Sei sulla pagina 1di 77

Lezione n.

 11 – Pianificazione degli 
esperimenti 
(DoE‐Design of experiments).
Statistica Sperimentale e Misure 
Meccaniche

G. Barbato ‐ A. Germak ‐ G. Genta 1


Quando si imposta una prova di
valutazione (un esperimento)
bisogna fare alcune scelte:
• l’oggetto della prova e la sua verifica;
• i parametri del processo da valutare;
• i valori dei fattori controllabili da utilizzare;
• gli strumenti di misura da utilizzare;
2
Esempio:
Messa a punto di un trattamento termico
oggetto della prova: modifica della struttura
metallurgica di materiali metallici
parametri da valutare:
• durezza (variabile dipendente);
• tempo, temperatura (variabili indipendenti)
strumenti:
durometro, cronometro, termometro

valori dei fattori controllabili da utilizzare:


T/°C 500, 550, 600 …. t/min 100, 120, 140
Si noti che alcune caratteristiche
sono, in pratica, fisse, ma i valori
sui quali fare l’esperimento sono
generalmente liberi.

Ad esempio:
scelgo 500°C per 140 min e 600°C
per 100 min
oppure 550°C per 100 min, 120 min e
140 min
o addirittura tutte le intersezioni tra le
temperature di 500°C, 550°C e 600°C ed i tempi
di 100 min, 120 min e 140 min

140

120

100
QUALE SCHEMA
È IL MIGLIORE?
Non si può dire a priori, ma
bisogna porre attenzione che
alcuni schemi possono essere

INADEGUATI
Uno schema ampiamente utilizzato
è quello totalmente casualizzato:
140

Attenzione! È difficile che dei punti scelti a


caso siano totalmente casualizzati!
Esempio dei rischi
di casualizzazione
Impostiamo un esperimento per valutare il
consumo chilometrico di un’auto

Le variabili da considerare sono:

• il percorso urbano, PU;


• il percorso extraurbano, PE ;
• il percorso autostradale, PA
Il modello matematico per
il consumo C è:
C = C0 + CU·PU + CE·PE + CA·PA
ove:

• C0 è il consumo indipendente dal percorso;


• CU è il consumo chilometrico urbano;
• CE è il consumo chilometrico extraurbano;
• CA è il consumo chilometrico autostradale
Dobbiamo fare una serie di percorsi e rilevare i
consumi: iniziamo con il serbatoio pieno e
registriamo ogni giorno i percorsi fatti in città,
su strada e su autostrada. Sappiamo di dover
casualizzare e casualizziamo i tempi tra un
pieno e l’altro
Chilometri
Data Consumo
PU PE PA
01/08/1188 13 4
02/08/1113 5 3
03/08/1125 2 1
Totale 126 20 8 18.05

04/08/11 75 54 15
05/08/11 88 67 63
06/08/11 9 68 39
07/08/11 25 5 22
Totale 197 194 139 52.13
Rifacendo il pieno sappiamo il consumo C;
sommando i chilometri registrati si ottengono i
percorsi urbano PU, extraurbano PE ed
autostradale PA:

Chilometri Litri

PU PE PA Totale

126 20 8 18.05
197 194 139 52.13
Questa sequenza di operazioni è stata
ripetuta un certo numero di volte nel periodo
delle ferie ottenendo i seguenti risultati:
Chilometri Litri

PU PE PA Totale

126 20 8 18,05
197 194 139 52,13
50 9 110 16,77
11 18 123 13,91
46 184 68 26,02
111 193 119 39,30
55 31 19 11,00
7 197 53 20,94
95 92 147 32,56
A questo punto il problema è facilmente
risolubile con la regressione lineare.
Da Excel si ha:

Consumi Chilometrici/(L/km)
Errore
di
CU CE CA Zero/L

Valori 0,125 0,077 0,091 0,02


Incertezza
2,2% 2,5% 3,6% 0,14
(95%)
Scarto tipo dei
0,18
residui/L
Per controllo ripetiamo l’esperimento con le
stesse modalità, però in periodo lavorativo.
Otteniamo i seguenti risultati:
Chilometri Litri

PU PE PA Totale

12 9 196 20,00
195 202 15 41,30
51 49 154 24,30
152 145 63 35,74
101 107 109 30,81
87 84 126 28,62
133 130 87 34,34
21 24 181 20,94
181 187 29 39,49
Il calcolo con la regressione lineare in questo
caso dà:

Consumi Chilometrici/(L/km)
Errore
di
CU CE CA Zero/L

Valori 0,108 0,078 0,075 3,3


Incertezza
19.7% 33,8% 38,9% 2,3
(95%)
Scarto tipo dei
0,10
residui/L
Il confronto delle incertezze lascia
meravigliati:
Incertezza (95%) sui
Consumi Chilometrici/(L/km)

U(CU) U(CE) U(CA)

Durante le
2,2% 2,5% 3,6%
ferie
Periodo
19.7% 33,8% 38,9%
lavorativo
Nulla è cambiato nel misurando, strumenti e metodologie, ma
l’incertezza è esplosa!
Siamo giunti ad una di quelle situazioni
su cui nel gruppo di Ronald Fisher si
diceva:
“Ci portano da analizzare dati
sperimentali ottenuti con gran
cura, strumentazioni eccellenti e
buone metodologie, ma l’unica
cosa che possiamo fare è
l’autopsia: spiegare perché
l’esperimento è morto!”
Anche in questo caso possiamo fare
l’autopsia e osservare che
l’esperimento è morto a causa dell’uso
abitudinario dell’auto nel periodo
lavorativo: da casa al Politecnico e dal
Politecnico a casa; l’unica casualità è
l’eventuale uso nel fine settimana.
In queste condizioni i rapporti tra i
chilometri percorsi in città, su strada e
su autostrada sono pressoché costanti
Infatti se esaminiamo, per esempio, i rapporti tra i
chilometri percorsi in città e su strada vediamo
subito la differenza:

Durante le vacanze Periodo lavorativo


Relazione Urbano-Extraurbano Relazione Urbano-Extraurbano

250 250

Extraurbano/km
Extraurbano/km

200 200
150 150
100 100
50 50
0 0
0 50 100 150 200 250 0 50 100 150 200 250

Urbano/km Urbano/km
In pratica la condizione abitudinaria ha
fatto sì che i punti sperimentali, che
pensavamo disposti casualmente,
fossero tutti allineati, e la nostra analisi,
che è simile alla determinazione della
posizione di un piano, dà risultati molto
incerti perché ci manca l’informazione
della posizione angolare del piano
intorno alla retta di allineamento dei
punti sperimentali.
La soluzione per evitare questo
inconveniente è evidente: porre i punti
sperimentali in modo che ricoprano
diffusamente la zona di analisi.
La casualizzazione totale, come si vede
dall’esperimento fatto in vacanza, è un
metodo adeguato, se applicato bene.

Un altro metodo, invece, consiste nello


stabilire a priori la posizione dei punti
sperimentali; è la via della pianificazione
dell’esperimento.
CASUALIZZAZIONE O
PIANIFICAZIONE?
Abbiamo visto le difficoltà di ottenere una buona
casualizzazione in un ambito abitudinario, come è
quello della produzione industriale

Valutiamo, ora, le implicazioni di una pianificazione


organizzata dell’esperimento, applicandola, per
esempio, alla determinazione del consumo
chilometrico.
CONSUMO CHILOMETRICO
Pianificazione organizzata
Dobbiamo scegliere i punti sperimentali in modo che siano
ampiamente distribuiti

10 300 PU
Ciò vuol dire fare una prova percorrendo
300.km in città e 10 km fuori città, un’altra
prova percorrendo 10 km in città e 300.km
fuori città, ecc.
Ciò che è subito evidente è che percorrenze
così specifiche devono essere fatte apposta,
quindi l’esperimento deve sopportare il costo
totale.
Per la condizione di casualizzazione totale,
invece, il costo dell’esperimento era dovuto
solo alla registrazione e all’analisi dei dati.
Questo esempio ci dice che una
pianificazione organizzata difficilmente
si inserisce nell’ambito di un processo
di produzione stabilizzato, ma richiede
delle operazioni specifiche che portano
un disturbo non indifferente ed i
corrispondenti costi.
L’esempio fatto penso evidenzi vantaggi e
svantaggi della pianificazione casualizzata e
organizzata:

Casualizzato Organizzato
Può sfruttare direttamente le
normali condizioni del processo
di produzione se la scelta Elimina i problemi dovuti
Vantaggi casuale del momento in cui fare ai collegamenti forti tra
la misura produce un’adeguata le variabili indipendenti
casualizzazione dei parametri
valutati
Richiede modifiche
Spesso i processi fortemente
specifiche del processo
controllati non consentono una
di produzione, non
Svantaggi casualizzazione effettiva per il
sempre realizzabili e, in
collegamento forte tra le variabili
ogni caso, alquanto
indipendenti
costose
Controllo dell’adeguata
CASUALIZZAZIONE
Come si è visto dalla valutazione del consumo
chilometrico, l’esperimento fatto in periodo lavorativo
è fallito perché vi è una relazione forte tra i percorsi
urbano, extraurbano ed autostradale, cioè tra le
variabili indipendenti; tale relazione, però, non è
facilmente visibile.
Per evidenziare la presenza di relazioni forti tra le
variabili indipendenti si usa la matrice varianza-
covarianza o il coefficiente di correlazione di Pearson
Il controllo col coefficiente di correlazione di
Pearson ci consente di raggiungere un
compromesso:
• in primo luogo evidenziamo le variabili da
prendere in considerazione (nell’esempio del
trattamento termico sono lotto del materiale, tempo
e temperatura);
• sulla base delle carte di controllo, facciamo le prove
in condizione di spostamento massimo in entrambi i
sensi dei valori delle variabili controllabili;
Il controllo col coefficiente di correlazione di
Pearson ci consente di raggiungere un
compromesso:
• raccolti un certo numero di dati calcoliamo il
coefficiente di correlazione per vedere se è
possibile procedere con l’esperimento

Correlazione ferie Correlazione lavoro
PU PE PU PA PE PA PU PE PU PA PE PA
0.2 0.2 0.2 1.0 ‐1.0  ‐1.0 
APPLICAZIONE DI
PIANIFICAZIONI ORGANIZZATE
Se le prove fatte al limite delle condizioni di
controllo del processo di produzione non sono
adeguate per ottenere l’incertezza voluta sulle
risposte, bisogna fare le prove spostando il
processo fuori dall’intervallo di controllo.
Si deve, quindi, fare una valutazione COSTI-
BENEFICI per decidere come proseguire con lo
studio. In questo caso si deve scegliere lo schema
organizzato più adatto anche dal punto di vista
economico.
I PRINCIPALI SCHEMI DI
PIANIFICAZIONI ORGANIZZATE
Le prime cose che si devono prendere in considerazione 
per la scelta dello schema sono:
• il numero di variabili indipendenti che riteniamo 
abbiano effetto sul processo;
• il numero di livelli a cui porre tali variabili nelle 
prove di controllo. 

Usualmente, almeno per le prove iniziali, i livelli sono 
solo 2, basso e alto (consentono di valutare solo le 
variazioni lineari). Prove più evolute utilizzano 3 livelli.
LO SCHEMA STAR
Lo schema più tradizionale, usato per secoli negli
studi della fisica, consiste nel far variare una
variabile per volta. Nell’esempio del trattamento
termico:

1. ci poniamo alla temperatura nominale e facciamo


variare il tempo;
2. ci poniamo sul tempo nominale e facciamo variare
la temperatura
Questo schema, detto STAR, funziona bene solo se
l’effetto della variazione di una delle variabili non
dipende dal valore delle altre variabili.
Infatti poiché ciascuna variabile viene mossa
quando le altre sono sul loro valore nominale, non
contiene nessuna informazione sull’effetto di una
variabile in condizioni diverse delle altre variabili,
quindi non consente di valutare l’eventuale effetto
incrociato, cioè l’interazione, di due o più variabili
Nel caso del trattamento termico lo
schema STAR è qui rappresentato:
LO SCHEMA FATTORIALE

Per superare il problema di insensibilità


all’interazione tra le variabili, Ronald Fisher inventò
lo schema fattoriale:

1. ci poniamo alla temperatura bassa e facciamo


variare il tempo;
2. ci poniamo alla temperatura alta e facciamo
variare il tempo
Come si vede in questo caso l’effetto della variazione del tempo è valutata per
due valori diversi di temperatura
Questo è lo schema FATTORIALE
nel caso del trattamento termico:
Si noti che sono disponibili sia le variazioni della
risposta dovute alla temperatura per due tempi
diversi, sia le variazioni dovute ai tempi per due
temperature diverse:

500 550 600 T/°C


STAR E FATTORIALE
Nel caso di 2 variabili a 2 livelli il numero di prove
richieste per STAR e FATTORIALE è 4 per
entrambi. Ma cosa succede se abbiamo 3 variabili?

z
z

y y

x
x
2x3=6 Prove 23=8 Prove
Si vede che il numero di prove aumenta molto più
rapidamente con lo schema FATTORIALE che con
lo schema STAR:

Livelli 2 3

Variabili Fattoriale Star Fattoriale Star

2 4 4 9 6

3 8 6 27 9

4 16 8 81 12
Si vede chiaramente che il problema dello schema
fattoriale è il numero di prove richieste. Detto n il
numero delle variabili e k il numero dei livelli si ha:

1. Il numero di prove richiesto dallo STAR è n x k;


2. Il numero di prove richiesto dal FATTORIALE è kn

In pratica il fattoriale è applicabile solo quando le


variabili ed i livelli sono pochi.
Schemi e
valutazione degli effetti
Esaminiamo un fattoriale 22:

Condizioni di
prova
(Trattamenti)
(1)
A
B
AB

A
Ad esempio lo schema fattoriale 22 nel caso di un
trattamento termico è:

Trattamenti Fattori
(fattori inseriti B
nelle prove) A (Temp.)
(tempo)
(1) 500 100
A 600 100
B 500 140
AB 600 140
Per ogni fattore in seguito alle prove avremo la
risposta al trattamento, cioè il risultato della prova,
che viene indicato con la lettera minuscola
corrispondente a quella o quelle del trattamento:
Trattamenti Fattori Risposte/HRC
(fattori
inseriti nelle A/°C B/min
Fattore valore
prove) (Temp.) (tempo)
(1) 500 100 (1) 36
A 600 100 a 40
B 500 140 b 33
AB 600 140 ab 39
L’effetto sulla risposta dei fattori è:

Effetto di A:
per B = 100  a - (1)=4 per B = 140  ab – b=6
Effetto medio  [a - (1) + ab – b]/2=5
Analogamente si può calcolare per il fattore B:

Effetto di A: [a - (1) + ab – b]/2=5


Effetto di B: [b - (1) + ab – a]/2=-2

Effetto incrociato AB: differenza media degli effetti di A


nelle due posizioni di B
{[ab – b]-[a – (1)]}/2=(6-4)/2=1
Riconsideriamo la tabella delle prove per il
trattamento termico:
Trattamenti Fattori Risposte
(fattori
inseriti A B
nelle Fattore valore
(Temp.) (tempo)
prove)
(1) 500 100 (1) 36
A 600 100 a 40
B 500 140 b 33
AB 600 140 ab 39
Indichiamo la condizione alta con + e la condizione
bassa con -:
Trattamenti Fattori Risposte
(fattori
inseriti B
A
nelle (tempo Fattore valore
(Temp.)
prove) )
(1) - - (1) 36
A + - a 40
B - + b 33
AB + + ab 39
Effetto di A: [a - (1) + ab – b]/2=a+ab-(1)-b
Effetto di B: [b - (1) + ab – a]/2=b+ab-(1)-a

Trattamenti Fattori Risposte


(fattori
inseriti A B
nelle Fattore valore
(Temp.) (tempo)
prove)
(1) - - (1) 36
A + - a 40
B - + b 33
AB + + ab 39
Le tre formule sono facilmente memorizzabili con
l’aiuto della tabella dei segni:
Effetto di A: [a - (1) + ab – b]/2
Effetto di B: [b - (1) + ab – a]/2
Effetto incrociato AB: {[ab – b]-[a – (1)]}/2

Risposte
Effetti di
(1) a b ab
A - + - +
B - - + +
AB + - - +

Si noti che la terza riga è semplicemente il


prodotto delle prime due
Gli schemi precedenti possono essere facilmente espansi
per un numero più alto di fattori. Indicando con – la
condizione bassa del fattore e con + la condizione alta si ha
la tabella delle prove:

Prova A B C Risposte
1 - - - (1)
2 + - - a
3 - + - b
4 + + - ab
5 - - + c
6 + - + ac
7 - + + bc
8 + + + abc
Se il fattore A varia da 10 a 300, il B da 5 a 50 ed il
C da 20 a 100 la tabella delle prove è:
Prova A B C Risposte

1 10 5 20 (1)

2 300 5 20 a

3 10 50 20 b

4 300 50 20 ab

5 10 5 100 c

6 300 5 100 ac

7 10 50 100 bc

8 300 50 100 abc


La tabella dei segni si ottiene inserendo le colonne
degli effetti misti, compilate come il prodotto degli
effetti corrispondenti:
Risp. A B AB C AC BC ABC
(1) - - -
a + - -
b - + -
ab + + -
c - - +
ac + - +
bc - + +
abc + + +
La tabella dei segni si ottiene inserendo le colonne
degli effetti misti, compilate come il prodotto degli
effetti corrispondenti:
Risp. A B AB C AC BC ABC
(1) - - + -
a + - - -
b - + - -
ab + + + -
c - - + +
ac + - - +
bc - + - +
abc + + + +
La tabella dei segni si ottiene inserendo le colonne
degli effetti misti, compilate come il prodotto degli
effetti corrispondenti:
Risp. A B AB C AC BC ABC
(1) - - + - + + -
a + - - - - + +
b - + - - + - +
ab + + + - - - -
c - - + + - - +
ac + - - + + - -
bc - + - + - + -
abc + + + + + + +
Il calcolo degli effetti dei diversi fattori e degli effetti
incrociati è semplice da fare. Bisogna, però,
considerare la metrica che si adotta:
1. L’effetto di un fattore dipende dall’entità della
variazione presa in considerazione per il fattore
stesso; nell’esempio del trattamento termico avrò
valori differenti se farò le misure a 525°C e 575°C
invece che a 500°C e 600°C
2. Il risultato non è quindi confrontabile per punti di
prova diversi, ma dà un’indicazione molto utile
quando, grazie all’esperienza, si impongono
variazioni dei diversi fattori corrispondenti alla
variabilità reale.
Un altro punto importante da considerare è che in
genere non si riesce a fare l’esperimento come
pianificato, nel senso che solo con estrema
attenzione e con un grosso dispendio di tempo si
riescono a realizzare sperimentalmente i punti
pianificati

Posso puntare, ad esempio, a fare misure a


500°C e a 600°C, ma nell’esperimento le
temperature potrebbero essere nelle prime due
prove 490°C e 580° e nelle altre 505°C e 610°C,
quindi il calcolo delle sensibilità darebbe
anch’esso un risultato diverso.
Per avere risultati sensibilmente indipendenti dagli
errori nella realizzazione dei punti di misura,
possiamo adottare un modello matematico ed
identificare i suoi coefficienti con la regressione
lineare.
Prendendo per x il valore di A-Amedio ed usando
analogamente B per y e C per w e le risposte per z
si possono usare alcuni modelli matematici.

Modelli matematici tipici sono:


Fattoriale 22 z = a0 + a1x + a2y + a12xy
Fattoriale 23 z = a0+ a1x + a2y + a12xy + a3w + a13xw +
+ a23yw + a123xyw
Ad esempio i dati A, B e risposte prima proposti per
il trattamento termico si trasformano come segue:

Fattori Risposte
Tratt.
A x B y Fatt. Val. z

(1) 500 -50 100 -20 (1) 36 -1


A 600 50 100 -20 a 40 3
B 500 -50 140 20 b 33 -4
AB 600 50 140 20 ab 39 2
Il confronto tra i risultati dei due metodi è utile.
Usando, come esempio, I valori dati per il
trattamento termico, si ottiene come già visto:
Effetto di A: [a - (1) + ab – b]/2 = 5
Effetto di B: [b - (1) + ab – a]/2 = -2
Effetto incrociato AB: {[ab – b]-[a – (1)]}/2 = 1

Con il modello z = a0 + a1x + a2y + a12xy


centrato sui valori nominali si ottiene:
Effetto di A, dato da a1: 0.05 = 5/(600-500)
Effetto di B, dato da a2: -0.05 = -2/(140-100)
Effetto AB, dato da a12: 0.001 = {1/[(600-500)(140-100)]}·4
Attenzione!!!
I modelli matematici completi sfruttano tutti i gradi di
libertà disponibili e forniscono così una soluzione
statisticamente inadeguata (non si può sapere di
quale incertezza sia affetta)

Questo fatto, che è evidente in un’analisi statistica,


è presente, anche se nascosto, nel calcolo
deterministico convenzionale degli effetti dei fattori.

è di grande utilità fare delle replicazioni


Suggerimento!!!
Conviene distinguere tra la metodologia di
organizzazione dei dati sperimentali, per la quale la
pianificazione fattoriale è ottima, e l’analisi dei
risultati, per la quale il calcolo convenzionale
sviluppato circa un secolo or sono, validissimo con i
mezzi di calcolo del tempo, è alquanto limitato
rispetto a metodi più moderni.

Resta, tuttavia, di grande utilità per comprendere gli


effetti della schematizzazione adottata, ed a tale
scopo lo useremo.
Problemi dati dalla numerosità
La numerosità delle prove porta a 2 generi di
problema:

• le prove sono così numerose che non possono


essere fatte in modo omogeneo; per esempio i
provini sono così numerosi da non poter essere
tratti tutti assieme dallo stesso lotto

• le prove sono così numerose da non poter


essere fatte per ragioni di tempo o di costo
Fattoriali a blocchi
Nel primo caso:
• le prove sono così numerose che non possono
essere fatte in modo omogeneo; per esempio i
provini sono così numerosi da non poter essere
tratti tutti assieme dallo stesso lotto

È evidente la necessità di suddividere le prove in


gruppi, detti blocchi, che raggruppano le situazioni
omogenee (in questo esempio tutti i provini dello
stesso lotto).
Dobbiamo suddividere le prove su lotti diversi
(verde e giallo), ma se lo facciamo in questo modo
il fattore A è confuso con la differenza dei lotti:

Infatti le differenze ab-


b ed a-(1) potrebbero
dipendere sia dal
fattore A, sia dalla
differenza tra i due
diversi lotti di
materiale:
I risultato visto sui punti sperimentali può essere
evidenziato sulla tabella:
Effetti di
Risposte
I A B AB
(1) + - - +
a + + - -
b + - + -
ab + + + +

Guardando i segni del fattore A, vediamo


che sono entrambi negativi nel blocco
verde e positivi in quello giallo, per cui il
fattore A non può essere determinato
Con questa differente scelta è il fattore B a
confondersi con la differenza dei lotti:

Infatti le differenze ab-


a e b-(1) potrebbero
dipendere sia dal
fattore B, sia dalla
differenza tra i due
diversi lotti di
materiale
Effetti di
Risposte
I A B AB
(1) + - - +
a + + - -
b + - + -
ab + + + +

In questo caso è il fattore B che ha lo


stesso segno in ciascuno dei blocchi,
quindi non è determinabile
In ogni caso si perde un’informazione; la scelta
migliore è di perdere l’informazione sulle interazioni
che sono, di solito, meno importanti:

Infatti sia la media di


ab-b ed a-(1) sia la
media di ab-a e b-(1)
non risentono della
differenza dei lotti
Effetti di
Risposte
I A B AB
(1) + - - +
a + + - -
b + - + -
ab + + + +

Se vogliamo sacrificare il fattore AB,


basta fare in modo che i diversi lotti
abbiano il fattore AB con lo stesso segno
Vediamo se il metodo funziona bene anche con un
fattoriale 23 con blocchi di 4 prove. Se vogliamo
sacrificare ABC dobbiamo assegnare a ogni blocco
le risposte che per ABC hanno lo stesso segno
Risp. A B AB C AC BC ABC
(1) - - + - + + -
a + - - - - + +
b - + - - + - +
ab + + + - - - -
c - - + + - - +
ac + - - + + - -
bc - + - + - + -
abc + + + + + + +
Fattoriali frazionari
Nel secondo caso:

• le prove sono così numerose da non poter essere


fatte per ragioni di tempo o di costo

Il numero di prove si può ridurre utilizzando schemi


fattoriali frazionari, ad esempio lo schema
frazionario ½ che, sacrificando l’interazione tripla,
richiede solo metà delle prove (nell’esempio
successivo si svolgono solo le prove verdi o quelle
gialle).
Suddivisione del fattoriale 23 completo in due
schemi frazionari ½, parte verde e parte gialla:
Risp. A B AB C AC BC ABC
(1) - - + - + + -
a + - - - - + +
b - + - - + - +
ab + + + - - - -
c - - + + - - +
ac + - - + + - -
bc - + - + - + -
abc + + + + + + +

È evidente che entrambe le frazioni gialla e verde


sacrificano ABC.
Attenzione alle sovrapposizioni, sia dirette, sulla
frazione gialla, sia a segno invertito su quella verde:
Risp. A B AB C AC BC ABC
a + - - - - + +
b - + - - + - +
c - - + + - - +
abc + + + + + + +
(1) - - + - + + -
ab + + + - - - -
ac + - - + + - -
bc - + - + - + -

è sacrificata l’interazione ABC mentre non sono


separati i fattori A da BC, B da AC e C da AB.
CONCLUSIONI
I vari schemi di pianificazione sono importanti
perché consentono di evitare la subdola
correlazione tra le variabili indipendenti.
La scelta tra pianificazione completamente
casualizzata e pianificazione organizzata dipende
dalla concreta possibilità (economica e operativa) di
controllare le variabili in gioco.

Nel caso si scelga una pianificazione casualizzata


si deve controllare con il coefficiente di correlazione
di Pearson la condizione delle diverse variabili
indipendenti in gioco.
CONCLUSIONI
Nel caso sia possibile fare una pianificazione
organizzata bisogna scegliere tra lo schema STAR
(meno prove ma nessuna informazione sulle
interazioni) e lo schema fattoriale (più prove ma
buona informazione sulle interazioni multiple).

In ogni caso, per l’analisi dei risultati ed il calcolo


delle sensibilità ai diversi fattori e alle interazioni
conviene utilizzare la regressione lineare.