Insegnamento mutuato da: B032747 - STATISTICS FOR EXPERIMENTS AND FORECASTS IN THE FIELD OF TECHNOLOGY Laurea Magistrale in MANAGEMENT ENGINEERING
Lingua Insegnamento
STATISTICA PER LA SPERIMENTAZIONE IN AMBITO TECNOLOGICO (R.BERNI-6 CFU)
INGLESE
------
METODI DI PREVISIONE A.Magrini -3CFU)
INGLESE
Contenuto del corso
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 (A. Magrini -3CFU) presenta i principali metodi di analisi e previsione per fenomeni rilevati nel tempo (time series).
***Per gli studenti di LM in Statistica e Data Science, vedere la sezione “Altre informazioni”
STATISTICA PER LA SPERIMENTAZIONE IN AMBITO TECNOLOGICO (R.BERNI-6 CFU)
1-Montgomery DC, 1991, Design and analysis of experiment, Wiley- (capitoli n. 4,5, 6,8; 10; 11 (fino a 4.2 incluso);
2-Khuri I e Cornell JA, 1987, Response surfaces: design and analyses, Ed. Marcel Dekker- (capitoli n. 1, 4, 5).
3-Berni R.,2014 working paper elettronico n.10;
http://local.disia.unifi.it/wp_disia/2014/wp_disia_2014_10.pdf
Materiale complementare distribuito dal docente (fotocopie per esempi ed esercitazioni);
Nota: Tutti i testi di riferimento sono disponibili alla biblioteca del Polo di Scienze Sociali.
Altri testi **consultabili**:
Introduzione alla Statistica Applicata con esempi in R. Federico M. Stefanini, Ed. Pearson.
Probabilità e statistica per l'ingegneria e le scienze; Sheldon M. Ross; Ed.Apogeo.
------
METODI DI PREVISIONE (A. Magrini - 3CFU)
• Wayne A. Woodward, Henry L. Gray, Alan C. Elliot (2017). Applied Time Series Analysis with R, 2nd edition, CRC Press.
**consultabile**:
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
STATISTICA PER LA SPERIMENTAZIONE IN AMBITO TECNOLOGICO (R.BERNI-6 CFU)
Sviluppare conoscenze e capacità finalizzate all'analisi dei dati tramite modelli statistici, considerando aspetti peculiari della statistica di base e in ambito tecnologico. 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 (A. Magrini - 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
Analisi matematica, algebra lineare, calcolo delle probabilità, inferenza statistica, modello lineare, capacità di utilizzare linguaggi di programmazione.
Metodi Didattici
STATISTICA PER LA SPERIMENTAZIONE IN AMBITO TECNOLOGICO (R.BERNI-6 CFU)
Lezione frontale con slides e lavagna; possibile uso anche del 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 (A. Magrini -3CFU)
Lezione frontale (slides messe a disposizione al termine della lezione) + esercitazioni in aula attrezzata. In alternativa gli studenti portano il proprio portatile.
*****NOTA IMPORTANTE PER GLI STUDENTI DELLA LM IN STATISTICA E DATA SCIENCE: per la parte da 3 CFU da sostenere con la docente Rossella Berni, contattarla per avere le precise indicazioni sull’inizio e le date precise delle lezioni da frequentare*****
Altre Informazioni
Utilizzo piattaforma Moodle
*****NOTA IMPORTANTE SOLO PER AA 23-24 E PER GLI STUDENTI DELLA LM IN STATISTICA E DATA SCIENCE: l’insegnamento B032747 - STATISTICS FOR EXPERIMENTS AND FORECASTS IN THE FIELD OF TECHNOLOGY mutua sull’insegnamento B031816 - STATISTICAL METHODS FOR FORECASTING AND QUANTITATIVE MARKETING (LM in Statistica e Data Science). A tal fine:
- STATISTICA PER LA SPERIMENTAZIONE IN AMBITO TECNOLOGICO (R. Berni-3CFU): gli studenti dovranno svolgere ulteriori argomenti ad hoc relativi agli esperimenti di scelta, da concordare con la docente;
- METODI DI PREVISIONE (A. Magrini-3CFU): gli studenti dovranno svolgere ulteriori argomenti ad hoc sui modelli statistici per la stima degli effetti causali dinamici e la previsione di serie temporali multivariate, da concordare col docente.
****
Modalità di verifica apprendimento
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 (A. Magrini-3CFU)
Esame composto di due parti:
1) analisi di serie temporali reali con predisposizione di un report scritto (30 % del voto finale);
2) esame orale in cui si discute il report e lo studente risponde a domande di teoria (70% del voto finale).
La parte n. 1 è indispensabile per essere ammessi alla parte n. 2.
------
Voto finale dell’insegnamento (9 CFU) calcolato come media ponderata delle due parti.
**L'esame METODI DI PREVISIONE (A.Magrini-3CFU) deve essere sostenuto prima dell'esame STATISTICA PER LA SPERIMENTAZIONE IN AMBITO TECNOLOGICO (R. Berni-6 CFU).**
--------------------------------------------------------
Per gli studenti della LM in Statistica e Data Science: il voto finale dell'insegnamento (6 CFU) sarà calcolato come media dei voti conseguiti nei due moduli da 3 CFU.
Programma del corso
STATISTICA PER LA SPERIMENTAZIONE IN AMBITO TECNOLOGICO (R.BERNI-6 CFU)
Il corso di 6 CFU, parzialmente modificato nella parte iniziale rispetto agli AA precedenti,
è sostanzialmente formato da 3 parti tra loro strettamente collegate, come verrà illustrato
durante il corso.
PARTE 1.
Concetto di variabile e di fattore; variabile qualitativa e quantitativa; discreta e continua;
modalità di una variabile; livelli di un fattore.
Modello di regressione lineare semplice e multipla; stima dei parametri, metodo dei minimi quadrati ordinari-OLS; covarianza, indice di correlazione. Misure diagnostiche, Indice R-quadro e R-quadro adjusted.
Esempi, analisi dei residui. Test di significatività sul singolo parametro e su "gruppi" di parametri.
Intervallo di confidenza ed intervallo di previsione nella regressione multipla. Test del Lack-of-Fit (anche in parte 3).
Nel laboratorio (in R): regressione con variabili quantitative e qualitative (dummy).
Esempi e relazione tra modello di regressione e Analisi della Varianza- ANOVA.
PARTE 2.
ANOVA (one-way, two-way) e disegno degli esperimenti, differenza tra dato osservazionale e dato sperimentale; fondamenti del DOE(replicazione, fonte di variabilità, randomizzazione). Disegno A Blocchi R.C., QL, concetto di fattore sperimentale e sub-sperimentale,
fattore blocco e fattore noise; concetto di interazione tra fattori,
disegno fattoriale completo, fattoriale frazionale a 2 livelli (Risoluzione, effetto di cofondimento e aliasing, alias pattern, stringa definitoria e costruzione fattoriale frazionale).
Nelle esercitazioni: ANOVA, strategia di modello nell'ANOVA; ANOVA con fattoriale frazionale; classificazione del p-value; concetto di effetto nullo e/o trascurabile.
PARTE 3.
Metodologia delle Superfici di Risposta e Disegno Split-plot
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
MSR del I ordine (disegni del I ordine- vedi parte 2; modello polinomiale del I ordine e
metodo ottimizzazione steepest ascent/discent; Test Lack-of-Fit e test curvatura; Pure error e replicazioni nel centro del disegno); MSR II ordine (CCD, fattoriale completo a tre fattori).
Disegno split-plot, disegno sperimentale di base, e 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.
Proprietà dei disegni nella MSR. Metodi ottimizzazione: analisi canonica e ridge analysis.
Nelle esercitazioni (in SAS): modelli polinomiali del II ordine (MSR) e strategia
di modello nella MSR; ottimizzazione e settaggio dei livelli dei fattori/variabili
per ottimizzazione robusta di processo e prodotto (approccio duale locazione/dispersione e approcci semplificati in caso di più risposte).
Alla fine verranno presentati 3 casi di studio reali per illustrare in modo esaustivo tutto l'insegnamento.
Le esercitazioni costituiscono parte integrante del programma.
------
METODI DI PREVISIONE (A. Magrini-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
Obiettivi Agenda 2030 per lo sviluppo sostenibile
Si illustrano casi di studio con finalità di miglioramento dell'ambiente