S8 – DOE - DESIGN OF EXPERIMENT

S8 – DOE - DESIGN OF EXPERIMENT


L’80% dei costi totali di sviluppo di un prodotto/processo sono “impegnati” prima di aver fabbricato il primo pezzo “buono”. Funzioni maggiormente responsabili sono la Ricerca & Sviluppo, la Progettazione con i relativi test.Enti che traducono i requisiti prestazioni del Cliente in specifiche funzionali e di prodotto. È quindi importante “ottimizzare” al massimo questi step di sviluppo per ottenere le migliori performance, riducendo collaudi ed esperienze a un numero minimo, che consenta di fornire vera informazione agli specialisti. DOE è quindi la metodologia statistica più strutturata per garantire di raggiungere questi obiettivi. Il corso proposto, ricco di esempi applicativi e di interazioni docente-partecipante, consentirà di prendere confidenza con questo approccio“razionale” di sperimentazione e parameter setting, grazie all’uso di SW statistici professionali e MS Excel.


A CHI È RIVOLTO

• Progettisti di prodotto/processisti
• Ingegneri di processo/di manutenzione
• Responsabili del processo produttivo
• Responsabili Testing/Collaudo
• Quality Managers

APPRENDERETE A...

• Fornire ai partecipanti l’opportunità di poter confrontarsi su come progettare le prove, e combinazioni migliori per il settaggio di un processo, per gli elementi di una ricettazione, che rendono “ottimale” la prestazione “chiave”
• Minimizzare gli elementi di disturbo/sovra-specifiche
• Semplificare le prove inizialmente lunghe, molto costose, grazie a DOE possono essere rese più snelle, semplificate, massimizzando il ritorno informativo
• Attraverso esempi e “case study” ogni partecipante potrà “praticare” il DOE nei suoi aspetti più caratteristici, chiarendone le potenzialità, i criteri di utilizzo e le possibili applicazioni nel proprio contesto di lavoro

ESERCITAZIONI, PROGETTI E CASE STUDIES

• Procedendo da iniziale richiamo di Statistica Descrittiva e Inferenziale, cui seguiranno i principali Piani Multifattoriali e le relative tecniche di ricerca della “economia” sperimentale limitando il numero di prove, ogni partecipante realizzerà per ognuno di questi passi più analisi dei dati con de-briefing metodologico da parte del relatore

I PLUS:

Il corso prevede un uso esteso e interattivo di simulazioni statistiche su “casi aziendali” dove DOE ha dato notevoli vantaggi. Ciò sarà svolto direttamente dai partecipanti elaborando dati forniti dal relatore e con supporto software di Minitab™ o equivalenti


PREZZO:
Quota Singola 985€ – Quota Multipla 885€, Valori compresivi di materiale didattico, attestato, coffee break e colazione di lavoro


DATE:
23 - 24 Febbraio 2026

21 - 22 Luglio 2026




PROGRAMMA


1. RICHIAMI DI STATISTICA

Pensare in modo statistico in Azienda

• Definire il problema e l’area di indagine
• Modello “black-box”: risposta, fattori di input edisturbo (Causa-Effetto)

Dati… Ma per farne cosa?

• Tipi di dati/tipi di raccolte dati (dati discreti vs. datimisurabili)
• Tecniche e procedura di raccolta dati

Conoscere/riconoscere la distribuzione statistica dei dati

• Le distribuzioni di frequenza (dati discreti vs. datimisurabili)
• Indicatori di “centralità”: media, mediana e moda
• Indicatori di “dispersione”: range, sigma e coeff. divariazione
• La “fotografia” di un fenomeno “discreto”: diagrammidi frequenza (Pareto,…)

Comprendere e stimare la probabilità (rischio) diun dato evento

• Concetto di variabile casuale
• Distribuzioni “notevoli”, utili alla stima e lororiconoscimento in una data realtà operativa: NormalProbability Plot, Log Normal, Weibull
• La “fotografia” di un fenomeno “misurabile”: Istogramma/Box-Whiskers Plot

Process Capability

• Prestazione attese da un processo (standards) vs.prestazioni fornite
• Concetto di capability Cp,Cpk,Cpm, ...)
• Concetto di stabilità di un processo “a target” (Cartedi andamento, …)

Caratterizzare le “condizioni” di lavoro e suggerirecambiamenti

• Concetto di ‘”ipotesi statistica” - ciclo PDCA & DMAICper risolvere un problema
• Errori statistici di I° e II° tipo

Comparazione fra più modi di operare

• Uno schema di sintesi delle possibili situazioni in cuici si può trovare
• Comparazione “parametrica”: ANOVA e il “modello”della media per un processo

Correlazione e regressione di variabili in un fenomeno

• Concetto di correlazione/coefficiente di correlazione(Scatterplot)
• Correlazione semplice e multipla
• Concetto di regressione e differenza con la correlazione
• Modelli di analisi di regressione (lineare, polinomiale)(Scatterplot)

2. SPERIMENTARE PER MEGLIO CONOSCERE EPOTER SCEGLIERE

Gli obiettivi della “sperimentazione”

• Definizione di “sistema” e caratteristiche funzionali
• Fattori di controllo e di disturbo

I principi sperimentali di Fisher e la modellazione

• Introduzione ai modelli fattoriali e regressivi
• Stima degli effetti/Non linearità della risposta
• Randomizzazione, replicazione, blocking dei fattori

3. METODI PER ANALIZZARE I RISULTATISPERIMENTALI

Modelli “fattoriali”

• Analisi delle medie (ANOVA) con un fattoresperimentale
• Errori del 1° e del 2° tipo – Potenza del test
• Il concetto di interazione tra fattori
• Il Diagramma di Hasse per stimare i gdl delle diversecomponenti della media
• ANOVA multifattoriale. Quando ricorrere al blocking
• Casi sperimentali “a effetti fissati” e “a effetti casuali”
• Check delle ipotesi di Fisher: analisi dei residui (grafici e non)
• Assenza di “memoria” del sistema, assenza di “outliers”

Modelli “regressivi”

• Regressione lineare semplice
• Stima dei parametri del modello
• Controlli di ipotesi sulla significatività del modello
• Regressione lineare multipla
• Check delle ipotesi di Fisher: Analisi dei residui (graficie non)
• Assenza di “memoria” del sistema, assenza di “outliers”

4. PROGETTARE LE PROVE IN MODO OTTIMALE

• Piani di prove per modelli fattoriali completi/ridotti(PFC/PFR)
• Numero minimo di prove/Confounding e Aliasing
• Ottimizzazione con stima della risposta sul PFC
• Esperimenti di screening fra molti fattori (Plackett-Burman)
• Piani ruotabili (FCCCD, Box-Behnken)
• Piani ortogonali (Taguchi)