test (optional) to improve the grade obtained in the practical test.
Learning Evaluation Criteria.
The assessment focuses on practice: the student will have to demonstrate to be able to implement the knowledge acquired to solve real problems.
Learning Measurement Criteria.
The final vote is in a scale of thirty. The exam is passed when the vote is greater than or equal to 18.
Final Mark Allocation Criteria.
The final vote is given by evaluating the practical test and the possible oral test. The “lode” is attributed when the student has demonstrated a deep understanding of the matter.
Townsville, Qld, AustraliaUnderwood AJ (1997) Experiments in ecology. Cambridge University Press, Cambridge
Townsville, Qld, AustraliaUnderwood AJ (1997) Experiments in ecology. Cambridge University Press, Cambridge
Le informazioni contenute nella presente scheda assumono carattere definitivo solo a partire dall'A.A. di effettiva erogazione dell'insegnamento. Academic year 2020-2021
Università Politecnica delle Marche
P.zza Roma 22, 60121 Ancona
Tel (+39) 071.220.1, Fax (+39) 071.220.2324
P.I. 00382520427