Formazione Minitab

Lezione 1 • Concetti statistici fondamentali

Presenta la distinzione tra popolazione e campione, le variabili e le scale di misura. Questi concetti costituiscono la base per ogni decisione analitica che verrà presa durante il corso.

Lezione 2 • Inserimento dati e gestione file

Insegna l'inserimento manuale, il copia-incolla e l'importazione di file di dati esterni. Una corretta gestione dei file previene la perdita di dati e assicura la riproducibilità tra i progetti.

Lezione 3 • Visualizzazione dati di base

Crea istogrammi, dotplot e boxplot per rivelare la distribuzione dei dati e i valori anomali. Gli strumenti grafici completano i riepiloghi numerici per una comprensione completa dei dati.

Lezione 4 • Interfaccia e spazio di lavoro di Minitab

Tratta la finestra Sessione, il foglio di lavoro, le barre degli strumenti e la struttura dei menu. Stabilisce abitudini di navigazione che supportano tutte le successive attività di inserimento e analisi dei dati.

Lezione 1 • Codifica e ricodifica delle variabili

Ricodifica valori numerici e testuali per creare raggruppamenti categoriali o correggere errori nei dati. Una codifica accurata garantisce che i confronti tra gruppi siano significativi e non distorti.

Lezione 2 • Ordinamento, classificazione e suddivisione dei dati

Applica i comandi di ordinamento, assegnazione di ranghi e sottoinsiemi per isolare segmenti di dati rilevanti. Queste operazioni preparano set di dati mirati per analisi statistiche mirate.

Lezione 3 • Impilare, disimpilare e unire dati

Ristruttura i dati tra formato wide e long e unisce fogli di lavoro separati. Una struttura dati corretta è necessaria per la maggior parte delle procedure statistiche di Minitab.

Lezione 4 • Validazione e audit dei dati

Identifica valori anomali, duplicati e incongruenze prima dell'inizio dell'analisi. L'audit della qualità dei dati previene risultati fuorvianti e uno spreco di sforzi analitici.

Lezione 1 • Fondamenti della distribuzione normale

Spiega la curva normale, i punteggi z e le aree di probabilità. La distribuzione normale è la base per la maggior parte dei test parametrici trattati nei capitoli successivi.

Lezione 2 • Teorema del limite centrale in pratica

Dimostra come le medie campionarie si distribuiscano normalmente indipendentemente dalla forma della popolazione. Questo teorema giustifica l'inferenza parametrica su popolazioni non normali con una dimensione campionaria sufficiente.

Lezione 3 • Metodi di campionamento e dimensione campionaria

Confronta il campionamento casuale, stratificato e sistematico e calcola la dimensione del campione richiesta. Una dimensione campionaria adeguata controlla i tassi di errore e garantisce conclusioni affidabili.

Lezione 4 • Test di normalità in Minitab

Esegue i test di Anderson-Darling e Ryan-Joiner e interpreta i grafici di probabilità. I risultati del test di normalità determinano se applicare metodi parametrici o non parametrici.

Lezione 1 • Test per un campione per le medie

Esegue test t e z per un campione per confrontare la media campionaria con un valore target. I risultati guidano le decisioni sulla conformità di un processo a uno standard specificato.

Lezione 2 • Alternative non parametriche

Utilizza i test di Mann-Whitney, Wilcoxon e Kruskal-Wallis quando le assunzioni di normalità non sono soddisfatte. I metodi non parametrici forniscono un'inferenza valida su dati asimmetrici o ordinali.

Lezione 3 • Test per proporzioni e varianze

Applica i test per 1 proporzione, 2 proporzioni e varianza a dati per attributi e di dispersione. I test per proporzioni e varianze estendono la verifica delle ipotesi oltre le medie continue.

Lezione 4 • Logica e struttura della verifica delle ipotesi

Definisce le ipotesi nulla e alternativa, gli errori di tipo I e di tipo II e i livelli di significatività. Questo quadro di riferimento governa ogni test inferenziale eseguito in Minitab.

Lezione 1 • Modello lineare generale in Minitab

Estende l'ANOVA a disegni non bilanciati e tipi misti di fattori usando il Modello Lineare Generale. Il GLM gestisce strutture sperimentali complesse che vanno oltre l'ANOVA a due vie standard.

Lezione 2 • Concetti ed esecuzione dell'ANOVA a una via

Suddivide la variabilità totale in componenti tra gruppi ed entro i gruppi usando Minitab. L'ANOVA a una via determina se almeno una media di gruppo differisce significativamente.

Lezione 3 • Test di confronto multiplo post-hoc

Applica i confronti di Tukey, Fisher e Dunnett per identificare quali coppie di gruppi differiscono. I test post-hoc controllano l'errore complessivo per famiglia dopo un risultato ANOVA significativo.

Lezione 4 • Diagnostica dei residui nell'ANOVA

Valuta i grafici dei residui per verificare le assunzioni di normalità, varianza costante e indipendenza. L'analisi dei residui convalida le conclusioni dell'ANOVA e rivela le inadeguatezze del modello.

Lezione 1 • Diagnostica e rimedi della regressione

Esamina i grafici dei residui, la leva, la distanza di Cook e i punti influenti. La diagnostica conferma che le assunzioni della regressione siano valide e i risultati siano affidabili.

Lezione 2 • Regressione logistica e non lineare

Applica la regressione logistica binaria per esiti categoriali e adatta curve non lineari. Questi modelli estendono la capacità di regressione a relazioni non continue e curvilinee.

Lezione 3 • Regressione lineare multipla

Estende la regressione a due o più predittori e interpreta i coefficienti parziali. La regressione multipla controlla le variabili confondenti e migliora l'accuratezza predittiva.

Lezione 4 • Selezione del modello di regressione

Utilizza metodi stepwise, migliori sottoinsiemi e Cp di Mallows per identificare il modello più parsimonioso. La selezione del modello bilancia il potere predittivo con l'eccessivo adattamento e la complessità.

Lezione 1 • Tecniche SPC avanzate

Applica le carte CUSUM, EWMA e T-quadrato multivariata per rilevare piccoli spostamenti o correlati. Le carte avanzate completano le carte di Shewhart standard in ambienti ad alta precisione.

Lezione 2 • Fondamenti delle carte di controllo

Spiega la variabilità da cause comuni e da cause speciali e la struttura della carta di controllo. Comprendere i tipi di variabilità è essenziale per interpretare correttamente tutti i segnali delle carte di controllo.

Lezione 3 • Carte di controllo per variabili

Crea e interpreta le carte Xbar-R, Xbar-S e I-MR per dati di misura continui. Le carte per variabili forniscono il rilevamento più sensibile degli spostamenti della media e della dispersione del processo.

Lezione 4 • Carte di controllo per attributi

Costruisce carte p, np, c e u per dati di difettosità e conteggio dei difetti. Le carte per attributi monitorano la qualità quando la misura è binaria o basata su conteggi anziché continua.

Lezione 1 • Disegni fattoriali frazionari

Riduce il numero di prove confondendo le interazioni di ordine superiore usando disegni fattoriali frazionari. I livelli di risoluzione guidano il compromesso tra economia delle prove e completezza dell'informazione.

Lezione 2 • Esperimenti fattoriali completi

Crea e analizza disegni fattoriali completi a due livelli per stimare tutti gli effetti principali e le interazioni. I fattoriali completi forniscono un'informazione completa ma richiedono più prove sperimentali.

Lezione 3 • Fondamenti del disegno sperimentale

Introduce i principi di randomizzazione, replicazione, blocco e selezione dei livelli dei fattori. Principi di progettazione solidi prevengono i confondimenti e assicurano conclusioni causali valide.

Lezione 4 • Disegni per miscele e Taguchi

Applica i piani di miscela per problemi di formulazione e le matrici di Taguchi per il progetto robusto dei parametri. Questi piani sperimentali specializzati affrontano spazi fattoriali vincolati e il controllo dei fattori di disturbo.