Stefano Brocchi stefano.brocchi@unifi - The BCIF lossless ... · Misure compatibili Un altro...
Transcript of Stefano Brocchi stefano.brocchi@unifi - The BCIF lossless ... · Misure compatibili Un altro...
Errori ed incertezza
Ogni qual volta eseguiamo una misura, dobbiamo aspettarci un errore
sulla misura ottenuta
Per errore non si intende uno sbaglio dello sperimentatore (o almeno,non solo) ma un’incertezza inevitabile derivante dall’intriscecaimprecisione del processo della misurazione
Stefano Brocchi Teoria degli errori 2 / 107
Errori ed incertezza
L’incertezza deriva da molteplici fattori; uno di essi e che la misura’reale’ di una quantita e un numero reale, possibilmente con infinitecifre decimali
◮ Una lunghezza di un oggetto non potra essere mai esattamente, peresempio, 3 metri, ma potra essere 3,0018452934... metri
Altri errori derivano per esempio dalle limitazioni dello strumento◮ Misurando una lunghezza con un metro graduato, la precisione sara
limitata dalla graduazione del metro stesso
Stefano Brocchi Teoria degli errori 3 / 107
Misurazioni
Per eseguire correttamente una misura, occorre avere inoltre unadefinizione precisa di come deve essere fatta la misurazione
◮ Supponiamo di voler misurare la lunghezza di un tavolo con grandeprecisione. E’ possibile che il tavolo non sia perfettamente rettangolare,e lo sperimentatore ottenga risultati diversi a seconda del lato usatoper la misurazione
◮ Altro esempio: definendo la lunghezza di una sbarra di metallo, questadipendera anche dalla temperatura dell’ambiente
Sebbene nella maggior parte delle misure questi problemi non dianoeffetti rilevanti, in situazioni particolarmente critiche puo essereimportante tenerne conto
Stefano Brocchi Teoria degli errori 4 / 107
Misurazioni
Una corretta definizione di come una misura deve essere fatta e dellecondizioni ambientali che la possono alterare e importante pergarantire la replicabilita della misura
In ambito scientifico, se una misura puo essere verificata tramiteulteriori misurazioni puo essere considerata maggiormente affidabile
Stefano Brocchi Teoria degli errori 5 / 107
Stima dell’incertezza
Ogni misura conterra quindi un margine di incertezza
Stimare tale incertezza e un obiettivo importante, in quanto ciconsente di capire quanto siano validi i nostri risultati
Una stima precisa non e semplice, e deve tenere conto di molteplicifattori descritti in seguito
Stefano Brocchi Teoria degli errori 6 / 107
Incertezza come intervallo
Per una misura, si dovra specificare non un solo numero ma unintervallo, dove si e certi che la misura reale sia contenuta
Un esempio di una misura di una lunghezza l puo essere22mm < l < 24mm
Stefano Brocchi Teoria degli errori 7 / 107
Ripetizione di una misura
Un primo metodo per stimare la grandezza di questo intervallo nelcaso di una grandezza ripetibile, e di eseguire molte volte la misura
Le misure minime e massime rappresentano una stima ragionevoledegli estremi dell’intervallo
Esempio: ottenendo le misure (in mm) 23,22,25,23,24,25,23otterremo 22mm < l < 25mm
In seguito tramite metodi statistici vedremo come usare le molteplicimisure per affinare la precisione
Stefano Brocchi Teoria degli errori 8 / 107
Cause dell’errore
Alcune incertezze dipendono dalle limitazioni dello strumento dimisurazione
◮ La precisione di ogni strumento e limitata, e solitamente e specificatadal produttore
◮ Per esempio, in una bilancia potrebbe essere specificato che per ognikg e previsto un errore fino a 10g
Delle incertezze possono anche essere introdotti da errori di lettura
Molti altri tipi di errore possono nascere da condizioni ambientali checreano un disturbo
◮ Es. nel misurare l’intensita di un suono, si puo venir influenzati dalrumore di fondo
Stefano Brocchi Teoria degli errori 9 / 107
Riduzione dell’errore su molte misure
Ottenere molte misure e un artificio spesso utilizzato per minimizzarel’errore
Molto utile quando la quantita da misurare e piccola◮ Esempio: un metro ha tacche ogni millimetro, rendendo 1mm il
margine di errore minimo. Dovendo misurare lo spessore di un foglio(<< 1mm), questo sarebbe molto piu grande della misura stessa.Soluzione: misurare 100 fogli impiliati, in modo che l’errore di 1mm siriduca di 100 volte nel calcolo dello spessore di un singolo foglio
Stefano Brocchi Teoria degli errori 10 / 107
Notazione per intervalli di errore
L’intervallo dentro cui cade la misura si rappresenta nella forma
x ± δx
Consideriamo δx sempre positivo, gli errori in negativo sonocomunque considerati grazie al simbolo ±x rappresenta la migliore stima della misura, mentre δx la nostraincertezza
Nell’esempio precedente: 22mm < l < 25mm → l = 23, 5± 1, 5mm
Stefano Brocchi Teoria degli errori 11 / 107
Cifre significative
La precisione di una quantita viene spesso indicata anche tramite lesue cifre significative
Il numero di cifre definisce la precisione, considerando che quelle nonspecificate non sono note
Esempio: 3, 56m ha tre cifre significative, ed il numero specifica chela quantita di metri, decimetri e centimetri sono noti (3, 5 e 6),mentre il numero di millimetri no
◮ Quantita variabile almeno da 3, 555 a 3, 565 metri◮ In alcune notazioni, l’intervallo rappresentato va addirittura da 3, 55 a
3, 57
In questa notazione, il numero 3, 0 e diverso dal numero 3, in quantorappresenta una maggiore precisione
Stefano Brocchi Teoria degli errori 12 / 107
Operazioni con cifre significative
Quando si eseguono somme e sottrazioni tra numeri con un numerodiverso di cifre significative, il risultato dovra avere un numero di cifrepari all’operando meno preciso
Esempio: 3, 45 + 2, 0332s = 5, 48s
Usando dei calcolatori, possono venir restituite molte cifre che poidovranno venir scartate
◮ Per esempio, l’operazione 4, 3/3 restituira 1, 433333333, ma saranecessario scrivere il risultato come 1, 4
Stefano Brocchi Teoria degli errori 13 / 107
Cifre significative vs intervalli
Generalmente la notazione x ± δx consente una specificazione piuprecisa dell’intervallo di errore
Sebbene la notazione a cifre significative possa essere comoda inalcune situazioni, non verra usata nel seguito
Stefano Brocchi Teoria degli errori 14 / 107
Misure compatibili
Un altro concetto importante riguarda la compatibilita di due misure
Due misure si dicono compatibili se esiste un valore che rientra inentrambi gli intervalli delle misure
◮ Esempio: le due misure 10cm ± 2cm e 7cm ± 2, 5cm sono compatibili,perche le misure tra 8cm e 9, 5cm soddisfano entrambi gli intervalli
◮ Al contrario, le due misure 10cm ± 1cm e 7cm ± 1, 5cm non sonocompatibili, perche la prima indica che la misura vera al minimo vale9cm, mentre la seconda dice che al massimo vale 8, 5cm
La differenza tra le migliori stime delle due misure si dice discrepanza
◮ Tra 10cm ± 2cm e 7cm ± 2, 5cm la discrepanza e di 3cm
Stefano Brocchi Teoria degli errori 15 / 107
Misure compatibili: esempio
Vediamo alcuni altri esempi di coppie di misure compatibili e non
cm
0
1
2
3
4
5
(1,6 + 1) cm
(2,9 + 0,8) cm
(1,6 + 0,5) cm
(2,9 + 0,4) cm
(1,6 + 0,5) cm
(2,3 + 0,4) cm
Misure compatibiliMisure non
compatibiliMisure compatibili
Stefano Brocchi Teoria degli errori 16 / 107
Misure non compatibili
In un esperimento scientifico, trovare due misure non compatibilirappresenta un problema: sicuramente c’e stato un errore nel processodi misurazione
◮ In alcuni casi, potrebbe essere stata semplicemente sottostimatal’incertezza
In questi casi potrebbe essere necessario scartare le vecchie misure,individuare l’errore e ripetere le misurazioni dall’inizio
Stefano Brocchi Teoria degli errori 17 / 107
Precisione e compatibilita
In un esperimento quindi e necessaro innanzitutto eseguire misurazioniin modo che il margine di errore sia minimo, ma occorre valutareattentamente quale sia l’errore massimo che possiamo ottenere
In caso contrario, da un lato si rischia di ottenere misure pocosignificative (con margini di errore troppo grandi), dall’altro sipotrebbero ottenere misure incompatibili che invalidano l’esperimento
Stefano Brocchi Teoria degli errori 18 / 107
Compatibilita con relazioni
In alcuni casi puo essere necessario verificare se una serie di misuresono compatibili con una legge fisica
Immaginiamo per ora di voler verificare una relazione diproporzionalita diretta
◮ Un semplice esempio: presupponiamo che un oggetto si muova avelocita costante, e verifichiamo innanzitutto che lo spazio percorso siaproporzionale al tempo
◮ Misuriamo lo spazio percorso ad intervalli regolari, per verificare laformula s = vt
◮ Se le misure risultano compatibili con la formula, possiamo stimare lavelocita v , altrimenti possiamo supporre che la nostra ipotesi sia errataed il corpo sia soggetto ad accelerazione
Stefano Brocchi Teoria degli errori 19 / 107
Compatibilita con relazioni
Vediamo un esempio di alcune misure dove le barre rappresentano irelativi intervalli
t
s
1s 2s 3s 4s 5s 6s 7s 8s
1m
2m
3m
4m
Stefano Brocchi Teoria degli errori 20 / 107
Compatibilita con relazioni
Un modo per verificare la compatibilita, e di rappresentare le misuresu di un grafico con le rispettive barre di errore
◮ Essendo tutte le misure soggette ad errore, e inverosimile pensare che ipunti ottenuti siano perfettamente allineati
Se puo essere tracciata una retta che tocca tutte le barre, le misuresono compatibili con l’ipotesi di proporzionalita, ed il coefficienteangolare della retta e una possibile costante di proporzionalita
◮ Nell’esempio, il coefficiente angolare e una possibile velocita
Stefano Brocchi Teoria degli errori 21 / 107
Compatibilita con relazioni
Nell’esempio, una retta compatibile con tutte le misure puo esserefacilmente tracciata
t
s
1s 2s 3s 4s 5s 6s 7s 8s
1m
2m
3m
4m
Stefano Brocchi Teoria degli errori 22 / 107
Verifica grafica di compatibilita
Generalmente, l’incertezza e relativa ad entrambe le quantita nelgrafico (sia ordinate che ascisse)
◮ Nell’esempio, avremo un margine di errore sia nel misurare lo spaziopercorso che l’istante di tempo in cui lo misuriamo
Nel grafico, l’incertezza nelle due direzioni si rappresenta o con dellecroci o con dei rettangoli
Nel verificare relazioni di proporzionalita, la retta dovra toccarealmeno un punto all’interno di ogni rettangolo
Stefano Brocchi Teoria degli errori 23 / 107
Relazioni non lineari e compatibilita
Nel caso in cui la relazione tra le due misure non sia lineare maquadratica, risulta piu complesso verificare se per tutti gli intervallipassa una parabola
Soluzione: cambiare la scala in modo da rappresentare una quantitaal quadrato, in modo che la relazione continui a essere rappresentatacon una retta
Lo stesso ragionamento puo essere applicato a altre possibili relazioni(spesso usata per esempio la scala esponenziale)
Stefano Brocchi Teoria degli errori 24 / 107
Compatibilita con relazioni: esempio
Vediamo un grafico rappresentante una relazione che dovrebberisultare quadratica, quindi rappresentabile con una parabola
t
s
1s 2s 3s 4s 5s 6s 7s 8s
1m
2m
3m
4m
Stefano Brocchi Teoria degli errori 25 / 107
Compatibilita con relazioni: esempio
Rappresentando nell’asse x il tempo al quadrato, possiamo verificarela relazione di nuovo tracciando una retta compatibile con tutti gliintervalli
t
s
64s
1m
2m
3m
4m
21s 4s 9s 16s 25s 36s 49s2 2 2 2 2 2 2 2
Stefano Brocchi Teoria degli errori 26 / 107
Compatibilita con relazioni: esempio
Rappresentando nell’asse x il tempo al quadrato, possiamo verificarela relazione di nuovo tracciando una retta compatibile con tutti gliintervalli
t
s
64s
1m
2m
3m
4m
21s 4s 9s 16s 25s 36s 49s2 2 2 2 2 2 2 2
Stefano Brocchi Teoria degli errori 26 / 107
Errori relativi
In molti casi, la precisione del nostro intervallo di incertezza non puoessere valutata in senso assoluto dal mero errore su di essa
Un margine di errore e buono o meno buono a seconda dellagrandezza stessa della misura
Un errore di 1 m su una lunghezza di 1 km potrebbe essere buono,mentre su 10 o 20 metri potrebbe risultare come un errore abbastanzagrande
Stefano Brocchi Teoria degli errori 27 / 107
Errori relativi
Definito per questo l’errore relativo, dato dalla formula δx/|x |x e specificato in valore assoluto in modo da avere errori relativisempre positivi
Si puo specificare l’errore relativo nella notazione standard degliintervalli di errore
◮ Esempio: 2m ± 5% corrisponde a 2m ± (2m × 5%) = 2m ± 0.1m
Stefano Brocchi Teoria degli errori 28 / 107
Errori relativi e cifre significative
Nella notazione a cifre significative, si puo fare una stima dell’errorerelativo a partire dal numero di cifre significative
Il numero di cifre significative va contato partendo dalla prima cifradiversa da zero e procedendo verso destra
◮ Esempi: 38, 2 ha 3 cifre significative, 34, 50 ne ha 4, 0, 0825 ne ha 3.
Stefano Brocchi Teoria degli errori 29 / 107
Errori relativi e cifre significative
L’incertezza relativa, detto c il numero di cifre significative, varia tra10%/10c−1 e 100%/10c−1
Alcuni esempi, dove si verificano queste due condizioni agli estremi◮ Esempio con 1 cifra significativa: 1 rappresenta un intervallo che arriva
fino a 1, 999... (errore: 0, 999... su 1 = 100%)◮ 9 rappresenta un intervallo che arriva fino a 9, 999... (errore: 0, 999...
su 9 uguale circa al 10%)◮ Con 3 cifre: 1, 00 puo reppresentare fino a 1, 00999..., con un errore di
0, 01 su 1, quindi dell’1%◮ Con 3 cifre: 9, 99 puo reppresentare fino a 9, 99999..., con un errore di
0, 01 su 9, 99, quindi dello 0, 1%
Per semplificare e dare una formula che non dipende dal numero (mamolto meno precisa), si puo stimare un errore medio pari a30%/10c−1
Stefano Brocchi Teoria degli errori 30 / 107
Propagazione dell’errore
Un ulteriore problema con le incertezze nelle misure e che dovendoeseguire dei calcoli, le incertezze possono propagarsi ed aumentare adogni calcolo
Dover eseguire calcoli sulle misure ottenute e comune, necessario peresempio in qualsiasi misura indiretta
Capire come le incertezze si propagano consente di calcolare quantaprecisione e necessaria nelle misurazioni per ottenere un margine dierrore accettabile nel risultato finale
Stefano Brocchi Teoria degli errori 31 / 107
Propagazione dell’errore: esempio
Supponiamo di voler effettuare la somma tra due misure con errore
Prendiamo a = (16, 3± 0, 5)kg e b = (15, 4± 0, 3)kg
La somma dei due pesi vale al minimo(16, 3− 0, 5)kg + (15, 4− 0, 3)kg = 15, 8kg + 15, 1kg = 30, 9kg
La somma dei due pesi vale al massimo(16, 3 + 0, 5)kg + (15, 4 + 0, 3)kg = 16, 8kg + 15, 7kg = 32, 5kg
Quindi a+ b = (31, 7± 0, 8)kg : eseguendo la somma, l’incertezza eaumentata rispetto ai due addendi
Stefano Brocchi Teoria degli errori 32 / 107
Propagazione in somme e sottrazioni
La regola che definisce formalmente la propagazione dell’errore insomme e sottrazioni e quindi che le incertezze degli addendi sisommano per ottenere quella del risultato
Se q = x + y + z + ..., allora δq = δx + δy + δz + ...
Una facile verifica: il valore minimo per q potra esserex + y + z + ...− δx − δy − δz − ..., mentre il valore massimo potraessere x + y + z + ...+ δx + δy + δz + ..., da cui la formula data
Stefano Brocchi Teoria degli errori 33 / 107
Propagazione in prodotti e divisioni
La regola che stabilisce come si propagano gli errori nei prodotti vieneottenuta in modo un po’ piu complesso, e coinvolge delleapprossimazioni
Condideriamo un generico prodotto (x ± δx)× (y ± δy), di cui ilrisultato senza considerare l’errore sara q = x × y
(x ± δx)× (y ± δy) = xy ± yδx ± xδy ± δyδx = q± yδx ± xδy ± δyδx
Quindi δq = yδx + xδy + δyδx◮ Non abbiamo ancora ottenuto un’espressione facilmente applicabile
Stefano Brocchi Teoria degli errori 34 / 107
Propagazione in prodotti e divisioni
Di fatto, otteniamo un’espressione piu semplice calcolando l’errore
relativo δq/q
δq/q = yδx/q + xδy/q + δyδx/q = yδx/xy + xδy/xy + δyδx/xy =δx/x + δy/y + (δy/y)(δx/x)
Considerando gli errori relativi (δx/x e δy/y) come numeri piccoli, illoro prodotto sara trascurabile rispetto al loro valore
◮ Es. con δx/x = δy/y = 0, 01 = 1%,δx/x × δy/y = 0, 0001 = 0, 01% << δx/x
Per semplificare, con una piccola approssimazione rimuoviamo(δy/y)(δx/x) dall’equazione
Stefano Brocchi Teoria degli errori 35 / 107
Propagazione in prodotti e divisioni
Otteniamo δq/q = δx/x + δy/y
La regola quindi dice che l’errore relativo sul risultato finale e ugualealla somma degli errori relativi sui moltiplicandi
Es. (10± 4%)× (12± 6%) = 120± 10% = 120± 12
Se gli errori sono dati in assoluto, occorrera convertirli◮ Es.
(16±2)×(10±1) = (16±12, 5%)×(10±10%) = 160±22, 5% = 160±36
Stefano Brocchi Teoria degli errori 36 / 107
Propagazione in elevamenti a potenza
Iterando la regola per la moltiplicazione, si ottiene la regola perl’elevamento a potenza
Se q = xn, allora δq/q = |n|δx/xLa regola vale anche per n frazionario, utile considerando che√x = x1/2
◮ Vediamo una semplice riprova senza dimostrazione◮ q =
√
(30, 5± 5, 5) =√
(30, 5± 18%),
q ≥√
(30, 5− 5, 5) =√25 = 5, q ≤
√
(30, 5 + 5, 5) =√36 = 6,
q = 5, 5± 0, 5 = 5, 5± 9%
Stefano Brocchi Teoria degli errori 37 / 107
Gestione della propagazione degli errori
Consideriamo cosa succede quando eseguiamo calcoli tra misure conerrore e valori senza incertezza
Questo puo succedere quando un numero non e dato da una misurama deriva magari da una formula
◮ Es. volendo calcolare l’area di un triangolo da base e altezza. nellaformula A = b × h/2, 2 e un numero esatto
Una quantita puo anche essere considerata in buona approssimazioneesatta quando la sua precisione e molto maggiore dell’altro operando
◮ Es. utilizzando formule che coinvolgono il valore dell’accelerazione digravita, possiamo ottenere per questa valori con errori talmente piccolida poter essere spesso trascurati
Stefano Brocchi Teoria degli errori 38 / 107
Operazioni con numeri esatti
Nel caso di somme e sottrazioni, l’errore assoluto resta uguale◮ Es. (8, 2± 0, 5) + 2 = 10, 2± 0, 5
Nel caso di moltiplicazioni e divisioni, l’errore relativo resta uguale◮ Es. (10± 10%)× 2 = 20± 10%◮ L’errore assoluto puo aumentare o diminuire: (10± 2)× 2 = 20± 4,
mentre (10± 2)/2 = 5± 1
Stefano Brocchi Teoria degli errori 39 / 107
Operazioni con numeri esatti
Nel caso si debbano eseguire diversi calcoli consecutivi, l’errore dovraessere propagato ad ogni operazione
L’ordine di questa propagazione passo per passo corrisponde a quellodelle operazioni
Es. per d = a× (b + c) il procedimento corretto per il calcolodell’errore sara:
◮ δ(b + c) = δb + δc (errore assoluto su b + c)◮ Calcolare δ(b + c)/(b + c) (errore relativo su b + c)◮ δd = δa/a+ δ(b + c)/(b + c) (l’errore complessivo corrisponde alla
somma dei due errori relativi)
Stefano Brocchi Teoria degli errori 40 / 107
Un altro approccio
Vista la propagazione degli errori, e necessario cercare di minimizzareil numero di calcoli che da queste ottengono il risultato finale
Se gli errori sono indipendenti tra di loro e casuali (caratteristiche nonsempre facili da verificare), vedremo che l’incertezza da considerarepuo essere minore di quella ricavata applicando le formule viste
Stefano Brocchi Teoria degli errori 41 / 107
Somma in quadratura degli errori
Sotto le ipotesi citate (indipendenza e casualita degli errori),eseguendo delle somme l’errore si puo stimare come
x = a+ b + c + ... → δx =√
(δa)2 + (δb)2 + (δc)2 + ...
Si ottengono cosı errori sempre minori che con la formula vistaprecedentemente√
(δa)2 + (δb)2 + (δc)2 + ... < δa+ δb + δc + ...◮ Ricordarsi che si assume che le quantita δa, δb, δc , ... siano sempre
positive
Stefano Brocchi Teoria degli errori 42 / 107
Somma in quadratura degli errori
Una regola analoga si puo utilizzare per somme e sottrazioni
x = a× b × c × ... → δx/x =√
(δa/a)2 + (δb/b)2 + (δc/c)2 + ...
Anche in questo caso, si ottengono cosı errori sempre minori che conla formula vista precedentemente√
(δa/a)2 + (δb/b)2 + (δc/c)2 + ... < δa/a+ δb/b + δc/c + ...
Stefano Brocchi Teoria degli errori 43 / 107
Somma in quadratura: esempio
Vediamo un esempio con confronto tra i due metodi sulla somma ditre pesi
a = (50± 5)kg , b = (80± 2)kg , c = (70± 1)kg , x = a+ b + c =?
Il valore medio per a+ b + c risulta 200kg
Con il primo metodo (somma degli errori) si ottieneδx = (5 + 2 + 1)kg = 8kg
Con il secondo metodo (somma in quadratura) si ottieneδx =
√52 + 22 + 12kg =
√25 + 4 + 1kg =
√30kg ≈ 5, 5kg
Stefano Brocchi Teoria degli errori 44 / 107
Somma in quadratura: giustificazione
Utilizzando la somma in quadratura, si tende a consideraremaggiormente l’errore (o gli errori) maggiori e a trascurare quelli piupiccoli
Metodologia meno rigida: si calcola un intervallo in cui moltoprobabilmente il risultato sara contenuto
◮ Con l’altra metodologia, assumendo che gli operandi siano contenutinei rispettivi intervalli, il risultato sara sicuramente contenutonell’intervallo calcolato
Giustificazione: essendo gli errori indipendenti e casuali, in partetenderanno a bilanciarsi a vicenda
◮ In altre parole, i valori ’reali’ dagli operandi saranno, con buonaprobabilita, a volte maggiori e a volte minori del valore medio
Stefano Brocchi Teoria degli errori 45 / 107
Errori casuali e sistematici
Tornando alle misurazioni, si definiscono due tipi di errori, la cuisomma dara l’errore totale su ogni misura
Gli errori sistematici sono quelli che si ripetono sistematicamente adogni misura effettuata
Sono solitamente legati a cause di errore intrinseche nel processo dimisurazione
◮ Esempio: consideriamo un metro graduato lungo un 1% piu delnecessario (quindi dove c’e la tacca corrispondente a 1m, in realta lalunghezza sara 1, 01m)
◮ Ogni misura fatta con questo metro sara inevitabilmente sottostimata◮ Gli errori sistematici comprendono quindi anche quelli dovuti ad errori
umani nella definizione della procedura di misurazione e calcolo
Stefano Brocchi Teoria degli errori 46 / 107
Errori casuali e sistematici
Gli errori casuali variano di misurazione in misurazione in modo nonprevedibile
Ci si aspetta solitamente che con uguale probabilita causinosovrastime e sottostime
Generati da imprecisioni legate alla singola misurazione◮ Es. rumori di fondo variabili o errori di lettura dello strumento
Stefano Brocchi Teoria degli errori 47 / 107
Errori casuali e analisi statistica
La distinzione e molto importante, in quanto con un numerosufficiente di misure e possibile individuare gli errori casuali
Metodologia detta di analisi statistica
Necessario che una misura sia ripetuta molte volte
Gli errori sistematici non sono rilevabili, ed e quindi importantestimarne la grandezza in modo accurato
◮ Per quanto riguarda i vari strumenti, solitamente una stima degli errorisistematici compiuti e fornita dal produttore
Stefano Brocchi Teoria degli errori 48 / 107
Errori casuali e sistematici: esempio
Vediamo degli esempi di errori casuali e sistematici piu o meno grandi
Valore vero Valore vero
Valore vero Valore vero
Errori
casuali
piccoli
Errori
casuali
grandi
Errori sistematici piccoli Errori sistematici grandi
misurazione
Stefano Brocchi Teoria degli errori 49 / 107
Errori casuali e sistematici: esempio
Senza conoscere il valore ’vero’ della misura, non possiamo sapere seci sono stati errori sistematici, ma a seconda della distribuzione dellemisure ci si puo fare un’idea degli errori casuali
Errori
casuali
piccoli
Errori
casuali
grandi
Errori sistematici ? Errori sistematici ?
Stefano Brocchi Teoria degli errori 50 / 107
Errori casuali e analisi statistica
Consideriamo quindi di poter effettuare molte misurazioni di unaquantita
Vogliamo sfruttare il grande numero di misurazioni per stimare almeglio il valore vero di tale quantita
Desideriamo minimizzare l’errore (casuale), ed avere unaquantificazione accurata dell’errore stesso
Chiameremo le varie misurazioni x1, x2, ..., xn
Stefano Brocchi Teoria degli errori 51 / 107
Media come stima migliore
Come si puo intuire, la stima migliore per la misura e la media dellemisurazioni
x = (∑
ixi )/n
Un semplice esempio: date le misurazioni 54, 56, 55, 54, 55, 57, 54 lanostra stima migliore della misura e(54 + 56 + 55 + 54 + 55 + 57 + 54)/7 = 385/7 = 55
Stefano Brocchi Teoria degli errori 52 / 107
Precisione della stima tramite media
Piu complessa risulta la stima di quanto valga l’errore casuale
Il principio utilizzato, informalmente, e il seguente: la misura saratanto piu precisa, tanto piu le singole misure si avvicinano alla media
Immaginiamo che la media valga 100, e che anche tutte le misurerisultino uguali a 100: siamo pressoche sicuri che questo e il valorecorretto
Se avessimo invece, con la stessa media, misure molto distanti daquesto valore, dovremo stimare una precisione piu bassa
Stefano Brocchi Teoria degli errori 53 / 107
Scarto medio
Calcolando la differenza tra una misura e la media si ottiene ilcosidetto scarto
Non si puo utilizzare la somma degli scarti per stimare la ’distanza’delle misure dalla nostra stima: per definizione di media,quest’operazione restituisce sempre 0
◮ Nell’esempio precedente (media 55, misure 54, 56, 55, 54, 55, 57, 54):54− 55+ 56− 55+ 55− 55+ 54− 55+ 55− 55+ 57− 55+ 54− 55 =−1 + 1 + 0− 1 + 0 + 2− 1 = 0
In termini forse un po’ semplicistici, questo accade perche la media euna quantita ’centrata’ rispetto alle misure
Stefano Brocchi Teoria degli errori 54 / 107
Deviazione standard
Vengono quindi considerati gli scarti elevati al quadrato
La quantita che misura la distanza dei valori xi dalla media si chiamadeviazione standard o σx
Perche la deviazione standard sia dello stesso ordine di grandezzadegli scarti, viene estratta la radice dalla somma dei quadrati
La formula risulta quindi σx =√
∑
(xi − x)2/n
Stefano Brocchi Teoria degli errori 55 / 107
Deviazione standard
Questa definizione per la deviazione standard, di cui e stata data solouna giustificazione informale, conferisce a σx proprieta fondamentalidescritte in seguito
A causa dell’elevamento al quadrato degli scarti, grandi distanze dallamedia hanno grande peso nella sommatoria
Senza estrarre la radice quadrata, si otterrebbe un’altra quantitafondamentale della distribuzione detta varianza (σ2
x)
Stefano Brocchi Teoria degli errori 56 / 107
Deviazione standard: formula perfezionata
Di fatto, la deviazione standard e spesso calcolata con una formulalievemente diversa, che divide gli errori quadratici per n − 1 inveceche per n:
σx =√
∑
(xi − x)2/(n − 1)
Non approfondiamo la motivazione esatta
Si puo osservare che per n = 1, si ottiene il rapporto indeterminato0/0
◮ Risultato coerente con il significato di σx : con una sola misura, non sipuo determinare uno scarto medio
Per un grande numero di misure, che effettivamente dovrebbero esserefatte, si ottengono comunque differenze molto piccole tra le formule
Per distinguere i due valori, il primo si chiama deviazione standarddella popolazione, il secondo deviazione standard del campione
Stefano Brocchi Teoria degli errori 57 / 107
Deviazione standard: esempio
Calcoliamo la deviazione standard relativa all’ultimo esempio, usandole due formule:
Riepilogando i dati sono x = 55, x1, ..., xn = 54, 56, 55, 54, 55, 57, 54
σx =√
((54− 55)2 + (56− 55)2 + (55− 55)2 + ...)/7 =√
(1 + 1 + 0 + 1 + 0 + 4 + 1)/7 =√
8/7 ≈ √1, 14 ≈ 1, 07
Con la seconda formula: σx =√
8/6 ≈ √1, 67 ≈ 1, 29
Stefano Brocchi Teoria degli errori 58 / 107
Deviazione standard dalla media
Come utilizzare σx per stimare un intervallo dove e contenuta lamisura vera ?
Per questo scopo, si puo usare la deviazione standard dalla media
(SDOM)
Quantita rappresentata con il simbolo σx definita come
σx = σx/√n
L’intervallo di errore della misura puo essere definito come x ± σx◮ Secondo il concetto di confidenza descritto in seguito, l’intervallo e
valido con una confidenza del 68%; utilizzando 2σx si ottiene unaconfidenza del 95%
Stefano Brocchi Teoria degli errori 59 / 107
Deviazione standard dalla media: proprieta
La SDOM decresce quindi con il numero di misurazioni
Questo viene fatto in modo da ottenere valori minori per un numeromaggiore di misure, che garantiscono una stima piu precisa
La divisione viene fatta per la radice di n, e questo vuol dire che laprecisione cresce lentamente con il numero di misurazioni
◮ Per dimezzare l’errore, occorre eseguire il quadruplo delle misurazioni◮ La definizione della SDOM ed il suo utilizzo descritto derivano da
proprieta matematiche di cui non approfondiremo l’analisi
Stefano Brocchi Teoria degli errori 60 / 107
Deviazione standard dalla media: esempio
Rivediamo l’esempio con dati x = 55,x1, ..., xn = 54, 56, 55, 54, 55, 57, 54, σx = 1, 29
Calcoliamo la SDOM: σx = σx/√7 = 1, 29/
√7 = 1, 29/2, 65 ≈ 0, 5
Grazie alle proprieta viste, possiamo stimare la misura come 55± 0, 5
Stefano Brocchi Teoria degli errori 61 / 107
Deviazione standard dalla media: esempio
Supponendo che prendendo altre misure la deviazione standard restiuguale, quante ne dovremmo prendere per avere δx ≤ 0, 1 ?
Imponiamo σx = σx/√n = 1, 29/
√n ≤ 0, 1, cerchiamo n
Otteniamo√n ≥ 1, 29/0, 1 = 12, 9, quindi n ≥ (12, 9)2 ≥ 166, 41
Dobbiamo prendere almeno 167 misure◮ Richiedendo una precisione circa 5 volte maggiore (da circa 0, 5 a 0, 1),
abbiamo bisogno approssimativamente di 5× 5 volte piu misure(7× 5× 5 = 175)
Stefano Brocchi Teoria degli errori 62 / 107
Combinazione di errori casuali e sistematici
Tutte le procedure viste per gestire gli errori casuali non possonoessere utilizzate per ridurre gli errori sistematici
L’errore finale su una quantita sara quindi rappresentato dalla sommadell’errore casuale e di quello sistematico
Detti δxc e δxs , l’intervallo di errore sara x ± (δxc + δxs)
Stefano Brocchi Teoria degli errori 63 / 107
Gestione errori sistematici
Dal momento che gli errori sistematici non possono essere ridottitramite metodi statistici, e necessario predisporre gli strumenti inmodo che questi siano ridotti al minimo
◮ Usare strumenti ad alta precisione ed assicurarsi che siano calibrati etarati attentamente
Effettuando un numero molto grande di misurazioni, si puo fartendere a zero l’errore casuale, ma questo risulterebbe inutile sel’errore sistematico fosse grande
Stefano Brocchi Teoria degli errori 64 / 107
Riepilogo: media, deviazione standard, SDOM
Riepilogando le principali formule viste:
x =∑
xi/n e la media, il valore centrale rispetto alle misure◮ La nostra stima della misura sara x ± δx per un certo δx
σx =√
∑
(xi − x)2/(n − 1) e la deviazione standard, unaquantificazione di quanto le misure si discostano dalla media
◮ σ2xe detta varianza
σx = σx/√n e la deviazione standard dalla media (SDOM)
◮ Puo essere utilizzata come stima di δx per gli errori casuali
L’errore totale si calcola sommando errore casuale e sistematico:δx = δxc + δxs
Stefano Brocchi Teoria degli errori 65 / 107
Analisi degli errori, sperimentazioni e statistica
Vedremo adesso dei richiami di alcune proprieta studiate in statistica
Astraiamo momentaneamente dal concetto di misura e di errore sullamisura; trattiamo invece lo studi di processi casuali generici
Di fatto, un errore casuale di misurazione e esattamente un processocasuale
Stefano Brocchi Teoria degli errori 66 / 107
Conteggio per frequenze
Una distribuzione di numeri puo essere rappresentata con unistogramma (diagramma a barre)
Per ogni valore nella distribuzione, l’altezza della barra rappresenta lafrequenza delle sue occorrenze
Chiamiamo ni il numero delle occorrenze del valore xi , ed N il numerototale di occorrenze per ogni valore
◮ Notazione diversa da quella vista precedentemente: non ammettiamoripetizioni fra gli xi , ma in compenso ne contiamo le occorrenze in ni
◮ Per i valori 54, 56, 55, 54, 55, 57, 54, si ottienex1 = 54, n1 = 3, x2 = 55, n2 = 2, x3 = 56, n3 = 1, x4 = 57, n4 = 1
Stefano Brocchi Teoria degli errori 67 / 107
Istogrammi
Nell’istogramma, rappresentiamo nelle ascisse gli xi e nelle ordinateni/N
54 55 56 57
1/7
2/7
3/7
Stefano Brocchi Teoria degli errori 68 / 107
Media come somma pesata
Chiaramente vale∑
ni/N = 1
Scegliendo a caso un valore xi da quelli iniziali, xi/ni rappresenta laprobabilita che sia selezionato xi
Partendo da questi xi ed ni , si puo ottenere la media effettuando unasomma pesata:
x = (∑
(xi × ni/N))
Stefano Brocchi Teoria degli errori 69 / 107
Distribuzione di Gauss
Per lo studio delle proprieta dei valori studiati, e importante capirecome generalmente dobbiamo aspettarci che questi siano distribuiti
La distribuzione che descrive la quasi totalita dei fenomeni casuali checi capita di affrontare e la distribuzione detta Gaussiana o normale
Vediamo innanzitutto perche questa distribuzione descrive eventigenerati da una combinazione di processi casuali; daremo poi unagiustificazione del perche possa essere utilizzata in ambiti che possonoapparire diversi
Stefano Brocchi Teoria degli errori 70 / 107
Esempio: lancio di un dado
Consideriamo un semplice esempio di processo casuale: il lancio di undado
La probabilita dei valori da 1 a 6 sara equamente distribuita tra ipossibili valori
Il risultato medio (anche detto atteso) e di 3, 5, media dei sei possibilivalori
Di tutte le distribuzioni dove valori vicini alla media debbano esserenon meno probabili di quelli piu distanti, la varianza (e quindi ladeviazione standard) e massima
Stefano Brocchi Teoria degli errori 71 / 107
Esempio: lancio di un dado
Vediamo l’istogramma per le probabilita del lancio di un dado:
1 2 3 4 5 6
1/6
Stefano Brocchi Teoria degli errori 72 / 107
Lancio di due dadi
Consideriamo il lancio di due dadi e la somma dei valori ottenuti
Il risultato atteso e 3, 5× 2 = 7
La probabilita non e piu uniformemente distribuita: abbiamoprobabilita 1/6 di ottenere il valore medio 7 e solo 1/36 di ottenereuno dei valori agli estremi (2 o 12)
Stefano Brocchi Teoria degli errori 73 / 107
Esempio: lancio di due dadi
Vediamo l’istogramma per le probabilita del lancio di due dadi:
2 3 4 5 6
1/36
7 8 9 10 11 12
2/36
3/36
4/36
5/36
1/6
Stefano Brocchi Teoria degli errori 74 / 107
Lancio di due dadi: osservazioni
6 combinazioni di lanci ci danno un totale di 7 (1 e 6, 2 e 5, ...), masolo una ci restituisce il valore 2 (1 e 1)
Essendo ogni combinazione equiprobabile, la probabilita di ottenere 7e 6 volte maggiore di quella di ottenere 2
Stefano Brocchi Teoria degli errori 75 / 107
Lancio di quattro dadi
Iteriamo il procedimento per construire la distribuzione di valori per illancio di 4 dadi
In questo caso, le probabilita tendono ad ’accumularsi’ vicino al valoremedio (14), ed i valori agli estremi diventano sempre meno probabili
Stefano Brocchi Teoria degli errori 76 / 107
Esempio: lancio di due dadi
Vediamo l’istogramma per le probabilita del lancio di 4 dadi:
4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
11,3%
8,0%
4,3%
0,8%
Stefano Brocchi Teoria degli errori 77 / 107
Lancio di molti dadi: proprieta
La probabilita di ottenere esattamente il valore medio e minore diquella con due dadi (11, 3% contro 16, 7%)
◮ Essendo possibili molti piu valori, anche la probabilita di ottenere ilrisultato piu probabile scende
Calcoliamo tuttavia quanto e la probabilita che il valore ottenuto v daun lancio rientri nell’intervallo x − (1/7)x ≤ v ≤ x + (1/7)x
◮ 1 dado: P(3) + P(4) = 1/6 + 1/6 = 1/3 ≈ 33%◮ 2 dadi: P(6) + P(7) + P(8) = 5/36 + 6/36 = 5/36 = 16/36 ≈ 44%◮ 4 dadi: P(12) + P(13) + P(14) + P(15) + P(16) ≈ 52%
Stefano Brocchi Teoria degli errori 78 / 107
Lancio di molti dadi: proprieta
La probabilita di rientrare in un intervallo di grandezza proporzionaleal valore medio cresce con il numero di variabili casuali (in questoesempio, di dadi)
Proprieta fondamentale della statistica
Fondamentale per individuare il valore medio della distribuzione
Stefano Brocchi Teoria degli errori 79 / 107
Ricerca del valor medio
Supponiamo che per qualche motivo non conosciamo il valore mediodel tiro di un dado, e lo vogliamo individuare tramite sperimentazione
◮ Lanciamo n dadi ed otteniamo una stima del valor medio dividendo iltotale per n
Immaginiamo che ci accontentiamo di un errore relativo di 1/7
Lanciando un dado, abbiamo il 33% di probabilita che la nostra stimasia soddisfacente. Con 2 dadi, saliamo al 44% e con 4 si arriva al 52%
Lanciando un numero sufficientemente grande, possiamo esserepressoche sicuri di ottenere una stima accurata
Stefano Brocchi Teoria degli errori 80 / 107
Legge dei grandi numeri
Questa proprieta e descritta dalla legge dei grandi numeri
Questa ci dice che la media di un numero sufficientemente grande dicampioni di un processo casuale tende al valore atteso
◮ Nel nostro esempio, un campione corrisponde al lancio di un dado
Ipotesi fondamentale e l’indipendenza dei vari campioni: un risultatonon deve influenzare gli altri
Stefano Brocchi Teoria degli errori 81 / 107
Legge dei grandi numeri: esempio
Consideriamo un esempio pratico di applicazione della legge deigrandi numeri: gli exit poll per la stima dei risultati delle votazioni
Consideriamo n persone che contribuiranno con c1 voti per uncandidato e c2 per un altro
Vogliamo stimare la probabilita definita come c1/n che una personavoti per il candidato 1
◮ Essendo n noto, questo ci consente di calcolare c1◮ Formulazione aderente alla stima del valor medio descritta
precedentemente
Stefano Brocchi Teoria degli errori 82 / 107
Legge dei grandi numeri: esempio
Interrogando un piccolo numero di votanti, non si avrebbe alcunagaranzia che i loro voti rispecchino quelli dell’intera popolazione
Se si possono consultare invece molte persone scelte a caso, graziealla legge dei grandi numeri siamo pressoche sicuri che i loro votirispecchino quelli dell’intero paese
Grazie a delle proprieta descritte di seguito, si puo stimare laprecisione del risultato ottenuto
L’ipotesi spesso difficile da soddisfare e quella della completa casualitadelle persone interrogate
◮ Ipotesi non soddisfatta se per esempio vengono interrogate personesolo in una determinata zona
Stefano Brocchi Teoria degli errori 83 / 107
Distribuzione Gaussiana
Le distribuzioni di probabilita che rispecchiano le ipotesi descrittevengono rappresentate tramite una distribuzione detta Gaussiana onormale
◮ Informalmente, la distribuzione e anche chiamata campana di Gauss
per la sua forma
E’ una distribuzione limite di quelle viste nell’esempio del lancio didadi
◮ Con tanti processi casuali coinvolti nel processo si ottiene unadistribuzione discreta molto simile ad una Gaussiana
E’ a valori continui: non c’e un numero ’finito’ di valori possibili, equalunque numero reale (eventualmente in un intervallo) econsiderato
Stefano Brocchi Teoria degli errori 84 / 107
Distribuzione Gaussiana
Vediamo come una curva gaussiana possa essere una buonaapprossimazione continua delle probabilita sul lancio di 4 dadi
4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
11,3%
8,0%
4,3%
0,8%
Stefano Brocchi Teoria degli errori 85 / 107
Probabilita su distribuzioni continue
La probabilita in questa curva va calcolata su di un determinatointervallo
Questa sara rappresentata dall’area della curva compresa fra le duerette che delimitano l’intervallo
◮ Estensione del caso discreto, dove la probabilita era data dalla sommadi varie barre adiacenti rappresentanti i singoli valori
Essendo una distribuzione di probabilita, l’area totale deve essereuguale ad 1
Stefano Brocchi Teoria degli errori 86 / 107
Probabilita su distribuzioni continue
Nell’esempio, una distribuzione normale con valor medio 1, conevidenziata l’area corrispondente alla probabilita su un intervallo
1 1,1 1,3
Stefano Brocchi Teoria degli errori 87 / 107
Valor medio e deviazione standard in gaussiane
La distribuzione normale sara caratterizzata da due valori:
Il valor medio x , che rappresenta il valore piu probabile sul quale ecentrata la curva
La deviazione standard σx , che definisce la forma della curva◮ σx elevato rappresenta curve con un picco piu basso ed estremita piu
alte (pensare al valore totale del lancio su 1 o 2 dadi)◮ σx basso rappresenta curve con un picco piu alto ed estremita piu
basse (pensare al valore totale del lancio su 4 o piu dadi)
Stefano Brocchi Teoria degli errori 88 / 107
Gaussiane: esempio
Vediamo varie curve gaussiane con uguale valor medio ma diversadeviazione standard:
Gaussiane con
devianzione standard
piu’ alta, bassa
o intermedia
Stefano Brocchi Teoria degli errori 89 / 107
Gaussiana: espressione analitica
L’equazione analitica di una gaussiana e
Gx ,σ(x) =e−(x−x)2/2σ2
σ√
2π
Compaiono le due costanti irrazionali pigreco (π = 3, 14...) ed ilnumero di Eulero (e = 2, 71...)
L’equazione ci dice che la funzione ha valore massimo in x
Lontano da questo valore, la funzione non assume mai il valore 0, maci si avvicina in modo esponenziale
◮ Per valori lontani da x , i valori della funzione saranno numeri moltopiccoli
Stefano Brocchi Teoria degli errori 90 / 107
Distribuzione Gaussiana: proprieta ed utilizzo
Una grande parte dei fenomeni complessi deriva da una combinazionedi molti fattori casuali, e quindi puo essere descritto accuratamentecon una gaussiana
Spesso anche se i fattori non sono del tutto indipendenti, in buonaapprossimazione la distribuzione resta quella normale
Alcuni esempi di distribuzioni in buona approssimazione normali sonoaltezza e peso di una persona adulta
◮ Esempio: l’altezza della popolazione americana (maschi adulti) hamedia 176cm e deviazione standard di circa 8cm
Tutte queste distribuzioni possono essere completamente descritte damedia e deviazione standard
◮ Da questi due soli valori si puo calcolare la probabilita di un evento inun qualsiasi intervallo
Stefano Brocchi Teoria degli errori 91 / 107
Distribuzione Gaussiana: esempio
La distribuzione normale e definita su qualsiasi valore, mentre spessola nostra distribuzione ha delle limitazioni
◮ Esempio con le altezze: non possono esistere altezze negative
Essendo i valori lontani dalla media pero estremamente piccoli,l’approssimazione resta molto buona
◮ Non imporre dei limiti rigidi puo essere vantaggioso quandoeffettivamente non sappiamo quanto un valore si possa discostare dallamedia
Uno dei casi in cui la distribuzione Gaussiana non e un buon modelloe quando esiste un valore limite vicino alla media
◮ Es. una distribuzione con media 1 che non ammette valori minori di 0,con deviazione standard elevata (>> 1)
Stefano Brocchi Teoria degli errori 92 / 107
Distribuzione Gaussiana: proprieta ed utilizzo
La distribuzione di Gauss e solitamente un buon modello per l’errorecasuale su una misurazione
Il valore medio della distribuzione rappresentera il valore vero dellamisura
◮ Questo giustifica la scelta della media delle misurazioni come migliorestima della misura stessa
◮ Per ora stiamo assumendo di non avere errori sistematici
La deviazione standard ci rappresentera la precisione con cuieseguiamo la misurazione
◮ Valori alti indicano che verosimilmente otterremo errori grandi
Stefano Brocchi Teoria degli errori 93 / 107
Adozione della distribuzione normale
Alcune giustificazioni per l’uso di questa distribuzione:
L’errore casuale dipende da molti fattori imprevedibili indipendenti traloro
◮ Errori di lettura dello sperimentatore, piccole vibrazioni, rumore difondo...
Difficile stabilire un limite massimo all’errore, ma errori moltogrossolani sono di fatto molto improbabili
◮ Queste caratteristiche rispecchiano quelle della distribuzione normale
Infine, un grande numero di esperimenti scientifici confermano chequesta distribuzione e molto verosimile per quanto riguardamisurazioni ed errori
Stefano Brocchi Teoria degli errori 94 / 107
Confidenza
In una deviazione gaussiana, la deviazione standard puo essereutilizzata per definire un intervallo nel quale la misura esatta sarapresente con una certa probabilita
Tale probabilita e detta confidenza, e verra scelta dallo sperimentatorein base a quello che ritiene ’ragionevolmente improbabile’
Tramite la deviazione standard ed il concetto di confidenza, sipotranno trarre conclusioni del tipo ’la misura esatta e compresa al95% di certezza in questo determinato intervallo’
◮ Esempio numerico: ’la misura cade nell’intervallo definito da 87± 2kgcon una confidenza del 99, 7%’
Stefano Brocchi Teoria degli errori 95 / 107
Confidenza
Le formule viste per il calcolo di media e deviazione standard da unnumero finito di campioni sono mezzi per trovare delle stime di questivalori per la distribuzione normale
La stima sara tanto piu accurata tante piu misure verranno utilizzate
Stefano Brocchi Teoria degli errori 96 / 107
Confidenza e suo uso
Vediamo alcuni intervalli in funzione di x e σx e le relative confidenze:
◮ x ± σx ha confidenza pari al 68%◮ x ± 2σx ha confidenza pari al 95, 4%◮ x ± 3σx ha confidenza pari al 99, 7%◮ x ± 4σx ha confidenza maggiore del 99, 99%
Esistono strumenti e tabelle per calcolare la confidenza di un qualsiasiintervallo in funzione di σx
Stefano Brocchi Teoria degli errori 97 / 107
Confidenza e suo uso
Vediamo graficamente questi intervalli e le relative aree nella curva diGauss:
xx - x +
Area = 68%
Stefano Brocchi Teoria degli errori 98 / 107
Confidenza: esempio
Utilizziamo questi intervalli per fare delle osservazioni sull’altezza diuna popolazione
Consideriamo una media di 176cm ed una deviazione standard di8cm, assumendo che la distribuzione sia normale
Il 68% della popolazione (circa 2/3) ha altezza compresa tra 168cm e184cm
Il 95, 4% della popolazione (circa 19/20) ha altezza compresa tra160cm e 192cm
Il restante 4, 6% della popolazione (circa 1/20) ha altezza minore di160cm o maggiore di 192cm
Stefano Brocchi Teoria degli errori 99 / 107
Confidenza come indice di credibilita
La confidenza e una quantita scelta dallo sperimentatore e definisce inun certo senso la credibilita dei risultati
Deve essere selezionata in funzione dell’importanza e della criticita deirisultati forniti
Chiaramente, prendendo intervalli piu grandi le misure sono menoprecise ma la confidenza aumenta
Stefano Brocchi Teoria degli errori 100 / 107
Confidenza e SDOM
Data una serie di misure con errori casuali, la media e la deviazionestandard dalla media definiscono la gaussiana che specifica leprobabilita di distribuzione della misura vera
Poter affermare che la misura vera e nell’intervallo x ± σx conconfidenza del 68% (o nell’intervallo x ± 2σx con confidenza del95, 4%) deriva proprio dalle proprieta della distribuzione normale
Stefano Brocchi Teoria degli errori 101 / 107
Esperimenti di conteggio
Altre proprieta delle distribuzioni di probabilita ci consentono dieffettuare una stima della varianza per esperimenti di conteggio
Supponiamo di voler stimare la probabilita di un evento contandoquante volte questo avviene in un periodo di tempo
L’avvenire dei vari eventi deve essere indipendente
Esempio: contiamo il numero di nascite di una citta per stimare iltasso di nascita nella nazione
◮ Presupponiamo che le nascite in questa citta rispecchinoragionevolmente quelle dell’intero paese
Stefano Brocchi Teoria degli errori 102 / 107
Esperimenti di conteggio: media e deviazione standard
La stima migliore corrisponde chiaramente al valore misurato◮ Se abbiamo 10 nascite in 30 giorni su una popolazione di 1000,
stimiamo che in questo periodo nasca mediamente una persona perogni 100 abitanti (10/1000 = 1/100)
Piu difficile capire l’incertezza su questa quantita
δx si puo calcolare tramite la regola δx =√n, dove n e il numero
conteggiato◮
√n ha il ruolo di σx , e definisce una confidenza del 68% (2
√n ha
confidenza del 95%, 3√n ha confidenza del 99, 7%...)
◮ Nell’esempio:√n =
√10 ≈ 3, 2
◮ Precisione bassa: con confidenza del 95% possiamo affermare che ilnumero di nascite medio su 1000 persone vada da 10− 6, 4 = 3, 6 a10 + 6, 4 = 16, 4
Stefano Brocchi Teoria degli errori 103 / 107
Esperimenti di conteggio: affinamento
Come al solito, aumentando il numero di misurazioni l’incertezzarelativa
√n/n tende a 0
Nell’esempio, immaginiamo di continuare a contare le nascite per12× 30 giorni, ottenendo 120 nascite
◮ Per semplicita, in questo esempio fortuitamente il conteggio medio dinascite coincide nei due casi. Spesso questo non avviene, ed ilconteggio sul periodo piu lungo risulta quello piu credibile
Otteniamo√n =
√120 ≈ 11
Con confidenza del 95% in 360 giorni abbiamo 120± 22 (22 = 2√n
corrispondente a 2σx) nascite per 1000 persone; riportandoci ai 30giorni, otteniamo un intervallo di (120± 22)/12 ≈ 10± 1, 8
◮ Con questa confidenza, ci aspettiamo che il numero di nascite medio su1000 persone vada da 10− 1, 8 = 8, 2 a 10 + 1, 8 = 11, 8: la nostraprecisione e notevolmente migliorata
Stefano Brocchi Teoria degli errori 104 / 107
Conteggio ed errori sistematici
Come al solito se abbiamo errori sistematici non li possiamorimuovere aumentando il tempo di conteggio.
Un esempio di errore sistematico nell’esempio: la citta su cui stiamofacendo il conteggio potrebbe avere una natalita media diversa daquella della nazione
Se possiamo stimare l’errore, questo va sommato all’errore casuale◮ Per qualche motivo, stimiamo che la differenza di natalita tra la citta
ed il nostro campione non superi una nascita su 1000 abitanti ogni 30giorni. Otteniamo un intervallo di 10± (1 + 1, 8)
Per cercare di rimuovere questo errore sistematico, si potrebbecontare le nascite invece che nelle 1000 persone di un certo paese in1000 persone scelte a caso nella nazione
◮ Perche assumiamo sia improbabile che questo campione scelto a casonon sia piu o meno prolifico della media ?
◮ Con un numero grande, facciamo affidamento sulla legge dei grandinumeri
Stefano Brocchi Teoria degli errori 105 / 107
Domande di riepilogo
Come si possono rappresentare gli errori con la notazione a cifresignificative ? Come si traduce questa notazione in un intervallo dierrore ?
Cosa si intende per discrepanza tra due misure e compatibilita ?
Come si puo verificare la consistenza di una serie di misure con unaregola di proporzionalita ?
Quali sono le regole per la propagazione dell’errore ? Sotto cheipotesi si puo utilizzare la formula con quadratura ?
Come si distinguono errori casuali e sistematici ? Come si possonogestire nel processo di stima di una misura ?
Stefano Brocchi Teoria degli errori 106 / 107
Domande di riepilogo
In una sequenza di misurazioni, come si definiscono media, deviazionestandard e deviazione standard dalla media ? Come possono essereutilizzate queste quantita ?
Che caratteristiche ha la distribuzione Gaussiana, e perche vienefrequentemente utilizzata ?
Perche la legge dei grandi numeri e utile per l’individuazione deglierrori casuali ?
Cosa e un intervallo di confidenza, e quali sono le sue proprieta ?
Stefano Brocchi Teoria degli errori 107 / 107