Teoria degli Errori
Come si raccolgono, interpretano i dati e come si presentano i risultati di un esperimento?
Cosa significa che uno strumento `e pi `u preciso di un altro?
Quando vale la pena di ripetere pi `u volte una misura? E quante volte ?
Cosa fare di un dato che non va d’accordo con gli altri ?
Risposta quantitativa in termini di probabilit`a !
1
Errori Casuali
Errori come incertezze (fluttuazioni casuali, in generale simme- triche attorno al valore vero)
sono inevitabili nelle misure ;
indipendentemente dalla precisione dell’apparato di misura.
es. misure ripetute con risultati diversi.
es. misure non ripetibili
es. misure ripetute, con risultato un solo valore ben definito (l’er- rore proviene dalla ‘sensibilit`a ’ dello strumento)
Non si misura mai il “valore vero ” di una grandezza:
scopo dell’esperimento `e stimarlo con tutta l’accuratezza neces- saria.
`E importante che il risultato sia fornito insieme all’accuratezza
con cui `e stato misurato.
Errori sistematici
Non tutti gli errori sono incertezze (fluttuazioni casuali).
Esistono gli sbagli (trascureremo questa categoria nel corso teo- rico), ed esistono gli errori sistematici.
Costituiscono errori sistematici tutti quegli effetti reali che ven- gono tuttavia trascurati in un esperimento:
– Tipo teorico (resistenza dell’aria nella caduta di un grave, at- trito in un pendolo, rifrazione della luce in una lettura di scala attraverso un vetro, espansione del regolo misuratore con la temperatura, ecc.)
– Tipo strumentale (errori nelle divisioni delle scale graduate, eccentricit`a di cerchi graduati che dovrebbero essere concen- trici, ecc.)
Gli errori sistematici sono:
3
Eliminabili in linea di principio, calcolando l’effetto (o calibran- do lo strumento) e correggendo (se sono piccoli rispetto all’accu- ratezza richiesta pu `o non essere conveniente farlo!)
Non distribuiti simmetricamente
Cifre Significative
`E impossibile dire se una cifra `e significativa se non si indica l’errore !
L’ultima cifra significativa di un risultato `e quella dello stesso ordine di grandezza (nella stessa posizione decimale) dell’errore.
Sono non significative le cifre del risultato che rappresentano una frazione piccola (
< 1=3, < 1=10) dell’errore!
Esempio:
il risultato
x = 5382:31 20non ha senso scriver `o
=) x = 5380 20se
Æx = 5il risultato va presentato cos`i
=) 5382 5
5
Rappresentazione ed Utilizzo degli errori
Il risultato di un esperimento va sempre espresso nella forma:
x Æx
con
Æx > 0dove
x`e la migliore stima del valore vero (
xv) e
Æx`e “l’errore su
x
”:
Æx`e tale che nell’intervallo
[x Æx; x + Æx]`e probabile che
si trovi il valore vero
xv. Vedremo che
Æx`e scelto in maniera tale
che
[x Æx; x + Æx]ha il
68%di probabilit`a di contenere
xvErrori relativi
Se
x Æxallora:
l’ errore relativo (o errore frazionario) =
Æxjxj
Quantit`a adimensionale: perch`e
Æxha le stesse dimensioni di
x
Moltiplicato 100 d`a l’errore percentuale (%)
7
Distribuzione
Un insieme di misure costituisce una Distribuzione:
illustreremo quindi i vari tipi di distribuzioni ed i loro parametri pi ´u significativi.
Supponiamo, per esempio, di avere fatto 9 misure di qualche grandezza
xed otteniamo 6 valori distinti:
2.2, 2.4, 2.6, 2.75, 2.85, 3.0
N = 9
numero delle misure
M = 6
numero di valori distinti
La Distribuzione Discreta di queste misure in un piano cartesia- no riporta in ascisse i valori, in ordinate il numero
nkdi volte che ciascun valore `e stato ottenuto (frequenza assoluta); se sommia- mo tutti i numeri
nk, allora otteniamo il numero totale di misure
9
fatte, cio´e:
M
X
k =1 n
k
= N
Un modo diverso si esprimere questi concetti `e attraverso la de- finizione di frequenza relativa
F
k
= n
k
N
Se in ordinata riportiamo la frequenza relativa la distribuzio- ne si dice normalizzata; cio´e, la somma delle frequenze relative per tutti i risultati possibili `e uguale a 1. Qualunque insieme di numeri la cui somma `e 1 `e detta essere ”normalizzata”.
M
X
k =1 F
k
= 1
`e quindi chiamata ”condizione di normalizzazione”
Distribuzione Continua
Possiamo tracciare una curva continua che passi per i punti della distribuzione discreta; maggiori sono i punti della nostra distri- buzione migliore sar´a la curva che possiamo tracciare.
Possiamo introdurre il concetto di distribuzione limite delle fre- quenze per un esperimento infinito:
Tale concetto `e un’estrapolazione, quindi un’assunzione: In que- sto senso non si osserva mai. Ma `e utile perch`e permette una semplificazione (soprattutto) matematica.
Ovviamente la distribuzione limite sar`a una curva continua
f(x).
Per la distribuzione continua avremo che la frazione di misure- eventi che cadono nell’intervallo infinitesimo
dx, con estremo inferiore
x, sar`a
F(x) = f(x)dx
11
La condizione di normalizzazione per la curva continua `e
Z
+1
1
f(x)dx = 1
Una
f(x)particolarmente interessante, che soddisfa la condizio- ne di normalizzazione, `e la funzione di densit`a di probabilit`a (p.d.f.) e l’integrale tra due valori della p.d.f. d´a la probabilit`a dell’intervallo di valori, cio´e :
Z
b
a
f(x)dx
D`a la probabilit`a che una misura dia un risultato compreso tra
x = a
e
x = bCaratteristiche di una Distribuzione
MEDIA:
– media aritmetica delle misure discrete
x = N
X
i=1 x
i
N
= M
X
k =1 x
k F
k
;
dove
N`e il numero totale di misure,
M`e il numero di misure con valori diversi. La seconda forma `e pi `u utile perch`e si generalizza meglio al caso continuo.
– media della distribuzione continua:
x = Z
+1
1
xf(x)dx
Altro parametro importante `e la ”larghezza” della distribu- zione. La deviazione di una misura
xkda
xsi chiama scarto:
k
= (x
k
x)
13
La media aritmetica di questa quantit`a non `e un buon indica- tore di larghezza, infatti `e nulla:
M
X
k =1
k F
k
= M
X
k =1 (x
k
x)F
k
= M
X
k =1 F
k x
k
x M
X
k =1 F
k
=
= x x 1 = 0
Usiamo quindi scarto (deviazione) quadratico medio
2- discreta
2
= M
X
k =1
2
k F
k
= M
X
k =1 F
k (x
k
N
x) 2
Oppure calcolata con la solita notazione:
2
= N
X
(x
k
x ) 2
N
- continua
2
= Z
+1
1
(x x ) 2
f(x)dx
2
prende anche il nome di varianza: la sua radice si indi- ca con
e prende il nome di deviazione standard (standard deviation o root mean square deviation R.M.S.).
Un’espressione alternativa per il calcolo della varianza `e
2
= x 2
x 2
dimostriamo tale relazione nel caso continuo
2
= Z
+1
1
(x x ) 2
f(x)dx =
Z
+1
1 x
2
f(x)dx
Z
+1
1
2xx f(x)dx + Z
+1
1 x
2
f(x)dx =
15
x 2
x2
+1
1
xf(x)dx x 2
+1
1
f(x)dx =
x 2
x 2 x + x 2
1 = x 2
x 2
c.v.d.
Miglior stima del valore vero e della varianza
La miglior stima del valore vero misurato con
Nmisure affette solo da errori casuali `e il valore medio della distribuzione delle misure.
La miglior stima della varianza
2`e
2
N
= N
X
i=1 (x
i
x) 2
N 1
dove abbiamo sostituito
N 1a
N: per stimare
2in un cam- pione finito si dovrebbe sempre utilizzare
N: per
Npiccolo `e importante.
17
La deviazione standard della media
Supponiamo che due sperimentatori (
Xe
Y) facciamo
Nmi- sure del periodo di oscillazione di un pendolo, ed ottengano i seguenti risultati (
T(sec)):
X 2:58; 2:58; 2:56; 2:56; 2:59
Y 2:6; 2:6;2:5; 2:6; 2:7
!
T
x
= 2:576
x
= 0:0114
T
y
= 2:56
y
= 0:0707
A questo livello `e chiaro che
X`e superiore, ma supponiamo che
Y
decida, senza cambiare il suo modesto apparato di misura, di
fare 500 misure invece delle 5 originali;
Te
cambieranno di
poco, diciamo:
T
y
= 2:582
y
= 0:075
Tuttavia il valore medio `e calcolato con molte pi `u misure, quello che ci interessa `e l’errore sul valore medio; dobbiamo tenere con- to del numero di misure: la deviazione standard su
xsi pu `o otte- nere dalla deviazione standard sulla singola misura applicando la propagazione degli errori come vedremo poi, ora anticipiamo l’importante risultato:
(x ) =
(x)
p
N
(x)
`e la quantit`a che cercavamo: prende il nome di ‘deviazione standard sulla media’ o ‘errore standard sulla media’ o sempli- cemente ‘errore standard’ ed `e la quantit`a che all’inizio abbiamo indicato con
Æx19
Se
Yfa 500 misure
T
y
= 2:582
y
= 0:075
(T) =
deviazione standard
Æ = (T) =
(T)
p
N
=
0:075
p
500
errore standard
Propagazione degli Errori
Estremamente Importante!
Nella maggior parte dei casi la quantit`a che si vuole conoscere in un esperimento non `e quella che si misura direttamente, ma si calcola a partire da grandezze misurate direttamente
Esempio: la velocit`a
vdi un corpo si calcola misurando la distan- za percorsa
led il tempo impiegato
tv = l=t
oppure l’accelerazione di gravit`a
gusando un pendolo semplice
g =
4
2
l
T 2
ecc.
In generale la situazione si pu `o schematizzare come segue:
Conosciamo
x,
y, ecc. e
Æx,
Æy, sappiamo che
z = f(x; y; :::)e
21
conosciamo la forma della funzione
f. Vogliamo sapere
ze
Æz
lavoreremo nell’ipotesi che
x,
ysiano affette solo da errori casua- li ed indipendenti gli uni dagli altri;
Æx,
Æy, siano stati ottenuti dalle
delle distribuzioni di
xe
y,
Æzsi ottiene da
(z). E’ que- sto quello che si intende abitualmente per propagazione degli errori: se vi si chiede di propagare un errore senza altre specifi- cazioni, `e a questa propagazione che ci si riferisce.
E’ utile ricordare che nel caso gli errori sistematici non siano tra- scurabili, trattarli secondo l’ipotesi che abbiamo fatto `e in gene- rale sbagliato.
Cominceremo con funzioni semplici: somma-differenza, prodot-
to, quoziente, potenza. Vedremo poi la forma generale da cui si
possono ottenere tutti i casi particolari.
Somma - differenza
z = x + y
,
nvalori
xi,
mvalori
yjmisurati; dato che x e y sono indipendenti ogni
xipu `o essere combinato con ogni
yiper dare la somma
zij = xi + yiAllora
z
nm
= 1
nm n
X
i
m
X
j
(x
i
+ y
j
) =
1
nm n
X
i
(mx
i
+ y
1
+ ::: + y
m
) = 1
n n
X
i
(x
i
+ y
m
) =
1
n (x
1
+ x
2
+ ::: + x
n
+ ny
m
) = x + y
Passiamo ora a
2(z),
ij
(z) = z
ij
z = (x
i
+ y
j
) (x + y) =
i
(x) +
j
(y);
23
2
nm
(z) = 1
nm
X
i
X
j
2
ij
(z) = 1
nm
X
i
X
j (
2
i
(x) + 2
j
(y) + 2
i
(x)
j
(y)) =
1
nm n
X
i
(m
2
i
(x) + 2
1
(y) + ::: + 2
m
(y) + 2
i
(x)[
1
(y) + ::: +
m (y)
| {z }
0
]) =
= 1
n n
X
i (
2
i
(x) + 2
m
(y)) = 2
n
(x) + 2
m
(y);
PROPAGAZIONE DELL’ ERRORE
La relazione funzionale `e
y = f(x)
(o
z = f(x; y; t:::))
x =
quantit`a misurata
x
=
errore sulla misura di
x
Facciamo una serie di misure
x
1
; x
2
; x
3
; ::::::x
n
Costruiamo la serie
25
1 1 2 2 n n
Vogliamo calcolare
ye
yo
ySi fanno i conti gi`a fatti seguendo una procedura pi `u rigorosa dalla precedente
a) valor medio
y = 1
N (y
1
+ y
2
+ ::: + y
N
) =
1
N
[f(x
1
) + f(x
2
) + ::: + f(x
N )]
Ricapitolazione su errori e propagazione
Il risultato della misura di X va sempre posto nella forma
x Æxcon l’opportuno numero di cifre significative
Æx
pu `o essere casuale o sistematico
Se la misura `e ripetibile la miglior stima di X `e
xsull’insieme di
Nmisure, questa stima `e affetta da errore casuale
Æx =
N
(x ) =
N
(x)
p
N
dove con
Nsi `e indicata la migliore stima della deviazione stan- dard tale che
2
N
(x) = N
X
i=1 (x
i
x) 2
1
N 1
(x)
`e un parametro collegato alla probabilit`a di deviazione di una
27
qualsiasi misura
La propagazione degli errori casuali ed indipendenti `e governata dalla legge:
dato
z = f(x; y)e note
f,
x,
y2
(z) = ( Æf
Æx )
2
2
x
+ ( Æf
Æy )
2
2
y
Somma in quadratura degli errori assoluti per somme e differenze,
somma in quadratura degli errori relativi per prodotti e quozienti
Esercizio
Si usano 2 metodi per misurare il carico di rottura di un filo d’ac- ciaio e si fanno 10 misure per ognuno dei 2. I risultati
FRin tonnelate peso sono:
A: 3.3, 3.5, 3.7, 3.2, 3.6, 3.5, 3.6, 3.4, 3.6, 3.9;
B: 3.5, 3.6, 3.6, 3.7, 3.5, 3.6, 3.5, 3.5, 3.6, 3.5;
Stimare la precisione di ciascun metodo.
Dare la migliore stima di
FRe l’errore standard su
FRper il me- todo A e il metodo B, trovare quante misure si dovrebbero fare con il metodo meno preciso per dare un risultato tanto accurato quanto con l’altro metodo.
29
Soluzione
A:
FR = 3:53; (n 1) = 0:20028
B:
FR = 3:56; (n 1) = 0:06992=)
Stima della precisione del metodo o dell’apparato
A:
Æ(F
R
) = (F
R
) =
(F
R )
p
N = p
10
Æ(F
R
) = 0:0633
B:
Æ(FR) = 0:0221Æ N
A (F
R
) =
A (F
R )
p
N
= 0:0221
N =
A (F
R )
Æ
B
=
0:20028
0:0221
= 9:062
=) N
= 82
31