Non sono previste propedeuticità formali. Sono tuttavia preferibili, ma non obbligatorie, alcune conoscenze pregresse che facilitano l'apprendimento dei contenuti: i fondamenti di calcolo delle probabilità e statistica inferenziale (variabili aleatorie e principali distribuzioni, stima e verifica d'ipotesi), gli elementi di algebra lineare e analisi matematica del percorso triennale, una conoscenza di base dei sistemi di produzione e dei processi industriali e una prima familiarità con un ambiente di calcolo tecnico-scientifico (MATLAB e/o Python).

L'insegnamento affronta la gestione e il controllo della qualità nei moderni sistemi di produzione di beni e servizi, integrando l'ingegneria statistica della qualità con le più recenti metodologie di analisi dei dati e di automazione intelligente dei processi. Nella prima parte sono trattati il controllo statistico di processo (SPC), le carte di controllo, la valutazione della capacità di processo, l'analisi dei sistemi di misura e la progettazione e analisi degli esperimenti (Design of Experiments e ANOVA). Nella seconda parte tali fondamenti sono estesi al paradigma data-driven della "Quality 4.0": modelli di apprendimento statistico per la previsione e la classificazione, metodi di inferenza causale e ottimizzazione prescrittiva a supporto delle decisioni, e architetture di automazione agentica dei processi basate su modelli linguistici di grandi dimensioni. Il corso adotta un approccio quantitativo e applicativo, con costante riferimento a casi di studio reali e simulati.

Il corso mira a fornire competenze avanzate, metodologiche e applicative, per la progettazione, il monitoraggio e il miglioramento continuo della qualità di prodotti e processi. Gli obiettivi sono articolati secondo i descrittori di Dublino.

Conoscenza e capacità di comprensione. Lo studente conosce i fondamenti teorici del controllo statistico di processo, delle carte di controllo (Shewhart, CUSUM, EWMA), dell'analisi della capacità di processo e dei sistemi di misura, della progettazione degli esperimenti e dell'analisi della varianza; comprende inoltre i principi dei modelli di apprendimento statistico, dell'inferenza causale e dell'automazione agentica dei processi.

Capacità di applicare conoscenza e comprensione. Lo studente è in grado di progettare e analizzare esperimenti fattoriali, costruire e interpretare carte di controllo, valutare la capacità di un processo e implementare pipeline di analisi predittiva, causale e prescrittiva a supporto delle decisioni di qualità, avvalendosi di strumenti di calcolo scientifico.

Autonomia di giudizio. Lo studente sa selezionare la metodologia più appropriata a un dato problema di qualità, valutarne criticamente ipotesi e limiti e interpretare i risultati anche sotto il profilo dell'affidabilità, dell'equità e della sostenibilità delle decisioni automatizzate.

Abilità comunicative. Lo studente è in grado di documentare e presentare in forma tecnica e rigorosa analisi, risultati e raccomandazioni operative, anche in lingua inglese.

Capacità di apprendimento. Lo studente acquisisce l'autonomia necessaria ad aggiornarsi sulle evoluzioni metodologiche e tecnologiche del settore, integrando approcci statistici consolidati e metodi emergenti basati sui dati.

L'insegnamento si articola in lezioni frontali dedicate agli aspetti teorico-metodologici ed esercitazioni pratiche condotte in ambiente MATLAB e/o Python, in cui gli studenti applicano le tecniche introdotte a dataset reali e simulati (carte di controllo, piani sperimentali, ANOVA, modelli predittivi e causali). La didattica è integrata da analisi di casi di studio e da un lavoro d'anno progettuale, individuale o in piccoli gruppi, che richiede l'applicazione autonoma e critica delle metodologie del corso a un problema di qualità, con sviluppo di codice. Sono inoltre previsti approfondimenti seminariali su temi avanzati (Quality 4.0, ottimizzazione prescrittiva, automazione agentica governata).

La valutazione si fonda su un lavoro d'anno e su una prova orale. Il lavoro d'anno, da inviare al docente almeno 10 giorni prima della data d'appello, consiste in una relazione tecnica accompagnata dal codice di elaborazione dati sviluppato in Python o MATLAB, con cui lo studente affronta un problema di qualità applicando le metodologie del corso. La prova orale verte sulla discussione critica del lavoro d'anno e sull'accertamento della padronanza dei contenuti teorico-metodologici dell'insegnamento.

Gli appelli d'esame sono fissati secondo il calendario didattico di Ateneo e distribuiti nelle sessioni previste (estiva, autunnale e straordinaria/invernale). La prenotazione a ciascun appello avviene obbligatoriamente tramite il sistema ESSE3 entro i termini indicati.

Si consiglia agli studenti di disporre di un proprio calcolatore con MATLAB e/o Python installati per seguire le attività pratiche. Il ricevimento studenti si tiene su appuntamento concordato via e-mail con il docente. Parte del materiale e alcuni riferimenti bibliografici sono in lingua inglese. Il lavoro d'anno può essere svolto individualmente o in piccoli gruppi, secondo le indicazioni fornite a inizio corso.

Il corso si sviluppa su un totale di 81 ore di lezione, così articolate per macro-argomento:

1. Qualità nei sistemi di produzione e richiami di statistica per la qualità (6 ore). Concetti e dimensioni della qualità, variabilità dei processi, fondamenti statistici e inferenziali a supporto delle metodologie del corso.
2. Controllo statistico di processo (SPC) e carte di controllo (15 ore). Carte di controllo per variabili e per attributi, carte di Shewhart, CUSUM ed EWMA, regole di fuori controllo, analisi delle cause e monitoraggio dei processi.
3. Analisi della capacità di processo e dei sistemi di misura (9 ore). Indici di capacità (Cp, Cpk, Pp, Ppk), studi di ripetibilità e riproducibilità (Gage R&R) e valutazione dell'adeguatezza dei sistemi di misura.
4. Progettazione e analisi degli esperimenti. DoE e ANOVA (18 ore). Piani fattoriali completi e frazionari, analisi della varianza a uno e più fattori, superfici di risposta e ottimizzazione sperimentale, con applicazioni ai processi di lavorazione.
5. Apprendimento statistico per la qualità (12 ore). Modelli di regressione e classificazione, valutazione e validazione dei modelli, gestione dello sbilanciamento e metriche di performance a supporto del controllo qualità e della manutenzione predittiva.
6. Inferenza causale, uplift modeling e ottimizzazione prescrittiva (9 ore). Dal paradigma predittivo a quello prescrittivo-causale: stima degli effetti causali, framework Predict-Then-Optimize.
7. Automazione agentica dei processi e governance della qualità. Quality 4.0 (6 ore). Architetture di process automation basate su modelli linguistici, robustezza, guardrail, tracciabilità e supervisione umana delle decisioni automatizzate.
8. Esercitazioni di laboratorio e casi di studio in MATLAB/Python (6 ore). Applicazione integrata delle metodologie a dataset reali e simulati e sviluppo del codice a supporto del lavoro d'anno.

• D. C. Montgomery, Introduction to Statistical Quality Control, Wiley (ultima edizione).
• D. C. Montgomery, Design and Analysis of Experiments, Wiley (ultima edizione).
• G. E. P. Box, J. S. Hunter, W. G. Hunter, Statistics for Experimenters: Design, Innovation, and Discovery, Wiley.
• T. Hastie, R. Tibshirani, J. Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Springer.
• Materiale didattico integrativo, dispense e articoli scientifici selezionati sui temi dell'inferenza causale, dell'uplift modeling, dell'ottimizzazione prescrittiva e dell'automazione agentica dei processi, forniti dal docente durante il corso.