Sei sulla pagina 1di 60

Metrologia: definizioni

Le misure sembrano facili ma…


• La strumentazione è facile da reperire a costi accettabili: questo non
necessariamente significa saper eseguire misure con un senso
• Non esiste un metodo, comune a tutte le misure, che metta al riparo
da errori grossolani
• Una misura sbagliata ha conseguenze importanti.

Perché si fanno misure ?

• quantificare una proprietà di un oggetto


• controllare un processo
• aumentare la comprensione fisica di un fenomeno solo parzialmente
conosciuto e/o validare un modello;
• tarare uno strumento

© Misure e Tecniche Sperimentali


Perché fare MISURE? (esempio in 3
azienda…)
Un azienda ha un problema: dopo un certo periodo di utilizzo di una
macchina per il taglio di carta (attraverso l’azione di cilindri in rotazione), il
taglio non è più garantito e si evidenzia un incremento della temperatura
durante il funzionamento.

CILINDRI

CARTA
CARTA

Progettare un metodo di misura per analizzare e risolvere il problema:


 Modellare il problema (i parametri più influenti);
 Identificare il metodo di misurazione;
 Scegliere il/i sensore/i adeguati;
 Raccogliere ed analizzare i dati;
© Misure e Tecniche Sperimentali
Alcune definizioni (1) 4

E’ necessario introdurre alcuni concetti e definizioni (UNI 4546):

• Metrologia
• Misurazione
• Misura
• Parametro
• Misurando
• Metodo di misurazione
• Modello di misura

Metrologia: disciplina che riguarda la qualità delle misure; un conto è


eseguire una misura, un altro è eseguire una misura corretta o valutare
la qualità della misura.

 Metrologia scientifica: è quella del mondo accademico e


scientifico, della ricerca.

 Metrologia legale: è quella che si occupa di tutelare la


fede pubblica, i consumatori, gli scambi commerciali.
© Misure e Tecniche Sperimentali
Alcune definizioni (2) 5

• Misurazione: atto del misurare, utilizzo di uno o più strumenti,


elaborazione matematica e la necessaria valutazione della qualità del
risultato. E’ quindi il procedimento attraverso il quale si assegnano
valori numerici a rappresentazione di grandezze fisiche.

• Misura: è il risultato di una misurazione.

• Incertezza: Parametro (numero), associato al risultato di una


misurazione, che caratterizza la dispersione dei valori
ragionevolmente attribuiti al parametro misurato

UNI 4546-Misure e Misurazioni: la misura è un’informazione costituita da


un numero, un’ incertezza e un’unità di misura atta a definire un
parametro in uno stato del sistema.

© Misure e Tecniche Sperimentali


Alcune definizioni (3) 6

• Parametro: è ogni grandezza, pertinente a un sistema fisico, alla


quale è necessario assegnare valori per descrivere:
– il sistema stesso e il suo stato,
– la sua evoluzione,
– le sue interazioni con altri sistemi e con l'ambiente.

Alcuni parametri non possono essere quantificati con uno scalare e,


come ad esempio i vettori, devono essere espressi con numeri
complessi, matrici, tensori.

• Misurando: parametro sottoposto a misurazione.

© Misure e Tecniche Sperimentali


Alcune definizioni (4) 7

• Metodo di misurazione: procedura che regola le modalità con


cui si esegue una misura.
Diretto: il valore del misurando è ottenuto leggendo direttamente la
grandezza di interesse, confrontandola con un'altra della stessa
specie, scelta come campione e rappresentante l'unità di misura (o
un multiplo di essa). (es lettura di una dimensione di un pezzo
meccanico …)
Indiretto: la misura è ottenuta leggendo una o più grandezze legate
funzionalmente al valore del misurando, ma non omogenee alla
grandezza d’interesse. Per poter utilizzare questo metodo è
necessario conoscere preventivamente le relazioni che legano tra
loro queste grandezze.
(es. Misurazione di una forza attraverso l’allungamento provocato su
una molla)

© Misure e Tecniche Sperimentali


Esempio 8

Il Misurando non viene messo a confronto con campione omogeneo, ma


ottenuto elaborando risultati di una o più misurazioni dirette su
grandezze collegate a quella di interesse.
y = f (x1, x2, x3,…)

t
d
Vm = d/t

© Misure e Tecniche Sperimentali


Alcune definizioni (5) 9

Caratteristiche del metodo di misurazione:


• per Deviazione: la misura del misurando è in relazione
con lo spostamento di un indice di uno strumento o con
altro tipo di segnale di uscita.

• per Azzeramento: la misura del misurando è ottenuta


confrontandolo con un campione materiale ad esso
omogeneo.

 opposizione
d= d1-d2

master pezzo 9
 sostituzione

© Misure e Tecniche Sperimentali


Esempio Misurazione 10

Problema: misurazione del diametro esterno di una boccola

• misurando: diametro esterno


• sistema: boccola
• metodo di misura: utilizzo di un calibro a
corsoio
 diretto
 deviazione

• UNI 4546: numero + incertezza + u.d.m.

Inconsapevolmente abbiamo associato un modello al sistema (boccola


cilindrica);
E’ quindi necessario associare un modello al sistema oggetto della
misurazione.

© Misure e Tecniche Sperimentali


Modello di misura (1) 11

Modello di misura (UNI 4546):


Insieme organico di relazioni tra valori di parametri, descrivente le
interazioni e/o la evoluzione dei sistemi.

• Non esistono modelli migliori o peggiori ma solo modelli più o meno


efficaci nel rappresentare le caratteristiche dell’applicazione per cui le
misure vengono fatte.

Alcuni esempi…

© Misure e Tecniche Sperimentali


Modello di misura (2) 12

Misura di una delle dimensioni di un oggetto:


– con porzioni di piano
– con tratti di superfici curve
– Considerare solo l’aspetto macroscopico o anche quello
microscopico o atomico?

Lunghezza?

Misura 1.b Misura 1.c


Misura 1.a
1.a Lunghezza 1.b 1.c
definita come .....distanza ....distanza
distanza tra due massima tra due massima tra due
rette tangenti. punti. segmenti tangenti.
© Misure e Tecniche Sperimentali
Modello di misura (3) 13

Anche un modello molto generale non ha validità assoluta ma solo


relativa, ovvero per un limitato campo di valori dei parametri che
definiscono lo stato del sistema e trasferire la complessità del reale in un
modello non è quasi mai possibile, e sicuramente non è conveniente.

3
PL
f
f =
3EI
P
3
PL
f f
P
3EI
Rimane sempre e comunque un‘ approssimazione legata al modello
che si adotta e che resterà intrinseca della misura.

© Misure e Tecniche Sperimentali


Grandezze principali e disturbi 14

Esiste una grandezza che è l’oggetto della misura, (misurando), ma altre


grandezze influenzano la misura, le grandezze di disturbo.
Alcune sono identificabili: la temperatura, l’umidità, lo stato di
sollecitazione, altre sono non identificabili, in quanto non tutti i fenomeni
sono noti.

La suddivisione tra grandezze principali e secondarie o di disturbo


dipende dal tipo di modello scelto e in alcuni casi lo scopo delle misure è
proprio l’identificazione dell’effetto di grandezze di disturbo.

DISTURBI DISTURBI

MISURANDO
PARAMETRI

SISTEMA

© Misure e Tecniche Sperimentali


Misure statiche e misure dinamiche 15

• Possiamo considerare le misure di grandezze le cui variazioni nel


tempo sono lente, e quindi si possono pensare stabili nel tempo di
osservazione (misure statiche o stazionarie),

oppure

• possiamo valutare l’effetto del tempo sulla grandezza, e quindi le


misure dovranno essere pensate come tempo-varianti o dinamiche.

© Misure e Tecniche Sperimentali


Esempio Misurazione (2) 16

• modello: boccola cilindrica


• misurando: diametro esterno
• grandezze di disturbo: temperatura, umidità
• sistema: boccola
• misurazione: statica
• metodo di misura: utilizzo di un calibro
 diretto
 deviazione

UNI 4546: numero + incertezza + u.d.m

© Misure e Tecniche Sperimentali


In azienda…. 17

~ 0.06 mm
 X

o Modellazione del sistema:


• Sistema: macchina di stampa
• Modello: cilindri di stampa
• Misurando: spostamento relativo dei cilindri (causa del non taglio);
• Parametro influente: temperatura (cilindri e strutture di supporto);

o Progettazione del metodo:


• misurazione: dinamica
• metodo : misura dello spostamento relativo e della temperatura dei
cilindri; caratteristiche del/i trasduttori… cilindri in rotazione…
acquisizione dei segnali…

© Misure e Tecniche Sperimentali


Statistica e misure
Introduzione alla statistica

• È l’area della scienza che si occupa di raccogliere, organizzare,


analizzare e sintetizzare i dati

• Metodi e tecniche da utilizzare per trarre conclusioni riguardo al


comportamento di grandi moli di dati (popolazioni) partendo da
campioni più piccoli

• Nelle misure, nel controllo di qualità e più in generale


nell’ingegneria meccanica la statistica svolge un ruolo fondamentale

• Esempio: confronto medie e dispersione dei dati di due gruppi di


misure

• La statistica consente di superare il determinismo e affrontare i


problemi usando concetti probabilistici.

© Misure e Tecniche Sperimentali


Introduzione alla statistica 20

Ci sono alcune possibili interpretazioni del concetto di probabilità:

• Definizione classica: la probabilità di un evento è il rapporto tra il


numero dei casi favorevoli all'evento e il numero dei casi possibili,
purché questi ultimi siano tutti equiprobabili.

= (numero di eventi favorevoli/numero di eventi totali)

Esempio: lancio di un dado n=6 (sei facce del dado),


A= numero pari? P(A)=3/6=0.5

Alcuni spunti:
 La probabilità di un evento aleatorio è un numero tra 0 ed 1;
 La probabilità dell’evento certo è pari a 1 (100%);
 La probabilità di due eventi incompatibili (cioè due eventi che non possono
verificarsi simultaneamente) è la somma delle probabilità dei due eventi.
Ad esempio: A è pari e B esce 3, P(A U B) = 1/2+1/6 = 2/3

© Misure e Tecniche Sperimentali


Introduzione alla statistica 21

Un limite dell’approccio classico è che non può essere applicato ai casi in cui
non ci sia una condizione di equiprobabilità.

Ad esempio, il dado non ha facce simmetriche (ad esempio perché il


materiale con cui il dado viene realizzato non è omogeneo)

• Definizione frequentista: la probabilità può essere valutata a posteriori


facendo una serie di esperimenti ripetuti. La probabilità viene valutata
come rapporto tra gli eventi favorevoli ottenuti e il numero di tentativi fatti.

e si definisce la frequenza relativa come:


= lim

=
© Misure e Tecniche Sperimentali
Statistica e misure… 22

Il risultato di una misurazione è una stima del misurando ed è necessario


definire un intervallo di incertezza.

La misurazione dal punto di vista operativo corrisponde ad estrarre un


campione (campionamento) di n valori dall’universo rappresentato da tutti i
valori che la misura può assumere (spazio campione); estrarre tutti i campioni
dalla popolazione è a volte impossibile e poco significativo (tempo e risorse).

Per conoscere la popolazione si deve


stimare i parametri statistici
caratterizzanti la popolazione stessa (
statistica descrittiva).

© Misure e Tecniche Sperimentali


Esempio 23

Problema: determinare l’altezza dei colleghi in ufficio;

Altezza
• Media
• Massima
• Minima
• Mediana
• Scarto tipo
• …
La stima migliora all’ aumentare del numero di ripetizioni; • …

Replicare le estrazioni richiede uno sforzo sperimentale (tempo e denaro);


© Misure e Tecniche Sperimentali
Statistica descrittiva 24

Insieme di tecniche usate per descrivere e sintetizzare le caratteristiche di


base dei dati raccolti. Le tecniche possono essere sia numeriche che
grafiche.

Gli strumenti a disposizione per questa attività di descrizione e sintesi sono:

1. Descrizione e forma della distribuzione di probabilità (funzione di densità)

2. Indici di posizione e tendenza centrale;

3. Indici di variabilità e dispersione;

© Misure e Tecniche Sperimentali


Distribuzione di probabilità 25

Una variabile casuale X continua è caratterizzata dall’esistenza di una


funzione f(X) (funzione di densità) continua che descrive le modalità assunte
dalla variabile.

La funzione di densità o la distribuzione di probabilità sono funzioni che


sintetizzano la relazione tra i valori di X e la probabilità che questi si
presentino

Continuo
Discreto

• L’ ordinata non rappresenta la probabilità


• Per valutare la probabilità devi integrare in un
intervallo della funzione di densità • L’ ordinata rappresenta una probabilità associata
alla variabile considerata

© Misure e Tecniche Sperimentali


Distribuzione di probabilità (misure…)

• Una distribuzione continua non permette la stima della probabilità di


estrarre un particolare valore, ma solo quelli compresi in un dato
intervallo.

• In generale ci occuperemo di popolazioni discrete, ovvero in cui le


variabili non possono assumere infiniti valori

• Questo è giustificato dal fatto che le misure sono note generalmente


in forma digitale e, come vedremo, vengono ottenute con strumenti
la cui risoluzione è finita.

• Inoltre il numero di campioni che abbiamo a disposizione è finito,


dovremo quindi utilizzare stimatori della popolazione

© Misure e Tecniche Sperimentali


Cumulative Probability Density Function
(CPDF) o Funzione di Ripartizione

Grafico che indica la probabilità che una certa variabile sia minore di un
valore dato
30
25 26
25
Probabilità [%]

20 17
15 14

10
4 5 120
5 3 3

Probabilità Cumulata [%]


1 1
95 98 99
0 100 92
162 166 171 176 181 185 190 195 199 More 78
Altezza [cm]
80
60 52

40 27
20 10
1 5
0

Altezza [cm]

© Misure e Tecniche Sperimentali


Indici di posizione 28

Indici di posizione o tendenza centrale sono scalari che esprimono in modo


sintetico come si è manifestata la variabile casuale del campione analizzato

Questi indici possono essere interpretati come i valori che meglio


rappresentano la distribuzione: ad esempio il valore più frequente, il valore
che occupa una posizione intermedia nella distribuzione.

Indici di posizione:
• Media o valore atteso: baricentro dei dati estratti
• Moda: valore più frequente di una distribuzione o anche la modalità più
ricorrente della variabile casuale;
• Mediana: posizione centrale in un insieme ordinata di dati;
• Percentili: sono una famiglia di parametri a cui appartiene anche la
mediana che si distinguono a seconda del numero di parti uguali in cui si
suddividono una distribuzione;

© Misure e Tecniche Sperimentali


Valore atteso o media 29

• Valore atteso per variabili discrete:


n
E X   X i p( X i )
i 1

• Il valore atteso indica il baricentro della distribuzione e può non


coincidere con uno dei suoi punti.

Un esempio: Nel caso del dado a 6 facce la probabilità di ciascuna


faccia è pari a 1/6 (nel caso classico) e quindi il valore atteso risulta:
1
(1 + 2 + 3 + 4 + 5 + 6)
6
Ovvero:

E X  3.5

© Misure e Tecniche Sperimentali


Indici di posizione 30

Media di una popolazione: somma di tutti i valori della popolazione diviso il


numero di unità della popolazione (N):


=

Media di un campione: somma dei valori estratti dalla popolazione divisa


̅=

La media è una stima del valore atteso della distribuzione.

La media della popolazione e del campione coincidono? In genere


sono diverse ma all’aumentare della numerosità del campione la differenza
si riduce.

© Misure e Tecniche Sperimentali


Percentili
• In statistica l’ α-esimo percentile è un valore qα che divide la
popolazione in due parti:
• i valori inferiori a qα,
• I valori superiori a qα

• Il percentile si trova intersecando la CPDF (funzione di ripartizione) al


valore α e leggendo il valore della variabile corrispondente.
100

90 • Il percentile 0 è il valore minimo della


80 popolazione;
Probabilità Cumulata (%)

70
• Il centesimo percentile è il valore
60

50
massimo della popolazione
40 • La mediana è il 50 esimo percentile
30

20
• I quartili sono il 25esimo, 50esimo e
10
75esimo percentile
0 • I percentili più utilizzati per esprimere
32

33

34

35
32.2
32.4
32.6
32.8

33.2
33.4
33.6
33.8

34.2
34.4
34.6
34.8

35.2
35.4
35.6
35.8

livelli di fiducia sono: 1%, 5%, 95%, 99%.


PE (€/MWh)

© Misure e Tecniche Sperimentali


Livelli di fiducia

• La CPDF consente di definire i livelli di fiducia, ovvero degli intervalli


(intervalli di fiducia) all’interno del quale, con un dato livello di
rischio, si troverà il campione z estratto dalla popolazione.

• Ad esempio, l’intervallo di fiducia al livello di fiducia del 95 % è molto


utilizzato e indica un intervallo all’interno del quale z sarà compreso
nel 95 % dei casi. (Nelle misure questo concetto viene utilizzato nell’incertezza
estesa: ripetendo la misurazione, il 95% dei casi, il risultato sarà tale da rientrare
nell’intervallo d’incertezza definito.)

• Gli intervalli di fiducia solitamente sono simmetrici rispetto alla


media.

© Misure e Tecniche Sperimentali


Indici di dispersione 33

Indici di dispersione sono scalari che esprimono la variabilità delle


osservazioni.

Indici di dispersione:

• Campo di variazione: differenza tra massimo e minimo della distribuzione;


• Varianza: caratterizza la variabilità della distribuzione;
• Scarto tipo: «misura» della distanza dalla media;
• Covarianza: indice per la verifica della linearità tra due variabili statistiche
• Correlazione: indice sintetico per quantificare il grado di linearità della
coppia di variabili in esame

© Misure e Tecniche Sperimentali


Indici di dispersione 34

Varianza:

∑ − ∑ − ̅
= =
−1

Della popolazione Del campione

Scarto tipo:

∑ − ̅
∑ − =
= −1

Della popolazione Del campione

© Misure e Tecniche Sperimentali


Distribuzioni notevoli: 35

Alcune distribuzioni di probabilità notevoli sono:

 NORMALE o GAUSSIANA: è il modello di distribuzione per variabile


casuale più utilizzato (curva degli errori, distribuzione di De Moivre,
distribuzione di Gauss); è alla base dell’inferenza statistica classica
grazie al teorema del limite centrale;

 T-STUDENT: distribuzione dei piccoli campioni;

 RETTANGOLARE: uniforme (errore massimo, risoluzione)

© Misure e Tecniche Sperimentali


Distribuzione Gaussiana 36

La funzione di densità Gaussiana è:

=
Parametri:
µ = media
σ = scarto quadratico medio o scarto tipo

X è una variabile causale continua normale.


= μ la media è il valore atteso della variabile casuale;
= σ varianza della variabile casuale
σ= ( ) scarto quadratico medio

Conoscendo i parametri media e scarto quadratico medio siamo in grado di


conoscere la funzione f(X) e quindi di modellare la distribuzione di probabilità

© Misure e Tecniche Sperimentali


Distribuzione Gaussiana 37

Media differente (0,1) Media uguale (0)


Uguale scarto tipo (1) Differente scarto tipo (1,0.6)

© Misure e Tecniche Sperimentali


Distribuzione Normale CPDF 38

La funzione di distribuzione cumulativa normale è:

1
=
2

Fissata la media (µ), tutte le distribuzioni


qualsiasi sia il valore dello scarto tipo,
le funzioni cumulate passano per il punto
(µ,0.5), ovvero la media coincide con
la mediana.

F(X) deve essere valutato numericamente.

Si utilizzano tavole statistiche (tavole Norm) per valutare la variabile


normale standard avendo a disposizione differenti probabilità.
© Misure e Tecniche Sperimentali
Caratteristiche distribuzione normale

• La curva è simmetrica rispetto a μ

• Probabilità elevata che la variabile assuma


valori prossimi al valore medio

• Probabilità via via decrescente verso gli


estremi

• Lo scarto tipo indica quanto i dati sono


dispersi rispetto alla media

• I parametri μ e σ definiscono in modo


completo la curva

• La PDF cresce da zero fino a μ e decresce


fino a +∞.

© Misure e Tecniche Sperimentali


Standardizzazione delle variabili casuali 40

• Perché? Posso confrontare variabili dello stesso tipo ma appartenenti


a distribuzioni diverse o variabili differenti di qualsiasi distribuzione.

• Come?
1) valuto lo scarto dalla media;

2) divido per lo scarto tipo della distribuzione;

Si ottiene una variabile Z che ha media nulla e scarto tipo unitario.


=

© Misure e Tecniche Sperimentali


41

© Misure e Tecniche Sperimentali


Caratteristiche della distribuzione normale

• La probabilità che un valore estratto a caso da una distribuzione


normale di media μ e scarto tipo σ sia compreso nell’intervallo (μ -σ ,
μ+σ) è pari al 68.3%

• La probabilità che il valore sia compreso tra μ -2σ e μ+2σ è pari al


95.4 %

• Il 95% dei valori di una Normale cadono nell’intervallo


(μ - 1.96σ , μ+1.96σ)

• La probabilità che il valore sia compreso tra μ -3σ e μ+3σ è pari al


99.7 %

• Il 99 % dei valori di una Normale cadono nell’intervallo


(μ – 2.58σ , μ+2.58σ)

© Misure e Tecniche Sperimentali


43
Distribuzione t-Student

• La distribuzione t-Student è una distribuzione di probabilità continua che


interviene nella stima della media di una popolazione che segue la
distribuzione normale nel caso di piccoli campioni (numerosità inferiore
a 30);

© Misure e Tecniche Sperimentali


44

© Misure e Tecniche Sperimentali


Perché possiamo considerare 31 campioni 45
come limite di «gaussianità»?

1% 3% 5%

• Si vede che confrontando le variabili standard Gaussiana e t-


Student (a 30 gradi di libertà (n-1)) per alcune probabilità
d’interesse, l’errore commesso considerando la distribuzione
Gaussiana risulta essere limitato a circa il 5%;

• Si ottengono errori inferiori aumentando la numerosità del


campione;

© Misure e Tecniche Sperimentali


Distribuzione uniforme 46

• La PDF è costante tra un minimo e un massimo

1
= < ≤

0

• La varianza della distribuzione è (b-a)2/12 (verificare)

© Misure e Tecniche Sperimentali


Distribuzione Uniforme

• La CPDF è una rampa

0 <

F Z = ≤ ≤

1 >

© Misure e Tecniche Sperimentali


Riassumendo 48

• La statistica descrittiva ci consente di sintetizzare le informazioni


relative al campione per poi valutare alcune caratteristiche della
popolazione dei dati analizzati;

• La sintesi viene effettuata attraverso la definizione di indici di posizione


e di dispersione; tra questi, quelli maggiormente utilizzati nel campo delle
misure sono gli indici di media, varianza e scarto tipo;

• L’analisi della distribuzione può essere fatta in modo grafico valutando


PDF, CPDF;

• Nelle misure, ci troviamo a dover analizzare delle variabili discrete;

• Esistono diverse distribuzioni di probabilità e le più comuni nelle misure


sono quella Gaussiana e t-Student.

© Misure e Tecniche Sperimentali


Teorema del limite centrale 49

Questo importante teorema della statistica inferenziale si applica a qualsiasi


variabile aleatoria che sia combinazione lineare di N variabili aleatorie le cui
funzioni di distribuzioni possono essere qualsiasi purché abbiano valori
attesi e varianze comparabili.

«Sia X una variabile casuale somma di variabili casuali xi indipendenti


X= ∑
Ciascuna avente legge di distribuzione qualsiasi ma con valori attesi
comparabili e varianze finite dello stesso ordine di grandezza.
La distribuzione di probabilità di X tende, all’aumentare del numero delle
variabili aleatorie xi, ad una distribuzione normale».

© Misure e Tecniche Sperimentali


Applicazione del TLC 50

La dispersione dei dati sperimentali è dovuta al sovrapporsi di numerosi


fenomeni che portano a variazioni, positive o negative, simili all’entità.

• Come descriviamo questa situazione dal punto di vista matematico?


1. Introduciamo la variabile aleatoria m, che rappresenta il risultato di
misura;
2. m è definita da: m = ∑ , ovvero è la somma di n variabili
indipendenti Xi aventi ciascuna media µi e scarto tipo σi.
3. Le distribuzioni statistiche delle variabili Xi non sono necessariamente
uguali.

m degli Xi si distribuisce come una gaussiana …. Ovvero la misura di una


grandezza è una variabile casuale distribuita come una gaussiana....

Quali caratteristiche ha questa distribuzione?

© Misure e Tecniche Sperimentali


Distribuzione della media campionaria... 51

In particolare si ipotizza che le variabili Xi abbiano tutte media µ e varianza σ2


. Come si distribuisce la media campionaria?

Sapendo che se m è una variabile casuale tale che m=Σ (ai Xi):
Valore atteso (m) = ∑ ai E(Xi)
e varianza(m) = ∑ ai Var(Xi)

( )= ( ∑ )= ∑ = =

1
=
1 1
− = = =

© Misure e Tecniche Sperimentali


Distribuzione della media campionaria

Le medie si distribuiscono con una Normale che ha la stessa media ma


uno scarto tipo che dipende dal numero di osservazioni

DISTRIBUZIONE DELLA
MEDIA CAMPIONARIA
m, m
DISTRIBUZIONE
CAMPIONARIA
, 
m=

m 
n

© Misure e Tecniche Sperimentali


Distribuzione della media campionaria e la 53
misura....
Quindi, abbiamo dimostrato che la media campionaria di una
distribuzione di n variabili casuali aventi media µ e varianza σ2, si
distribuisce secondo una NORMALE avente media µ e varianza pari a
σ2 / n.

Il teorema del limite centrale ci assicura che una misura esente da


effetti sistematici può essere modellata mediante una gaussiana e,
quindi, è completamente descritta dai parametri media e scarto tipo.

Non posso effettuare un numero infinito di misurazioni per stimare una


grandezza, quindi devo ricorrere a degli stimatori dei parametri della
distribuzione.

Gli stimatori cercano di identificare il valore degli indici statistici a


partire dai valori misurati su un campione ridotto
© Misure e Tecniche Sperimentali
Stimatori di media

• Stimatore della media : x


i 1
i
Media campionaria
x
n

( ̅) = ( ∑ )= ∑ = =

La media campionaria risulta uno stimatore corretto della media


della popolazione.

© Misure e Tecniche Sperimentali


Stimatore della varianza 55

Per determinare lo stimatore della varianza partiamo dalla definizione di


varianza:

1
− = −

e ci concentriamo sul termine a sommatoria, esprimendo tale valore in


funzione della media campionaria:
1 1
− = − ̅ +( ̅− ) =

1
− ̅ +2 − ̅ ̅− + ̅−

© Misure e Tecniche Sperimentali


Stimatore della varianza 56

1 1
− = − ̅ +2 − ̅ ̅− + ̅−

Si elimina
1
= − ̅ + ̅ −

Girando la relazione sopra otteniamo:

1 1
− ̅ = − − ̅−

Sapendo che il valore atteso di una somma è pari alla somma dei valori
attesi:
1 1
− ̅ = − − ̅−

© Misure e Tecniche Sperimentali


Stimatore della varianza 57

1 1
− ̅ = − − ̅−

I valori attesi non dipendono dall’indice della sommatoria e quindi


possiamo scrivere:
− ̅ = − − ̅−

− ̅ = − ̅

• il primo termine di destra è la varianza della


popolazione;
• Il secondo termine di destra è simile al primo a
meno della presenza della media campionaria al
posto dei termini xi; ovvero è la varianza della
variabile aleatoria media campionaria

̅ =

© Misure e Tecniche Sperimentali


Stimatore della varianza 58

Da cui otteniamo che :


− ̅ −1
=

Ovvero la stima della varianza della popolazione è:


− ̅
= =σ
−1

Ovvero, la stima della varianza della popolazione è pari alla varianza


campionaria

© Misure e Tecniche Sperimentali


Riassumendo 59

• La statistica permette di modellare i fenomeni aleatori, ovvero governati


dal caso;

• La statistica è funzionale alle misure, visto che il misurando è a tutti gli


effetti modellabile come una variabile aleatoria e le misure sono
caratterizzate da un’incertezza;

• La definizione frequentista della statistica ci spinge a valutare le


caratteristiche di una distribuzione di probabilità, partendo da un campione
della popolazione osservata;

• Un approccio utilizzato nelle misure, consiste nel campionamento


ripetuto del misurando d’interesse, proprio come avviene nell’approccio
frequentista per una qualsiasi variabile aleatoria.

© Misure e Tecniche Sperimentali


Riassumendo 60

• Il teorema del limite centrale garantisce che una variabile aleatoria, vista
come somma di variabili aleatorie, tende a distribuirsi come una normale.

• Il misurando può essere modellato come il risultato della media di n


variabili aleatorie, e pertanto si distribuirà come una normale.

• La distribuzione di probabilità è caratterizzata da due parametri, media e


scarto tipo;

• Non possiamo conoscere tutta la popolazione, dobbiamo passare


attraverso delle stime dei parametri della distribuzione.

• Nel caso delle misure si è interessati a stimare il valore medio della


distribuzione del misurando e lo scarto tipo della media (rappresentativo
della dispersione del valore medio ma non della popolazione).

© Misure e Tecniche Sperimentali