Professore Bruno Ruscello, PhD

Argomento Misurazione, tabelle

 Bruno Ruscello, PhD

Misurazione
Definizione:

La misura è l’attribuzione di un valore

numerico a una proprietà rispetto a una
unità di misura. Il procedimento che
permette di assegnare una misura si
definisce misurazione

Misurazione, tabelle 2 di 20
 Bruno Ruscello, PhD

Misurazione
Il risultato di un’operazione di misura (p.es.:
monitoraggio dei dati biologici di un atleta) è
un numero reale (x) che esprime il valore
vero (Θ) di una quantità caratteristica del
sistema oggetto di misura (p. es. battito
cardiaco, pressione arteriosa) ed è detto
misura analitica o semplicemente misura.

Misurazione, tabelle 3 di 20
 Bruno Ruscello, PhD

Errore e attendibilità
La misurazione fornisce una stima del vero valore della quantità misurata. Il grado di
approssimazione del vero valore (attendibilità) dipende dal metodo di misurazione
utilizzato.
Per valutare la qualità dei procedimenti di misurazione, è necessario dare una
classificazione degli errori di misura.

Errore sistematico Errore casuale o statistico

Misurazione, tabelle 4 di 20
 Bruno Ruscello, PhD

Errori sistematici
Tendenza deterministica di un metodo a sovrastimare (o sottostimare) il vero valore Θ.

Sono causati di solito dalle condizioni di esecuzione del procedimento di misurazione

(p.es: strumento non calibrato correttamente).

L’accuratezza di una misura dipende dalla grandezza dell’errore sistematico

Misurazione, tabelle 5 di 20
 Bruno Ruscello, PhD

Errori casuali o statistici

Errore di misurazione con una probabilità equa di incisione in difetto o in eccesso sul
valore misurato.
Riduzione dell’errore casuale se la misurazione viene ripetuta più volte.

Sono causati da fenomeni aleatori (p.es. errori di lettura degli strumenti, variazioni di
temperatura)

La precisione di una misura dipende dalla grandezza dell’errore casuale.

Misurazione, tabelle 6 di 20
 Bruno Ruscello, PhD

Errore totale
L’errore totale (h) è la differenza tra il valore misurato (x) e quello vero (Θ):
h=x-Θ
È la somma dell’errore sistematico e dell’errore casuale.
Totale Sistematico Casuale
(x – Θ) = (µ – Θ) + (x – µ)
h δ e
Attendibilità Accuratezza Precisione
x=singola misurazione; Θ=valore vero; µ=media aritmetica;
h=errore totale; δ=errore sistematico; e=errore casuale

Una misura si dice attendibile quando l’errore totale non è significativo.

Misurazione, tabelle 7 di 20
 Bruno Ruscello, PhD

Precisione ed accuratezza

PRECISIONE

ACCURATEZZA

Figura 1 – Concetti di Precisione ed Accuratezza applicata al Tiro a Volo. In grigio la rosa dei pallini.
1. Impreciso ed inaccurato – 2. Impreciso ed accurato – 3. Preciso ed inaccurato – 4. Preciso ed
accurato

Misurazione, tabelle 8 di 20
 Bruno Ruscello, PhD

Stima di precisione e accuratezza

Siano date n misure di Θ {x1, x2, … xn}

• Le stime di accuratezza sono basate sulla media aritmetica semplice

• Le stime di precisione sono basate sulla deviazione standard campionaria

Misurazione, tabelle 9 di 20
 Bruno Ruscello, PhD

Stima di precisione e accuratezza

Per meglio comprendere i concetti di stima della accuratezza e della precisione si veda
ancora l’esempio successivo.
Si supponga che si voglia verificare l’accuratezza e la precisione di un sistema di video-
analisi computerizzata della partita di calcio. Il sistema verrà confrontato con un sistema
gold standard (già validato) e che restituisce un valore che possiamo considerare pari al
valore vero Θ. Tale sistema deve riconoscere automaticamente un evento particolare (la
situazione tattica 2 contro 1) nel corso della partita analizzata. Per raccogliere un certo
numero di dati – e rendere la statistica più robusta – la stessa partita viene analizzata 8
volte (n = 8) con il nuovo sistema automatico. Questi gli eventi conteggiati:

[152, 155, 165, 161, 168, 165, 160, 161]

Supponiamo che il vero valore – stimato attraverso il sistema gold standard – sia pari a Θ = 159.
Misurazione, tabelle 10 di 20
 Bruno Ruscello, PhD

Stima di precisione e accuratezza

Procediamo quindi alla stima dell’accuratezza della misura (e quindi all’influenza
dell’errore sistematico sulla misura). Per prima cosa calcoleremo la media aritmetica delle
8 misurazioni effettuate:
152 + 155 + 165 + 161 + 168 + 165 + 160 + 161
!"#$% = = 160,87
8
Siamo ora in grado di stimare l’errore sistematico δ (accuratezza), applicando la formula:
δ = (µ – Θ) = 160,87 – 159 = 1,87
Se vogliamo esprimere in percentuale la stima dell’accuratezza trovata, possiamo procedere in questo
modo:
δ% = (δ/Θ) x 100 = (1,87/159) x 100 = 1,18%.

Possiamo in questo caso concludere quindi che la misura media riscontrata era accurata nell’ordine del
98,82% (100 – 1,18%), con un errore sistematico di misurazione pari a +1,87 eventi (sovrastima).

Misurazione, tabelle 11 di 20
 Bruno Ruscello, PhD

Stima di precisione e accuratezza

Passiamo ora al calcolo della stima della precisione della misura (e quindi della influenza dell’errore
casuale sulla misurazione). Come descritto precedentemente dovremo calcolare la deviazione standard
delle misurazioni effettuate, ponendo però nel calcolo degli scarti (x –) il valore vero (Θ) della misura
(quindi x – Θ , in questo caso 159).

Applicando le formule riportate precedentemente, ma ponendo al posto della media aritmetica

calcolata il valore vero (159) troveremo che la deviazione standard in questo caso è pari a 5.69, che è
anche lo stimatore della dispersione, intorno alla media, degli eventi conteggiati in questo caso.

Se volessimo esprimere l’entità percentuale della imprecisione delle misurazioni così effettuate
dovremo porre in rapporto la deviazione standard (DS) e il valore vero Θ e moltiplicare il tutto per
cento: Imprecisione% = (DS/ Θ) x 100 = (5.69/159) x 100 = 3.58%. Possiamo altresì affermare che
la misurazione è precisa nell’ordine del 96,42%.

Misurazione, tabelle 12 di 20
 Bruno Ruscello, PhD

Tabelle a 1 entrata
Esempio di tabella a 1 entrata

Stato Civile Frequenza

Celibe/Nubile 96
L’analisi statistica monovariata
considera solo una variabile per volta, Coniugato/a 16
studiando la distribuzione dei dati fra le
Convivente 10
modalità di quella variabile, rilevando e
calcolando i valori caratteristici di tale Divorziato/a 6
distribuzione
Separato/a 6
Vedovo/a 5
Totale 139
Fonte: Chiorri C. «Fondamenti di Psicometria» McGraw-
Hill, Milano -2010

Misurazione, tabelle 13 di 20
 Bruno Ruscello, PhD

Tabelle a 1 entrata

L’analisi monovariata ha i seguenti obiettivi:

• Permette una buona visualizzazione della distribuzione dei dati per una loro eventuale
riaggregazione

• Consente al lettore di analizzare direttamente i dati per una valutazione critica delle scelte
delle tecniche multivariate usate dal ricercatore.

Misurazione, tabelle 14 di 20
 Bruno Ruscello, PhD

Tabelle a 1 entrata - esempio

Le cinque colonne contengono: Risposte alla domanda: «pensa alla storia del nostro paese: quale episodio
storico la rappresenta meglio? Dare solo una risposta».
• Modalità della variabile
• Valori numerici associati a Modalità Valori Frequenze Frequenze % su casi
Assolute % validi
ciascuna modalità
• Il numero di volte in cui Vittoria I guerra mondiale 1 445 7,4 7,9
ricorre ciascuna modalità Fascismo 2 900 15,0 16,0
• Le frequenze percentuali Risorgimento 3 1586 26,4 28,2
permettono di vedere la Miracolo Economico 4 400 6,7 7,1
distribuzione delle risposte Otto settembre 5 176 2,9 3,1
• Le frequenze percentuali sono Resistenza 6 2121 35,4 37,7
calcolate sulle risposte
Nessuna risposta 9 375 6,2 -
effettivamente date
Totale 6003 100 100

Fonte: Cartocci R «Diventare grandi in tempi di cinismo», Bologna, il Mulino, 2002

Misurazione, tabelle 15 di 20
 Bruno Ruscello, PhD

Tabelle a doppia entrata

• L’analisi statistica bivariata mette in relazione due variabili per studiarne la
dipendenza/indipendenza e il tipo ed il grado di relazione.

• La tabella a doppia entrata permette l’analisi della distribuzione di frequenza congiunta tra
due variabili ed è il modo di classificare una singola unità in modo congiunto rispetto a due
distinte caratteristiche.

• In una tabella a doppia entrata si collocano due variabili, una in riga X (variabile di riga) ed
una in colonna Y (variabile di colonna) e nelle celle, definite dall’incrocio fra le righe e le
colonne, il numero di casi che presentano le corrispondenti modalità delle due variabili
(frequenze).

Misurazione, tabelle 16 di 20
 Bruno Ruscello, PhD

Tabelle a doppia entrata

X,Y Classe di punteggio

1 2 3 4 Totale
(di riga)

Femmina 6 6 9 0 21
Genere
Maschio 2 5 7 5 19
Totale 8 11 16 5 40
(di colonna)

L’ultima riga e l’ultima colonna contengono le

distribuzioni marginali che permettono l’analisi delle due
variabili separatamente

Misurazione, tabelle 17 di 20
 Bruno Ruscello, PhD

Tabelle a doppia entrata – esempio

Misurazione, tabelle 18 di 20
 Bruno Ruscello, PhD

Distribuzioni Condizionate
Fissata una modalità della prima variabile Distribuzione condizionata dalla variabile
(carattere), le distribuzioni condizionate Popolazione, con la classe di età fissata a
sono le distribuzioni della seconda «100 e oltre».
variabile.
Popolazione Frequenza
Le distribuzioni condizionate non possono Condizionata
essere confrontate tra loro perché si
Maschi 1080
riferiscono a totali marginali diversi.
Femmine 5233
Totale 6313

Misurazione, tabelle 19 di 20
 Bruno Ruscello, PhD

Distribuzioni Percentuali
Sia K la generica modalità della variabile di
riga e H la generica modalità della variabile di
colonna.
Percentuali marginali di riga Distribuzione percentuale per la classe di età
100*nK/n fissata a «100 e oltre»
Percentuali marginali di colonna Popolazione Frequenza Frequenza
100*nH/n Condizionata Percentuale
Percentuali condizionate di riga
100*nKH/nK Maschi 1080 17%
Percentuali condizionate di colonna Femmine 5233 83%
100*nKH/nH
Totale 6313 100%
Percentuali di cella (sul totale)
100*nKH/n
Misurazione, tabelle 20 di 20