Analizy chemometryczne w Statistica – kurs podstawowy

Po wprowadzeniu teoretycznym do zagadnienia analizy danych uczestnicy poznają techniki planowania i wykonania eksperymentu. Zostaną omówione podstawowe techniki analizy chemometrycznej:

• - analiza podobieństwa (analiza skupień, jednoczesna analiza obiek­tów i cech),
• - analiza dyskryminacyjna
• analiza głównych składowych

Dane wykorzystywane w trakcie szkolenia pochodzą z rzeczywistych badań chemiczno-mikrobio­lo­gicz­nych opublikowanych w literaturze o zasięgu światowym.

Dla kogo?

Dla wszystkich, którzy chcą poznać podstawowe techniki analizy chemometrycznej.

Co zyskasz?

• Dowiesz się, jak prawidłowo zaplanować i przeprowadzić eksperyment
• Poznasz strategie postępowania w przypadku braków danych (stężenie analitu jest niższe niż granica wykrywalności metody analitycznej lub nie wykonano pomiaru)
• Poznasz znaczenie etapu kontroli danych i strategie transformacji zmiennych
• Dowiesz się, jak radzić sobie z problemami jakości wyników analiz, opisem doświadczenia i subiektywną oceną jakości próbek
• Nauczysz się przeprowadzać analizę podobieństwa, analizę dyskryminacyjną, analizę składowych głównych
• Dowiesz się, jak ułatwić sobie pracę, wykorzystując program Statistica

Program szkolenia

Wstęp

• cele i program szkolenia

1. Wprowadzenie teoretyczne do technik chemometrycznych
2. Planowanie i wykonanie eksperymentu
   • wyniki analiz
   • opis doświadczenia
   • parametry eksperymentu
   • ocena organoleptyczna (głównie wizualna/zapachowa) jakości próbek
3. Przygotowanie danych
   • braki danych
     • zastępowanie braków w danych w przypadku gdy wartość oznaczenia była niższa niż granica wykrywalności metody analitycznej
     • zastępowanie braków w sytuacji gdy nie wykonano pomiaru
   • kontrola danych
     • wyeliminowanie pomyłek powstałych w trakcie przygotowania danych, czyli tzw. „błędów grubych”
     • wykrycie w zbiorze danych obiektów różniących się istotnie od innych, czyli tzw. punktów odbiegających
     • uzyskanie przesłanek do ewentualnej transformacji niektórych zmiennych
     • określenie jednorodności zbioru danych, czyli potwierdzenie pochodzenia wszystkich danych z tej samej populacji
   • transformacja zmiennych
     • normalizacja
     • autoskalowanie
     • centrowanie
     • inne
4. Podstawowe informacje o zarządzaniu arkuszem
   • usuwanie danych parami
   • zstępowanie średnią
   • etykiety tekstowe – włączanie/wyłączanie przypadków
5. Analiza podobieństwa – CA (ang.: Cluster Analysis)
   • wstęp teoretyczny
   • analiza skupień (grupowanie względem obiektów i cech)
     • metody aglomeracji (pojedyncze wiązanie, pełne wiązanie, średnich połączeń, średnich połączeń ważonych, metoda Warda)
     • miary odległości (odległość euklidesowa, odległość kwadratowa euklidesowa, odległość Manhattan, odległość Czebyszewa, 1-r Persona, niezgodność procentowa)
     • indeks Sneatha w ocenie ilości statystycznie istotnych skupisk
   • jednoczesna analiza obiektów i cech, technika „cluster imaging”
6. Techniki czynnikowe: PCA (technika analizy głównych składowych; ang.: Principal Component Analysis)
   • wstęp teoretyczny
   • definiowanie analizy
   • identyfikowanie liczby istotnych czynników (wykres osuwiska, kryterium jedności)
   • strategie rotacji
   • interpretacja głównych składowych (wartość własna, % wyjaśnionej wariancji, % skumulowany wyjaśnionej wariancji)
   • wizualizacja
   • wyjaśnienie różnicy pomiędzy wizualizacją ładunków czynnikowych i wartości czynnikowych
7. Analiza funkcji dyskryminacyjnej: LDA (ang.: Linear Discriminant Analysis)
   • wstęp teoretyczny
   • analiza krokowa (standardowa, postępująca)
   • wybór zmiennych
   • definiowanie analizy
   • interpretacja wyników
8. Przykłady do samodzielnej analizy

Wymagania:

• Umiejętność obsługi komputera w środowisku Windows
• Podstawowa znajomość pakietu Statistica