Insegnamento mutuato da: - STATISTICA PER LA SPERIMENTAZIONE E LE PREVISIONI IN AMBITO TECNOLOGICO Laurea Magistrale in INGEGNERIA GESTIONALE
Lingua Insegnamento - Parte A
STATISTICA PER LA SPERIMENTAZIONE IN AMBITO TECNOLOGICO (R.BERNI-6 CFU)
Italiano se tutti gli studenti sono in grado di comprendere la lingua Italiana (altrimenti lingua Inglese)
------
METODI DI PREVISIONE (F.Cipollini-3CFU)
Inglese se tutti gli studenti frequentanti sono d’accordo; altrimenti italiano
Contenuto del corso - Parte A
Il corso è diviso in due parti:
STATISTICA PER LA SPERIMENTAZIONE IN AMBITO TECNOLOGICO (R.BERNI-6 CFU)
illustra il disegno degli esperimenti e l’ottimizzazione per un prodotto/processo in ambito tecnologico;
METODI DI PREVISIONE (F.Cipollini-3CFU) presenta i principali metodi di analisi e previsione per fenomeni rilevati nel tempo (time series).
STATISTICA PER LA SPERIMENTAZIONE IN AMBITO TECNOLOGICO (R.BERNI-6 CFU)
1-Cox DR e Reid N, 2000, The theory of the design of the experiment, Chapman & Hall- (capitoli n. 1 e n.2) 2-Montgomery DC, 1991, Design and analysis of experiment, Wiley- (capitoli n. 4,5,6,9).
3-Khuri I e Cornell JA, 1987, Response surfaces: design and analyses, Ed. Marcel Dekker- (capitoli n. 1, 4, 5, 7).
4-Berni R.,2014 working paper elettronico n.10;
http://local.disia.unifi.it/wp_disia/2014/wp_disia_2014_10.pdf
5-Atkinson A.C., Donev A.N., 1992, Optimum experimental design, Oxford Statistical Science
Series, Clarendon Press- (capitoli n.1, 5, 9, 20);
Materiale complementare distribuito dal docente riguardo a: metodologia delle superfici di risposta; disegni ottimi, computer experiments.
Nota: Tutti i testi di riferimento sono disponibili alla biblioteca del Polo di Scienze Sociali.
------
METODI DI PREVISIONE (F.Cipollini-3CFU)
• Montgomery, D. C., Jennings, C. L. and Kulahci, M. (2015). Introduction to Time Series Analysis and Forecasting, 2nd ed., Wiley Series in Probability and Statistics
o, in alternativa,
Søren Bisgaard, Murat Kulahci (2011).
Time Series Analysis and Forecasting by Example, John Wiley & Sons.
• Materiale complementare distribuito dal docente riguardo a: programmazione in R; analisi e trattamento dei valori anomali
Obiettivi Formativi - Parte A
STATISTICA PER LA SPERIMENTAZIONE IN AMBITO TECNOLOGICO (R.BERNI-6 CFU)
Sviluppare conoscenze e capacità finalizzate a pianificare un disegno sperimentale in modo efficiente, al fine di ottimizzare un prodotto o processo produttivo rispetto a caratteristiche (specifiche) di qualità e affidabilità (cc1, ca1). Questo anche in relazione al prodotto/processo analizzato, al relativo contesto (fonti di variabilità esterne) e alle possibili implicazioni tecniche (cc7). Comprendere potenzialità e limiti dei metodi usati (cc8) in modo da collegare correttamente teoria e pratica (ca5) attraverso l’applicazione dei metodi teorici ai dati reali, e applicando correttamente le potenzialità dei diversi metodi rispetto al contesto reale da studiare (CT5, CT10). Sviluppare autonomia nella gestione del metodo: dalla fase di pianificazione a quella di ottimizzazione, in ottica di ottimizzazione robusta di processo (robust process optimization) (CT7).
Sviluppare abilità analitiche e critiche, che possano suggerire adattamenti o indirizzare verso altri metodi qualora la situazione lo richieda (autoapprendimento) (CT5, CT7).
------
METODI DI PREVISIONE (F.Cipollini-3CFU)
Sviluppare conoscenze e capacità finalizzate a formulare previsioni in condizioni di incertezza usando dati rilevati nel tempo (cc1, ca1). Questo anche in relazione al fenomeno analizzato, al relativo contesto e alle possibili implicazioni, sia tecniche (cc7) che non (cc9).
Comprendere potenzialità e limiti dei metodi usati (cc8) in modo da collegare correttamente teoria e pratica (ca5; ct5, ct10). Sviluppare autonomia di giudizio e abilità comunicative, anche in lingua inglese (vedi modalità di verifica dell’apprendimento; ct1, ct3, ct6).
Sviluppare abilità analitiche e critiche, che possano suggerire adattamenti o indirizzare verso altri metodi qualora la situazione lo richieda (autoapprendimento).
------
Prerequisiti - Parte A
Analisi matematica, algebra lineare, calcolo delle probabilità, inferenza statistica, modello lineare, capacità di utilizzare linguaggi di programmazione.
Metodi Didattici - Parte A
STATISTICA PER LA SPERIMENTAZIONE IN AMBITO TECNOLOGICO (R.BERNI-6 CFU)
Lezione frontale con pen tablet (slides messe a disposizione al termine della lezione); esercitazioni in aula attrezzata; casi di studio reali. Lavoro autonomo o in gruppo su dati forniti dal docente
------
METODI DI PREVISIONE (F.Cipollini-3CFU)
Lezione frontale con pen tablet (slides messe a disposizione al termine della lezione) + esercitazioni in aula attrezzata. In alternativa gli studenti portano il proprio portatile.
Altre Informazioni - Parte A
Utilizzo piattaforma Moodle
Modalità di verifica apprendimento - Parte A
STATISTICA PER LA SPERIMENTAZIONE IN AMBITO TECNOLOGICO (R.BERNI-6 CFU)
Esame orale. Le domande riguarderanno i principali argomenti contenuti nel diploma supplement. E' data particolare attenzione alla capacità critica e costruttiva dello studente, intesa come capacità di discutere in modo critico e approfondito i temi dell’insegnamento (CT5). In particolare, oltre alla teoria, lo studente/essa dovra' dimostrare di essere capace di mettere "in pratica" cio' che ha studiato, illustrando con esempi (anche desumibili dai casi di studio illustrati a lezione) gli obiettivi dei metodi studiati (CT10). Particolarmente gradita la dimostrazione di avere non solo compreso, ma anche aver assorbito i concetti dimostrando di essere capace di fare confronti fra metodi alternativi (esempio: perche' pianificare usando un disegno split-plot invece di un CCD) (CT7, CT10).
------
METODI DI PREVISIONE (F.Cipollini-3CFU)
Esame composto di due parti:
1) analisi di una time series reale con predisposizione di un report scritto (ct1, ct5, ct6, ct10);
2) esame orale in cui si discute il report (ct3) e lo studente risponde a domande di teoria.
1) è indispensabile per essere ammessi a 2). La valutazione finale si basa principalmente su 2); l’incidenza di 1) sul voto è tendenzialmente neutrale ma, a seconda della sua qualità, può comportare una penalità o un premio rispetto a 2) nel range [-3/30, +3/30].
------
Voto finale dell’esame calcolato come media ponderata delle due parti.
L'esame da 3CFU deve essere sostenuto prima dell'esame da 6CFU.
Programma del corso - Parte A
STATISTICA PER LA SPERIMENTAZIONE IN AMBITO TECNOLOGICO (R.BERNI-6 CFU)
Il programma si articola su 6 crediti e su 5 argomenti principali; Fondamenti del DoE, response surface methodology, split-plot design, optimal designs, computer experiments.
Prima introduzione al DoE, e ai concetti fondamentali.
Partendo dall’approssimazione lineare in serie di Taylor, si insegnano i principi di base della metodologia delle superfici di risposta, metodo di analisi sperimentale sequenziale (disegno sperimentale; modello statistico) considerando in particolar modo il I e il II ordine, il caso con una sola variabile di risposta e il caso multi-risposta (più variabili dipendenti). Particolare attenzione è rivolta ai metodi di ottimizzazione, distinguendo tra I e II ordine. Inoltre, data la particolare flessibilità del disegno sperimentale in questa metodologia, si descrivono gli strumenti per definire e misurare le proprietà del disegno tramite la matrice dei momenti. I disegni qui illustrati sono: fattoriale frazionale (a due livelli, a tre livelli e con livelli misti), central composite design. La seconda parte è dedicata al disegno split-plot, disegno sperimentale di base. Si preferisce dare una impostazione “moderna” di questo disegno, secondo la più recente letteratura, partendo da considerazioni storiche ed introdurlo successivamente all’interno della metodologia delle superfici di risposta. In questo contesto, si introducono anche i mixed Response Surface models, e quindi il concetto di effetto casuale.
La terza parte è dedicata all’introduzione teorica dei disegni ottimi. Ad una iniziale puntualizzazione delle differenze teoriche tra il disegno “classico” e il disegno ottimo, segue l’illustrazione dei principali criteri di ottimalità, puntualizzando l’attenzione su 2 criteri: D, e T. In particolare, data la differenza sostanziale tra i due criteri D-ottimo e T-ottimalità, si mettono in evidenza le peculiarità di ciascun criterio, considerando in particolar modo le differenze applicative.
Infine una parte finale è rivolta ai computer experiments.
NOTA: per gli studenti che possono aver già svolto la parte iniziale del programma in altri insegnamenti alla laurea triennale verrano fornite letture integrative in sostituzione, per evitare sovrapposizioni.
------
METODI DI PREVISIONE (F.Cipollini-3CFU)
• Introduzione all’ambiente R
• Introduzione all’analisi e alla previsione di time series
• Time series e processi stocastici
• Alcuni esempi di processi: White Noise, Random Walk, AR(1), MA(1)
• Simulazioni
• Processi debolmente stazionari ed ergodici
• Funzione di autocorrelazione (Acf) e test di Ljung-Box
• Processi AR (Autoregressive), MA (Moving Average) e ARMA
• Time series non stazionarie e processi ARMA integrati (ARIMA)
• Processi ARIMA con componente stagionale
• Stima, selezione e diagnostica di un modello ARIMA
• Previsione in generale e mediante modelli ARIMA
• Misure di bontà previsiva e confronto di previsioni
• Trasformazione di variabili
• Analisi e trattamento dei valori anomali (outliers)
• Uso di (eventuali) regressori esterni
• Exponential smoothing