Teoria degli errori

Stefano Brocchi
[Link]@[Link]

Stefano Brocchi

Teoria degli errori

1 / 107

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 unincertezza inevitabile derivante dallintrisceca
imprecisione del processo della misurazione

Stefano Brocchi

Teoria degli errori

2 / 107

Errori ed incertezza

Lincertezza deriva da molteplici fattori; uno di essi `e che la misura

reale di una quantit`a `e un numero reale, possibilmente con infinite
cifre decimali

Una lunghezza di un oggetto non potr`a essere mai esattamente, per

esempio, 3 metri, ma potr`a essere 3,0018452934... metri

Altri errori derivano per esempio dalle limitazioni dello strumento

Misurando una lunghezza con un metro graduato, la precisione sar`a

limitata dalla graduazione del metro stesso

Stefano Brocchi

Teoria degli errori

3 / 107

Misurazioni

Per eseguire correttamente una misura, occorre avere inoltre una

definizione precisa di come deve essere fatta la misurazione

Supponiamo di voler misurare la lunghezza di un tavolo con grande

precisione. E possibile che il tavolo non sia perfettamente rettangolare,
e lo sperimentatore ottenga risultati diversi a seconda del lato usato
per la misurazione
Altro esempio: definendo la lunghezza di una sbarra di metallo, questa
dipender`a anche dalla temperatura dellambiente

Sebbene nella maggior parte delle misure questi problemi non diano
effetti rilevanti, in situazioni particolarmente critiche pu`
o essere
importante tenerne conto

Stefano Brocchi

Teoria degli errori

4 / 107

Misurazioni

Una corretta definizione di come una misura deve essere fatta e delle
condizioni ambientali che la possono alterare `e importante per
garantire la replicabilit`a della misura
In ambito scientifico, se una misura pu`
o essere verificata tramite
ulteriori misurazioni pu`
o essere considerata maggiormente affidabile

Stefano Brocchi

Teoria degli errori

5 / 107

Stima dellincertezza

Ogni misura conterr`a quindi un margine di incertezza

Stimare tale incertezza `e un obiettivo importante, in quanto ci
consente di capire quanto siano validi i nostri risultati
Una stima precisa non `e semplice, e deve tenere conto di molteplici
fattori descritti in seguito

Stefano Brocchi

Teoria degli errori

6 / 107

Incertezza come intervallo

Per una misura, si dovr`a specificare non un solo numero ma un

intervallo, dove si `e certi che la misura reale sia contenuta
Un esempio di una misura di una lunghezza l pu`
o essere
22mm < l < 24mm

Stefano Brocchi

Teoria degli errori

7 / 107

Ripetizione di una misura

Un primo metodo per stimare la grandezza di questo intervallo nel

caso di una grandezza ripetibile, `e di eseguire molte volte la misura
Le misure minime e massime rappresentano una stima ragionevole
degli estremi dellintervallo
Esempio: ottenendo le misure (in mm) 23,22,25,23,24,25,23
otterremo 22mm < l < 25mm
In seguito tramite metodi statistici vedremo come usare le molteplici
misure per affinare la precisione

Stefano Brocchi

Teoria degli errori

8 / 107

Cause dellerrore

Alcune incertezze dipendono dalle limitazioni dello strumento di

misurazione

La precisione di ogni strumento `e limitata, e solitamente `e specificata

dal produttore
Per esempio, in una bilancia potrebbe essere specificato che per ogni
kg `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 che
creano un disturbo

Es. nel misurare lintensit`a di un suono, si pu`o venir influenzati dal

rumore di fondo

Stefano Brocchi

Teoria degli errori

9 / 107

Riduzione dellerrore su molte misure

Ottenere molte misure `e un artificio spesso utilizzato per minimizzare

lerrore
Molto utile quando la quantit`a 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 pi`
u grande della misura stessa.
Soluzione: misurare 100 fogli impiliati, in modo che lerrore di 1mm si
riduca di 100 volte nel calcolo dello spessore di un singolo foglio

Stefano Brocchi

Teoria degli errori

10 / 107

Notazione per intervalli di errore

Lintervallo dentro cui cade la misura si rappresenta nella forma

x x

Consideriamo x sempre positivo, gli errori in negativo sono

comunque considerati grazie al simbolo

x rappresenta la migliore stima della misura, mentre x la nostra

incertezza
Nellesempio precedente: 22mm < l < 25mm l = 23, 5 1, 5mm

Stefano Brocchi

Teoria degli errori

11 / 107

Cifre significative
La precisione di una quantit`a viene spesso indicata anche tramite le
sue cifre significative
Il numero di cifre definisce la precisione, considerando che quelle non
specificate non sono note
Esempio: 3, 56m ha tre cifre significative, ed il numero specifica che
la quantit`a di metri, decimetri e centimetri sono noti (3, 5 e 6),
mentre il numero di millimetri no

Quantit`a variabile almeno da 3, 555 a 3, 565 metri

In alcune notazioni, lintervallo rappresentato va addirittura da 3, 55 a
3, 57

In questa notazione, il numero 3, 0 `e diverso dal numero 3, in quanto

rappresenta una maggiore precisione

Stefano Brocchi

Teoria degli errori

12 / 107

Operazioni con cifre significative

Quando si eseguono somme e sottrazioni tra numeri con un numero

diverso di cifre significative, il risultato dovr`a avere un numero di cifre
pari alloperando meno preciso
Esempio: 3, 45 + 2, 0332s = 5, 48s
Usando dei calcolatori, possono venir restituite molte cifre che poi
dovranno venir scartate

Per esempio, loperazione 4, 3/3 restituir`a 1, 433333333, ma sar`a

necessario scrivere il risultato come 1, 4

Stefano Brocchi

Teoria degli errori

13 / 107

Cifre significative vs intervalli

Generalmente la notazione x x consente una specificazione pi`

u
precisa dellintervallo di errore
Sebbene la notazione a cifre significative possa essere comoda in
alcune situazioni, non verr`a usata nel seguito

Stefano Brocchi

Teoria degli errori

14 / 107

Misure compatibili

Un altro concetto importante riguarda la compatibilit`a di due misure

Due misure si dicono compatibili se esiste un valore che rientra in
entrambi 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 sono
compatibili, perche la prima indica che la misura vera al minimo vale
9cm, 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
5
Misure compatibili

Misure non
compatibili

Misure compatibili

(2,9 + 0,8) cm
(2,9 + 0,4) cm

(2,3 + 0,4) cm

2
1

(1,6 + 0,5) cm

(1,6 + 0,5) cm

(1,6 + 1) cm

Stefano Brocchi

Teoria degli errori

16 / 107

Misure non compatibili

In un esperimento scientifico, trovare due misure non compatibili

rappresenta un problema: sicuramente c`e stato un errore nel processo
di misurazione

In alcuni casi, potrebbe essere stata semplicemente sottostimata

lincertezza

In questi casi potrebbe essere necessario scartare le vecchie misure,

individuare lerrore e ripetere le misurazioni dallinizio

Stefano Brocchi

Teoria degli errori

17 / 107

Precisione e compatibilit`a

In un esperimento quindi `e necessaro innanzitutto eseguire misurazioni

in modo che il margine di errore sia minimo, ma occorre valutare
attentamente quale sia lerrore massimo che possiamo ottenere
In caso contrario, da un lato si rischia di ottenere misure poco
significative (con margini di errore troppo grandi), dallaltro si
potrebbero ottenere misure incompatibili che invalidano lesperimento

Stefano Brocchi

Teoria degli errori

18 / 107

Compatibilit`a con relazioni

In alcuni casi pu`

o essere necessario verificare se una serie di misure
sono compatibili con una legge fisica
Immaginiamo per ora di voler verificare una relazione di
proporzionalit`a diretta

Un semplice esempio: presupponiamo che un oggetto si muova a

velocit`a costante, e verifichiamo innanzitutto che lo spazio percorso sia
proporzionale al tempo
Misuriamo lo spazio percorso ad intervalli regolari, per verificare la
formula s = vt
Se le misure risultano compatibili con la formula, possiamo stimare la
velocit`a v , altrimenti possiamo supporre che la nostra ipotesi sia errata
ed il corpo sia soggetto ad accelerazione

Stefano Brocchi

Teoria degli errori

19 / 107

Compatibilit`a con relazioni

Vediamo un esempio di alcune misure dove le barre rappresentano i
relativi intervalli

s
4m
3m
2m
1m

1s

Stefano Brocchi

2s

3s

4s

5s

Teoria degli errori

6s

7s

8s

t
20 / 107

Compatibilit`a con relazioni

Un modo per verificare la compatibilit`a, `e di rappresentare le misure

su di un grafico con le rispettive barre di errore

Essendo tutte le misure soggette ad errore, `e inverosimile pensare che i

punti ottenuti siano perfettamente allineati

Se pu`
o essere tracciata una retta che tocca tutte le barre, le misure
sono compatibili con lipotesi di proporzionalit`a, ed il coefficiente
angolare della retta `e una possibile costante di proporzionalit`a

Nellesempio, il coefficiente angolare `e una possibile velocit`a

Stefano Brocchi

Teoria degli errori

21 / 107

Compatibilit`a con relazioni

Nellesempio, una retta compatibile con tutte le misure pu`
o essere
facilmente tracciata

s
4m
3m
2m
1m

1s

Stefano Brocchi

2s

3s

4s

5s

Teoria degli errori

6s

7s

8s

t
22 / 107

Verifica grafica di compatibilit`a

Generalmente, lincertezza `e relativa ad entrambe le quantit`a nel

grafico (sia ordinate che ascisse)

Nellesempio, avremo un margine di errore sia nel misurare lo spazio

percorso che listante di tempo in cui lo misuriamo

Nel grafico, lincertezza nelle due direzioni si rappresenta o con delle

croci o con dei rettangoli
Nel verificare relazioni di proporzionalit`a, la retta dovr`a toccare
almeno un punto allinterno di ogni rettangolo

Stefano Brocchi

Teoria degli errori

23 / 107

Relazioni non lineari e compatibilit`a

Nel caso in cui la relazione tra le due misure non sia lineare ma
quadratica, risulta pi`
u complesso verificare se per tutti gli intervalli
passa una parabola
Soluzione: cambiare la scala in modo da rappresentare una quantit`a
al quadrato, in modo che la relazione continui a essere rappresentata
con una retta
Lo stesso ragionamento pu`
o essere applicato a altre possibili relazioni
(spesso usata per esempio la scala esponenziale)

Stefano Brocchi

Teoria degli errori

24 / 107

Compatibilit`a con relazioni: esempio

Vediamo un grafico rappresentante una relazione che dovrebbe
risultare quadratica, quindi rappresentabile con una parabola

s
4m
3m
2m
1m

1s

Stefano Brocchi

2s

3s

4s

5s

Teoria degli errori

6s

7s

8s

t
25 / 107

Compatibilit`a con relazioni: esempio

Rappresentando nellasse x il tempo al quadrato, possiamo verificare
la relazione di nuovo tracciando una retta compatibile con tutti gli
intervalli

s
4m
3m
2m
1m
1s24s2 9s2

Stefano Brocchi

16s2

25s2

36s2

Teoria degli errori

49s 2

64s2

t2
26 / 107

Compatibilit`a con relazioni: esempio

Rappresentando nellasse x il tempo al quadrato, possiamo verificare
la relazione di nuovo tracciando una retta compatibile con tutti gli
intervalli

s
4m
3m
2m
1m
1s24s 2 9s 2 16s2

Stefano Brocchi

25s2

36s2

Teoria degli errori

49s2

64s2

t2
26 / 107

Errori relativi

In molti casi, la precisione del nostro intervallo di incertezza non pu`

o
essere valutata in senso assoluto dal mero errore su di essa
Un margine di errore `e buono o meno buono a seconda della
grandezza 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 abbastanza
grande

Stefano Brocchi

Teoria degli errori

27 / 107

Errori relativi

Definito per questo lerrore relativo, dato dalla formula x/|x|

x `e specificato in valore assoluto in modo da avere errori relativi
sempre positivi
Si pu`
o specificare lerrore relativo nella notazione standard degli
intervalli 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 pu`

o fare una stima dellerrore
relativo a partire dal numero di cifre significative
Il numero di cifre significative va contato partendo dalla prima cifra
diversa 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

Lincertezza relativa, detto c il numero di cifre significative, varia tra
10%/10c1 e 100%/10c1
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 pu`o reppresentare fino a 1, 00999..., con un errore di
0, 01 su 1, quindi dell1%
Con 3 cifre: 9, 99 pu`o 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 (ma
molto meno precisa), si pu`
o stimare un errore medio pari a
30%/10c1

Stefano Brocchi

Teoria degli errori

30 / 107

Propagazione dellerrore

Un ulteriore problema con le incertezze nelle misure `e che dovendo

eseguire dei calcoli, le incertezze possono propagarsi ed aumentare ad
ogni calcolo
Dover eseguire calcoli sulle misure ottenute `e comune, necessario per
esempio in qualsiasi misura indiretta
Capire come le incertezze si propagano consente di calcolare quanta
precisione `e necessaria nelle misurazioni per ottenere un margine di
errore accettabile nel risultato finale

Stefano Brocchi

Teoria degli errori

31 / 107

Propagazione dellerrore: 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, lincertezza `e
aumentata rispetto ai due addendi

Stefano Brocchi

Teoria degli errori

32 / 107

Propagazione in somme e sottrazioni

La regola che definisce formalmente la propagazione dellerrore in

somme e sottrazioni `e quindi che le incertezze degli addendi si
sommano per ottenere quella del risultato
Se q = x + y + z + ..., allora q = x + y + z + ...
Una facile verifica: il valore minimo per q potr`a essere
x + y + z + ... x y z ..., mentre il valore massimo potr`a
essere x + y + z + ... + x + y + z + ..., 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 viene
ottenuta in modo un po pi`
u complesso, e coinvolge delle
approssimazioni
Condideriamo un generico prodotto (x x) (y y ), di cui il
risultato senza considerare lerrore sar`a q = x y

(x x) (y y ) = xy y x xy y x = q y x xy y x
Quindi q = y x + xy + y x

Non abbiamo ancora ottenuto unespressione facilmente applicabile

Stefano Brocchi

Teoria degli errori

34 / 107

Propagazione in prodotti e divisioni

Di fatto, otteniamo unespressione pi`

u semplice calcolando lerrore
relativo q/q
q/q = y x/q + xy /q + y x/q = y x/xy + xy /xy + y x/xy =
x/x + y /y + (y /y )(x/x)
Considerando gli errori relativi (x/x e y /y ) come numeri piccoli, il
loro prodotto sar`a trascurabile rispetto al loro valore

Es. con x/x = y /y = 0, 01 = 1%,

x/x y /y = 0, 0001 = 0, 01% << x/x

Per semplificare, con una piccola approssimazione rimuoviamo

(y /y )(x/x) dallequazione

Stefano Brocchi

Teoria degli errori

35 / 107

Propagazione in prodotti e divisioni

Otteniamo q/q = x/x + y /y

La regola quindi dice che lerrore relativo sul risultato finale `e uguale
alla somma degli errori relativi sui moltiplicandi
Es. (10 4%) (12 6%) = 120 10% = 120 12
Se gli errori sono dati in assoluto, occorrer`a convertirli

Es.
(162)(101) = (1612, 5%)(1010%) = 16022, 5% = 16036

Stefano Brocchi

Teoria degli errori

36 / 107

Propagazione in elevamenti a potenza

Iterando la regola per la moltiplicazione, si ottiene la regola per

lelevamento a potenza
Se q = x n , allora q/q = |n|x/x
La regola vale anche per n frazionario, utile considerando che

x = x 1/2

Vediamo
riprova senza dimostrazione
p una semplice p
q = p(30, 5 5, 5) = (30, 5 18%),
p

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 con

errore e valori senza incertezza
Questo pu`
o succedere quando un numero non `e dato da una misura
ma deriva magari da una formula

Es. volendo calcolare larea di un triangolo da base e altezza. nella

formula A = b h/2, 2 `e un numero esatto

Una quantit`a pu`

o anche essere considerata in buona approssimazione
esatta quando la sua precisione `e molto maggiore dellaltro operando

Es. utilizzando formule che coinvolgono il valore dellaccelerazione di

gravit`a, possiamo ottenere per questa valori con errori talmente piccoli
da poter essere spesso trascurati

Stefano Brocchi

Teoria degli errori

38 / 107

Operazioni con numeri esatti

Nel caso di somme e sottrazioni, lerrore assoluto resta uguale

Es. (8, 2 0, 5) + 2 = 10, 2 0, 5

Nel caso di moltiplicazioni e divisioni, lerrore relativo resta uguale

Es. (10 10%) 2 = 20 10%

Lerrore assoluto pu`o 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, lerrore dovr`a

essere propagato ad ogni operazione
Lordine di questa propagazione passo per passo corrisponde a quello
delle operazioni
Es. per d = a (b + c) il procedimento corretto per il calcolo
dellerrore sar`a:

(b + c) = b + c (errore assoluto su b + c)
Calcolare (b + c)/(b + c) (errore relativo su b + c)
d = a/a + (b + c)/(b + c) (lerrore 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 minimizzare

il numero di calcoli che da queste ottengono il risultato finale
Se gli errori sono indipendenti tra di loro e casuali (caratteristiche non
sempre facili da verificare), vedremo che lincertezza da considerare
pu`
o 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 casualit`a degli errori),

eseguendo delle somme lerrore si pu`
o stimare come
p
2
x = a + b + c + ... x = (a) + (b)2 + (c)2 + ...

Si ottengono cos` errori sempre minori che con la formula vista

precedentemente
p
(a)2 + (b)2 + (c)2 + ... < a + b + c + ...

Ricordarsi che si assume che le quantit`a a, b, c, ... siano sempre

positive

Stefano Brocchi

Teoria degli errori

42 / 107

Somma in quadratura degli errori

Una regola analoga si pu`

o utilizzare per somme e sottrazioni
p
x = a b c ... x/x = (a/a)2 + (b/b)2 + (c/c)2 + ...

Anche in questo caso, si ottengono cos` errori sempre minori che con
la formula vista precedentemente
p
(a/a)2 + (b/b)2 + (c/c)2 + ... < a/a + b/b + c/c + ...

Stefano Brocchi

Teoria degli errori

43 / 107

Somma in quadratura: esempio

Vediamo un esempio con confronto tra i due metodi sulla somma di

tre 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 ottiene

x = (5 + 2 + 1)kg = 8kg
Con ilsecondo metodo (somma
in quadratura)
si ottiene

x = 52 + 22 + 12 kg = 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 considerare

maggiormente lerrore (o gli errori) maggiori e a trascurare quelli pi`
u
piccoli
Metodologia meno rigida: si calcola un intervallo in cui molto
probabilmente il risultato sar`a contenuto

Con laltra metodologia, assumendo che gli operandi siano contenuti

nei rispettivi intervalli, il risultato sar`a sicuramente contenuto
nellintervallo calcolato

Giustificazione: essendo gli errori indipendenti e casuali, in parte

tenderanno a bilanciarsi a vicenda

In altre parole, i valori reali dagli operandi saranno, con buona

probabilit`a, 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 cui

somma dar`a lerrore totale su ogni misura
Gli errori sistematici sono quelli che si ripetono sistematicamente ad
ogni misura effettuata
Sono solitamente legati a cause di errore intrinseche nel processo di
misurazione

Esempio: consideriamo un metro graduato lungo un 1% pi`

u del
necessario (quindi dove c`e la tacca corrispondente a 1m, in realt`a la
lunghezza sar`a 1, 01m)
Ogni misura fatta con questo metro sar`a 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 non

prevedibile
Ci si aspetta solitamente che con uguale probabilit`a causino
sovrastime 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 numero

sufficiente 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 importante
stimarne la grandezza in modo accurato

Per quanto riguarda i vari strumenti, solitamente una stima degli errori
sistematici 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 pi`

u o meno grandi
Errori sistematici piccoli
Errori
casuali
piccoli

Valore vero

Errori sistematici grandi

Valore vero
misurazione

Errori
casuali
grandi

Stefano Brocchi

Valore vero

Valore vero

Teoria degli errori

49 / 107

Errori casuali e sistematici: esempio

Senza conoscere il valore vero della misura, non possiamo sapere se
ci sono stati errori sistematici, ma a seconda della distribuzione delle
misure ci si pu`
o fare unidea degli errori casuali
Errori sistematici ?

Errori sistematici ?

Errori
casuali
piccoli

Errori
casuali
grandi

Stefano Brocchi

Teoria degli errori

50 / 107

Errori casuali e analisi statistica

Consideriamo quindi di poter effettuare molte misurazioni di una

quantit`a
Vogliamo sfruttare il grande numero di misurazioni per stimare al
meglio il valore vero di tale quantit`a
Desideriamo minimizzare lerrore (casuale), ed avere una
quantificazione accurata dellerrore stesso
Chiameremo le varie misurazioni x1 , x2 , ..., xn

Stefano Brocchi

Teoria degli errori

51 / 107

Media come stima migliore

Come si pu`
o intuire, la stima migliore per la misura `e la media delle
misurazioni
P
x = ( i xi )/n
Un semplice esempio: date le misurazioni 54, 56, 55, 54, 55, 57, 54 la
nostra 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

Pi`
u complessa risulta la stima di quanto valga lerrore casuale
Il principio utilizzato, informalmente, `e il seguente: la misura sar`a
tanto pi`
u precisa, tanto pi`
u le singole misure si avvicinano alla media
Immaginiamo che la media valga 100, e che anche tutte le misure
risultino uguali a 100: siamo pressoche sicuri che questo `e il valore
corretto
Se avessimo invece, con la stessa media, misure molto distanti da
questo valore, dovremo stimare una precisione pi`
u bassa

Stefano Brocchi

Teoria degli errori

53 / 107

Scarto medio

Calcolando la differenza tra una misura e la media si ottiene il

cosidetto scarto
Non si pu`
o utilizzare la somma degli scarti per stimare la distanza
delle misure dalla nostra stima: per definizione di media,
questoperazione restituisce sempre 0

Nellesempio 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 `e

una quantit`a centrata rispetto alle misure

Stefano Brocchi

Teoria degli errori

54 / 107

Deviazione standard

Vengono quindi considerati gli scarti elevati al quadrato

La quantit`a che misura la distanza dei valori xi dalla media si chiama
deviazione standard o x
Perche la deviazione standard sia dello stesso ordine di grandezza
degli scarti, viene estratta la radice dalla somma dei quadrati
pP
(xi x)2 /n
La formula risulta quindi x =

Stefano Brocchi

Teoria degli errori

55 / 107

Deviazione standard

Questa definizione per la deviazione standard, di cui `e stata data solo

una giustificazione informale, conferisce a x propriet`a fondamentali
descritte in seguito
A causa dellelevamento al quadrato degli scarti, grandi distanze dalla
media hanno grande peso nella sommatoria
Senza estrarre la radice quadrata, si otterrebbe unaltra quantit`a
fondamentale della distribuzione detta varianza (x2 )

Stefano Brocchi

Teoria degli errori

56 / 107

Deviazione standard: formula perfezionata

Di fatto, la deviazione standard `e spesso calcolata con una formula
lievemente diversa, che divide gli errori quadratici per n 1 invece
che per n:
pP
(xi x)2 /(n 1)
x =

Non approfondiamo la motivazione esatta

Si pu`
o osservare che per n = 1, si ottiene il rapporto indeterminato
0/0

Risultato coerente con il significato di x : con una sola misura, non si

pu`o determinare uno scarto medio

Per un grande numero di misure, che effettivamente dovrebbero essere

fatte, si ottengono comunque differenze molto piccole tra le formule
Per distinguere i due valori, il primo si chiama deviazione standard
della popolazione, il secondo deviazione standard del campione

Stefano Brocchi

Teoria degli errori

57 / 107

Deviazione standard: esempio

Calcoliamo la deviazione standard relativa allultimo esempio, usando

le due formule:
Riepilogando i dati sono x = 55, x1 , ..., xn = 54, 56, 55, 54, 55, 57, 54
p
(55 55)2 + ...)/7 =
x = ((54 55)2 + (56 55)2 + p
p

(1 + 1 + 0 + 1 + 0 + 4 + 1)/7 = 8/7 1, 14 1, 07
p

Con la seconda formula: x = 8/6 1, 67 1, 29

Stefano Brocchi

Teoria degli errori

58 / 107

Deviazione standard dalla media

Come utilizzare x per stimare un intervallo dove `e contenuta la

misura vera ?
Per questo scopo, si pu`
o usare la deviazione standard dalla media
(SDOM)
Quantit`a rappresentata con il simbolo x definita come

x = x / n
Lintervallo di errore della misura pu`
o essere definito come x x

Secondo il concetto di confidenza descritto in seguito, lintervallo `e

valido con una confidenza del 68%; utilizzando 2x si ottiene una
confidenza del 95%

Stefano Brocchi

Teoria degli errori

59 / 107

Deviazione standard dalla media: propriet`a

La SDOM decresce quindi con il numero di misurazioni

Questo viene fatto in modo da ottenere valori minori per un numero
maggiore di misure, che garantiscono una stima pi`
u precisa
La divisione viene fatta per la radice di n, e questo vuol dire che la
precisione cresce lentamente con il numero di misurazioni

Per dimezzare lerrore, occorre eseguire il quadruplo delle misurazioni

La definizione della SDOM ed il suo utilizzo descritto derivano da
propriet`a matematiche di cui non approfondiremo lanalisi

Stefano Brocchi

Teoria degli errori

60 / 107

Deviazione standard dalla media: esempio

Rivediamo lesempio con dati x = 55,

x1 , ..., xn = 54, 56, 55, 54, 55, 57, 54, x = 1, 29

Calcoliamo la SDOM: x = x / 7 = 1, 29/ 7 = 1, 29/2, 65 0, 5

Grazie alle propriet`a 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 resti

uguale, quante ne dovremmo prendere per avere x 0, 1 ?

Imponiamo x = x / 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 pi`
u 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 possono
essere utilizzate per ridurre gli errori sistematici
Lerrore finale su una quantit`a sar`a quindi rappresentato dalla somma
dellerrore casuale e di quello sistematico
Detti xc e xs , lintervallo di errore sar`a x (xc + xs )

Stefano Brocchi

Teoria degli errori

63 / 107

Gestione errori sistematici

Dal momento che gli errori sistematici non possono essere ridotti
tramite metodi statistici, `e necessario predisporre gli strumenti in
modo che questi siano ridotti al minimo

Usare strumenti ad alta precisione ed assicurarsi che siano calibrati e

tarati attentamente

Effettuando un numero molto grande di misurazioni, si pu`

o far
tendere a zero lerrore casuale, ma questo risulterebbe inutile se
lerrore sistematico fosse grande

Stefano Brocchi

Teoria degli errori

64 / 107

Riepilogo: media, deviazione standard, SDOM

Riepilogando le principali formule viste:

P
x=
xi /n `e la media, il valore centrale rispetto alle misure

La nostra stima della misura sar`a x x per un certo x

pP
(xi x)2 /(n 1) `e la deviazione standard, una
x =
quantificazione di quanto le misure si discostano dalla media

x2 `e detta varianza

Pu`
o essere utilizzata come stima di x per gli errori casuali

x = x / n `e la deviazione standard dalla media (SDOM)

Lerrore totale si calcola sommando errore casuale e sistematico:
x = xc + xs

Stefano Brocchi

Teoria degli errori

65 / 107

Analisi degli errori, sperimentazioni e statistica

Vedremo adesso dei richiami di alcune propriet`a studiate in statistica

Astraiamo momentaneamente dal concetto di misura e di errore sulla
misura; trattiamo invece lo studi di processi casuali generici
Di fatto, un errore casuale di misurazione `e esattamente un processo
casuale

Stefano Brocchi

Teoria degli errori

66 / 107

Conteggio per frequenze

Una distribuzione di numeri pu`

o essere rappresentata con un
istogramma (diagramma a barre)
Per ogni valore nella distribuzione, laltezza della barra rappresenta la
frequenza delle sue occorrenze
Chiamiamo ni il numero delle occorrenze del valore xi , ed N il numero
totale di occorrenze per ogni valore

Notazione diversa da quella vista precedentemente: non ammettiamo

ripetizioni fra gli xi , ma in compenso ne contiamo le occorrenze in ni
Per i valori 54, 56, 55, 54, 55, 57, 54, si ottiene
x1 = 54, n1 = 3, x2 = 55, n2 = 2, x3 = 56, n3 = 1, x4 = 57, n4 = 1

Stefano Brocchi

Teoria degli errori

67 / 107

Istogrammi

Nellistogramma, rappresentiamo nelle ascisse gli xi e nelle ordinate

ni /N

3/7
2/7
1/7
54 55 56

Stefano Brocchi

Teoria degli errori

57

68 / 107

Media come somma pesata

Chiaramente vale

ni /N = 1

Scegliendo a caso un valore xi da quelli iniziali, xi /ni rappresenta la

probabilit`a che sia selezionato xi
Partendo da questi xi ed ni , si pu`
o ottenere la media effettuando una
somma pesata:
P
x = ( (xi ni /N))

Stefano Brocchi

Teoria degli errori

69 / 107

Distribuzione di Gauss

Per lo studio delle propriet`a dei valori studiati, `e importante capire

come generalmente dobbiamo aspettarci che questi siano distribuiti
La distribuzione che descrive la quasi totalit`a dei fenomeni casuali che
ci capita di affrontare `e la distribuzione detta Gaussiana o normale
Vediamo innanzitutto perche questa distribuzione descrive eventi
generati da una combinazione di processi casuali; daremo poi una
giustificazione del perche possa essere utilizzata in ambiti che possono
apparire diversi

Stefano Brocchi

Teoria degli errori

70 / 107

Esempio: lancio di un dado

Consideriamo un semplice esempio di processo casuale: il lancio di un

dado
La probabilit`a dei valori da 1 a 6 sar`a equamente distribuita tra i
possibili valori
Il risultato medio (anche detto atteso) `e di 3, 5, media dei sei possibili
valori
Di tutte le distribuzioni dove valori vicini alla media debbano essere
non meno probabili di quelli pi`
u distanti, la varianza (e quindi la
deviazione standard) `e massima

Stefano Brocchi

Teoria degli errori

71 / 107

Esempio: lancio di un dado

Vediamo listogramma per le probabilit`a del lancio di un dado:

1/6
1

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 probabilit`a non `e pi`

u uniformemente distribuita: abbiamo
probabilit`a 1/6 di ottenere il valore medio 7 e solo 1/36 di ottenere
uno dei valori agli estremi (2 o 12)

Stefano Brocchi

Teoria degli errori

73 / 107

Esempio: lancio di due dadi

Vediamo listogramma per le probabilit`a del lancio di due dadi:
1/6
5/36
4/36
3/36
2/36
1/36
2

Stefano Brocchi

Teoria degli errori

10

11

12

74 / 107

Lancio di due dadi: osservazioni

6 combinazioni di lanci ci danno un totale di 7 (1 e 6, 2 e 5, ...), ma

solo una ci restituisce il valore 2 (1 e 1)
Essendo ogni combinazione equiprobabile, la probabilit`a di ottenere 7
`e 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 il

lancio di 4 dadi
In questo caso, le probabilit`a tendono ad accumularsi vicino al valore
medio (14), ed i valori agli estremi diventano sempre meno probabili

Stefano Brocchi

Teoria degli errori

76 / 107

Esempio: lancio di due dadi

Vediamo listogramma per le probabilit`a del lancio di 4 dadi:
11,3%

8,0%

4,3%

0,8%
4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Stefano Brocchi

Teoria degli errori

77 / 107

Lancio di molti dadi: propriet`a

La probabilit`a di ottenere esattamente il valore medio `e minore di

quella con due dadi (11, 3% contro 16, 7%)

Essendo possibili molti pi`

u valori, anche la probabilit`a di ottenere il
risultato pi`
u probabile scende

Calcoliamo tuttavia quanto `e la probabilit`a che il valore ottenuto v da

un lancio rientri nellintervallo 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: propriet`a

La probabilit`a di rientrare in un intervallo di grandezza proporzionale

al valore medio cresce con il numero di variabili casuali (in questo
esempio, di dadi)
Propriet`a 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 medio

del tiro di un dado, e lo vogliamo individuare tramite sperimentazione

Lanciamo n dadi ed otteniamo una stima del valor medio dividendo il

totale per n

Immaginiamo che ci accontentiamo di un errore relativo di 1/7

Lanciando un dado, abbiamo il 33% di probabilit`a che la nostra stima
sia soddisfacente. Con 2 dadi, saliamo al 44% e con 4 si arriva al 52%
Lanciando un numero sufficientemente grande, possiamo essere
pressoche sicuri di ottenere una stima accurata

Stefano Brocchi

Teoria degli errori

80 / 107

Legge dei grandi numeri

Questa propriet`a `e descritta dalla legge dei grandi numeri

Questa ci dice che la media di un numero sufficientemente grande di
campioni di un processo casuale tende al valore atteso

Nel nostro esempio, un campione corrisponde al lancio di un dado

Ipotesi fondamentale `e lindipendenza dei vari campioni: un risultato

non deve influenzare gli altri

Stefano Brocchi

Teoria degli errori

81 / 107

Legge dei grandi numeri: esempio

Consideriamo un esempio pratico di applicazione della legge dei

grandi numeri: gli exit poll per la stima dei risultati delle votazioni
Consideriamo n persone che contribuiranno con c1 voti per un
candidato e c2 per un altro
Vogliamo stimare la probabilit`a definita come c1 /n che una persona
voti 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 alcuna

garanzia che i loro voti rispecchino quelli dellintera popolazione
Se si possono consultare invece molte persone scelte a caso, grazie
alla legge dei grandi numeri siamo pressoche sicuri che i loro voti
rispecchino quelli dellintero paese
Grazie a delle propriet`a descritte di seguito, si pu`
o stimare la
precisione del risultato ottenuto
Lipotesi spesso difficile da soddisfare `e quella della completa casualit`a
delle persone interrogate

Ipotesi non soddisfatta se per esempio vengono interrogate persone

solo in una determinata zona

Stefano Brocchi

Teoria degli errori

83 / 107

Distribuzione Gaussiana
Le distribuzioni di probabilit`a che rispecchiano le ipotesi descritte
vengono rappresentate tramite una distribuzione detta Gaussiana o
normale

Informalmente, la distribuzione `e anche chiamata campana di Gauss

per la sua forma

E una distribuzione limite di quelle viste nellesempio del lancio di

dadi

Con tanti processi casuali coinvolti nel processo si ottiene una

distribuzione discreta molto simile ad una Gaussiana

E a valori continui: non c`e un numero finito di valori possibili, e

qualunque numero reale (eventualmente in un intervallo) `e
considerato

Stefano Brocchi

Teoria degli errori

84 / 107

Distribuzione Gaussiana
Vediamo come una curva gaussiana possa essere una buona
approssimazione continua delle probabilit`a sul lancio di 4 dadi
11,3%

8,0%

4,3%

0,8%
4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Stefano Brocchi

Teoria degli errori

85 / 107

Probabilit`a su distribuzioni continue

La probabilit`a in questa curva va calcolata su di un determinato

intervallo
Questa sar`a rappresentata dallarea della curva compresa fra le due
rette che delimitano lintervallo

Estensione del caso discreto, dove la probabilit`a era data dalla somma
di varie barre adiacenti rappresentanti i singoli valori

Essendo una distribuzione di probabilit`a, larea totale deve essere

uguale ad 1

Stefano Brocchi

Teoria degli errori

86 / 107

Probabilit`a su distribuzioni continue

Nellesempio, una distribuzione normale con valor medio 1, con
evidenziata larea corrispondente alla probabilit`a su un intervallo

1
Stefano Brocchi

1,1

Teoria degli errori

1,3
87 / 107

Valor medio e deviazione standard in gaussiane

La distribuzione normale sar`a caratterizzata da due valori:

Il valor medio x, che rappresenta il valore pi`
u probabile sul quale `e
centrata la curva
La deviazione standard x , che definisce la forma della curva

x elevato rappresenta curve con un picco pi`

u basso ed estremit`a pi`
u
alte (pensare al valore totale del lancio su 1 o 2 dadi)
x basso rappresenta curve con un picco pi`
u alto ed estremit`a pi`
u
basse (pensare al valore totale del lancio su 4 o pi`
u dadi)

Stefano Brocchi

Teoria degli errori

88 / 107

Gaussiane: esempio
Vediamo varie curve gaussiane con uguale valor medio ma diversa
deviazione standard:
Gaussiane con
devianzione standard
piu alta, bassa
o intermedia

Stefano Brocchi

Teoria degli errori

89 / 107

Gaussiana: espressione analitica

Lequazione analitica di una gaussiana `e

Gx, (x) =

/2
e (xx)

Compaiono le due costanti irrazionali pigreco ( = 3, 14...) ed il

numero di Eulero (e = 2, 71...)
Lequazione ci dice che la funzione ha valore massimo in x
Lontano da questo valore, la funzione non assume mai il valore 0, ma
ci si avvicina in modo esponenziale

Per valori lontani da x, i valori della funzione saranno numeri molto

piccoli

Stefano Brocchi

Teoria degli errori

90 / 107

Distribuzione Gaussiana: propriet`a ed utilizzo

Una grande parte dei fenomeni complessi deriva da una combinazione
di molti fattori casuali, e quindi pu`
o essere descritto accuratamente
con una gaussiana
Spesso anche se i fattori non sono del tutto indipendenti, in buona
approssimazione la distribuzione resta quella normale
Alcuni esempi di distribuzioni in buona approssimazione normali sono
altezza e peso di una persona adulta

Esempio: laltezza della popolazione americana (maschi adulti) ha

media 176cm e deviazione standard di circa 8cm

Tutte queste distribuzioni possono essere completamente descritte da

media e deviazione standard

Da questi due soli valori si pu`o calcolare la probabilit`a di un evento in

un qualsiasi intervallo

Stefano Brocchi

Teoria degli errori

91 / 107

Distribuzione Gaussiana: esempio

La distribuzione normale `e definita su qualsiasi valore, mentre spesso
la nostra distribuzione ha delle limitazioni

Esempio con le altezze: non possono esistere altezze negative

Essendo i valori lontani dalla media per`

o estremamente piccoli,
lapprossimazione resta molto buona

Non imporre dei limiti rigidi pu`o essere vantaggioso quando

effettivamente non sappiamo quanto un valore si possa discostare dalla
media

Uno dei casi in cui la distribuzione Gaussiana non `e un buon modello

`e 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: propriet`a ed utilizzo

La distribuzione di Gauss `e solitamente un buon modello per lerrore

casuale su una misurazione
Il valore medio della distribuzione rappresenter`a il valore vero della
misura

Questo giustifica la scelta della media delle misurazioni come migliore

stima della misura stessa
Per ora stiamo assumendo di non avere errori sistematici

La deviazione standard ci rappresenter`a la precisione con cui

eseguiamo la misurazione

Valori alti indicano che verosimilmente otterremo errori grandi

Stefano Brocchi

Teoria degli errori

93 / 107

Adozione della distribuzione normale

Alcune giustificazioni per luso di questa distribuzione:

Lerrore casuale dipende da molti fattori imprevedibili indipendenti tra
loro

Errori di lettura dello sperimentatore, piccole vibrazioni, rumore di

fondo...

Difficile stabilire un limite massimo allerrore, ma errori molto

grossolani sono di fatto molto improbabili

Queste caratteristiche rispecchiano quelle della distribuzione normale

Infine, un grande numero di esperimenti scientifici confermano che

questa distribuzione `e molto verosimile per quanto riguarda
misurazioni ed errori

Stefano Brocchi

Teoria degli errori

94 / 107

Confidenza

In una deviazione gaussiana, la deviazione standard pu`

o essere
utilizzata per definire un intervallo nel quale la misura esatta sar`a
presente con una certa probabilit`a
Tale probabilit`a `e detta confidenza, e verr`a scelta dallo sperimentatore
in base a quello che ritiene ragionevolmente improbabile
Tramite la deviazione standard ed il concetto di confidenza, si
potranno trarre conclusioni del tipo la misura esatta `e compresa al
95% di certezza in questo determinato intervallo

Esempio numerico: la misura cade nellintervallo definito da 87 2kg

con 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 un

numero finito di campioni sono mezzi per trovare delle stime di questi
valori per la distribuzione normale
La stima sar`a tanto pi`
u accurata tante pi`
u misure verranno utilizzate

Stefano Brocchi

Teoria degli errori

96 / 107

Confidenza e suo uso

Vediamo alcuni intervalli in funzione di x e x e le relative confidenze:

x
x
x
x

x ha confidenza pari al 68%

2x ha confidenza pari al 95, 4%
3x ha confidenza pari al 99, 7%
4x ha confidenza maggiore del 99, 99%

Esistono strumenti e tabelle per calcolare la confidenza di un qualsiasi

intervallo in funzione di x

Stefano Brocchi

Teoria degli errori

97 / 107

Confidenza e suo uso

Vediamo graficamente questi intervalli e le relative aree nella curva di
Gauss:

Area = 68%

xStefano Brocchi

x
Teoria degli errori

x+
98 / 107

Confidenza: esempio

Utilizziamo questi intervalli per fare delle osservazioni sullaltezza di

una popolazione
Consideriamo una media di 176cm ed una deviazione standard di
8cm, assumendo che la distribuzione sia normale
Il 68% della popolazione (circa 2/3) ha altezza compresa tra 168cm e
184cm
Il 95, 4% della popolazione (circa 19/20) ha altezza compresa tra
160cm e 192cm
Il restante 4, 6% della popolazione (circa 1/20) ha altezza minore di
160cm o maggiore di 192cm

Stefano Brocchi

Teoria degli errori

99 / 107

Confidenza come indice di credibilit`a

La confidenza `e una quantit`a scelta dallo sperimentatore e definisce in

un certo senso la credibilit`a dei risultati
Deve essere selezionata in funzione dellimportanza e della criticit`a dei
risultati forniti
Chiaramente, prendendo intervalli pi`
u grandi le misure sono meno
precise 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 deviazione

standard dalla media definiscono la gaussiana che specifica le
probabilit`a di distribuzione della misura vera
Poter affermare che la misura vera `e nellintervallo x x con
confidenza del 68% (o nellintervallo x 2x con confidenza del
95, 4%) deriva proprio dalle propriet`a della distribuzione normale

Stefano Brocchi

Teoria degli errori

101 / 107

Esperimenti di conteggio

Altre propriet`a delle distribuzioni di probabilit`a ci consentono di

effettuare una stima della varianza per esperimenti di conteggio
Supponiamo di voler stimare la probabilit`a di un evento contando
quante volte questo avviene in un periodo di tempo
Lavvenire dei vari eventi deve essere indipendente
Esempio: contiamo il numero di nascite di una citt`a per stimare il
tasso di nascita nella nazione

Presupponiamo che le nascite in questa citt`a rispecchino

ragionevolmente quelle dellintero 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 per
ogni 100 abitanti (10/1000 = 1/100)

Pi`
u difficile capire lincertezza su questa quantit`a

x si pu`
o calcolare tramite la regola x = n, dove n `e il numero
conteggiato

n ha il ruolo di x , e
definisce una confidenza del 68% (2 n ha
confidenza del
95%,
3 n ha confidenza del 99, 7%...)
Nellesempio: n = 10 3, 2
Precisione bassa: con confidenza del 95% possiamo affermare che il
numero di nascite medio su 1000 persone vada da 10 6, 4 = 3, 6 a
10 + 6, 4 = 16, 4

Stefano Brocchi

Teoria degli errori

103 / 107

Esperimenti di conteggio: affinamento

Come al solito, aumentando il numero di misurazioni lincertezza

relativa n/n tende a 0

Nellesempio, immaginiamo di continuare a contare le nascite per
12 30 giorni, ottenendo 120 nascite

Per semplicit`a, in questo esempio fortuitamente il conteggio medio di

nascite coincide nei due casi. Spesso questo non avviene, ed il
conteggio sul periodo pi`
u lungo risulta quello pi`
u credibile

Otteniamo n = 120 11

Con confidenza del 95% in 360 giorni abbiamo 120 22 (22 = 2 n

corrispondente a 2x ) nascite per 1000 persone; riportandoci ai 30
giorni, otteniamo un intervallo di (120 22)/12 10 1, 8

Con questa confidenza, ci aspettiamo che il numero di nascite medio su

1000 persone vada da 10 1, 8 = 8, 2 a 10 + 1, 8 = 11, 8: la nostra
precisione `e notevolmente migliorata

Stefano Brocchi

Teoria degli errori

104 / 107

Conteggio ed errori sistematici

Come al solito se abbiamo errori sistematici non li possiamo
rimuovere aumentando il tempo di conteggio.
Un esempio di errore sistematico nellesempio: la citt`a su cui stiamo
facendo il conteggio potrebbe avere una natalit`a media diversa da
quella della nazione
Se possiamo stimare lerrore, questo va sommato allerrore casuale

Per qualche motivo, stimiamo che la differenza di natalit`a tra la citt`a

ed il nostro campione non superi una nascita su 1000 abitanti ogni 30
giorni. Otteniamo un intervallo di 10 (1 + 1, 8)

Per cercare di rimuovere questo errore sistematico, si potrebbe

contare le nascite invece che nelle 1000 persone di un certo paese in
1000 persone scelte a caso nella nazione

Perche assumiamo sia improbabile che questo campione scelto a caso

non sia pi`
u o meno prolifico della media ?
Con un numero grande, facciamo affidamento sulla legge dei grandi
numeri

Stefano Brocchi

Teoria degli errori

105 / 107

Domande di riepilogo

Come si possono rappresentare gli errori con la notazione a cifre

significative ? Come si traduce questa notazione in un intervallo di
errore ?
Cosa si intende per discrepanza tra due misure e compatibilit`a ?
Come si pu`
o verificare la consistenza di una serie di misure con una
regola di proporzionalit`a ?
Quali sono le regole per la propagazione dellerrore ? Sotto che
ipotesi si pu`
o utilizzare la formula con quadratura ?
Come si distinguono errori casuali e sistematici ? Come si possono
gestire 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, deviazione

standard e deviazione standard dalla media ? Come possono essere
utilizzate queste quantit`a ?
Che caratteristiche ha la distribuzione Gaussiana, e perche viene
frequentemente utilizzata ?
Perche la legge dei grandi numeri `e utile per lindividuazione degli
errori casuali ?
Cosa `e un intervallo di confidenza, e quali sono le sue propriet`a ?

Stefano Brocchi

Teoria degli errori

107 / 107