Efisio Antonio Coppola

Slides:



Advertisements
Presentazioni simili
Misure ed Errori Prof Valerio CURCIO.
Advertisements

INTEGRAZIONE NUMERICA
Le distribuzioni di probabilità continue
Come possono essere classificati?
variabili aleatorie discrete e continue
Distribuzione Normale o Curva di Gauss
LA DISTRIBUZIONE NORMALE
Inferenza Statistica Le componenti teoriche dell’Inferenza Statistica sono: la teoria dei campioni la teoria della probabilità la teoria della stima dei.
Lez. 3 - Gli Indici di VARIABILITA’
Analisi preliminari dei dati
ERRORI L'errore è presente in ogni metodo analitico e può essere dovuto a cause diverse. L’errore può essere definito come la differenza tra il valore.
Progetto Pilota 2 Lettura e interpretazione dei risultati
Gli Integrali.
Metodi Quantitativi per Economia, Finanza e Management Lezione n°5
Misura Misura diretta Confronto diretto con l’unita’ di misura e/o multipli e sottomultipli Misura indiretta La grandezza da misurare e’ legata da una.
Esperienza di laboratorio sull’elasticità
Introduzione alla fisica
Corso di biomatematica lezione 4: La funzione di Gauss
Cenni di teoria degli errori
Misurazione Le osservazioni si esprimono in forma di misurazioni
Parte I (introduzione) Taratura degli strumenti (cfr: UNI 4546) Si parla di taratura in regime statico se lo strumento verrà utilizzato soltanto per misurare.
METODI E CONTROLLI STATISTICI DI PROCESSO
Quale valore dobbiamo assumere come misura di una grandezza?
27 febbraio 2007 MISURE ED ERRORI
Misurare una grandezza fisica
Appunti del Corso di fisica per istituti professionali
Grandezze e Misure.
Metodi Quantitativi per Economia, Finanza e Management Lezione n°3 Le distribuzioni di frequenza e le misure di sintesi univariate.
27 febbraio 2007 MISURE ED ERRORI
Le distribuzioni campionarie
Unità 6 Test parametrici e non parametrici Test per la verifica della normalità Funzione di ripartizione.
Tutte le grandezze fisiche si dividono in
TRATTAMENTO DEI DATI ANALITICI
PON Laboratorio Scientifico ITS «M. Buonarroti» Caserta
Unità 2 Distribuzioni di probabilità Misure di localizzazione Misure di variabilità Asimmetria e curtosi.
Errori casuali Si dicono casuali tutti quegli errori che possono avvenire, con la stessa probabilità, sia in difetto che in eccesso. Data questa caratteristica,
Errori casuali Si dicono casuali tutti quegli errori che possono avvenire, con la stessa probabilità, sia in difetto che in eccesso. Data questa caratteristica,
Introduzione alla fisica
La teoria dei campioni può essere usata per ottenere informazioni riguardanti campioni estratti casualmente da una popolazione. Da un punto di vista applicativo.
Le misure sono osservazioni quantitative
Grandezze e Misure
COSA VUOL DIRE FARE STATISTICA
Intervalli di Confidenza Corso di Teoria dell’Inferenza Statistica 2 a.a. 2003/2004 Quarto Periodo Prof. Filippo DOMMA Corso di Laurea in Statistica –
Misure ed Errori.
Misura di una quantità fisica
Intervallo di Confidenza Prof. Ing. Carla Raffaelli A.A:
Intervalli di confidenza
Elementi di statistica La stima del valore vero
Elaborazione statistica di dati
6. LIMITI Definizione - Funzioni continue - Calcolo dei limiti
TRATTAMENTO STATISTICO DEI DATI ANALITICI
Strumenti di misura e teoria degli errori
Problemi analitici quantitativi I metodi chimico-analitici strumentali hanno lo scopo di quantificare o di determinare proprietà chimico-fisiche di uno.
Operazioni di campionamento CAMPIONAMENTO Tutte le operazioni effettuate per ottenere informazioni sul sito /area da monitorare (a parte quelle di analisi)
DEFINIZIONE. La potenza di un numero è il prodotto di tanti fattori uguali a quel numero detto base, quanti ne indica l’esponente. La potenza di un numero.
Corso di Fisica per Studenti della Facoltà di Farmacia Corso di Fisica per Studenti della Facoltà di Farmacia Università degli Studi di Napoli FEDERICO.
In alcuni casi gli esiti di un esperimento possono essere considerati numeri naturali in modo naturale. Esempio: lancio di un dado In atri casi si definisce.
Gli strumenti di misura
I LIMITI.
1 Statistica descrittiva 2. Sintetizzare i dati con degli indici Come descrivere una variabile in un insieme di osservazioni 1. Utilizzare rappresentazioni.
1 DISTRIBUZIONI DI PROBABILITÁ. 2 distribu- zione che permette di calcolare le probabilità degli eventi possibili A tutte le variabili casuali, discrete.
La distribuzione normale. Oltre le distribuzioni di frequenza relative a un numero finito di casi si possono utilizzare distribuzioni con un numero di.
Statistica con Excel Corso di Fisica ed Elementi di Laboratorio ed Informatica CdL Scienze Biologiche AA 2015/2016.
Introduzione alle distribuzioni di probabilità di Gauss o normale di Bernoulli o binomiale di Poisson o dei casi rari.
Cosa è la FISICA Esperienza trenino: Misurare una lunghezza
Trattamento dei dati sperimentali
Gli Indici di VARIABILITA’
Transcript della presentazione:

Efisio Antonio Coppola L’errore statistico Efisio Antonio Coppola e Maria Vittoria Cenzato Liceo Scientifico G. Mercalli

Quando si effettua una misura si utilizzano dispositivi opportuni in modo da raffinare e rendere più obbiettive le nostre sensazioni individuali. Tuttavia le operazioni di misura se eseguite con le tecniche più accurate e con gli accorgimenti più appropriati, non ci permettono mai di conoscere il valore esatto della grandezza misurata, ma solo di individuarlo con una certa approssimazione.

ERRORE DI SENSIBILITA’ Il primo errore che si compie è quello relativo alla scelta dello strumento adoperato in quanto dipende dalla sua sensibilità. In questo caso si parla di: ERRORE DI SENSIBILITA’ Talvolta se la suddivisione della scala dello strumento è molto fitta si può anche assumere, come errore di sensibilità, l’intera ampiezza di un intervallo. Allo stesso tempo però non si può pensare di poter ridurre l’errore aumentando illimitatamente la sensibilità dello strumento, in quanto la più piccola quantità misurabile non può essere minore di un certo limite tecnico.

Se la sensibilità dello strumento è sufficientemente elevata, ripetendo più volte nelle stesse condizioni la stessa misura si trovano differenti valori. Diciamo che in questo caso, il risultato della misura è soggetto a errori casuali. In generale definiamo errore casuale, o accidentale, quell’ errore prodotto da una molteplicità di cause non bene individuabili che possono agire sia per difetto sia per eccesso.

Se, per esempio, vogliamo misurare con un cronometro il tempo che un corpo impiega a cadere da una certa altezza, è praticamente impossibile far coincidere l’istante in cui il corpo è lasciato libero di cadere con l’istante in cui si fa partire il cronometro. Analoga incertezza c’è nel determinare l’istante in cui il corpo tocca terra. Queste incertezze possono influire sul risultato delle misura per eccesso o per difetto, senza alcuna regola fissa, e fanno si che, ripetendo l’operazione di misura, si trovi ogni volta un valore diverso.

Bisogna anche considerare degli errori derivanti da difetti strumentali, o anche da metodi errati di misura, detti errori sistematici. Essi avvengono sempre nello stesso senso cioè o sempre per eccesso o sempre per difetto. Oltre che dal cattivo funzionamento o dalle errate condizioni di impiego dello strumento utilizzato, un errore sistematico può anche essere causato da una interpretazione non corretta dei risultati della misura.

Un altro esempio di errore sistematico, sempre per difetto, è quello commesso nella lettura della velocità di un automobile sul tachimetro da una persona seduta a destra dell’autista. Questo errore di lettura, detto errore di parallasse, si presenta per tutti gli strumenti dotati di un indice mobile. Poiché l’indice non giace sullo stesso piano della scala graduata, esso è proiettato su punti diversi della scala a seconda della direzione di osservazione.

Nel caso in cui uno strumento di misura ha scarsa sensibilità può accadere che si trovi sempre lo stesso valore; in questo caso l’errore di sensibilità assume il significato di errore massimo.

Ammesso di aver eliminato gli errori sistematici, supponiamo che in una serie di n misure, effettuate con lo stesso strumento e con lo stesso metodo, si siano trovati n valori x1, x2 …xn , di una certa grandezza fisica, in generale diversi tra loro. Poiché è ragionevole aspettarci che gli errori casuali avvengano con uguale probabilità per eccesso e per difetto, si può dimostrare che la sua misura più attendibile della grandezza è la media dei valori trovati.

M= ∑ xi n d = ½ (xmax- xmin) In una serie n di misure ripetute, il valore più probabile della grandezza è la media aritmetica dei valori misurati. M= ∑ xi n Assunto come valore della grandezza la media dei valori trovati in una serie di n misure ripetute, rimane il problema di calcolare l’errore di misura. In una serie di misure si assume come errore massimo sul valore della grandezza la semidispersione: d = ½ (xmax- xmin) definita come la semidifferenza tra il valore massimo e il valore minimo ottenuti.

Se indichiamo con x il valore della grandezza, ottenuto da una serie di misure di M e la semidispersione d, possiamo scrivere: x = M ± d Per una serie numerosa di misure ripetute possiamo anche dare una valutazione statistica dell’errore, più appropriata di quella espressa dalla semidispersione.

ERRORE STATISTICO σ= ∑(xi – M)2 √ n-1 In una serie di n misure ripetute che forniscano i valori x1, x2 …xn con media M, si definisce scarto quadratico medio o deviazione standard la seguente espressione: σ= ∑(xi – M)2 √ n-1 Lo scarto quadratico medio assume il significato di ERRORE STATISTICO

Volendo approfondire introdurremo la distribuzione di GAUSS utilizzando una serie di 20 misure dell’intervallo di tempo T impiegato da un corpo a scendere lungo un piano inclinato, a partire sempre dalla stessa altezza. Le misure, effettuate con un dispositivo che permette di apprezzare un centesimo di secondo, sono comprese tra un valore minimo di 1,65s e un valore massimo di 2,35s.

La tabella riassume i valori ottenuti: 1.88 1.96 2.06 2.05 2.00 2.07 2.35 1.65 1.86 2.20 1.90 2.01 2.03 2.09 1.79 1.99 2.16 Per analizzare questi dati, suddividiamo l’insieme dei valori ottenuti in un certo numero di intervalli di uguale ampiezza e osserviamo come i valori si distribuiscono tra i diversi intervalli.

Scegliamo di dividere i valori delle misure in 7 intervalli, la cui ampiezza A = (2.35-1.65)s/ 7 = 0.10s T(s) n 1.70 1   1.80 1.90 4 2.00 6 2.10 5 2.20 2 2.30 Questa tabella esprime il valore centrale dell’intervallo e il numero di misure appartenenti a quell’intervallo.

Otteniamo così un’interessante rappresentazione grafica della distribuzione delle misure tra i vari intervalli, detti istogramma. Possiamo osservare che le misure si addensano intorno al valore medio di 2,00s e che l’istogramma, anche se non perfettamente simmetrico, assume una forma a campana.

Se avessimo a disposizione un numero maggiore di misure, potremmo ridurre sempre di più la base dei rettangoli; il profilo dell’istogramma tenderebbe in tal modo ad assumere l’aspetto di una curva continua. È dimostrato che tutte le distribuzioni sperimentali, del tipo del nostro istogramma tendono ad assumere la forma nota come curva normale o curva di Gauss.

f(y) Dalla forma della curva simmetrica e a campana si deducono le seguenti proprietà: la media M coincide con il massimo della curva, cioè con il valore misurato con maggior frequenza; i valori delle misure sono distribuiti simmetricamente rispetto alla media; i valori delle misure sono tanto più frequenti quanto più sono vicini alla media.

y= a·e (x-M)2 2σ2 In cui e rappresenta il numero di Nepero; a è la costante che rappresenta l’ordinata del massimo; σ rappresenta la distanza da M delle ascisse dai punti di flesso.