Sei sulla pagina 1di 12

Luca Mari - Università Cattaneo – LIUC

Progetto e misura della qualità

Introduzione alla misurazione della qualità

Versione 10.5.10 *** appunti ***

Indice

1 Introduzione

1

2 Temi di sfondo

4

2.1 La scrittura di dati sperimentali

7

2.2 Numero di cifre significative

8

2.3 Arrotondamento

9

2.4 Elaborazione dei dati sperimentali: note

10

2.5 Pervasività e criticità della misurazione

10

2.6 Il contesto del discorso

11

2.7 Misurazione e valutazione

12

1 Introduzione

Progettare la qualità: ok Misurare la qualità: ?

La relazione tra progettare la qualità (P) e misurare la qualità (M): non-P implica non-M (se non si progetta

la

qualità, non ha senso poi misurarla; e quindi, logicamente, se M è perché P); è invece opinabile P e non-

M

(si chiama rischiare

).

Misurare la qualità è un problema della forma: misurare x. Per quali entità x questo problema è ben posto? “Proprietà”, e non “oggetti” (inclusi processi, eventi, …). E quindi: misurare x di y, dove x è dunque una proprietà e y un oggetto. In forma funzionale, dunque: x(y)=z:

la proprietà x dell’oggetto y ha valore z. Confronta: misurare la lunghezza (di qualcosa) rispetto a misurare la saggezza (di qualcosa). La differenza,

se c’è, non può essere nella forma dei valori z adottati (numeri o altro). Dunque chiamiamo “valutazione” il processo generico, e ipotizziamo che la misurazione sia un caso particolare di valutazione:

misurazione valutazione
misurazione
valutazione

Cosa caratterizza la misurazione rispetto a una generica valutazione? Ne riparleremo Per un generico prodotto / servizio, indicativamente:

curva qualità - costo qualità costo
curva qualità -
costo
qualità
costo

e plausibilmente si pongono dei vincoli, in trade-off, che dovrebbero poter indicare un costo massimo e una qualità minima:

curva qualità - costo c max situazione ammissibile q qualità min costo
curva qualità - costo
c
max
situazione
ammissibile
q
qualità
min
costo

in modo da identificare una situazione di ammissibilità operativa. Ma cosa significa in concreto? Come si misura la qualità? In quale unità di misura?

Dalla “qualità globale” Q glo (utilità sociale / sostenibilità ambientale,

(soddisfazione del cliente / utente); entrambi difficilmente misurabili; alla “qualità interna” Q int (o “tecnica”),

a sua volta distinguibile in conformità a specifiche, Q int1 , e stabilità / ripetibilità, Q int2 .

Ogni “livello” stabilisce una condizione genericamente necessaria per il livello superiore, ma non sufficiente. Esempi di conflitto tra qualità a “livelli” diversi Ma tornando allo schema precedente, tutto ciò implica che si possa “quantificare la qualità”, in modo da

stabilire q min , cioè la qualità minima richiesta. Ipotizziamo che il progetto specifichi i valori di una o più grandezze per l’oggetto progettato: sembra allora semplice condizionare la qualità al confronto tra valore specificato, ciò che, su carta, “dovrebbe essere”, diciamo un valore “di riferimento” (chiamato “valore nominale”), x nom , e valore misurato, x mis , ciò che, empiricamente, è, che dipende a sua volta dalla qualità del processo di produzione impiegato (argomento di cui ci occuperemo successivamente). Dunque apparentemente la regola potrebbe essere:

se x nom =x mis allora Q, altrimenti non-Q Due problemi:

) alla “qualità esterna” Q est

1. in generale le grandezze dei cui valori occorre accertare la conformità sono più di una, e quindi:

grandezza 1 x nom1 x mis1

conf 1

grandezza n x nomn x misn

se regola di combinazione (conf 1 ,

Ma quale regola?

2. in generale il confronto non può essere fatto in termini di: uguale: di qualità; diverso: non di qualità: si

ammette una tolleranza k nom >0, dunque un “intervallo di accettabilità”:

se |x mis x nom | k nom (equivalente a x mis =x nom ±k nom ) allora Q; altrimenti non-Q, in funzione di un “parametro di

accettabilità”, chiamato appunto “tolleranza”, anch’esso parte delle specifiche (caso di tolleranza bilatera,

con x mis che deve appartenere all’intervallo [x nom k nom ,x nom +k nom ]; esistono anche casi di tolleranza unilatera:

x mis deve essere almeno

Il parametro k nom è inversamente correlato a q min , e accettando un valore di k nom maggiore si amplia la zona di

ammissibilità, e dunque in particolare il costo minimo ammissibile.

Anche in questo caso, si mantiene comunque il fatto che Q rimane booleana, e quindi nel diagramma in

ascissa ci sarebbero solo due punti.

Ma anche per le misure si pone un problema di qualità, e quindi anch’esse dovrebbero essere espresse non

solo mediante un valore misurato, x mis , ma anche con un parametro k mis >0, chiamato generalmente

“incertezza”.

Quanto più stretto è l’intervallo di misure, dunque l’incertezza k mis , tanto maggiore è la qualità della

misurazione. Se ne conclude che anche le misure potrebbero essere formalizzate come intervalli (o, in modo

più sofisticato, come distribuzioni di probabilità, pdf nel continuo), la cui ampiezza è direttamente correlata

all’incertezza sul valore della grandezza in esame.

Dunque anche per le misure si applica un diagramma come il precedente: anche per esse è dato un costo

massimo sostenibile e deve essere data una qualità minima (e quindi un’incertezza massima) accettabile;

come?

Le misure non si fanno “per sé” (la misurazione non è quasi mai un’attività “core”), ma sono in funzione

dell’accertamento della qualità del prodotto; dunque la qualità minima delle misure è quella che consente di

decidere se la condizione di qualità minima del prodotto è soddisfatta.

Tale decisione, dunque l’accertamento della conformità, va presa confrontando due intervalli: un intervallo

di tolleranza (come dovrebbe essere) e un intervallo di incertezza (com’è).

Da questo confronto si possono ottenere, in generale, tre situazioni: certezza (

conf n

,conf

n ) allora Q, altrimenti non-Q.

,

oppure: x mis deve essere non più di

).

)

di conformità; certezza (

)

di

non conformità; dubbio / ambiguità (e quindi indecisione).

Ci

sono due strategie per eliminare il terzo caso di ambiguità:

1.

aumentare la qualità delle misure, dunque ridurre k mis ;

2.

ridurre la qualità minima ammissibile, dunque aumentare k nom .

Poiché nel grafico qualità-costo, la variabile costo include tutti i costi industriali, dunque anche i costi della

misurazione, la prima strategia corrisponde a modificare la pendenza della curva sul grafico: a parità di

qualità, aumenta il costo. La seconda strategia lascia invece inalterata la curva, e sposta verso l’origine il

punto di qualità minima accettabile.

Dunque “misurare la qualità” significa:

1. definire a progetto delle specifiche, cioè i valori x nom e k nom ;

2. misurare grandezze, cioè ottenere sperimentalmente i valori x mis e k mis ;

3. accertare la conformità;

4. e infine decidere sulla base di una regola (p.es.: consegna / non consegna)

Anche la misurazione è dunque un processo di produzione, e quindi che i suoi prodotti, le misure, hanno una qualità che dipende dalla qualità della misurazione stessa. Con una nota importante: il prodotto della

misurazione non è un bene materiale né energia, ma informazione, cioè qualcosa di intangibile. Si potrebbe barare Tutto ciò mette in evidenza il legame fondamentale tra qualità di prodotto e qualità di misura, talmente fondamentale che in certi settori la componente di costo di misurazione e controllo rispetto al costo totale supera il 50% La misurazione è un’attività di servizio: non ha la finalità / la capacità di migliorare direttamente la qualità del prodotto (per questo è necessario migliorare il processo di produzione o, eventualmente, modificare le specifiche), ma di fornire una credibile garanzia che / se il prodotto è di qualità sufficiente (chi ama il

rischio, potrebbe scegliere di non misurare mai

Ne segue che, in ambito industriale le misure dovrebbero essere di qualità sufficiente a fornire questa

garanzia, ma cercare di ottenere una qualità superiore non ha senso, e solo genera dei costi inutili. Gli argomenti di cui ci occuperemo seguono allora questa traccia:

)

cosa sono le misure?

cos’è la misurazione? e come si misura? (problema che affronteremo, al solito, “in prospettiva gestionale”)

come si stabilisce la qualità delle misure?

come si stabilisce la qualità dei prodotti (e dei processi) in funzione delle misure e della loro qualità?

2 Temi di sfondo

“Gli ingegneri operano con i numeri”

Questa affermazione ha generalmente un fondo di verità ma nasconde due problemi:

sottintende che esiste una chiara distinzione tra numeri e non-numeri

mentre per esempio è ben

ovvio che non è sufficiente assegnare etichette numeriche a categorie solo qualitative per “trasformarle in quantità” (anche trasformando M→0 e F→1, la media tra n 1 maschi e n 2 femmine è

un’operazione che continua a non essere sensata);

non chiarisce la distinzione tra numeri “scelti da progetto” e numeri ottenuti sperimentalmente che entrambi, in un qualche senso, non sono semplicemente “i numeri della matematica”, perché entrambi implicano un impegno verso il mondo empirico.

e

Nel corso della storia, gli esseri umani hanno imparato a descrivere oggetti empirici mediante espressioni

linguistiche, e numeri in particolare (per esempio: “questo tavolo è molto lungo”, oppure “questo tavolo è

lungo 2 metri”), e a usare queste descrizioni per prendere decisioni a proposito degli oggetti descritti, e in

particolare a stabilirne la conformità a specifiche (per esempio: “dato che occorre un tavolo corto e questo

tavolo è molto lungo, lo devo tagliare”).

Ogni volta che si cerca di rendere le descrizioni oggettive (cioè relative solo all’oggetto descritto, e non

anche al giudizio che ne dà colui che descrive), le descrizioni sono tipicamente il risultato di un processo di

misurazione, un’operazione finalizzata ad acquisire informazione descrittiva relativa a proprietà di oggetti

empirici:

proprietà fisiche (per esempio lunghezze, masse, resistenze, potenze, …);

proprietà non fisiche (per esempio qualità di prodotti, soddisfazione di clienti, …);

(nota lessicale: le proprietà che si intendono oggetto della misurazione sono chiamate misurandi).

Il processo decisionale basato su dati sperimentali può essere descritto come segue:

dato sperimentale

può essere descritto come segue: dato sperimentale decisione azione stato 1 stato 2 mondo delle entità

decisione

azione stato 1 stato 2
azione
stato 1
stato 2

mondo delle entità di informazione

mondo

degli oggetti

empirici

Il fatto di ottenere effettivamente il risultato cercato, cioè stato 2 , adottando la strategia indiretta dipende da

varie condizioni:

[ ] la conformità dell’azione alla decisione (è una condizione che può essere critica in molte

situazioni organizzative – è un tipico problema “da manager” – ma di cui non ci interessiamo qui);

[ ] la correttezza del modello che ha portato alla decisione (è una condizione relativa all’insieme

delle conoscenze implicato – per esempio confrontare numeri – ma di cui non ci interessiamo qui);

[ ] la qualità dei risultati delle misurazioni: questo è il problema qualificante a proposito

dell’analisi di dati sperimentali

(in effetti è necessario porre, in generale, un’ulteriore condizione: poiché il momento in cui viene attuata

l’azione ( ) è successivo al momento in cui si è misurato ( ), occorre assicurarsi che nel frattempo stato 1 non

si sia modificato in modo significativo – in caso contrario si starebbe prendendo una decisione su un sistema

che è diverso da quello che si suppone sia

occupiamo qui),

D’ora in poi ci interesseremo dunque di dati ottenuti mediante:

–: si tratta di un problema sottile, di cui pure comunque non ci

misurazione diretta ( ): il misurando è la proprietà acquisita da stato 1 ;

misurazione indiretta ( - ): il misurando è ottenuto elaborando proprietà acquisite da stato 1 .

Le operazioni di elaborazione (trasformazione ) che si effettuano sui dati acquisiti “dal campo”

(trasformazione ) dovrebbero tener conto del cosiddetto principio GIGO (garbage in-garbage out): se la

qualità dell’informazione acquisita è bassa, la decisione presa rischierà di essere a sua volta di bassa qualità.

I dati ottenuti sperimentalmente sono dunque numeri caratterizzati da una “qualità” (caratteristica che i numeri della matematica non hanno). Dato lo schema:

dati_in (da )

matematica non hanno). Dato lo schema: dati_in (da ) (elaborazione) dati_out (per ) i dati_in (generalmente

(elaborazione)

(elaborazione)
non hanno). Dato lo schema: dati_in (da ) (elaborazione) dati_out (per ) i dati_in (generalmente numeri)

dati_out (per )

i dati_in (generalmente numeri) ottenuti mediante misurazione mantengono un riferimento alla loro origine

sperimentale che ne condiziona le modalità di espressione e di trattamento. Per esempio: di un oggetto x di forma circolare è stato misurato il diametro d, ottenendo il valore d(x)=1,234 m; qual è il valore della circonferenza c(x) di x?

Dalla geometria elementare sappiamo che c(x)= d(x). Facciamo eseguire il conto a un foglio elettronico, che per la funzione pi() potrebbe restituire per esempio il valore 3,1415926536; quindi:

pi()*1,234=3,8767253345 m. A conferma di ciò, per c(x)/ , cioè invertendo l’operazione, otteniamo d(x)=1,2340000000 m. Da un punto di vista puramente matematico l’operazione si dimostra dunque corretta, dato che evidentemente 1,234=1,2340000000. Il fatto è però che il valore d(x)=1,234 m era stato ottenuto come risultato di una misurazione, e quindi è un dato di origine sperimentale, come segnala la presenza dell’unità di misura: che conseguenze ha il fatto che un numero sia in effetti un dato di origine sperimentale? Intesi come dati sperimentali, 1,234 m e 1,2340000000 m non sono affatto equivalenti, come dimostra il fatto che un fisico obietterebbe che di nessun oggetto macroscopico si può misurare la lunghezza nell’ordine

dei 10 10 m, considerando che questo è l’ordine delle dimensioni atomiche. Dunque i numeri “dei matematici” e i numeri “degli ingegneri” sono parzialmente diversi. Ma in cosa consiste questa differenza? A differenza dei numeri “dei matematici”, i numeri “degli ingegneri” sono strumenti per descrivere entità empiriche, e quindi ci si deve porre al riguardo la domanda: quanto bene i numeri descrivono l’oggetto in esame? Per esempio, 1,2 m significa che l’informazione di cui si dispone non consente di dire nulla sulla lunghezza in cm del tavolo, mentre 1,20 m significa che si sa (o almeno che si sostiene di sapere) che il tavolo è lungo 1 metro, 2 decimetri e 0 centimetri. Entra in gioco, dunque, un concetto di qualità dei dati, che in matematica è assente; i numeri “dei matematici” vanno adattati, e in particolare:

se si ha informazione sulla lunghezza in cm e invece si sceglie di esprimere il dato in dm, non si commette un errore, ma solo si esprime l’informazione con una qualità minore di quella di cui si dispone (come quando si dichiara la propria età in anni invece che in giorni) (e quindi probabilmente si sono sostenuti dei costi inutili);

se si ha informazione sulla lunghezza in dm e invece si sceglie di esprimere il dato in cm, si commette un errore (o quantomeno si prende un rischio), dato che si esprimo l’informazione con una qualità maggiore di quella di cui si dispone: come si può evitare di commettere questo errore? Per mettere in evidenza che il numero di cifre decimali con cui viene espresso un dato sperimentale è un indice di qualità dei dati, esso viene chiamato numero di cifre significative (ncs).

A questo proposito, il principio GIGO può essere riespresso così: in un processo di elaborazione che

trasforma dati_in in dati_out:

dati_in

di elaborazione che trasforma dati_in in dati_out: dati_in elaborazione dati_out il ncs di dati_out non dovrebbe

elaborazione

elaborazione
elaborazione
elaborazione
che trasforma dati_in in dati_out: dati_in elaborazione dati_out il ncs di dati_out non dovrebbe essere maggiore

dati_out

il ncs di dati_out non dovrebbe essere maggiore del ncs di dati_in (in caso contrario, si “creerebbe

informazione” durante l’elaborazione

Tornando all’esempio precedente, il ncs della circonferenza c(x) non dovrebbe essere maggiore del ncs del

diametro d. Nell’ipotesi che l’elaborazione non riduca la qualità dei dati, dunque: d(x)=3,876 m. D’altra parte, considerando che la cifra successiva a quelle indicate, 7, è maggiore di 5, per arrotondamento all’intero più vicino si ottiene d(x)=3,877 m. Un tipico esempio: la scelta del corretto ncs con cui esprimere le percentuali (in particolare relative a variazioni relative) è un problema molto frequente (e la cui soluzione è molto frequentemente sbagliata).

In particolare, le percentuali riferite a insiemi di meno di 100 individui non dovrebbero avere decimali (per

esempio, poiché 1 individuo su 50 è pari al 2%, ma 2 individui al 4%, in tal caso si potrebbe correttamente

scrivere 2±1%; d’altra parte, 1 individuo su 51 è pari al 1,96078

circa al 2±1%).

).

%,

che però ancora corrisponde in effetti

2.1 La scrittura di dati sperimentali Poiché i dati di origine sperimentale sono generalmente numeri con unità di misura, nella loro scrittura

occorre rispettare alcune convenzioni notazionali, stabilite nel contesto del Sistema Internazionale delle unità (International System of Units, SI):

SI unit symbols (and also many non-SI unit symbols) are written as follows:

in general, unit symbols are written in lower case, but, if the name of the unit is derived from the proper name of a person, the first letter of the symbol is a capital. When the name of a unit is spelled out, it is always written in lower case, except when the name is the first word of a sentence or is the name “degree Celsius”

unit symbols are unaltered in the plural

unit symbols are not followed by a full stop (period), except as normal punctuation at the end of a sentence

I prefissi, da adottare anteponendoli ai simboli delle unità, sono:

fattorefattore

nomenome

simbolosimbolo

fattorefattore

nomenome

simbolosimbolo

10

24

yotta

Y

10 1 10 2

deci

d

10

21

zetta

Z

centi

c

10

10

10

18

15

12

10

10

10

10

10

9

6

3

2

1

exa

E

peta

P

tera

T

giga

G

mega

M

kilo

k

hecto

h

deca

da

10 3 10 6 10 9

10 12

10 15

10 18

10 2 1

10 2 4

milli

m

micro

nano

n

pico

p

femto

f

atto

a

zepto

z

yocto

y

Tra le unità di base del Sistema Internazionale l’unità di massa è l’unica il cui nome, per ragioni storiche, contiene un prefisso.

Il simbolo del prefisso per il fattore 10 3 è “k”, scritto minuscolo; si usa invece il simbolo “K”, scritto maiuscolo, per indicare il fattore 1024=2 10 , impiegato soprattutto in informatica. I prefissi per i fattori successivi non sono distinti in questo senso, e perciò per esempio il prefisso “M” è ambiguo, dato che sta sia per il fattore 10 6 in accordo al Sistema Internazionale, sia per il fattore 1048576=2 20 nelle consuetudini dell’informatica.

Confermando che il separatore decimale standard è la virgola, nel 1997 il Comitato Internazionale dei Pesi e delle Misure (CIPM) ha però deciso che nei testi in lingua inglese può essere usato come separatore decimale il punto. Dunque in Italia come separatore decimale si dovrebbe usare la virgola, salvo forse in contesti particolari come i documenti di informatica, in cui il riferimento alla lingua inglese è sistematico. D’altra parte, la nota anglofilia degli italiani fa sì che spesso questa regola non venga rispettata

2.2 Numero di cifre significative Ancora a partire dallo schema:

dati_in (da )

Ancora a partire dallo schema: dati_in (da ) (elaborazione) dati_out (per ) il ncs del risultato

(elaborazione)

(elaborazione)
(elaborazione)
a partire dallo schema: dati_in (da ) (elaborazione) dati_out (per ) il ncs del risultato di

dati_out (per )

il ncs del risultato di un’elaborazione, dati_out, dipende dal ncs dei dati di partenza, dati_in Per stabilire il ncs con cui esprimere il risultato di una misurazione:

con uno strumento a lettura digitale, dovrebbe essere il numero di cifre indicate;

con uno strumento a lettura analogica, dipende dalla scala indicata e dall’abilità di colui che effettua la misurazione. Per stabilire il ncs con cui è espresso un numero:

il ncs non dipende dall’unità di misura scelta (p.es. 1,23 m e 123 cm hanno lo stesso ncs);

le cifre diverse da zero sono sempre significative (p.es. 12 ha due cifre significative, e 12,3 ha tre cifre significative);

a proposito dello zero:

zeri tra altre cifre sono sempre significativi (p.es. 1002 ha quattro cifre significative);

zeri iniziali non sono mai significativi (p.es. 0,012 ha due cifre significative);

zeri finali indicati nella parte decimale sono significativi (p.es. 1,20 ha tre cifre significative) (e questa è la ragione per cui in ingegneria per esempio 1,2 e 1,20 non sono equivalenti);

nel caso di zeri finali indicati nella parte intera non è possibile stabilire il ncs (p.es. 1200 ha almeno due cifre significative, ma potrebbero essere tre o quattro); per evitare questa ambiguità, è opportuno adottare la notazione scientifica (per cui, p.es., 1200 potrebbe diventare 1,2x10 3 =1,2E3, o 1,20x10 3 =1,20E3, o 1,200x10 3 =1,200E3, rispettivamente con ncs pari a 2, 3 e

4).

Il ncs del risultato di un’elaborazione, dati_out, in funzione del ncs dei dati di partenza, dati_in, si ottiene come caso particolare della cosiddetta “legge di propagazione dell’incertezza”, che introdurremo nel seguito. Si possono tuttavia applicare alcune regole empiriche:

nel caso di moltiplicazioni e divisioni, il ncs del risultato è uguale al minore tra i ncs degli operandi (p.es. il risultato di 0,00120x12,34 dovrebbe essere espresso con tre cifre significative, dunque come 0,148) (p.es. il risultato di 3,0x400,0 dovrebbe essere espresso con due cifre significative; dato però che la notazione 1200 è ambigua, è opportuno passare alla notazione esponenziale, 1,2x10 3 ); operandi di moltiplicazioni e divisioni che siano numeri interi si comportano come se avessero infinite cifre significative (p.es. 1,222x2=2,444, mentre dunque 1,222x2,0=2,4);

nel caso di addizioni e sottrazioni, il numero di cifre decimali del risultato è uguale al minore tra i numeri di cifre decimali degli operandi, naturalmente espressi nella stessa unità di misura (p.es. 0,012+12,34=12,35); nell’ipotesi che il numero di cifre decimali sia un indicatore della “precisione”

di un numero, questa regola stabilisce dunque che il risultato di un’addizione o di una sottrazione

non può essere più preciso del meno preciso degli operandi. Un esempio di applicazione dei criteri sul ncs: quanto fa 1 m + 1 cm? La risposta è ambigua, perché non è chiaro se 1 m possa essere interpretato come 100 cm oppure proprio solo come 1 m; nel primo caso l’operazione è 100+1 cm e quindi la risposta è 101 cm, nel secondo caso l’operazione è 1+0,01 m e quindi la risposta è 1 m.

2.3 Arrotondamento Quando un’elaborazione produce un numero con più cifre di quante siano effettivamente significative, è

necessario eliminare le cifre non significative, mediante un’operazione chiamata di arrotondamento (round off). La procedura di arrotondamento è la seguente:

per il numero in esame, si stabilisce il ncs; siano x l’ultima cifra a destra da mantenere e y la cifra successiva a x, cioè la prima da eliminare (p.es. se il numero è 23,4567 e il ncs è 4, allora x=5 e

y=6);

eliminano le cifre a destra di x;

y<5, la procedura termina (p.es. se il numero è 23,4567 e il ncs è 2, allora il risultato

si

se

dell’arrotondamento è 23);

altrimenti se y>5, si sostituisce x+1 a x (p.es. se il numero è 23,4567 e il ncs è 5, allora il risultato dell’arrotondamento è 23,457);

altrimenti se y=5, la procedura è convenzionale, per esempio come segue:

se una o più cifre successive a y sono diverse da 0, si sostituisce x+1 a x (p.es. se il numero è 23,4501 e il ncs è 3, allora il risultato dell’arrotondamento è 23,5);

altrimenti se successivamente a y non ci sono cifre o le cifre sono tutte uguali a 0:

se x è un numero pari, la procedura termina (p.es. se il numero è 23,450 e il ncs è 3, allora il risultato dell’arrotondamento è 23,4);

altrimenti se x è un numero dispari, si sostituisce x+1 a x (p.es. se il numero è 12,350 e il ncs è 3, allora il risultato dell’arrotondamento è 12,4).

2.4 Elaborazione dei dati sperimentali: note

Effettuando elaborazioni in due o più passi, è necessario mantenere nei risultati intermedi almeno una cifra in più del ncs, per ridurre gli effetti dei cosiddetti “errori di arrotondamento” (round-off error).

In ogni caso, nei passi intermedi di un’elaborazione a più passi non bisogna mai arrotondare a un numero di cifre minore del ncs.

Nella scrittura del risultato di un’elaborazione non si dovrebbe mai riportare un numero di cifre maggiore del ncs.

Si chiama “notazione scientifica normalizzata” la scrittura ax10 b con la condizione che 1 |a|<10. Sia x un numero scritto in notazione scientifica normalizzata con un numero di cifre decimali diverso dal (e in particolare maggiore del) ncs. Problema: possiamo definire una formula per riscrivere con il corretto ncs?

Risposta:

int 10 ncs 1 x 0,5

10 ncs 1

(avendo assunto di poter usare la funzione int(), che restituisce la parte intera

del suo argomento, e quindi che int(x+0.5) -- lo si verifichi! -- arrotonda all’intero più vicino).

2.5 Pervasività e criticità della misurazione

Metrology has become a natural and vital part of our everyday life. Coffee and planks of wood are both bought by weight or size; water, electricity and heat are metered, and that affects our private economies. Bathroom scales affect our humor - as do police speed traps and the possible financial consequences. The quantity of active substances in medicine, blood sample measurements, and the effect of the surgeon’s laser must also be precise if patients’ health is not to be jeopardized. We find it almost impossible to describe anything without referring to weights and measures: hours of sunshine, chest measurements, alcohol percentages, weights of letters, room temperatures, tyre pressures, Then there are commerce, trade and regulation that are just as dependent on weights and measures. The pilot carefully observes his altitude, course, fuel consumption and speed, the food inspectorate measures bacteria content, maritime authorities measure buoyancy, companies purchase raw materials by weights and measures, and specify their products using the same units. Processes are regulated and alarms are set off because of measurements.

Systematic measurement with known degrees of uncertainty is one of the foundations of industrial quality control and, generally speaking, in most modern industries the costs bound up in taking measurements constitute 10-15% of production costs. [da: Metrology – in short, 2nd ed., 2003] La Scienza della Misurazione è una disciplina finalizzata a caratterizzare il “contenuto empirico” dell’informazione, a partire da tre discipline complementari:

la teoria della rappresentazione (teoria della misurazione secondo il punto di vista rappresentazionale), che a partire dal riconoscimento che la misurazione è una particolare forma di valutazione studia le condizioni di significatività (in effetti: di consistenza) della valutazione stessa, in particolare in termini di tipi di scale e di invarianza algebrica;

la teoria della quantità di informazione (teoria dell’informazione e della trasmissione), che studia le condizioni per la caratterizzazione quantitativa dell’informazione acquisita e trasmessa;

la teoria della qualità dell’informazione (teoria dell’incertezza), che studia le condizioni per la caratterizzazione qualitativa dell’informazione acquisita e trasmessa. Sottostante e trasversale a queste sta poi:

la teoria dei segnali, che studia i segnali in quanto sistemi dinamici che portano informazione.

2.6 Il contesto del discorso

La misurazione è un’operazione così fondamentale in così tante attività che non stupisce la molteplicità dei

suoi significati. Si sostiene per esempio che:

si misurano grandezze fisiche (come la lunghezza di un tavolo) mediante dispositivi fisici;

si misurano grandezze geometriche (come la superficie di un rettangolo) mediante formule;

si misurano grandezze informazionali (come la complessità di un programma) mediante algoritmi;

si misurano grandezze sociali (come la preferenza per un opzione) mediante questionari;

Rimangono tante zone d’ombra; per esempio, si usa tradizionalmente la dizione “pesi e misure”: i “pesi” non sono “misure”? E che relazione c’è tra misurare e contare? Non è anche il contare un’operazione con cui

si

estrae informazione da un sistema oggetto?

E

soprattutto: che relazione c’è tra misurare e valutare?

2.7 Misurazione e valutazione

I termini “valutazione”, “valutare” e “valore” sono sfortunatamente ambigui; si parla del:

valore di una grandezza

valore di una variabile

valore di un’azienda

valore di un’opera d’arte

valore di una persona … Distinguiamo, in generale, tre significati:

significato 1: non si valuta un tavolo, ma di un tavolo si valuta la lunghezza;

significato 2: si valuta un tavolo, nel senso che se ne valuta il prezzo;

significato 3: si valuta un tavolo, nel senso che se ne valuta la qualità o qualcosa di analogo. Ci occuperemo qui solo del primo significato, tale che misurare è un modo particolare di valutare. Ma in cosa consiste questa particolarità?