Kemometrika

Kod

Nositelj/i predmeta

Suradnici

Status predmeta

Ciljevi predmeta

Upoznavanje studenata s važnosti uporabe matematičkih i statističkih metoda za obradu eksperimentalnih podataka, postupanjem viševarijantnim podatcima, te planiranjem eksperimenata. Omogućiti im rad na računalima i upoznati sa standardnim programskim paketima (MS Excel, Wolfram Mathematica, MatLab, Statistica).

Uvjeti za upis predmeta i ulazne kompetencije potrebne za predmet

Završen odgovarajući preddiplomski studij

Očekivani ishodi učenja na razini predmeta (4-10 ishoda učenja)

1. Definirati raspodjele podataka.
2. Primijeniti statističke testove hipoteze u kemiji.
3. Upotrijebiti metode eksploracije podataka na realne kemijske sustave.
4. Znati dizajnirati eksperimentalni postupak.
5. Primijeniti metode modeliranja i optimizacije te znati ekstrahirati korisne informacije.
6. Znati kalibrirati analitički sustav, obraditi mjerni signal s ciljem dobivanja korisne informacije

Sadržaj predmeta detaljno razrađen prema satnici nastave

1. tjedan: Uvod u kemometriju. Vrste eksperimentalnih podataka. Relacija između eksperimentalnih podataka, informacije i znanja. Seminar: Osnovni statistički pojmovi u MS Excelu
2. tjedan: Osnove statistike u kemometriji. Vjerojatnost. Raspodjela podataka. Deskriptivna statistika. Točnost i preciznost. Seminar: Osnovni statistički pojmovi u Wolfram Mathematici
3. tjedan: Testovi hipoteze. Parametarski testovi. Testovi značajnosti - t-test, F-test, ANOVA, test normalnosti razdiobe. Seminar: Osnovni statistički pojmovi u Statistici
4. tjedan: Jednofaktorska analiza varijance. Višefaktorska analiza varijance. Seminar: Testovi značajnosti u MS Excelu
5. tjedan: Eksperimentalni dizajn i optimizacija. Seminar: Testovi značajnosti u Wolfram Mathematici.
6. tjedan: Kvaliteta analitičkog mjerenja - procjena varijabilnosti, usporedni testovi, mjerna nesigurnost. Seminar: Testovi značajnosti u Statistici
7. tjedan: Regresijska analiza, metoda najmanjih kvadrata: linearni modeli, testovi značajnosti regresijskih parametara. Seminar: Regresijske analize u MS Excelu
8. tjedan: Eksploracijska analiza podataka. Kompleksni uzorak. Prepoznavanje uzorka. Metode prepoznavanja uzorka sa i bez vanjskog učitelja. Rotacija. Seminar: Regresijske analize u Wolfram Mathematici.
9. tjedan: Analiza glavnih komponenata. Matrica kovarijance. Vlastite vrijednosti i vlastiti vektori. Principi smanjivanja broja dimenzija. Seminar: Regresijske analize u Statistici.
10. tjedan: Hijerarhijska klaster analiza. Udaljenost i sličnost. Jednostruko, potpuno i centroidno povezivanje. Dendogrami. Seminar: Analiza glavnih komponenata u Wolfram Mathematici
11. tjedan: Klasifikacija. Linearni i nelinearni model klasifikacije. Metoda K-najbližih susjeda. Metoda neovisnog modeliranja analogije klasa. Seminar: Analiza glavnih komponenata u Statistici
12. tjedan: Obrada signala. Detekcija signala, granica detekcije, granica odluke i granica kvantifikacije. Skaliranje. Popunjavanje. Usrednjavanje. Filtriranje. Izravnavanje. Višestruko uzorkovanje. Fourierove transformacije. Modulacija signala. Derivacije signala. Dekonvolucija. Seminar: Fourierove transformacije u Wolfram Mathematici
13. tjedan: Optimizacija. Funkcije kriterija ocjenjivanja. Donošenje odluka na osnovi više kriterija. Pareto optimalnost. Derringerova funkcija. Seminar: Fourierove transformacije u Mathlabu
14. tjedan: Algoritmi za optimizaciju. Simplex. Genetički algoritmi. Osnovni principi, namjena i primjeri upotrebe. Seminar: Linearni i nelinearni modeli klasifikacije u Statistici
15. tjedan: Molekulsko modeliranje. Optimizacija strukture. Izračunavanje deskriptora. Povezivanje fizikalnih i kemijskih svojstva sa strukturnim svojstvima molekula. Seminar: Algoritmi za optimizaciju u Statistici

Vrste izvođenja nastave:

Obveze studenata