Metodi quantitativi per l’interpretazione dei dati e la verifica empirica dei modelli

Abstract

Questa tesi nasce dall’idea che nei processi produttivi moderni, raccogliere dati non sia sufficiente: poichè diventino davvero utili devono essere interpretati, verificati e collegati alla realtà operativa. In un contesto sempre più orientato all’Industry 4.0 e alla Quality 4.0, strumenti come la simulazione, i Digital Twin e il controllo statistico della qualità permettono di leggere il funzionamento dei sistemi produttivi con maggiore consapevolezza. Il lavoro approfondisce quindi il ruolo dei metodi quantitativi nella verifica empirica dei modelli, partendo da un inquadramento teorico sulla digitalizzazione dei processi e proseguendo con la descrizione delle principali fasi di un progetto di simulazione. La parte applicativa riguarda un dataset manifatturiero composto da 150 lotti, analizzato attraverso una prima fase descrittiva, l’analisi d’ingresso, la stima dei parametri e i test di bontà dell’adattamento. I risultati mostrano che molte variabili operative possono essere rappresentate mediante distribuzioni teoriche plausibili, mentre altre richiedono un’interpretazione più attenta. L’applicazione della Carta p al tasso di scarto evidenzia inoltre 41 lotti fuori controllo, confermando l’utilità dell’analisi quantitativa per individuare criticità e orientare possibili miglioramenti del processo.

This thesis is based on the idea that, in modern production processes, collecting data is not enough: in order to become truly useful, data must be interpreted, verified and connected to operational reality. In a context increasingly oriented towards Industry 4.0 and Quality 4.0, tools such as simulation, Digital Twins and statistical quality control make it possible to understand the behaviour of production systems with greater awareness. The work therefore explores the role of quantitative methods in the empirical validation of models, starting from a theoretical framework on the digitalization of production processes and then describing the main phases of a simulation project. The applied part focuses on a manufacturing dataset composed of 150 batches, analysed through an initial descriptive phase, input analysis, parameter estimation and goodness-of-fit tests. The results show that many operational variables can be represented through plausible theoretical distributions, while others require a more careful interpretation. The application of the p-chart to the scrap rate also highlights 41 out-of-control batches, confirming the usefulness of quantitative analysis in identifying critical issues and supporting possible process improvements.