Sei sulla pagina 1di 59

Universit degli Studi di Palermo

Facolt di Ingegneria
Laurea in Ingegneria dellEnergia
Corso di

Strumentazione e misure elettriche


9 CFU
Prof. Salvatore Nuccio
salvatore.nuccio@unipa.it, 091 238.60.263
Ricevimento: secondo orario-prenotazione portale studenti, dopo le lezioni o con
appuntamento e-mail o telefonico
1

Testi e norme di riferimento bibliografico

Appunti delle lezioni


GUM (sito BIPM) o Norma CEI UNI ENV 13005: Guida allespressione dellincertezza
di misura
http://www.bipm.org/utils/common/documents/jcgm/JCGM_100_2008_E.pdf
http://www.bipm.org/utils/common/documents/jcgm/JCGM_104_2009_E.pdf
VIM (sito BIPM) o Norma CEI-UNI 70099: Vocabolario Internazionale di Metrologia
http://www.bipm.org/utils/common/documents/jcgm/JCGM_200_2012.pdf
Altri testi
Malcovati (sito Pavia):
http://sms.unipv.it/misure/ME/Misure_Elettriche.pdf
Locci, Muscas (sito Cagliari)
http://www.diee.unica.it/misure/corsi_misure.php
Diverse fonti di informazione su internet
M. Savino. Fondamenti di Scienza delle Misure. La Nuova Italia Scientifica

Zingales. Misure Elettriche: Metodi e Strumenti. UTET


...

Fondamenti di metrologia
Perch misurare?
Per conoscere il mondo fisico necessario
poterne quantificare le diverse grandezze.
Linformazione quantitativa su una
grandezza fisica ottenuta attraverso le
misurazioni (o misure), impiegando
adeguati strumenti secondo opportuni
metodi.
3

Gli attori della misurazione (al minimo)


il sistema
misurato
il misurando

il metodo

lo strumento

lutilizzatore
4

Come misurare?
Ci si accorda
su una propriet di un fenomeno, di un corpo o di una
sostanza, che pu essere espressa quantitativamente
grandezza (misurando)
Esempio: lunghezza
su ununit di misura (e sul campione che la
rappresenta)
Esempio: piede, palmo,....metro
su un metodo di misurazione (confronto fra la grandezza da
misurare e il campione)
sulla comunicazione del risultato del confronto, la misura
..e una informazione sulla sua qualit (la sua incertezza)
5

Fondamenti di metrologia
Perch misurare?

Motivazioni di tipo commerciale e legale


Motivazioni di tipo tecnico
Motivazioni di tipo scientifico

Perch misurare?
Motivazioni di tipo commerciale e legale
Determinare la quantit di beni
Esempi:
dimensione di terreni, stoffe, ...
distanze da percorrere, ...
quantit di grano, sementi, acqua, ...
Regolare le transazioni commerciali
Assicurare la corretta esazione di imposte
Assicurare il rispetto di norme sulla sicurezza,
.....
7

Perch misurare?
Motivazioni di tipo tecnico
Prove di accettazione
Intercambiabilit fra i prodotti di pi fornitori
Prove per la verifica della qualit del processo produttivo
Compatibilit fra pezzi provenienti da pi processi
Compatibilit fra pezzi provenienti da pi processi
Prove per la verifica della qualit dei prodotti finiti
Confronto fra prodotti di fornitori differenti
8

Perch misurare?
Motivazioni di tipo tecnico
Anche qui ci si accorda
su ununit di misura e sul campione
su una procedura di prova
(accordi specifici, norme nazionali o internazionali)
sullaccettazione del prodotto sulla base della prova eseguita

Perch misurare?
Motivazioni di tipo scientifico
Conoscere un fenomeno fisico:
Prevederne il comportamento
Controllarne il comportamento
Metodo sperimentale (Galileo Galilei)
Teorizzazione di un fenomeno fisico
Modello (matematico, ...)
Legge fisica
Esperimento sul fenomeno fisico
Affinamento del modello
Modifiche
Campo di validit
Verifica sperimentale
10

Perch misurare?
Motivazioni di tipo scientifico
La misurazione nella scienza
Indagine sul mondo fisico per ottenere informazioni
quantitative
Modello, metodo di misurazione, unit, campione
Comunicazione delle informazioni
Intersoggettivit dellinformazione
Accordi per la comprensione del messaggio
comunicato
Ripetibilit e Riproducibilit dellesperimento
Riferibilit della misura
11

La misurazione richiede
Un insieme di fenomeni (o oggetti) di cui si considera una
determinata propriet
Esempio: tensione, temperatura,
La definizione delle funzioni di trasformazione che
permettano il passaggio:
propriet numeri
relazioni empiriche relazioni fra numeri
Esempi: equivalente = (uguale)
pi grande > (maggiore)
La definizione di ununit di misura con il relativo campione
12

Misurare
Misurare significa dunque acquisire e trasmettere informazioni
sul mondo fisico
Il procedimento con cui si misura si chiama misurazione
La misura di una grandezza generalmente definita come il
confronto quantitativo di questa stessa grandezza con unaltra
grandezza, omogenea con quella che si vuole misurare, che
viene considerata come unit di misura.
La misura definita quando sono noti lunit di misura ed una
espressione della sua qualit cio di quanto il risultato si pu
scostare dal valore vero del misurando
Il risultato di una misurazione, linformazione che si vuole
ottenere, si chiama misura: a causa dellincertezza nel
processo di misurazione rappresenta una stima del valore del
misurando
13

Errori e incertezze nel risultato di una


misurazione
Per approssimazioni, per uso di metodi non idonei, per caratteristiche
intrinseche al metodo ed agli strumenti utilizzati, per le grandezze di
influenza, il risultato della misurazione pu essere diverso dal valore vero
del misurando: si commette quindi un errore nel risultato della misurazione
(che pu essere corretto se noto).
Eseguendo ripetutamente (nelle stesse condizioni: stesso operatore,
strumento, metodo, luogo, condizioni ambientali) la misurazione di uno
stesso misurando non si trova sempre lo stesso risultato, bens risultati tra di
loro diversi a causa di imperfezioni inevitabili nel processo di misurazione.
Tali errori non sono correggibili e la misura sar affetta da incertezza:
parametro, associato al valore (di misura), che caratterizza la dispersione dei
valori che pu ragionevolmente essere attribuita al misurando

14

Misurare
Per esprimere in modo completo il risultato di una
misurazione, sono necessari almeno tre elementi: il valore
della misura, lunit di misura e lincertezza.
Il risultato della misura il valore numerico assegnato alla
grandezza misurata (misurando).
Il numero che esprime la grandezza misurata potr essere
dichiarato solo con un certo margine di incertezza in quanto
numerosissimi fattori perturbano le condizioni ideali di lavoro
e si oppongono alla conoscenza esatta del mondo fisico
(grandezze di influenza)
15

Esempi di fattori che alterano le condizioni ideali


1) Linterazione del sistema misurato sul trasduttore.
(es: in una misura di corrente, la risposta del trasduttore potrebbe essere
modificata dallintensit di corrente,).
2) Il carico strumentale.
Lo strumento elettrico che rileva luscita del trasduttore carica questultimo con
la propria impedenza di ingresso, e pertanto si altera il valore della tensione a
vuoto prodotta dal trasduttore. Il trasduttore stesso pu alterare il segnale..
3) Stabilit del sistema ausiliario.
Nel caso di sistemi dotati di alimentazione elettrica, il segnale prodotto pu
risentire della stabilit nel tempo della tensione di alimentazione.
4) Le condizioni ambientali.
Temperatura, umidit, altitudine, disturbi di natura elettromagnetica, ecc.
modificano le condizioni ideali di misura.

16

Stima della misura


Per la presenza di errori (scarti, scostamenti), inevitabilmente
connessi a qualsiasi processo di misurazione in una
misurazione loperatore esegue una stima del valore del
misurando.
Bisogna quindi aggiungere unindicazione sulla qualit
della stima, cio sulla sua capacit di rappresentare, con un
definito livello di probabilit, il valore del misurando,
esprimendo cos lincertezza di misura.

17

Gli attori della misurazione


il sistema
misurato
il metodo

il misurando

il campione
Lunit di misura

lo strumento

lutilizzatore
18

Gli attori della misurazione


il sistema
misurato
il metodo

il misurando

il campione
Lunit di misura

lo strumento

lutilizzatore
Il misurando la grandezza sottoposta a misurazione. (ES: la
resistenza elettrica).

19

Gli attori della misurazione


il sistema
misurato
il metodo

il misurando

il campione
Lunit di misura

lo strumento

lutilizzatore
Il campione realizza fisicamente l'unit di misura con la quale si
vuole confrontare il misurando.
Non sempre presente realmente: la sua presenza c
sicuramente nella ase di taratura dello strumento utilizzato
20

10

Gli attori della misurazione


il sistema
misurato
il metodo

il misurando

il campione
Lunit di misura

lo strumento

lutilizzatore
Con metodo di misura si intende la modalit con cui si esegue il
confronto fra misurando e campione.
Il metodo di misura sfrutta, generalmente, un fenomeno fisico.
21

Gli attori della misurazione


il sistema
misurato
il metodo

il misurando

il campione
Lunit di misura

lo strumento

lutilizzatore
Lo strumento l'oggetto con cui si esegue il confronto fra misurando
e campione, secondo le modalit previste dal metodo impiegato.

22

11

Gli attori della misurazione


il sistema
misurato
il metodo

il misurando

il campione
Lunit di misura

lo strumento

lutilizzatore
Lutilizzatore coordina e supervisiona la sequenza di operazioni
previste dal metodo di misura impiegato, legge le indicazioni degli
strumenti, elabora le letture per ottenere il risultato della misurazione
Pu non essere "umano (es: sistemi automatici di misura)
23

Misurazioni dirette

Procedimento di misura che consente il confronto diretto


fra il misurando ed una grandezza di riferimento della
stessa specie (campione)

Esempi:
Misura di lunghezza con un metro
Misura di tensione con un voltmetro

24

12

Misurazioni indirette
Procedimento di misura in cui il valore del misurando e
ottenuto elaborando i risultati di una o pi misurazioni
dirette effettuate su grandezze ad esso collegate

Esempi:
Velocit: v = l / t
Densit: = m / V
Resistenza: R = V / I

25

Misurazioni indirette
La maggior parte delle misure ottenuta per via indiretta
Motivazione della scelta: quasi sempre per ragioni di
comodit (costo, )
Con riferimento agli esempi:
la densit potrebbe essere ottenuta anche con un
densimetro
la resistenza potrebbe essere ottenuta per confronto
con resistore campione
26

13

Cause di errori ed incertezze della misurazione


il sistema
misurato
il campione
il metodo
il misurando
Lunit di misura
lo strumento

lutilizzatore
La conoscenza del misurando spesso incompleta e lo stato del
misurando pu non essere perfettamente noto;
La definizione del misurando pu non descrivere completamente la
realt fisica (il modello matematico pu essere incompleto);
Il processo di misura modifica il misurando (nelle misure industriali
questo viene trascurato)

27

Cause di errori ed incertezze della misurazione


il sistema
misurato
il campione
il metodo
il misurando
Lunit di misura
lo strumento

lutilizzatore
I campioni che si utilizzano nel confronto non sono ideali
(campioni sempre migliorabili); non forniscono il valore esatto
delle unit di misura ma solo una loro (buona) approssimazione

28

14

Cause di errori ed incertezze della misurazione


il sistema
misurato
il campione
il metodo
il misurando
Lunit di misura
lo strumento

lutilizzatore
Il metodo di misura sfrutta, generalmente, un fenomeno fisico,
che pu non essere completamente noto.
Generalmente il metodo non considera altri fenomeni che
possono interferire con quello utilizzato
29

Cause di errori ed incertezze della misurazione


il sistema
misurato
il campione
il metodo
il misurando
Lunit di misura
lo strumento

lutilizzatore
Il principio operativo impiegato differisce da quello ideale a
causa di: componenti non ideali, rumore generato internamente
allo strumento stesso, sensibilit alle condizioni ambientali,
taratura inadeguata, et, ecc.
I dispositivi utilizzati non sono ideali

30

15

Cause di errori ed incertezze della misurazione


il sistema
misurato
il campione
il metodo
il misurando
Lunit di misura
lo strumento

lutilizzatore
Capacit ed esperienza delloperatore hanno un ruolo
fondamentale nel processo di misura. (Es: esecuzione della misura
al momento giusto, valutazione della posizione di un indice su
una scala graduata, corretta interpretazione dei risultati di una
misura, elaborazioni corrette delle letture degli strumenti, ecc.)
31

Cause di errori ed incertezze della misurazione


il sistema
misurato
il campione
il metodo
il misurando
Lunit di misura
lo strumento
Procedimento

Software

lutilizzatore
Lerrore dovuto al procedimento legato ad approssimazioni ed
assunzioni tipiche del metodo, dove spesso si fanno delle ipotesi
semplificative;
Lerrore del software legato agli algoritmi matematici utilizzati
per il calcolo

32

16

Cause di errori ed incertezze della misurazione


il sistema
misurato
il campione
il metodo
il misurando
Lunit di misura
lo strumento
eni e
Fenom

sterni

lutilizzatore

Sollecitazioni meccaniche, disturbi elettromagnetici, condizioni


ambientali (ad es. la temperatura) (grandezze di influenza)
influenzano tutto il processo di misura in modo imprevedibile

33

Effetti delle cause di variabilit dei risultati di una misurazione

Se il processo di misura ripetuto un certo


numero di volte, i risultati ottenuti sono
sempre differenti, anche se le condizioni di
misura non sono cambiate.
Se il processo di misura ripetuto da un
altro operatore, con strumenti differenti, i
risultati della misura possono essere
differenti (anche riproducendo le stesse
condizioni di misura)

Ecco perch esprimere il risultato di una misura con un solo valore (e


ununit di misura) privo di significato!

34

17

Errori aleatori e sistematici


In generale, quindi, una misurazione presenta
imperfezioni che danno luogo ad un errore nel
risultato della misurazione.
Tradizionalmente, si considera che un errore ha
due componenti, una casuale (aleatoria), ed una
sistematica.
Nota Lerrore un concetto idealizzato; gli errori non possono essere
conosciuti esattamente.

35

Errori casuali
componente dellerrore di misura che in presenza di
misurazioni ripetute varia in maniera non prevedibile
Gli errori casuali (aleatori, stocastici) sono presumibilmente originati da
variazioni non prevedibili o casuali, nel tempo e nello spazio, delle
grandezze di influenza.
Gli effetti di tali variazioni, effetti casuali, danno luogo a variazioni in
osservazioni ripetute del misurando. Bench non sia possibile correggere
lerrore casuale del risultato di una misurazione, tuttavia possibile
ridurlo aumentando il numero di osservazioni; la sua speranza
matematica o valore atteso o valor medio, zero.

36

18

Errori sistematici
componente dellerrore di misura che in presenza
di misurazioni ripetute rimane costante o varia in
maniera prevedibile
Lerrore sistematico non pu essere sempre eliminato ma sovente pu
essere notevolmente ridotto.
Se una grandezza di influenza produce sul risultato di una misurazione
un effetto identificato in un errore sistematico, tale effetto pu essere
quantificato e, se di proporzioni significative rispetto allaccuratezza
richiesta alla misurazione, compensato apportando una correzione o
fattore di correzione
Si ipotizza che, a seguito della correzione, il valore atteso dellerrore
generato da un effetto sistematico sia zero.

37

Riduzione degli errori casuali e sistematici


Lerrore casuale si pu ridurre aumentando il numero di
osservazioni.
Lerrore sistematico si pu correggere perch modellizzabile,
in base a:
conoscenze sul comportamento dei sistemi che
intervengono nella misurazione;
conoscenza delleffetto delle grandezze di influenza;
Per questi errori si pu correggere il risultato sulla base del
modello (se la componente di errore significativa)
Esempio: errori di consumo degli strumenti (carico
strumentale);
38

19

Errori grossolani
Sono dovuti in genere a disattenzione e sviste dell'operatore
(registrazione o analisi dei dati, scelta di metodi e strumenti) o
a guasti dello strumento
Possono introdurre un errore rilevante ed ignoto nel risultato
di una misurazione.
Normalmente sono di ampiezza tale da essere
immediatamente riconoscibili e rivelate da unaccurata
revisione dei dati; sviste minori possono essere mascherate da
variazioni casuali, o apparire tali.
Le valutazioni dellincertezza non sono concepite per tenere
conto di tali errori.
39

Valore vero (di una grandezza) [VIM]


Valore compatibile con la definizione di una data grandezza in senso
determinato.
Note: 1 Esso un valore che sarebbe ottenuto da una misurazione
perfetta.
2 I valori veri sono per natura indeterminati.
3 In connessione a valore vero si usa larticolo indeterminativo
un piuttosto che larticolo determinativo il perch vi possono essere
diversi valori compatibili con la definizione di una data grandezza in senso
determinato;

Valore convenzionalmente vero (di una grandezza) [VIM]


Valore attribuito ad una grandezza in senso determinato ed accettato,
a volte, per convenzione

40

20

Errore
Errore (di misura) [VIM] (errore assoluto)
risultato di una misurazione meno un valore vero del
misurando.
E = M V
dove V il valore vero ed M valore misurato.
Note: 1 Dato che un valore vero non si pu determinare, in pratica si usa un
valore convenzionalmente vero

In valore relativo si ha lerrore relativo definito come:

e % = 100

M V
E
= 100
V
V
41

Correzione
Correzione
C = E
V = M +C
Valore aggiunto algebricamente al risultato bruto di una
misurazione per compensare l
lerrore sistematico.
Note: 1 La correzione uguale all
allerrore sistematico stimato cambiato di segno.
2 Dato che l
lerrore sistematico non pu essere conosciuto perfettamente, la
compensazione non pu essere completa.

Il risultato di una misurazione, anche se corretto per gli effetti sistematici


identificati, ancora una stima del valore del misurando a causa
dellincertezza originata dagli effetti casuali e dalla non perfetta
correzione del risultato per gli effetti sistematici.

42

21

E = M V = E s + Ec
V = M E s Ec

Errore causale

V = M + Es ;

Ec = M M
Errore casuale [VIM]
componente dell
dellerrore di misura che in presenza di
misurazioni ripetute varia in maniera non prevedibile.
Risultato di una misurazione meno la media che risulterebbe
risulterebbe
da un numero infinito di misurazioni dello stesso misurando
effettuate sotto condizioni di ripetibilit
ripetibilit.
Note: 1 L
Lerrore casuale uguale all
allerrore meno l
lerrore
sistematico.
2 Poich
Poich si pu eseguire solo un numero finito di
misurazioni, possibile determinare soltanto una stima
dell
dellerrore casuale.
43

Errore sistematico [VIM]

Media che risulterebbe da un numero infinito di misurazioni


dello stesso misurando, effettuate sotto condizioni di
ripetibilit
ripetibilit, meno un valore vero del misurando.
Note: 1 Lerrore sistematico uguale all
allerrore meno l
lerrore
casuale.
2 Come il valore vero, l
lerrore sistematico e le sue cause
non possono essere conosciuti completamente.

E = Es + Ec = M V
M = V + Es ; Es = M V

44

22

C = E

45

Incertezza
La Norma UNI CEI 13005: Guida allespressione dellincertezza
di misura GUM ha quindi introdotto il concetto di incertezza.
La parola incertezza significa dubbio, e pertanto incertezza di
misura, significa dubbio circa la validit del risultato di una
misurazione.
Definizione: Parametro, associato al risultato di una misurazione, che
caratterizza la dispersione dei valori ragionevolmente attribuibili al
misurando. VIM, GUM
La valutazione dellincertezza si basa su un modello probabilistico.
Questo il modello che deve essere usato nei certificati ufficiali, sulla
base della GUM

46

23

Statistica
La statistica riguarda i metodi scientifici per raccogliere, ordinare,
riassumere, presentare ed analizzare i dati, ed anche per trarre valide
conclusioni e prendere ragionevoli decisioni sulla base di tali analisi.

Popolazione (finita ed infinita) e campione rappresentativo


Raccogliere i dati relativi alle caratteristiche di un gruppo di individui
o oggetti (popolazione) spesso impossibile (o poco pratico).
Pertanto, si esamina una piccola parte del gruppo, detta campione;
se il campione rappresentativo, dallanalisi del campione si
possono trarre conclusioni circa lintera popolazione.

47

Statistica
La statistica induttiva o inferenza statistica tratta le condizioni
sotto le quali possibile trarre conclusioni circa la popolazione
dallanalisi di un campione rappresentativo.
Non essendo certa in assoluto spesso si usa il linguaggio della
probabilit.

La statistica descrittiva o deduttiva descrive o analizza un dato


gruppo senza trarne alcuna conclusione o inferenza rispetto ad un
gruppo pi grande.

48

24

Statistica distribuzione di frequenze


Dati grezzi: dati non ordinati numericamente
Quando si vogliono riassumere
dei dati grezzi utile distribuire
i dati stessi in classi e
determinare il numero di
individui appartenenti a
ciascuna classe (frequenza
della classe).
Un ordinamento tabulare dei
dati secondo le classi e secondo
le corrispondenti frequenze
delle classi detto
distribuzione di frequenze.

Massa [kg]
(classe)
59,5-62,5
62,5 65,5
65,5 68,5
68,5 71,5
71,5 74,5

Numero di studenti
(frequenza della
classe)
5
18
42
27
8

Esempio: campione di 100 elementi


con differenti pesi.
49

Statistica distribuzione di frequenze


Massa [kg]
(classe)

Numero di
studenti
(frequenza della
classe)

59,5-62,5
62,5 65,5
65,5 68,5
68,5 71,5
71,5 74,5

5
18
42
27
8

ISTOGRAMMA: rettangoli aventi base sullasse orizzontale, con centro sul


valore centrale e lunghezza uguale allampiezza della classe, ed aree
proporzionali alle frequenze delle classi
POLIGONO DI FREQUENZA: grafico lineare delle frequenze delle classi
passante per i valori centrali delle classi stesse
50

25

Statistica distribuzione di frequenze


Massa [kg]
(classe)

Numero di
studenti
(frequenza della
classe)

59,5-62,5
62,5 65,5
65,5 68,5
68,5 71,5
71,5 74,5

5
18
42
27
8

Se le classi sono di uguale ampiezza, i rettangoli dellistogramma


hanno le altezze proporzionali alle frequenze delle classi. La base
lampiezza della classe e laltezza presa pari alla frequenza della
classe.

51

Statistica curve di frequenze


I dati raccolti possono essere considerati come appartenenti ad un
campione tratto da una grande popolazione.
Poich da una grande popolazione si possono ottenere un gran numero di
osservazioni, possibile, per dati continui, scegliere classi molto piccole e
avere tuttavia un certo numero di osservazioni allinterno di ciascuna
classe.
In tal modo, un poligono di frequenze avrebbe segmenti molto piccoli,
approssimabili a delle curve, dette curve di frequenza.
Tali curve teoriche possono essere approssimate lisciando i poligoni di
frequenza del campione; lapprossimazione migliora al crescere delle
dimensioni del campione.
52

26

Statistica Media, Mediana, Moda di una


distribuzione di valori
La media aritmetica di ni numeri (valori di una data grandezza),
la somma dei suddetti numeri diviso ni:
ni

xi =

q =1

x iq

ni

dove xiq rappresenta un generico valore q della grandezza xi.


La mediana il valore che divide la distribuzione in due parti
(gruppi) di eguale numerosit.
La moda o norma della distribuzione di frequenza X il valore (o la
classe di valori) caratterizzata dalla massima frequenza.
53

Statistica Misure di dispersione


Dispersione o variazione dei dati lattitudine di certi dati
numerici a disporsi intorno ad un valore medio.

Lo scarto quadratico medio campionario si


ni

(x
si =

q =1

iq

(n i

xi ) 2
1)

La varianza campionaria pari a si2.


Quando si fa riferimento ad una popolazione infinita le due
grandezze si indicano rispettivamente con i e i2.
54

27

Statistica Teoria elementare della probabilit


La probabilit empirica o stimata di un evento data dalla frequenza
relativa del presentarsi dellevento, quando il numero delle
osservazioni molto grande.
La probabilit quindi il limite della frequenza relativa, quando il
numero delle osservazioni cresce indefinitamente.
Se una variabile X pu assumere un insieme discreto di valori X1, X2,
Xn, rispettivamente con probabilit p1, p2, pn, si dice che per X
stata definita una distribuzione di probabilit discreta. La funzione
p(X) detta funzione di probabilit di X
Si ha quindi unanalogia tra le distribuzioni di frequenza relativa (per i
campioni) e le funzioni di probabilit, p(X) (per le popolazioni).
55

Statistica Teoria elementare della probabilit


Se la variabile X pu assumere un insieme continuo di valori, il poligono
delle frequenze relative di un campione diventa, nel caso teorico di una
popolazione, una curva continua Y = p(X)
p(X) chiamata funzione di
densit (di probabilit)

larea sotto la curva


compresa fra le linee X=a
e X=b d la probabilit
che X cada tra a e b.
larea totale sottesa dalla
curva uguale a 1.

56

28

Statistica Distribuzione normale o di Gauss


La funzione :

p ( x iq ) =

( x iq i ) 2
2

2
i

descrive la distribuzione di probabilit o di Gauss, cosiddetta


curva a campana, dove xiq rappresenta un generico valore q della
grandezza xi, i lo scarto quadratico medio della popolazione
ed i il valore medio della popolazione.
57

Distribuzione normale
Si pu determinare lespressione razionalizzata della
distribuzione normale introducendo la variabile:

kp =

( x iq i )
i

da cui

p ( x iq ) =

1 2
kp
2

Si ottiene una distribuzione che ha la caratteristica di avere


valore medio nullo e scarto quadratico medio pari ad 1.

58

29

Distribuzione normale

59

Distribuzione normale
Dalla tabella 1 si pu calcolare la probabilit che il valore
generico xiq sia compreso nellintervallo:

i kp i < xiq < i + kp i

60

30

Statistica Teoria dei campioni elementari


La teoria dei campioni lo studio delle relazioni esistenti tra una
popolazione ed i campioni estratti dalla popolazione stessa.
E molto importante perch per esempio utile nella stima dei valori
ignoti dei parametri della popolazione stessa (la media, la varianza,
etc.). Infatti tali parametri possono essere stimati quando si conoscono
i parametri corrispondenti del campione (teoria statistica della stima).
I campioni devono essere rappresentativi della popolazione.

61

Distribuzione campionaria della media


Se si considerano diversi campioni di ampiezza ni estraibili da una
popolazione, si pu calcolare per ciascun campione un parametro, (per
esempio la media), che possibilmente varier da campione a
campione.
E quindi possibile ricavare una distribuzione di quel parametro, nel
nostro caso la media, che viene detta distribuzione campionaria del
parametro stesso, nel caso in esame distribuzione campionaria della
media .
Per ciascuna distribuzione campionaria possibile calcolare un la
media, lo scarto quadratico medio ecc. In tal caso si parla di media o
di scarto quadratico medio della distribuzione campionaria della
media.
62

31

Distribuzione campionaria della media

Campione di ni
elementi

Popolazione infinita

x1

x3

x2

xi

63

x1

x1

x2

x2
x3

x3

x4

x4

x2

Distribuzione
campionaria della
media

x3

xi

64

32

Distribuzione campionaria della media

Nel caso della distribuzione campionaria della media si pu


osservare che se la popolazione infinita o se si ha ni > 30 si ha
che:
La media della popolazione i coincide con la media della
distribuzione campionaria della media xi ;
Lo scarto quadratico medio della distribuzione campionaria
della media :

xi =

i
ni
65

Intervalli di confidenza
Se
la
distribuzione
campionaria
della
media

approssimativamente normale ci si pu aspettare che una reale


statistica campionaria xi cada negli intervalli sotto indicati,
dove xi la media della distribuzione campionaria della media
ed xi lo scarto quadratico medio della distribuzione
campionaria della media, con la seguente probabilit:
il 68,27 % dei casi compreso tra xi xi

e xi + xi
il 95,45 % dei casi compreso tra xi 2 xi e xi + 2 xi
il 99,73 % dei casi compreso tra x 3 x
i
i

e x i + 3 x i
66

33

Intervalli di confidenza
Di fatto si conosce xie si vuole sapere di quanto ci si discosta
da xi , media della stima campionaria, che, come detto prima,
coincide con la media della popolazione i . Si pu essere
confidenti di trovare che xi compresa negli intervalli che
vanno da :
il 68,27 % dei casi compreso tra xi xi

e xi + xi

il 95,45 % dei casi compreso tra xi 2 xi

e xi + 2 xi

il 99,73 % dei casi compreso tra xi 3 x


i

e xi + 3 xi
67

Intervalli di confidenza
Gli estremi di questi intervalli sono quindi detti limiti di
confidenza o limiti fiduciari rispettivamente al 68,27 %, 95,45
% e 99,73 % .
In generale lo scarto quadratico medio della popolazione i
sconosciuto e si ricorre allo scarto quadratico medio
campionario si.
ni

si =

q =1

( x iq x i ) 2

(n i

1)

Si pu quindi osservare che il termine i rappresenta lo scarto


tipo ovvero lincertezza della media xi ni
68

34

Teoria dei piccoli campioni


Nel caso in cui lampiezza del campione ni minore di 30 la
distribuzione campionaria non si pu pi ritenere normale.
Bisogna allora ricorrere alla distribuzione t di Student che
valida sia per i piccoli che per i grandi campioni che in forma
razionalizzata espressa mediante la variabile:

tp =

( xi i )
si
ni

dove, xi rappresenta il valore medio delle


misurazioni, ed una stima del valore atteso i ,
mentre si lo scarto tipo sperimentale della serie
di misurazioni ed una stima dello scarto
quadratico medio della popolazione i.
69

Teoria dei piccoli campioni


La distribuzione campionaria t dipende dalla costante
= ni 1 (numero di gradi di libert).
Per ogni valore di esiste una curva di distribuzione della
probabilit di tp. Per grandi valori di ni le curve si approssimano
alla curva normale standardizzata.

70

35

Teoria dei piccoli campioni

71

Teoria dei piccoli campioni


Ne segue che, in analogia a quanto visto per gli intervalli
di confidenza nel caso di grandi campioni, per calcolare la
probabilit che il valore sperato i si trovi nellintervallo:

xi t p xi e xi + t p xi
bisogna determinare il valore della variabile tp dalla tabella
2 che riporta i valori di tp a diversi livelli di probabilit in
funzione dei gradi di libert =ni-1.
il termine rappresenta lo s.q.m della media .xi =

xi

i
ni
72

36

VALUTAZIONE DELLINCERTEZZA
Norma UNI CEI 13005 Guida allespressione
dellincertezza di misura GUM
Lincertezza del risultato di una misurazione consiste in
genere di svariate componenti che possono essere raggruppate
in due categorie a seconda del modo in cui se ne stima il
valore numerico:
A) quelle valutate per mezzo di metodi statistici (analisi
statistica di serie di osservazioni)
B) quelle valutate mediante altri metodi

73

Incertezze di categoria A
Sono considerate ni osservazioni ripetute indipendenti della grandezza
xiq eseguite nelle stesse condizioni sperimentali.

Si immagina una popolazione virtuale infinita di valori, pertinenti alla


grandezza xiq da cui sono stati estratti, quelli della serie di valori
ottenuti nelle ni osservazioni (campione)

La stima del valore sperato o del valore medio della popolazione


infinita la media aritmetica delle osservazioni:
ni

xi =

q =1

x iq

ni
74

37

Incertezze di categoria A
Lo scarto tipo sperimentale si, stima dello scarto
quadratico medio della popolazione infinita i, e dato da:
ni

si =

q =1

( x iq x i ) 2

(n i

1)

dove = n -1 sono i gradi di libert.


75

Incertezze di categoria A
La miglior stima dello scarto tipo sperimentale della media
che rappresenta lincertezza tipo u x i della media xi
data da:

u xi = sxi =

si
ni

76

38

Incertezze di categoria A
Conclusioni
Per le incertezze di categoria A sono dunque fornite:
la media aritmetica, xi come stima del valore sperato
lincertezza tipo, come stima dello scarto quadratico
medio campionario della media s xi

Lincertezza pu essere data in valore assoluto


relativo u& x espresso come:

u xi o

u& x i =

u xi
xi
77

Incertezze di categoria A
Esempio

78

39

Incertezze di categoria A
Esempio

79

Incertezze di categoria A
Esempio

12

Risultato:
(100,0400,034)
dove 0,034 lincertezza tipo

80

40

Incertezze di categoria B
La componente dellincertezza di categoria B NON
ottenuta con osservazioni ripetute, e la distribuzione del
misurando valutata a priori sulla base di:
dati di misurazioni precedenti
esperienza delloperatore
specifiche tecniche del costruttore
dati forniti in certificati di taratura

81

Incertezze di categoria B
Bisogna quindi indagare sul tipo di distribuzione di
probabilit che assume la variabile nellintervallo
dichiarato o conosciuto che pu essere espresso:
come semiampiezza a dellintervallo intorno al valore
misurato xi
come valore massimo e valore minimo ximin e ximax
x
+ x i min
x i = i max
2
fascia di
valori a

ximin

ximax
valore centrale

misura
82

41

Incertezze di categoria B
Noti gli estremi dellintervallo massimo di variazione del
valore bisogna valutare lincertezza, intesa come stima
dello scarto quadratico medio campionario della media, a
seconda della distribuzione di probabilit con cui si
suppone sia distribuito il misurando allinterno
dellintervallo.
Normalmente si usano:
Distribuzione rettangolare
Distribuzione triangolare
Distribuzione trapezoidale
Distribuzione normale
83

Distribuzione rettangolare
Tutti i valori xi che una variabile causale X pu assumere
nellintervallo di valori dichiarato sono ugualmente probabili.
Landamento della distribuzione di probabilit rettangolare.

Si dimostra che la stima dello scarto quadratico medio


campionario della media, e quindi lincertezza tipo della
media, pari a:
x
x i min
a
u x i = i max
=
84
2 3
3

42

Distribuzione trapeizoidale
Unaltra possibilit che spesso pi realistico trovare i
valori xi vicino al valore medio che in prossimit degli
estremi Landamento della distribuzione di probabilit
trapeizoidale.
Si dimostra che la stima dello scarto quadratico medio
campionario della media, e quindi lincertezza tipo della

media, pari a,
u xi =

( x i max x i min )
2

(1 + 2 )

con compreso tra zero ed uno.

85

Distribuzione triangolare
Per =0 si ha una distribuzione triangolare (per =1 si ha
la distribuzione rettangolare)
Si dimostra che la stima dello scarto quadratico medio
campionario della media, e quindi lincertezza tipo della
media, pari a:

u xi =

( x i max x i min )
2 6

86

43

Incertezze di categoria B

Il valore sperato sar pari a quello centrale dellintervallo.


La valutazione quindi dipende da come viene fornito
lintervallo dichiarato dal costruttore, dal certificato di
taratura, etc.

87

Incertezze di categoria B - Esempio

88

44

Incertezze di categoria B - Esempio

Risultato:
(1,7700,012) A

89

Incertezza composta
Lincertezza del risultato di una misurazione consiste in
genere delle due componenti di categoria A) (quelle
valutate per mezzo di metodi statistici) e B) (quelle valutate
mediante altri metodi) che vanno composte
quadraticamente:

uc =

u A2 + u B2

incertezza assoluta composta

u& c =

u& A2 + u& B2

incertezza relativa composta

90

45

Incertezza estesa
In molte applicazioni commerciali, industriali e normative si
preferisce definire un intervallo pi ampio U(y) intorno al
risultato y della misurazione, in modo che vi siano compresi
una parte pi grande dei valori (livello di confidenza 95%,
99%) che ragionevolmente possono attribuirsi al misurando.
Questo intervallo, denominato incertezza estesa (globale) U, si
ottiene moltiplicando lincertezza tipo composta u per un
opportuno fattore di copertura k (compreso fra 2 e 3)
dipendente dalla distribuzione e quindi dai gradi di libert.
Per distribuzione normale a 95% corrisponde K=1,96

91

Distribuzione normale

92

46

93

VALUTAZIONE DELLINCERTEZZA
Norma UNI CEI 13005 Guida allespressione
dellincertezza di misura GUM
Nella maggior parte dei casi il misurando non viene misurato
direttamente, ma viene determinato tramite un certo numero n di
grandezze X1, X2, , Xn (grandezze di ingresso), attraverso una
relazione funzionale f (misura indiretta):
Y = f(X1, X2, , Xn)
Le grandezze di ingresso possono essere considerate esse stesse dei
misurandi, che possono a loro volta dipendere da altre grandezze,
(grandezze derivanti da processo di misurazione, grandezze riportate
nei certificati di taratura dei campioni e degli strumenti, grandezze di
influenza, correzioni ecc.)

94

47

VALUTAZIONE DELLINCERTEZZA
Norma UNI CEI 13005 Guida allespressione
dellincertezza di misura GUM
1. Individuare il modello della misurazione;
La stima y del misurando, che il risultato della misurazione, si
ottiene attraverso le stime xi delle grandezze di ingresso:
y = f (x1, x2, , xn)

95

VALUTAZIONE DELLINCERTEZZA
2. Valutare le incertezze delle grandezze di ingresso;
Ad ognuna delle stime dingresso xi si associa
unincertezza di ingresso u(xi), che, insieme a tutte le
altre, contribuisce a formare lincertezza della stima del
misurando (incertezza composta).
3. Calcolare lincertezza composta del misurando.
Si individua lespressione che, note le incertezze di
ingresso, consente di ricavare lincertezza composta del
misurando.
96

48

Propagazione delle incertezze


nelle misure indirette
Nel caso in cui il misurando sia legato ad altre grandezze,
attraverso il modello di misurazione, e sia determinato per
via indiretta come si propagano
(compongono) le
incertezze?

97

Incertezza composta
Dato il modello
y = f(x1, x2, .. xi ... xm )
che lega le m misure delle grandezze x1, ...xm alla grandezza y,
la stima y da attribuire alla misura data da:
y = f ( x 1 , x 2 ,...., x i ,..., x m )

essendo x i le stime dei valori delle grandezze di ingresso

98

49

Incertezza composta
Grandezze non correlate
Ipotesi:
Sono definite e note le incertezze tipo u x i delle
misure dirette xi.
Le grandezze xi sono tutte statisticamente
indipendenti (non correlate).
Le incertezze tipo u x i sono piccole rispetto alle
misure xi e sono quindi trattabili come infinitesimi.
Sono definite e calcolabili le derivate parziali prime di
f rispetto alle variabili indipendenti.
99

Incertezza composta
Grandezze non correlate
Lincertezza tipo composta

u y data da:

f
u y =
i =1 x i
m

2
u xi

Lincertezza tipo composta la radice quadrata positiva


della varianza composta u 2y
100

50

Esempi (x1 > 0, x2 > 0, non correlati)


Somma

y = x1 + x 2
y = x1 + x 2
u y2 = u x21 + u x22
u y2

u x2
x
x
u& = 2 ; u& = 2 ; u& y2 = 12 u& x21 + 22 u& x22
y
x
y
y
2
y

2
x

Differenza

y = x1 x 2
y = x1 x 2
u y2 = u x21 + u x22

101

Esempi (non correlati)


Prodotto

y = x1 x 2
y = x1 x 2
u& y2 = u& x21 + u& x22

Quoziente

y=

x1
x2

y =

x1
x2

u& y2 = u& x21 + u& x22

102

51

Esempi (non correlati)

103

Esempi (non correlati)

104

52

Incertezza composta - Grandezze correlate


Se non vale lipotesi di non correlazione:
Sono definite e note le incertezze tipo u x delle misure
i
dirette xi.
Le grandezze xi sono correlate.
Le incertezze tipo u x i sono piccole rispetto alle misure
xi e sono quindi trattabili come infinitesimi.
Sono definite e calcolabili le derivate parziali prime
di f rispetto alle variabili indipendenti.
105

Incertezza composta - Grandezze correlate


Lincertezza tipo composta u
data da:

f
u y =
i =1 xi
m

da attribuire alla misura

m 1 m
2
f f
u xi + 2
u ( xi , x j )

x
i =1 j = i +1
i
j

dove u ( xi , x j ) la covarianza stimata associata a xi e xj


n
1
u ( xi , x j ) =
( xik xi )( x jk x j )
n(n 1) k =1

106

53

Incertezza composta - Grandezze correlate


Il grado di correlazione caratterizzato dal coefficiente di
correlazione:

r ( xi , x j ) =

u ( xi , x j )
u xi u x j

con - 1 < r ( xi , x j ) < 1

r ( xi , x j ) = 0 grandezze non correlate


r ( xi , x j ) = 1 grandezze totalment e correlate
Per esempio se gli strumenti sono della stessa famiglia e
sono stati tarati dallo stesso laboratorio si pu supporre
una correlazione totale, r=1.
107

Incertezza composta - Grandezze


totalmente correlate
Lincertezza tipo composta u
data da:

f
u y =
i =1 xi
m

da attribuire alla misura

m 1 m
2
f f
u xi + 2
u ( x i )u ( x j ) =
i =1 j = i +1 xi x j

f
i x u xi
i
m

108

54

Incertezza estesa nel caso di misure indirette


Abbiamo visto che in molte applicazioni commerciali, industriali e
normative si preferisce definire un intervallo pi ampio incertezza estesa
(globale) U(y) intorno al risultato y della misurazione, in modo che vi siano
compresi una pi grande parte dei valori (livello di confidenza 95%, 99%) che
ragionevolmente possono attribuirsi al misurando.
Questo intervallo si ottiene moltiplicando lincertezza tipo composta u per
un opportuno fattore di copertura k (compreso fra 2 e 3) dipendente dalla
distribuzione
Il valore di questo fattore k deve essere individuato tra quelli pertinenti alla
variabile tp di Student riportati in Tabella 2 ( in corrispondenza ai gradi di
libert). Infatti, anche se alcune variabili di ingresso xinon hanno distribuzione
normale, la distribuzione della variabile risultato y pu essere considerata
approssimativamente normale in forza del teorema del limite centrale

109

110

55

Incertezza estesa nel caso di misure indirette

Per scegliere l'opportuno valore di tp nella Tabella 2, occorre fissare il


livello di probabilit, p , che si desidera considerare (di solito p = 95%) e
calcolare il numero dei gradi di libert effettivi, veff , da attribuire a u(y).
Tale calcolo pu essere effettuato con la seguente formula di WelchSatterhwaite :

-se u(x i) un'incertezza tipo di categoria A (serie di misure ripetute), allora:


vi = ni 1 dove ni il numero dei termini della somma dei quadrati da cui
stata ricavata
- se u( x i ) un'incertezza tipo di categoria B allora : vi = e [u( x i )]4 / vi = 0;
111

Come si riporta il risultato di una misurazione:


Occorre redigere un rapporto che descrive in dettaglio come si
sono ottenuti il risultato della misurazione e la sua
incertezza.
Si deve:
a) fornire una descrizione completa di come definito il
misurando Y, descrivendo chiaramente i metodi usati per
calcolare il risultato della misurazione e la sua incertezza
dalle osservazioni sperimentali e dai dati dingresso;
b) elencare tutte le componenti di incertezza e documentare in
modo esauriente come esse sono state valutate;
c) presentare lanalisi dei dati in modo tale che ogni passaggio
importante possa essere agevolmente seguito e che il
calcolo del risultato riportato possa essere ripetuto in modo
autonomo, se necessario;
112

56

Come si riporta il risultato di una misurazione:


In particolare si dovrebbero fornire:
la relazione funzionale Y = f(X1, X2XN), se opportuno le
derivate parziali o coefficienti di sensibilit df/dxi, i valori di
ciascuna stima dingresso xi e della corrispondente
incertezza tipo u(xi), le covarianze stimate o i coefficienti di
correlazione stimati, i gradi di libert per lincertezza tipo
di ciascuna stima dingresso, le correzioni e le costanti
utilizzate e le loro fonti.
Un modo di verificare lelenco qui prodotto quello di
chiedersi ho fornito informazioni sufficienti in modo
sufficientemente chiaro da permettere di aggiornare il mio
risultato qualora in futuro si rendano disponibili nuove
informazioni o nuovi dati?

113

Come si indica il risultato di una misurazione


Se lincertezza espressa mediante lincertezza tipo
composta uc(y), si deve:
a) fornire la stima y del misurando Y e la sua incertezza tipo
composta uc(y) e la relativa unit di misura;
b) quando opportuno, includere lincertezza tipo composta
relativa;
c) fornire tutte le altre informazioni utili.
Si possono indicare inoltre le seguenti informazioni (utili per
un futuro calcolo di fattori di copertura o per aiutare la
comprensione della misurazione):
- i gradi di libert effettivi stimati
- le incertezze tipo composte di categoria A e B ed i loro gradi
di libert effettivi stimati.
preferibile dichiarare il risultato numerico della misurazione
in uno dei quattro modi seguenti.
114

57

Come si indica il risultato di una misurazione


Se lincertezza espressa mediante lincertezza tipo composta uc(y),
preferibile dichiarare il risultato numerico della misurazione in uno dei
quattro modi seguenti.
Esempio: la grandezza di cui si riporta il valore un campione di massa
avente valore nominale 100 g e massa m; le parole in parentesi possono
essere omesse se uc definita in altro luogo del documento che riporta il
risultato. Gradi di libert n = 9
1) m = 100,021 47 g con (incertezza tipo composta) uc = 0,35 mg.
2) m = 100,021 47(35) g, dove il numero entro parentesi il valore
numerico di (dellincertezza tipo composta) uc riferita alle
corrispondenti ultime cifre del risultato riportato.
3) m = 100,021 47(0,000 35) g, dove il numero entro parentesi il valore
numerico di uc (incertezza tipo composta) espressa nellunit di misura
del risultato riportato.
4) m = (100,021 47 0,000 35) g, dove il numero che segue il simbolo
il valore numerico di uc (incertezza tipo composta) e non rappresenta un
intervallo di fiducia.
115

Come si indica il risultato di una misurazione


Se lincertezza espressa con lincertezza estesa U = kuc(y), si deve:
a) dichiarare il risultato della misurazione nella forma Y = y U e fornire la
relativa unit di misura;
b) includere, quando opportuno, lincertezza estesa relativa;
c) fornire il valore di k usato per ottenere U [o, per maggiore comodit
dellutente, dare sia k sia uc(y)];
d) indicare il livello di fiducia approssimato associato allintervallo y U e
specificare in quale modo esso stato ottenuto;
preferibile indicare il risultato numerico della misurazione secondo
lesempio seguente:
m = (100,021 47 0,000 79) g, dove il numero che segue il simbolo il
valore numerico di (unincertezza estesa) U = kuc, con U determinata da
(unincertezza tipo composta) uc = 0,35 mg e da (un fattore di copertura)
k = 2,26, basato sulla distribuzione t per n = 9 gradi di libert, e
definisce un intervallo che si stima avere un livello di fiducia del 95 per
cento.
116

58

Come si indica il risultato di una misurazione


Numero di cifre significative
di regola sufficiente riportare uc(y) ed U (cos come le
incertezze tipo u(xi) delle stime dingresso xi ) con due cifre
significative, e conservare ulteriori cifre per evitare errori di
arrotondamento nei calcoli successivi.
Nei risultati finali pu essere appropriato arrotondare le
incertezze per eccesso, piuttosto che alla cifra pi vicina.
I coefficienti di correlazione prossimi a 1dovrebbero essere
scritti con tre cifre significative.
Per esempio, uc(y) = 10,47 m sar arrotondato a 11 m.
Le stime dingresso e duscita saranno arrotondate in modo da
armonizzarsi con le proprie incertezze;
per esempio, se y = 10,057 62 e uc(y) = 27 m, allora y sar
arrotondato a 10,058 .
117

59