Introduzione al Corso

Analisi Dati e Statistica, 2025–26

Paolo Bosetti

Università di Trento, Dipartimento di Ingegneria Industriale

Ultimo aggiornamento: 29/09/2025

Introduzione al corso

Di cosa ci occuperemo per le prossime 60 ore assieme

Ingegneria Industriale

  • Cosa significa “industriale”?
  • Si parla di produzione industriale per indicare la fabbricazione di beni materiali in serie, su scala massiva, e non in modo artigianale
  • In questo si differenzia dall’Ingegneria Civile (no serie) e dell’Informazione (beni immateriali)

✨ ChatGPT: Su quali competenze si basa l’Ing. Ind.?

  1. Technical and Analytical Skills
  • Mathematics & Statistics → probability, regression, hypothesis testing, statistical process control.
  • Operations Research → optimization, linear/nonlinear programming, queuing theory, simulation.
  • Manufacturing Processes & Systems → knowledge of machining, automation, robotics, additive manufacturing.
  • Data Analysis & Modeling → ability to collect, clean, interpret data, and build predictive/optimization models.
  • Quality Engineering → Six Sigma, lean manufacturing, total quality management (TQM).

✨ ChatGPT: Su quali competenze si basa l’Ing. Ind.?

  1. Systems and Process Competence
  • Systems Thinking → seeing the whole system (supply chain, production, logistics, people).
  • Process Design & Improvement → workflow analysis, time & motion studies, ergonomics.
  • Supply Chain & Logistics → inventory management, distribution systems, demand forecasting.
  • Project Management → planning, scheduling (PERT/CPM, Gantt), resource allocation.
  • Sustainability & Safety → environmental impact analysis, occupational safety standards.

✨ ChatGPT: Su quali competenze si basa l’Ing. Ind.?

  1. Digital and Technological Competence
  • Industrial Software → CAD/CAM, ERP (e.g., SAP), MES, PLM systems.
  • Programming & Simulation Tools → Python, MATLAB, R, Arena, Simulink, AnyLogic.
  • Data-driven Methods → machine learning, IoT, digital twins for smart manufacturing.
  • Automation & Control → PLCs, SCADA, robotics basics.

✨ ChatGPT: Su quali competenze si basa l’Ing. Ind.?

  1. Managerial and Soft Skills
  • Decision-Making → balancing cost, quality, and time under uncertainty.
  • Communication & Teamwork → writing reports, making technical presentations, working in cross-disciplinary teams.
  • Leadership & Change Management → guiding continuous improvement, Kaizen culture.
  • Economic & Financial Analysis → cost-benefit analysis, ROI, life-cycle costing.
  • Ethics & Professionalism → considering social and human impact of engineering decisions.

Analisi statistica dei dati

Questo corso fornisce le competenze essenziali perché un ingegnere sia in grado di analizzare e visualizzare correttamente i dati risultanti da esperimenti scientifici (cioè condotti in laboratorio) o industriali (cioè condotti sul campo, ottenendo dati direttamente da un sistema di produzione)

Analisi statistica dei dati

Ogni esperimento è basato su un’operazione di misura, la quale produce dati quantitativi che contengono un contributo deterministico e un contributo aleatorio, cioè casuale

  • Il primo è proprio del fenomeno in analisi
  • il secondo deriva dal contesto: condizioni operative, sistema di misura, materie prime, condizioni ambientali, operatore, ecc.

Un bravo sperimentatore ha le competenze che gli consentono di isolare il primo contributo dal secondo, ottenendo quindi informazioni più affidabili e ripetibili

Inoltre, un bravo sperimentatore è in grado di comunicare i risultati in modo chiaro e comprensibile e presentandoli in maniera efficace (grafici!)

Analisi statistica dei dati

Dato che l’analisi dei dati richiede capacità di calcolo, il corso legherà strettamente sia gli aspetti teorici che quelli implementativi, integrando cioè la teoria con la pratica di eseguire al calcolatore gli stessi concetti

Gli esercizi sono quindi parte integrante del corso

Imparare l’uso di un linguaggio e software di analisi dati (R + RStudio) è parte integrante del corso

Il linguaggio R

  • È un linguaggio nativamente grafico e nato per l’analisi statistica
  • Useremo un ambiente (RStudio) che consente di preparare report e documenti integrando testo, dati e algoritmi
  • Lo stesso linguaggio sarà usato anche nei corsi:
    • Analisi dei dati per l’Ingegneria (2° anno comune, 1° modulo)
    • Misure, sensori ed elaborazione dei segnali (2° anno comune)
    • Laboratorio di chimica per materiali, energia, ambiente (3° anno Materiali)

Modalità d’esame

L’esame è in due parti, tipicamente nello stesso giorno

  • prova pratica (mattina): sulla piattaforma Moodle esamionline vengono proposti una serie di esercizi in R
  • Ogni esercizio ha un punteggio prefissato
  • Gli esercizi vengono corretti automaticamente con revisione manuale per quelli che risultano errati. Il voto massimo è 26/30
  • prova orale (pomeriggio): per chi desidera migliorare il voto (fino al massimo di 30/30L). L’orale può anche peggiorare il voto della prova pratica

Non è possibile sostenere l’orale in una sessione differente dalla prova pratica

Modalità d’esame (A.A. 2024–25)

ATTENZIONE: questo corso è uno di due moduli: l’esame è quindi solo una prova parziale e non viene verbalizzato

Il voto finale verrà verbalizzato solo dopo aver superato entrambi i moduli, inclusa cioè la prova parziale del primo modulo (prof. Bertolazzi)

Tra il superamento dei due moduli non possono passare più di 4 appelli (cioè il secondo, quale che sia l’ordine, deve essere superato al massimo al 5° appello successivo al superamento del primo)

Ricordarsi di iscriversi anche all’appello di registrazione!

Argomenti del corso

  1. Statistica descrittiva e inferenziale: descrivere il comportamento di variabili aleatorie e effettuare previsioni probabilistiche
  2. Introduzione a R e RStudio
  3. Regressione: adattare un modello analitico ad una serie di dati sperimentali
  4. Tecniche di Bootstrap: analisi dell’incertezza
  5. Taratura di sistemi di misura e stima dell’incertezza
  6. Design of Experiments: progettazione efficiente delle campagne sperimentali
  7. Serie temporali: analisi e previsione di variabili aleatorie tempo-dipendenti

Materiale didattico