L01 Misure e Statistica PDF

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;
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.
• 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.

• 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.

• 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)

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

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

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.

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…

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.
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.

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 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.

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

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…

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.

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

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
→
=
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).

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);

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;

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

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

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]

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;

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

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.

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)

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.

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

Indici di dispersione 34
Varianza:
∑ − ∑ − ̅
= =
−1
Della popolazione Del campione
Scarto tipo:
∑ − ̅
∑ − =
= −1
Della popolazione Del campione

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)

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

Distribuzione Gaussiana 37
Media differente (0,1) Media uguale (0)

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

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.
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 +∞.

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.
−
=

41

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)

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);

44

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;

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)

Distribuzione Uniforme
• La CPDF è una rampa
0 <
−
F Z = ≤ ≤
−
1 >

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.

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».

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?

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
− = = =

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

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
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.

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 − ̅ ̅− + ̅−

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
− ̅ = − − ̅−

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
̅ =

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

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.

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).

L01 Misure e Statistica PDF

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

L01 Misure e Statistica PDF

Caricato da

Copyright:

Formati disponibili

Metrologia: definizioni

Le misure sembrano facili ma…

Perché si fanno misure ?

• quantificare una proprietà di un oggetto

© Misure e Tecniche Sperimentali

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

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

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

 Metrologia scientifica: è quella del mondo accademico e

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

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

• Misura: è il risultato di una misurazione.

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

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

© Misure e Tecniche Sperimentali

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

Alcuni parametri non possono essere quantificati con uno scalare e,

• Misurando: parametro sottoposto a misurazione.

© Misure e Tecniche Sperimentali

• Metodo di misurazione: procedura che regola le modalità con

© Misure e Tecniche Sperimentali

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

© Misure e Tecniche Sperimentali

Caratteristiche del metodo di misurazione:

• per Azzeramento: la misura del misurando è ottenuta

© Misure e Tecniche Sperimentali

Problema: misurazione del diametro esterno di una boccola

• misurando: diametro esterno

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

Inconsapevolmente abbiamo associato un modello al sistema (boccola

© Misure e Tecniche Sperimentali

Modello di misura (UNI 4546):

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

© Misure e Tecniche Sperimentali

Misura di una delle dimensioni di un oggetto:

Misura 1.b Misura 1.c

Anche un modello molto generale non ha validità assoluta ma solo

© Misure e Tecniche Sperimentali

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

La suddivisione tra grandezze principali e secondarie o di disturbo

© Misure e Tecniche Sperimentali

• Possiamo considerare le misure di grandezze le cui variazioni nel

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

© Misure e Tecniche Sperimentali

• modello: boccola cilindrica

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

© Misure e Tecniche Sperimentali

o Modellazione del sistema:

o Progettazione del metodo:

© Misure e Tecniche Sperimentali

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

• Metodi e tecniche da utilizzare per trarre conclusioni riguardo al

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

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

• La statistica consente di superare il determinismo e affrontare i

© Misure e Tecniche Sperimentali

Ci sono alcune possibili interpretazioni del concetto di probabilità:

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

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

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

© Misure e Tecniche Sperimentali

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

• Definizione frequentista: la probabilità può essere valutata a posteriori