Facoltativo - Cenni Di Statistica e Stima Degli Errori

4/6/2017
Affidabilità e Sicurezza nell’Industria

di Processo
ELEMENTI di TEORIA degli

ERRORI e STATISTICA
POLITECNICO DI MILANO
Teoria degli Errori
1- Misure ed errori assoluti

2- Cifre significative
3- Discrepanza
4- Valore accettato
5- Tipologie di Errore
6- Accuratezza e Precisione
7- Propagazione dell’errore
1
4/6/2017
Teoria degli Errori

3- Discrepanza
4- Valore accettato
Misure ed Errori Assoluti
La misura di ogni sperimentatore è data nella forma:

Magnitudo della grandezza ± Errore Assoluto di misura
Ciò significa che ad ogni misura sperimentale è
indissolubilmente associata una incertezza non eliminabile.
Densità
[g/cm3]
17
Misura 1 16
oro (15.5 g/cm3)
(15.0 ± 1.5) 15
Misura 2 14
lega (13.8 g/cm3)
(14.0 ± 0.5) 13
2
4/6/2017
Teoria degli Errori

3- Discrepanza
4- Valore accettato
Cifre significative
a) Quante cifre significative devono accompagnare

l’incertezza assoluta associata ad una misura?
v = 3.45  0.02385 m/s ?

E’ buona norma arrotondare sempre le incertezze
sperimentali ad una cifra significativa
v = 3.45  0.02 m/s !

Eccezione: Se la cifra significativa dell’incertezza è pari a 1 è possibile
mantenere 2 cifre significative.
3
4/6/2017
Cifre significative
b) Quante cifre significative devono accompagnare una

misura nota la sua incertezza assoluta?
Accelerazione misurata = 9.82  1 m/s2 ?

L’ultima cifra significativa di qualunque misura
sperimentale dove essere dello stesso ordine di
grandezza dell’incertezza relativa alla misura stessa
Accelerazione misurata = 10  1 m/s2 !
Teoria degli Errori

3- Discrepanza
4- Valore accettato
4
4/6/2017
Discrepanza
Come è possibile confrontare due (o più) misure di una

stessa grandezza effettuate da due (o più) sperimentatori
differenti? E’ necessario analizzare la DISCREPANZA tra
le due (o più) misure.
DISCREPANZA = valore assoluto della differenza tra due
valori misurati della stessa grandezza
Misura di A: 15  1
Discrepanza = 25 – 15 = 10
Misura di B: 25  2
Misura di C: 16  8
Discrepanza = 26 – 16 = 10
Misura di D: 26  9
Discrepanza
Come viene analizzata la discrepanza? Attraverso il

computo della SIGNIFICATIVITA’ DELLA DISCREPANZA.
Misura di A: 15  1 Misura di C: 16  8
Misura di B: 25  2 Misura di D: 26  9
30 30
B D
20 Discrepanza = 10 20 Discrepanza = 10
A C
10 10
0 0
Significativa Non significativa
5
4/6/2017
Teoria degli Errori

3- Discrepanza
4- Valore accettato
Valore accettato
Valore ACCETTATO = Magnitudo accettata della

grandezza da misurare = Stima del VALORE VERO di
una grandezza assunta priva di ERRORE
Es. Confronto di misure con il valore accettato.
Consideriamo la misura della velocità del suono nell’aria.
Il suo valore accettato è:
C Velocità del suono nell’aria = 331 m/s

340
(a T e P standard)
330
A
Valore accettato Velocità misurata da A = 329  5 m/s
B Velocità misurata da B = 325  5 m/s

320
6
4/6/2017
Teoria degli Errori

3- Discrepanza
4- Valore accettato
Tipologie di errore
Relativamente a:
- DISCREPANZA TRA MISURE

- CONFRONTO TRA VALORE ACCETTATO E
MISURE
è possibile distinguere due differenti tipologie di

errore:
a) CASUALI
b) SISTEMATICI
7
4/6/2017
Tipologie di errore
Difetti o deterioramento dello strumento
Perturbazioni esterne
Uso di formule errate nelle misure indirette

Sistematici
POSSONO ESSERE ELIMINATI
COMPORTANO UNA DEVIAZIONE COSTANTE

DAL VALORE VERO
Sono associati agli SPERIMENTATORI e alla

variabilità delle condizioni di misura
Casuali
Possono essere ridotti ma non eliminati
Possiedono proprietà statistiche
Tipologie di errore
Casuali: piccoli Casuali: piccoli

Sistematici: piccoli Sistematici: grandi
Valore Vero
Casuali: grandi Casuali: grandi

Sistematici: piccoli Sistematici: grandi
8
4/6/2017
Teoria degli Errori

3- Discrepanza
4- Valore accettato
Accuratezza e Precisione
In base alla minore o maggiore presenza di errori CASUALI

e SISTEMATICI è possibile classificare le misure
sperimentali di un determinato set come:
- PRECISE
- ACCURATE
La PRECISIONE di una misura risulta associata alla sua

RIPETIBILITA’ (vicinanza relativa).
L’ACCURETEZZA di una misura risulta associata alla sua
vicinanza al VALORE VERO.
9
4/6/2017
Come è possibile valutare quanto “PRECISA” sia UNA

misura?
VALORE MISURATO DI x = x  dx
N.B L’incertezza assoluta dx non è in grado di indicare la
precisione di una misura
1 cm di errore su 1 km  misura molto precisa

1 cm di errore su 3 cm  misura molto grossolana
Introduciamo a questo fine l’INCERTEZZA RELATIVA.
L’INCERTEZZA RELATIVA viene definita come:

dx
ε=
x
Lunghezza x = 50  1 cm
dx 1 cm
Incertezza relativa = = = 0.02
x 50 cm
Lunghezza x = 50 cm  2%
N.B L’incertezza assoluta dx ha la stessa unità di misura
di x.
L’incertezza relativa è adimensionale !
10
4/6/2017
Teoria degli Errori

3- Discrepanza
4- Valore accettato
Propagazione dell’errore
Vengono di seguito riportate le regole che

permettono di ricavare l’incertezza associata
ad un valore ricavato utilizzando misure
sperimentali affette da errore.
11
4/6/2017
1. Incertezza nelle somme e nelle differenze:
Se le grandezze misurate x1, x2 …, xn aventi incertezze assolute dx1,

dx2, …, dxn vengono utilizzate per calcolare la seguente espressione:
q = x1 + x2 + …+ xm – (xm+1 + xm+2 + …+ xn)
l’incertezza nel valore calcolato q è la somma di tutte le incertezze

originali:
dq  dx1 + dx2 + …+ dxm + dxm+1 + dxm+2 + …+ dxn
N.B Quando si sommano o sottraggono un numero qualsiasi di

misure, le incertezze si sommano sempre!
2. Incertezza nei prodotti e nei quozienti:
Se le grandezze misurate x1, x2 …, xn aventi incertezze assolute dx1,

dx2, …, dxn vengono utilizzate per calcolare la seguente espressione:
x1 x2 …xm
q=
xm+1 xm+2 …xn
l’incertezza relativa nel valore calcolato q è la somma di tutte le
incertezze relative:
dq dx1 dx2 dxm dxm+1 dxm+2 dxn
 + +…+ + + +…+
q x1 x2 xm xm+1 xm+2 xn
N.B Quando si moltiplicano o dividono un numero qualsiasi di

misure, le incertezze relative si sommano sempre
12
4/6/2017
3. Prodotto di una grandezza misurata per un

numero esatto
Se la grandezza misurata x, avente incertezza assoluta dx, viene

utilizzata per calcolare il prodotto:
q = Bx
(dove B non ha incertezza)

l’incertezza di q è |B| volte quella di x:
dq = |B| dx
4. Incertezza in una potenza
Se la grandezza misurata x, avente incertezza dx, viene utilizzata per

calcolare la potenza:
q = xn
allora l’incertezza relativa in q è n volte quella di x:
dq dx
= n
q x
13
4/6/2017
5. Incertezza di una funzione di più variabili
Se le grandezze x1, x2 …, xn, aventi incertezze assolute dx1, dx2, …,

dxn, vengono utilizzate per calcolare una generica funzione q(x 1, x2
…, xn)
l’incertezza assoluta nel valore calcolato di q è dato da:
dq dq dq
dq  dx1+ dx2 + … + dx
dx1 dx2 dxn n
Altri Casi
- Se solo una delle misure con cui calcolare q fosse affetta da
incertezza (es. x2) allora si avrebbe:
dq
dq  dx2
dx2
- Se le incertezze di x1, x2 …, xn sono indipendenti e casuali allora

l’incertezza in q diviene:
2 2 2
dq dq dq
dq = dx1 + dx2 + … + dxn
dx1 dx2 dxn
14
4/6/2017
Elementi di Statistica
1- Definizioni e concetti di base

2- Integrazione: Probabilità
3- Variabili casuali discrete
4- Variabili casuali continue
5- Valore atteso e varianza
6- Stima di parametri
7- Caratteristiche della stima
8- Stimatori di valore centrale
9- Stimatori di dispersione

15
4/6/2017
Definizioni e concetti di base
Statistica:
Disciplina che si occupa di COLLEZIONARE, ANALIZZARE
ed INTERPRETARE dati estratti da una POPOLAZIONE
(es. concentrazione di un inquinante aerodisperso).
1) COLLEZIONARE:
Obiettivo  Ottimizzazione raccolta dati = minimo
numero sperimentazioni / osservazioni (selezione
campione);
2) ANALIZZARE ed INTERPRETARE
Obiettivo  Trarre inferenze sulla popolazione
analizzando i dati estratti da essa.
Noi ci occuperemo unicamente dell’ANALISI e

dell’INTERPRETAZIONE dei dati estratti da una
generica popolazione!
I tipi di INFERENZE che si possono trarre sono

essenzialmente di DUE differenti tipologie:
- INFERENZE basate su TEST di SIGNIFICANZA (o

d’IPOTESI);
- INFERENZE basate su LIMITI di FIDUCIA di un

PARAMETRO.
16
4/6/2017
VARIABILE CASUALE:
Variabile Y (es. concentrazione = caratteristica di interesse) il cui
valore (= valore argomentale, y) non è noto prima di una
sperimentazione/osservazione.
VARIABILE CASUALE DISCRETA:

Una variabile casuale Y viene definita DISCRETA se può assumere
solo un numero FINITO di valori entro un dato intervallo di
variabilità (MAI ∞).
VARIABILE CASUALE CONTINUA:

Una variabile casuale Y viene definita CONTINUA se può
assumere tutti i valori compresi entro un dato intervallo di
variabilità (es. (+∞, -∞), (-5,5), ecc…).
DATO:
Elemento statistico di base. Risultato di una
sperimentazione/osservazione atta a determinare il valore
(y) assunto da una variabile casuale Y (sia discreta sia
continua).
POPOLAZIONE:
Insieme di tutte le osservazioni possibili per una data variabile
casuale Y in analisi.
CAMPIONE:
Insieme di osservazioni che rappresentano solo una parte della
popolazione in analisi.
17
4/6/2017

Integrazione: Probabilità
Ad ogni variabile casuale DISCRETA o

CONTINUA è sempre associata una
PROBABILITA’ di ACCADIMENTO p.
PROBABILITA’ di ACCADIMENTO p:
Valore numerico che esprime il grado di incertezza

di una sperimentazione.
18
4/6/2017
Integrazione: Probabilità
PROBABILITA’ di ACCADIMENTO:
E’ la probabilità di ottenere il dato E come risultato di una
sperimentazione.
N° osservazioni che danno origine a E
Pr (E) =
N° tot osservazioni possibili
Essa viene espressa come frequenza di accadimento di lungo
termine :
PrE   lim nE
N  N
dove nE/N è la frequenza di accadimento di E (numero di volte in cui
si è verificato E dopo N sperimentazioni).
Esempi:
Pr(Testa) = 1/2 (E = Testa al lancio di una moneta)
Pr(3) = 1/6 (E = 3 nel lancio di un dado 6)

19
4/6/2017
Variabili casuali discrete
Dopo questa breve panoramica sulla probabilità ritorniamo alla

considerazione secondo la quale ad ogni variabile casuale
DISCRETA è associata una probabilità di ACCADIMENTO.
Ciò implica la possibilità di definire:
DISTRIBUZIONE DI PROBABILITA’ DI UNA VARIABILE

CASUALE DISCRETA
Si definisce distribuzione di probabilità di una variabile discreta Y,

indicata con p(y), la somma delle probabilità di ottenere quel
particolare valore (y) di Y. Al variare di y si ottengono diversi
valori di p che possono essere sia visualizzati mediante un
grafico sia condensati in una formula matematica.
Esempio 1.
Qual è la POPOLAZIONE di Y = “somma del punteggio ottenuto
dal lancio di 2 dadi”?
p(2)
p(4)
20
4/6/2017
Y p(y)
Risulta la seguente funzione di distribuzione di probabilità:
2 1/36
3 2/36
p(y)
4 3/36
7/36 5 4/36
6/36 6 5/36
5/36
7 6/36
4/36
8 5/36
3/36
2/36 9 4/36
1/36 10 3/36
0 11 2/36
2 3 4 5 6 7 8 9 10 11 12 Y
12 1/36
1
Noti tutti i possibili valori (y) che può assumere una variabile
casuale discreta Y e la sua funzione di distribuzione di
probabilità (p(y)) è possibile ricavare il VALORE ATTESO di
Y(μ), cioè quel valore che caratterizza la posizione della
curva p(y) lungo l’asse y.
Esso è anche chiamato VALORE di POSIZIONE CENTRALE e

viene definito come la media pesata sulle probabilità dei
singoli valori y che Y può assumere:
yf
μ  E{Y}   y  p( y )
y  y0
21
4/6/2017
Se consideriamo l’Esempio 1 è molto semplice

calcolare il valore atteso della sua funzione di
distribuzione p(y).
Esso viene calcolato come:

12
μ  E{Y}   y  p( y ) 
y 2
 1   2  1 
 2     3     ...  12     7
 36   36   36 

22
4/6/2017
Variabili casuali continue
Anche ad ogni variabile casuale CONTINUA è

associata una probabilità di ACCADIMENTO.
E’ perciò possibile definire:
DISTRIBUZIONE DI PROBABILITA’ DI UNA

VARIABILE CASUALE CONTINUA
Si definisce distribuzione di probabilità di una variabile
continua Y (F(y)), la probabilità di ottenere un valore
di Y minore o uguale a y. La funzione F(y) viene
anche definita funzione di distribuzione cumulativa
di Y.
ESEMPIO DI DISTRIBUZIONE DI PROBABILITA’ DI UNA

VARIABILE CASUALE CONTINUA
Proprietà:
F(y) - lim F  y   0
y 
1
- lim F  y   1
y 
0 yfin y - F(y) è una funzione

sempre crescente di y
23
4/6/2017
Molto spesso si è però interessati a conoscere la

probabilità che la variabile Y assuma un valore
compreso tra y1 e y2.
In tale caso è sufficiente sottrarre le rispettive funzioni

di distribuzione cumulativa F(y2) e F(y1):
P y1  Y  y2   PY  y2   PY  y1  
 F  y2   F  y1 
P y1  Y  y2   PY  y2   PY  y1  
 F  y2   F  y1 
F(y)
F(y2)
F(y1)
y1 y2 y
24
4/6/2017
A volte invece si è interessati a conoscere la probabilità che la

variabile Y assuma un valore che si colloca in un intorno
indefinitamente ristretto di un valore y.
Ciò porta a definire:
FUNZIONE DENSITA’ DI PROBABILITA’ DI UNA VARIABILE

CASUALE CONTINUA
Si definisce funzione densità di probabilità (“Probability Density
Function”, PDF) di una variabile continua Y (f(y)), la derivata
della funzione di distribuzione cumulativa (F(y)) rispetto a y.
N.B Il valore del prodotto f(y)*dy fornisce la probabilità che Y

assuma un valore compreso tra y e y+dy.
ESEMPIO DI FUNZIONE DENSITA’ DI PROBABILITA’

DI UNA VARIABILE CASUALE CONTINUA
y2
P y1  Y  y2   F  y2   F  y1    f  y dy
y1
f(y)
y1 y2 y
25
4/6/2017

Valore atteso e varianza
Al fine di valutare il VALORE ATTESO di una variabile

casuale continua Y appartenente ad una popolazione
è sufficiente calcolare:

μ  E{Y}   y  f(y)dy

N.B1 Si noti come questa definizione sia del tutto analoga
a quella relativa al valore atteso di una variabile
casuale discreta Y (la sommatoria è sostituita dal
termine di integrale).
N.B2 L’operatore valore atteso (E) per una variabile
casuale continua non ha significato fisico, ma solo
matematico.
26
4/6/2017
Valore atteso e varianza
La sola conoscenza del PARAMETRO di POSIZIONE

CENTRALE della distribuzione di probabilità NON è in
grado di caratterizzare in modo completo la
distribuzione stessa.
E’ necessario conoscere anche la dispersione dei dati della

popolazione attorno al valore centrale μ (valore atteso).
Si definisce VARIANZA di una popolazione:
σ 2  V(Y)  E{(Y - μ) 2 }
Si definisce DEVIAZIONE STANDARD di una popolazione
la RADICE QUADRATA della varianza.

27
4/6/2017
Stima di parametri
Valore di posizione centrale e varianza sono parametri

caratteristici di una PDF e, generalmente, NON sono
NOTI in quanto non è NOTA la PDF di una determinata
popolazione.
Ciò di cui lo sperimentatore dispone è:
UN CAMPIONE di DATI ESTRATTI da una

POPOLAZIONE
Ci chiediamo perciò come sia possibile STIMARE:

- VALORE ATTESO (= valore di posizione centrale)
- VARIANZA
di una popolazione noto solo un campione di dati estratti da
essa.
Stima di parametri
STIMATORE (o STATISTICO):
Viene definito stimatore una qualsiasi funzione dei

dati campionari che non contenga parametri
sconosciuti. Esso fornisce una stima, b, di un
parametro β della popolazione utilizzando n
valori sperimentali, yi (i = 1, n).
N.B Uno stimatore è a sua volta una variabile

casuale con una distribuzione di probabilità che
dipende dalla variabile Y (es. concentrazione) e
dalle caratteristiche dello stimatore usato.
28
4/6/2017
Stima di parametri
Il parametro μ di una popolazione è molto importante

perché rappresenta il valore centrale della variabile
casuale Y. Normalmente quello che si conosce non è il
parametro μ della popolazione, ma n valori sperimentali
yi (i = 1, n) utilizzando i quali si desidera stimare μ.
Gli stimatori di valore atteso più utilizzati sono:
- Media aritmetica campionaria;

- Mediana;
- Media tagliata campionaria;
- Media geometrica;
- Moda.
Stima di parametri
La varianza σ2 di una popolazione (o la deviazione

standard σ) è molto importante perché è un indice
della dispersione della variabile casuale Y intorno
al suo valore centrale, μ.
Più grande è il valore di σ2 o di σ e maggiore sarà la

dispersione dei dati intorno al valore centrale.
Anche in questo caso normalmente quello che si

conosce non è σ2, ma n valori sperimentali yi (i =
1, n) utilizzando i quali si desidera stimare σ2 o σ.
29
4/6/2017
Stima di parametri
Gli stimatori di σ2 più utilizzati sono:
- Varianza campionaria (s2);

- Quadrato della mediana delle deviazioni dei valori assoluti
(mad2).
Gli stimatori di σ più utilizzati sono:
- Deviazione standard campionaria (s);

- Deviazione standard priva di errore (usd);
- Mediana delle deviazioni dei valori assoluti (mad);
- Media della somma degli scarti assoluti (sa);
- Deviazione standard geometrica.

30
4/6/2017
Caratteristiche della stima
Prima di descrivere nel dettaglio ciascuno degli

stimatori elencati in precedenza è necessario
caratterizzare gli attributi fondamentali della
STIMA.
In particolare parleremo di:
- CONTAMINAZIONE DA ERRORE
- CONSISTENZA
- EFFICIENZA
- ROBUSTEZZA
- DIFFICOLTA’ DI CALCOLO
Sia b la stima di un parametro β di una popolazione, stima
ricavata utilizzando n valori sperimentali, yi (i = 1, n).
La stima b è non contaminata da errore (“unbiased”)
se:
E{b}  β
ovvero il valore atteso di b (= stimatore inteso come nuova
variabile casuale avente una propria PDF) è pari al
valore atteso β della popolazione in analisi.
31
4/6/2017
Esempio:
La media aritmetica campionaria
n
y i
y i 1
n
è una stima non contaminata da errore se lo sono tutti i
valori sperimentali yi utilizzati per il suo calcolo.
Infatti risulta:
 n  n
_   i   E{y i } nμ
y
E{y}  E  i1   i1  μ
 n  n n
 
- CONSISTENZA
Una stima b di un parametro β è consistente se
all’aumentare del numero delle osservazioni effettuate
tende sempre di più al valore β.
- EFFICIENZA
Poiché la stima b è una variabile casuale, anch’essa
possiede una varianza che rappresenta la dispersione
di b intorno al valore atteso β.
Più la varianza di b è piccola, più i valori di b sono
concentrati intorno al suo valore atteso.
Uno stimatore è perciò più efficiente di un altro se ha una
varianza minore.
32
4/6/2017
- EFFICIENZA
Esempio:
Se una popolazione ha una PDF NORMALE, si può
dimostrare che la varianza della media aritmetica è pari
a: _
 _  σ
2
V{ y}  E ( y μ) 2  
  n
mentre la varianza della mediana è pari a:
  πσ 2 π _
V{m y }  E (m y  μ) 2   V{ y}
2n 2
Perciò la media aritmetica, per una popolazione avente pdf
normale, è una stima del parametro β di posizione
centrale più efficiente della mediana.
- ROBUSTEZZA
Uno stimatore è robusto quando non viene modificato molto

anche se alcuni valori dei dati sperimentali yi sono
contaminati da errore (dati aberranti o outlier).
Più è alto il numero di dati contaminati da errore che uno

stimatore riesce ad assorbire senza subire grosse
variazioni e più lo stimatore è robusto.
Uno stimatore che fornisce una stima molto diversa anche

se un solo dato è contaminato da errore è uno stimatore
non robusto.
33
4/6/2017
- ROBUSTEZZA
Esempio:
La media aritmetica non è uno stimatore robusto perché
basta che uno solo dei dati sperimentali sia contaminato
da errore (aberrante) per modificarne il valore in
maniera consistente.
Consideriamo la seguente serie di valori:

3.112, 3.115, 3.114, 3.121, 3.112, 3.123, 3.116
La media aritmetica è 3.116.
Consideriamo ora la seguente serie di valori:

3.112, 3.115, 31.14, 3.121, 3.112, 3.123, 3.116
La media aritmetica è 7.12.
- ROBUSTEZZA
È perciò bastato un solo dato ABERRANTE per modificare

notevolmente il valore della media aritmetica.
La mediana è invece uno stimatore molto robusto che

riesce a stimare il parametro β di posizione centrale
anche quando quasi la metà dei dati sono contaminati
da errore.
I valori delle due mediane dell’esempio precedente sono:
- 3.115
- 3.116
34
4/6/2017
- DIFFICOLTA’ NEL CALCOLO
Alcuni stimatori possono richiedere tempi di calcolo

maggiori di altri soprattutto quando il numero di dati
sperimentali è elevato.
In qualche caso la difficoltà si presenta quando i dati sono

talmente numerosi da non poter essere memorizzati in
memoria centrale.
In questo caso è fondamentale sapere quante volte devono

essere letti i dati memorizzati su file per poter stimare il
parametro.

35
4/6/2017
Stimatori di valore centrale
1) MEDIA ARITMETICA CAMPIONARIA

n
_ y i
y i
n
- E’ una stima consistente del parametro μ.
- E’ una stima non contaminata da errore di μ se lo sono
tutte le osservazioni yi.
- Non è una stima robusta. Infatti basta un solo outlier per
inficiare la stima.
- E’ lo stimatore più efficiente del parametro μ se la pdf è
simmetrica.
- Richiede poco tempo di calcolo (i dati vengono letti una
sola volta).
2) MEDIANA
Se i valori sperimentali yi vengono ordinati in ordine

crescente la mediana my è il termine di mezzo, ossia è
quel VALORE per cui il numero di termini aventi valore
maggiore è uguale al numero di termini aventi un valore
inferiore.
N=7 my = 6
2.5 3.5 5 6 7.5 8 8.5
N=6 2.5 3.5 5 6 7.5 8 my = 5.5
y
36
4/6/2017
2) MEDIANA
- Se la pdf della popolazione è simmetrica la mediana è una

stima consistente di μ.
- Se la pdf della popolazione è simmetrica la mediana è una
stima non contaminata da errore di μ.
- La mediana è una stima molto robusta di μ quando la pdf
della popolazione è simmetrica. La stima rimane buona
anche se circa la metà dei dati sono outlier.
- Se la pdf della popolazione è normale la mediana è uno
stimatore meno efficiente della media aritmetica.
- La mediana può richiedere un notevole tempo di calcolo
quando il vettore dei dati è di grandi dimensioni. Infatti il
riordinamento dei dati è un’operazione molto più costosa
della loro somma.
3) MEDIA GEOMETRICA
La media geometrica viene definita come la radice n-esima

della produttoria dei valori sperimentali yi.
n
GM  n y
i 1
i
La media geometrica viene usata soprattutto quando i

diversi valori sperimentali vengono per loro natura
moltiplicati tra di loro e non sommati.
37
4/6/2017
4) MEDIA TAGLIATA (Trimmed Mean)
La media tagliata è un compromesso fra la media aritmetica

e la mediana.
Passi per il calcolo della media tagliata TM:

- gli elementi yi vengono ordinati sequenzialmente;
- si elimina una frazione nota di tutti gli elementi a destra e
a sinistra del valore centrale;
- si esegue la media aritmetica degli elementi rimasti.
Le caratteristiche della media tagliata sono intermedie fra

quelle della media e quelle della mediana.
5) MODA
La moda è l’elemento che si presenta più

frequentemente.
Questo stimatore non è molto usato per variabili

casuali continue anche se concettualmente è
molto importante.
38
4/6/2017
OSSERVAZIONI
- Nel caso di PDF SIMMETRICHE rispetto al valore di

posizione centrale tutti gli stimatori analizzati
forniscono la stessa STIMA del valore atteso della
popolazione in oggetto;
- L’EFFICIENZA di uno statistico nello stimare il valore

centrale di posizione di una PDF dipende dalla PDF
stessa.

39
4/6/2017
Stimatori di dispersione
1) VARIANZA CAMPIONARIA
La varianza σ2 di una popolazione può essere stimata

mediante la seguente relazione che utilizza la media
aritmetica dell’insieme dei dati sperimentali:
n _
 (y i  y)
2
s2  i 1
n 1
- s2 è una stima non contaminata da errore di σ2.
- s2 non è uno stimatore robusto. Infatti basta un solo

outlier per inficiare la stima.
1) VARIANZA CAMPIONARIA
Si osservi che anche la seguente relazione può essere

utilizzata per stimare la varianza della popolazione σ2:
n _
 (y i  y) 2
v2  i 1
n
- La stima v2 è una stima contaminata da errore di σ2.

Infatti si può dimostrare che:
n
E{v 2 }   2
n -1
40
4/6/2017
2) mad2
Quando la distribuzione di probabilità della popolazione è

NORMALE, la varianza σ2 può essere stimata
mediante la seguente relazione che utilizza la mediana
dell’insieme dei dati sperimentali yi:
mad 2  1.253313  mediana  yi  mediana(y i ) 

2
- mad2 è una stima consistente di σ2.
- mad2 è uno stimatore molto robusto.
- mad2 è uno stimatore meno efficiente di s2.
3) DEVIAZIONE STANDARD CAMPIONARIA
La deviazione standard σ di una popolazione può essere

stimata facendo la radice quadrata della stima della
varianza, s2.
n _
 (yi  y) 2
s i 1
n 1
- s è una stima contaminata da errore di σ.
Infatti:

E{s} 
c
41
4/6/2017
3) DEVIAZIONE STANDARD CAMPIONARIA


E{s} 
c
dove: n3
!
n 1 2
c
2 n  2!
2
- Poiché c tende a 1 al tendere di n all’infinito s è una stima
consistente di σ.
Se si desidera una stima non contaminata da errore si dovrà

utilizzare la stima (“unbiased standard deviation”):
usd    c
5) mad (“Median of Absolute Deviations”)
Quando la distribuzione di probabilità della popolazione è

NORMALE, la deviazione standard σ può essere stimata
mediante la seguente relazione che utilizza la mediana
dell’insieme dei dati sperimentali:
mad  1.253313  mediana  yi  mediana(y i ) 
- mad è una stima consistente di σ.
- mad è uno stimatore molto robusto.
42
4/6/2017
6) MEDIA DELLA SOMMA DEGLI SCARTI ASSOLUTI
La deviazione standard σ di una popolazione può

essere stimata facendo la media della somma degli
scarti assoluti:
n _
 yi  y
sa  i 1
n
- sa non è una stima consistente di σ.
7) DEVIAZIONE STANDARD GEOMETRICA
Viene spesso utilizzata (soprattutto per la valutazione di

misure di concentrazione di composti aerodispersi
nell’ambiente di lavoro) la deviazione geometrica
standard, definita come l’esponenziale della
trasformata logaritmica dei dati misurati:
n  ln yi  yln 2 
 



GSD  e i 1 
n 
dove:
n
ln yi
yln  
i 1 n
43

Facoltativo - Cenni Di Statistica e Stima Degli Errori

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

Facoltativo - Cenni Di Statistica e Stima Degli Errori

Caricato da

Copyright:

Formati disponibili

4/6/2017

Affidabilità e Sicurezza nell’Industria

ELEMENTI di TEORIA degli

Teoria degli Errori

1- Misure ed errori assoluti

Teoria degli Errori

1- Misure ed errori assoluti

Misure ed Errori Assoluti

La misura di ogni sperimentatore è data nella forma:

Teoria degli Errori

1- Misure ed errori assoluti

a) Quante cifre significative devono accompagnare

v = 3.45  0.02385 m/s ?

v = 3.45  0.02 m/s !

b) Quante cifre significative devono accompagnare una

Accelerazione misurata = 9.82  1 m/s2 ?

Teoria degli Errori

1- Misure ed errori assoluti

Come è possibile confrontare due (o più) misure di una

Come viene analizzata la discrepanza? Attraverso il

Significativa Non significativa

Teoria degli Errori

1- Misure ed errori assoluti

Valore ACCETTATO = Magnitudo accettata della

C Velocità del suono nell’aria = 331 m/s

B Velocità misurata da B = 325  5 m/s

Teoria degli Errori

1- Misure ed errori assoluti

- DISCREPANZA TRA MISURE

è possibile distinguere due differenti tipologie di

Difetti o deterioramento dello strumento

Uso di formule errate nelle misure indirette

COMPORTANO UNA DEVIAZIONE COSTANTE

Sono associati agli SPERIMENTATORI e alla

Possiedono proprietà statistiche

Casuali: piccoli Casuali: piccoli

Casuali: grandi Casuali: grandi

Teoria degli Errori

1- Misure ed errori assoluti

In base alla minore o maggiore presenza di errori CASUALI

La PRECISIONE di una misura risulta associata alla sua

Come è possibile valutare quanto “PRECISA” sia UNA

1 cm di errore su 1 km  misura molto precisa

Introduciamo a questo fine l’INCERTEZZA RELATIVA.

L’INCERTEZZA RELATIVA viene definita come:

Teoria degli Errori

1- Misure ed errori assoluti

Vengono di seguito riportate le regole che

1. Incertezza nelle somme e nelle differenze:

Se le grandezze misurate x1, x2 …, xn aventi incertezze assolute dx1,

q = x1 + x2 + …+ xm – (xm+1 + xm+2 + …+ xn)

l’incertezza nel valore calcolato q è la somma di tutte le incertezze

dq  dx1 + dx2 + …+ dxm + dxm+1 + dxm+2 + …+ dxn

N.B Quando si sommano o sottraggono un numero qualsiasi di

2. Incertezza nei prodotti e nei quozienti:

Se le grandezze misurate x1, x2 …, xn aventi incertezze assolute dx1,

N.B Quando si moltiplicano o dividono un numero qualsiasi di

3. Prodotto di una grandezza misurata per un

Se la grandezza misurata x, avente incertezza assoluta dx, viene

(dove B non ha incertezza)

4. Incertezza in una potenza

Se la grandezza misurata x, avente incertezza dx, viene utilizzata per

allora l’incertezza relativa in q è n volte quella di x: