Valore vero e distribuzione gaussiana:

Se il fenomeno è normale quindi con funzione di densità di probabilità gaussiana, la media mu ha la

caratteristica di essere quello con il valore della densità di probabilità più alta, quindi moda, e anche quel
valore che è mediana, cioè ha individui a sinistra nello stesso numero di quelli presenti a destra, motivo per
cui si dice che quello con il valore più casuale. Esprime meglio la casualità normale dei fenomeni, inoltre è
quello per il quale si addensano molti altri individui della popolazione.

Il valore vero di una grandezza misurata è definito anche come la mu di una funzione di distribuzione di
densità di probabilità. Definirlo non significa conoscerlo.

Avere un effetto sistematico che agisce su tutte le misure comporta che la distribuzione di densità di
probabilità normale si sposta con un nuovo valore di media mu’, ovvero tutti i valori che avrei ottenuto
sono sistematicamente spostati. Questa situazione fa insorgere un errore che si chiama errore sistematico:

E=mu’-mu

Gli aspetti che rendono il processo di misura non apparentemente ideale (cerco il valore vero e lo ottengo)
sono:

• Variabilità casuale
• Errore sistematico

Qual è peggio? L’errore sistematico, motivo per cui devo garantire che non esista, perché sposta
sistematicamente tutte le indicazioni che ottengo dal mio strumento, rispetto al valore vero.

L’errore sistematico rispetto alla variabilità casuale è grande.

L’errore casuale è la differenza tra la misura e il valore vero, esso sarebbe utile se possiamo conoscerlo
poiché non conosciamo il valore vero e di conseguenza non conosco quello casuale.

Rispetto a una qualità totale delle misure, ho delle definizioni:

• Le misure accurate sono prossime al valore vero, e per essere accurate devono essere esatte , nel
senso che l’errore sistematico è piccolo, devono essere anche precise, nel senso che in una data
condizione se io ripeto la mia misura, la variabilità casuale è bassa.

La variabilità casuale dipende dalle condizioni a cui faccio riferimento ovvero dalle condizioni con cui
ripeto le misure.

➢ Ripetibilità e condizioni di ripetibilità

La precisione di ripetibilità o ripetibilità di una serie di misure è intesa come la loro variabilità
quando sono ripetute, misura la stessa grandezza fisica, in condizioni di ripetibilità ovvero:

• Stesso procedimento di misurazione

• Stesso osservatore
• Stesso strumento di misura utilizzato nelle stesse condizioni
• Stesso luogo
• Ripetizione entro un breve periodo di tempo.

➢ Riproducibilità e condizioni di riproducibilità

La precisione di riproducibilità o riproducibilità di una serie di misure dello stesso

 misurando in condizioni di riproducibilità ovvero:

• Diverso principio e procedimento di misurazione

• Il confronto è tra operatori diversi
• Diversi strumenti di misura utilizzati in condizioni differenti
• Luoghi differenti
• Ripetizione entro periodi di tempo anche lunghi.

La variabilità in condizioni di riproducibilità è maggiore perché anche se la ripetibilità di ogni singolo

principio, operatore, strumento posto sono identiche, si avrà comunque probabilmente delle collocazioni
su dei punti per i quali non è stata posta la totale attenzione sono spostati in maniera sistematica del
singolo individuo.
La riproducibilità è sicuramente garanzia, ovvero fornitore e cliente non siano tanto diversi fra loro, ciò è
possibile solo se sovrappongo le due curve di densità di probabilità, quindi l’eliminazione di differenze
sistematiche.

Faccio un’ipotesi operativa:

Le misure non hanno errore sistematico. La qualità di una misura è la sua precisione.

L’incertezza di misura è un parametro che viene fornito insieme alla misura stessa e che ne fornisce degli
elementi qualificativi, e risolutivi da un punto di vista dell’utilizzo della misura stessa. Il risultato della
misurazione è una misura, corredata da un altro valore numerico che si chiama incertezza e permette di
usare correttamente quella misura e valutarne la sua utilità.

Per la determinazione del parametro di interesse, l’incertezza tipo, nelle misure dirette si può ricorrere a:

1. Una valutazione di categoria A, basata sull’analisi statistica di serie di osservazioni.

2. Una valutazione di categoria B, che si basa sulle informazioni a disposizione. (quindi precedenti)

L’incertezza tipo indica la variabilità delle misure che sto effettuando e quindi mi indica quanto sia precisa
la misura.

1. Se voglio stimare l’incertezza tipo (La misura la intendo come stima del valor vero perché essendoci
variabilità casuale, in un processo casuale i parametri si stimano e non si calcolano), devo
effettuare N indipendenti misure ripetute (analisi statistica), ovvero misure indipendenti tra loro,
partendo dalle stesse condizioni operative. (es. condizioni operative iniziale a indice 0) Di queste N
misure posso farne la media in condizioni di ripetibilità.
Ma fare la media è meglio della singola misura? Dipende, perché dipendentemente dalla situazione
operativa, la media può essere un miglioramento informativo oppure no.
Un valore è una stima onesta di un parametro legato ad una variabile casuale quando la media di
tutte le possibili infinite stime è il parametro che mi interessa.
La misura è una stima onesta del valor vero se la media di tutte le possibili infinite stime è il
parametro di mio interesse (valor vero), quindi non c’è un errore sistematico.
Se la stima non è onesta, il target è spostato rispetto al mio obiettivo; quindi, in questo senso non è
onesto.

2. Si basa sulle informazioni disponibili riguardo la possibile variabilità di X:

(Si basa sulla singola misura laddove non è possibile effettuare misure ripetute in determinate
circostanze. (es. emissioni del camino, gas di un frame di film)
Specifiche tecniche dichiarate dal costruttore;
Dati registrati nei certificati di taratura o altri;
 Incertezze di valori di riferimento forniti dai manuali;
Esperienza raccolta in precedenza sul comportamento degli strumenti e sulle proprietà dei
materiali d’interesse;
Dati di misurazioni precedenti.
La responsabilità di attribuire la variabilità descritta in certi documenti al mio caso, è comunque
mia.
Le misure ripetute le uso quando non ho informazioni pregresse.

Più una misura è variabile minore è la sua qualità perché è l’utilizzabilità dell’informazione che ne deriva.
Come valuto la variabilità di una misura ovvero la sua qualità? Tramite l’incertezza tipo, come la calcola
l’incertezza tipo che è una indicazione della variabilità? Tramite lo scarto.

(𝑚 ± 𝑢)𝑈𝑚𝑖𝑠𝑢𝑟𝑎

• 𝑚 è la migliore stima possibile con le informazioni che ho a disposizione del valore vero.
• ±𝑢 è la variabilità della stima.
Questo è uno dei modi con cui si presenta la misura.
• È importante indipendentemente da quale sia la distribuzione delle misure, cioè
indipendentemente da quale sia la funzione di densità di probabilità a cui faccio riferimento.

In questo modo ho costruito un intervallo intorno alla misura nel quale colloco la variabilità di queste stime.

Misura indiretta è quella in cui la misura della grandezza che mi interessa la ottengo inserendo i valori della
grandezza di ingresso in una formula.

Sono interessato anche nel caso di misura indiretta alla variabilità della stima di Y che sarà dipendente
attraverso la funzione, della variabilità delle misure delle singole x con i.
In questo caso siccome l’incertezza tipo si compone dei contributi delle incertezze delle singole x_i si
chiama incertezza tipo composta.
Devo fare due ipotesi:
Quando ho una misura indiretta si possono presentare due casi importanti:

1. Grandezze di ingresso non correlate: La loro misura è indipendente.

2. Grandezze di ingresso correlate: Nella loro misurazione intervengono le stesse cause di incertezza.

Prendendo in considerazione un rettangolo di base a e altezza b:

𝜇𝑎

𝜇𝑏
Faccio una misura dell’altezza con il mio strumento , ottengo il valor vero? No, potrei prendere un valore
maggiore o un valore minore rispetto al valor medio.

Con lo stesso strumento misuro la base, ottengo il valor vero? No, posso ottenere un valore maggiore o
minore rispetto al valor medio.

Se c’è un effetto ambientale che fa misurare di più il mio strumento, le lunghezze che misura saranno un
po' di più la base ma anche un po’ di più l’altezza. Ci sta una correlazione tra quello che vedo rispetto al
valor vero sia dell’altezza che della base.

Questa è una correlazione creata dall’ambiente, ma la correlazione la può creare anche l’operatore, che usa
lo stesso strumento, il quale leggendo il manuale ha interpretato una certa cosa.

Se c’è correlazione, le misure, in questo caso altezza e base, non sono indipendenti tra di loro, ma
aumentano e diminuiscono in base al caso, quindi non c’è perfetta casualità.

In alto a sx: è una correlazione quasi perfetta tra xi e xj, misuro di più rispetto al valor vero xi, anche xj, non
alla stessa maniera, ma in maniera correlata viene misura di più.

Una stessa correlazione c’è anche in basso a sx perché xi viene misurato meno del valor vero mentre xj più
del valor vero.

La condizione in basso a dx è di casualità ovvero che le misure sono tra di loro indipendenti.

La correlazione fra misure significa che non è totalmente casuale il valore che assume la misura di due
grandezze differenti.

La correlazione si quantifica attraverso un coefficiente di correlazione lineare r fra due grandezze xi e xj ,

esso è compreso tra -1 e 1, la mancanza di correlazione comporta che una grandezza varia in modo
completamente indipendente dall’altra. (r(xi,xj)=0)

Una massima correlazione positiva arriva a 1, quasi perfettamente lineare. (alto a sx del grafico)

La variazione casuale è lo spessore della ‘’nuvola’’ in senso verticale, a misure ripetute della xi ho misure
della xj variabili, in basso a dx massima variabilità.
La correlazione può far aumentare o diminuire l’incertezza? Dipende.

Oltre alla formula ce lo dice anche l’interpretazione fisica del fenomeno:

Se le misure non sono correlate, andando a misurare l’altezza, essa mi può venire rispetto al valor vero,
maggiore uguale o minore, suppongo che mi venga maggiore.
Se la misura della base è completamente non correlata rispetto alla misura dell’altezza, rispetto al valor
vero mi verrà maggiore uguale o minore.
Se c’è correlazione allora la misura della base rispetto al valor vero mi verrà maggiore, poiché correlata con
l’altezza misurata.

Ci sono dei casi in cui la correlazione può diventare un problema, e questo lo è.

Ma ci sono dei casi in cui la correlazione invece sia un vantaggio!

INCERTEZZA ESTESA:

Quindi l’incertezza tipo è la variabilità che attribuisco all’indicazione della misura ovvero la qualità della
misura.

𝑈 = 𝑘𝑢𝑐 (𝑦)

K viene chiamato fattore di copertura.

L’incertezza estesa è un’altra possibilità con cui posso attribuire il significato corretto alla mia misura.

𝑦±𝑈
Y è la misura che può essere diretta o indiretta.

• y è sempre la miglior stima del valore vero

• è un intervallo costruito intorno a y che ottiene con una probabilità p il valore vero del misurando.
Dove p si chiama probabilità di copertura o livello di fiducia dell’intervallo.

Scelta del fattore di copertura:

U è la semi ampiezza costruita intorno all’intervallo della misura in cui con un certo livello di fiducia è
contenuto il valor vero.
Al variare di u, se cambio k, aumenta U quindi normalmente per una misura ho un u e tanti U , quanti?
Quanti diversi fattori di copertura k posso mettere in conto.
Una misura precisa è meglio di una misura non precisa perché posso garantire alcune condizioni di
progetto, con un alto livello di fiducia, mettendo in conto piccoli intervalli collegati alla misura, quindi
scostamenti piccoli rispetto a condizioni ottimali mantenendo alto il livello di fiducia.
Misura più precisa significa che u è piccolo, per un dato livello di fiducia k è fissato; dunque, U è tanto più
piccolo quanto più piccolo è u.
La distribuzione gaussiana è quella in cui la media è per me il valor vero e anche quello più casuale, e quello
intorno alla quale si addensano maggiormente i valori.
Come faccio a garantire che la distribuzione sia perfettamente gaussiana per cui posso prendere la
corrispondenza probabilità p → k (tipica della distribuzione gaussiana)? Solo se la distribuzione l’ho
esaminata totalmente, il che significa aver fatto tutte le misure possibili (infinite), ma questo non è
possibile.
Sovrastimare leggere l’incertezza non è un errore ma sottostimarla si.
Se la mia distribuzione non è gaussiana per passa dalla probabilità p → k devo mettere in conto anche di
quanto non sia gaussiana la mia distribuzione.
Le misure sono anche i GdL di espressione della mia distribuzione e vengono indicati con ‘’ni’’ .
Devo capire quanto sono distante da una distribuzione gaussiana , il parametro che mi permettere di
conoscere ciò è proprio ‘’ni’’ .
Se la distribuzione non è gaussiana , poiché la gaussiana ha un numero infinitamente alto di gradi di libertà,
il parametro che devo mettere in conto è i gradi di libertà che ho a disposizione per garantire che la
distribuzione sia gaussiana. Più sono piccoli e meno posso riferirmi alla distribuzione gaussiana.

Questo problema è stato studiato da un ricercatore che ha portato delle distribuzioni di student:
Sono delle distribuzioni centrate sullo stesso valore medio ma che hanno come parametro ‘’ni’’
(distribuzione gaussiana è quella per ‘’ni’’ uguale a infinito) , man mano che considero queste distribuzioni
student per GdL minore, le distribuzioni diventano sempre più sfacciate.
Queste curve sono di densità di probabilità per cui l’area sottesa a tali curve è la probabilità che gli individui
della popolazione, in questo caso le misure, cadono nell’intervallo.

Queste curve a parità di area sottesa, mi forniscono di quanto io debba moltiplicare il fattore di copertura di
una distribuzione gaussiana per garantire la stessa probabilità.
Le curve di student come risultato forniscono di quanto io debbo aumentare il k rispetto a quello della
distribuzione gaussiana in funzione del numero dei GdL (ni) per mantenere ad es. i stessi livelli di fiducia.
Allora mi dicono che meno sono sicuro che la curva sia gaussiana , più devo tenermi largo con il k.

= oo
=12 p
= 8
= 6

-t p(6) +tp(6) t

Esiste una tabella rappresentativa delle curve di student, va letta fissando la frazione p in percento che è il
livello di fiducia e guardo il numero di gradi di libertà che ho per poi vedere il k.

I GdL quante informazioni ho sulla distribuzione (si chiamano GdL perché ogni misura che faccio della
distribuzione è come se ho permesso alla distribuzione di estrinsecarsi) , ed essi nelle misure dirette sono
pari al numero delle misure meno 1. (un grado l’ho sprecato facendo la media)

Trovare la conformità alle specifiche:

Per provare la conformità alle specifiche, cioè se il valor vero è nell’intervallo di tolleranza, uso un valore
misurato la cui risposta rispetto a quanto vale

La tolleranza è una specifica del progettista, ovvero è un parametro progettuale.

Essa definisce un intervallo tra LSL e USL tale che se il valore vero del parametro sottoposto al progetto,
cade in tale intervallo, il componente o il dispositivo caratterizzato da quel parametro tollerato funziona.

Ad es. la lunghezza di un componente.

Realizzare un pezzo attribuendo un unico valore ovvero quello nominale è impossibile e altamente costoso.

Il progettista dice che un componente funziona correttamente se la sua dimensione vera è all’interno
dell’intervallo di tolleranza, tenendo conto che non si può assegnare un valore univoco.
Si progetta con valori nominali e di tolleranza e quindi con parametri di progetto.
Il progettista assegna un intervallo di tolleranza tale che se il valore vero del parametro tollerato cada
all’interno dell’intervallo di tolleranza, quello che è stato progettato funziona.
Come faccio a capire se sto rispettando la specifica? Attraverso la misura o del processo del componente.

Per provare la conformità alle specifiche ovvero se il valor vero è nella zona di tolleranza parametrizzato al
livello di fiducia, perché la misura rispondo con un livello di fiducia data da U dove il valor vero è compreso
nell’intervallo m-U e m+U.

Poiché io per trovare la non conformità ho bisogno di misure, devo essere sicuro che con un dato livello di
fiducia il mio componente sia caratterizzato da un valore vero fuori, vuol dire che la mia misura deve essere
distante almeno U dal limite inferiore di specifica e U dal limite superiore di specifica!