Il disegno degli esperimenti (DOE, Design of Experiments) è l’insieme dei metodi statistici con cui si pianificano prove, trattamenti, fattori e misure per ottenere inferenza affidabile con il minor spreco possibile di risorse. Invece di raccogliere dati in modo opportunistico, il DOE decide prima quali combinazioni provare, in quale ordine e con quale struttura.
In ingegneria è uno strumento essenziale per confrontare trattamenti, ottimizzare processi, valutare robustezza, stimare interazioni tra fattori e costruire modelli empirici di risposta.
1. Obiettivo
Un esperimento progettato bene separa effetto, rumore e bias. La domanda non è solo “quali dati raccogliere?”, ma:
- quali fattori possono influenzare la risposta;
- quali livelli sono tecnicamente rilevanti;
- quali combinazioni vanno provate;
- quante repliche servono;
- quali fonti di variabilità vanno bloccate;
- quali interazioni sono plausibili;
- quale decisione dovrà essere presa dopo l’esperimento.
Il DOE parte quindi dalla decisione finale e risale al piano di prove necessario per sostenerla.
2. Fattori, livelli e risposta
Un fattore è una variabile controllata, come temperatura, pressione, velocità, materiale, algoritmo o impostazione di processo. I livelli sono i valori assunti dal fattore. La risposta è la variabile misurata: resistenza, difettosità, rendimento, consumo, tempo, qualità o costo.
Una combinazione di livelli è un trattamento. Se si studiano più fattori simultaneamente, si entra nel dominio del disegno fattoriale.
3. Tre principi classici
La randomizzazione assegna trattamenti o ordine delle prove in modo casuale. Protegge da bias sistematici legati a tempo, operatore, ambiente o deriva degli strumenti.
La replicazione ripete prove indipendenti nelle stesse condizioni. Serve a stimare l’errore sperimentale e a distinguere effetti reali da rumore.
Il blocco sperimentale controlla fonti note di variabilità, come lotto, giornata, macchina o operatore, confrontando i trattamenti entro gruppi omogenei.
Questi tre principi sono più importanti di molte formule successive: senza di essi, l’analisi statistica può apparire rigorosa ma poggiare su dati non difendibili.
4. Repliche e ripetizioni
Una replica è una nuova esecuzione indipendente della stessa condizione sperimentale. Una ripetizione tecnica, invece, può essere una misura ripetuta dello stesso pezzo o della stessa prova.
La distinzione è cruciale. Misurare tre volte lo stesso campione riduce l’errore di misura, ma non stima la variabilità del processo completo. Per stimare variabilità di produzione servono repliche che includano nuovamente preparazione, impostazione, esecuzione e misura.
5. Disegni fattoriali
I disegni fattoriali variano più fattori in combinazione. Il vantaggio è stimare effetti principali e interazioni. Un effetto principale descrive il cambiamento medio dovuto a un fattore; un’interazione indica che l’effetto di un fattore dipende dal livello di un altro.
La presenza di interazioni è una delle ragioni per cui la strategia “un fattore alla volta” è debole. Se due fattori interagiscono, provarli separatamente può portare a conclusioni sbagliate.
6. Screening
Quando i fattori candidati sono molti, si usano disegni di screening per identificare quelli più influenti. Disegni come Plackett-Burman o fattoriali frazionari riducono il numero di prove accettando una certa struttura di confondimento.
Lo screening è utile nelle fasi iniziali, ma non dovrebbe essere l’ultimo passo quando le decisioni sono costose. I fattori selezionati vanno confermati e studiati con disegni più mirati.
7. Modellazione della risposta
Un modello sperimentale semplice può essere:
Qui \beta_1 e \beta_2 rappresentano effetti principali, mentre \beta_{12} rappresenta l’interazione. L’analisi può usare ANOVA, regressione, test F e diagnostica dei residui.
La forma del modello deve riflettere il disegno. Non ha senso stimare interazioni che il piano non consente di separare.
8. Disegno robusto
Il disegno robusto cerca impostazioni che rendano il prodotto o processo poco sensibile a fattori di disturbo. Il metodo Taguchi ha reso popolare l’uso di matrici ortogonali e rapporti segnale-rumore per questo obiettivo.
Il principio generale è importante: non basta massimizzare la media della prestazione; spesso bisogna ridurre variabilità e sensibilità alle condizioni operative.
9. Dimensione campionaria e potenza
Un esperimento deve avere abbastanza informazione per rilevare effetti tecnicamente rilevanti. La dimensione campionaria dipende da variabilità attesa, grandezza minima dell’effetto, livello di significatività, potenza desiderata e struttura del disegno.
Ridurre troppo le prove può rendere l’esperimento incapace di distinguere segnale e rumore. Aumentarle senza disegno, però, può solo produrre più dati distorti.
10. Errori comuni
Il primo errore è pianificare l’analisi dopo avere visto i dati. Il disegno deve anticipare il modello inferenziale.
Il secondo errore è non randomizzare l’ordine delle prove, lasciando che tempo, usura o operatore si confondano con i fattori.
Il terzo errore è ignorare interazioni. In molti processi reali le interazioni sono proprio ciò che rende difficile l’ottimizzazione.
Il quarto errore è usare molte prove ma poche repliche reali. Senza stima dell’errore sperimentale, gli effetti osservati possono essere difficili da valutare.
11. Uso operativo
Un piano DOE completo dovrebbe specificare obiettivo, fattori, livelli, risposta, unità sperimentali, randomizzazione, blocchi, repliche, vincoli, modello di analisi e criterio decisionale. La qualità dell’esperimento non si misura dal numero di dati raccolti, ma dalla capacità del disegno di separare gli effetti rilevanti dalle fonti di variabilità.