Sei sulla pagina 1di 14

Appunti dalle lezioni di DMMIA

3 ERRORI DI MISURA

INTRODUZIONE
Quando si esegue più volte la misura di una grandezza fisica, nelle stesse
condizioni sperimentali, si possono trovare valori che differiscono l’uno
dall’altro.
Ciò è dovuto alle circostanze che una misura è sempre affetta da errori, che
come vedremo più avanti, possono essere divisi in errori sistematici ed errori
accidentali.
Si definisce l’errore assoluto denotato con E:

E = xm - xr dove xm è il valore misurato, ed xr il valore vero.

Ancora si definisce l’errore relativo denotato con e:

e = E / xr

Ad xr si da il significato di valore ritenuto vero.

Gli errori di misura si classificano in:

o ERRORI SISTEMATICI
o ERRORI ACCIDENTALI

ERRORI SISTEMATICI
Non vengono influenzati, e pertanto non possono essere eliminati dalla
ripetizione dell’operazione di misurazione.
Possono essere eliminati, o almeno ridotti variando:

o Metodi di misura
o Strumenti
o Operatori addetti al processo di misura

Si distinguono i seguenti errori sistematici:


 errori sullo zero;
 errori sulla caratteristica;
 errori di disturbo;
 errori dovuti alle grandezze di influenza.

32
Appunti dalle lezioni di DMMIA

ERRORI SULLO ZERO – L’organo indicatore della misura non ritorna dopo la
lettura sulla medesima posizione di riposo (zero indicato). La lettura è
essenzialmente la differenze di un valore con un altro assunto come riferimento
zero, e fra una lettura ed un’altra possono commettersi appunto errori sullo
zero.

ERRORI SULLA CARATTERISTICA – Sono dovuti alla deviazione tra


caratteristica reale e nominale dello strumento di misura, vengono evidenziati
da una verifica sulla taratura.

ERRORI DI DISTURBO – Possono essere dovuti alla alterazione del valore


misurato per effetto dello strumento e di disturbi sullo stesso, ad esempio
perché stiamo eseguendo la misura in particolari condizioni ambientali.
Sarebbe bene che ogni misura fosse effettuata nelle condizioni ambientali
standard, con temperatura di 20°C e umidità relativa del 50%.

ERRORI DOVUTI ALLE GRANDEZZE DI INFLUENZA – Non bisogna mai


dimenticare di valutare bene la schematizzazione del processo di misura, e
prevedere, così da tenerne conto, l’influenza di altre grandezze fisiche che
potrebbero alterare quella di interesse ai fini della misura oggetto della prova.

ERRORI ACCIDENTALI
Questa categoria di errori intervengono in maniera non prevedibile a causa
delle seguenti problematiche accidentali:

o Irregolarità casuali del procedimento di misura e dello stesso strumento.


o Instabilità delle condizioni ambientali (non standard)
o Imperfezioni dell’operatore umano

Possono essere sia di segno positivo (incrementano il valore assunto come


reale), che di segno negativo (si sottraggono al valore reale della misura).
L’intervento di tutti gli effetti sia positivi che negativi, determina una
distribuzione gaussiana (variabile aleatoria normale) intorno al valore medio
dopo un numero sufficientemente alto di ripetizioni della misura.
Considerando una elevata ripetizione di una misura su di uno stesso campione,
è possibile stimare tramite metodi statistici la distribuzione gaussiana e quindi
determinare il valore più probabile.

Si distinguono i seguenti errori accidentali:

33
Appunti dalle lezioni di DMMIA

 errori di lettura
 errori di mobilità
 errori di inversione o di isteresi.

ERRORI DI LETTURA In caso di strumenti analogici a lettura con indice e


quadrante si hanno i seguenti errori:
- errori di risoluzione
- errori di parallasse
- errori di interpolazione
- errori dovuti al rumore di fondo
In caso di strumenti a lettura digitale, quindi con display, si presenta invece
l’errore sull’ultima cifra del display, la cifra indicata e funzione di come viene
effettuato dallo strumento il troncamento del valore numerico che rappresenta la
grandezza misurata.
ERRORI DI MOBILITA’ Sono causati dalla inerzia dello strumento che non
riesce a reagire istantaneamente o non riesce a reagire affatto a piccole
variazioni della grandezza.
ERRORI DI INVERSIONE O DI ISTERESI Sono dovuti a differenti giochi ed a
differente risposta degli strumenti, particolarmente delle parti meccaniche, a
misure effettuate in salita od in discesa.

Per ridurre l’incidenza degli errori accidentali in un procedimento di misura, è


possibile ripetere un gran numero di volte una misura e riportare i risultati
ottenuti in forma grafica costruendo un istogramma.

x
Risultati di un procedimento di misura ordinati in forma di istogramma

34
Appunti dalle lezioni di DMMIA

Si divide l’intervallo in cui x assume valori in tanti intervalli Δx tutti uguali fra
loro, riportandoli in forma di diagramma a rettangoli aventi per base proprio Δx
e per altezza l’altezza yi definita come:

Ni 1
yi 
N x
Ni è il numero di volte in cui x assume valori che cadono proprio nell’intervallo i-
esimo e N il numero di volte che viene eseguita la misura, se è sufficientemente
grande, cioè se la misura viene ripetuta un numero molto elevato di volte (così
da ottenere un campione statisticamente significativo), l’istogramma diviene una
curva gaussiana, definita in statistica come variabile aleatoria di Gauss o
distribuzione normale.
La quantità yi Δx è la frequenza con cui si sono registrati i valori della misura
compresa tra (xi – Δx/2) e ( xi + Δx/2).
Se il campione ha per numero di osservazioni N→ ∞ si verifica facilmente che
∆x→0 e l’istogramma tende alla distribuzione di Gauss, e definisce con
y(xi)dx la probabilità di ottenere un risultato di misura compreso nell’intervallo
dx intorno ad xi.

y
se il campione è
sufficientemente
numeroso
otteniamo una
curva di gauss

Costruzione della curva di Gauss a partire dalla distribuzione delle frequenze di osservazione

35
Appunti dalle lezioni di DMMIA

DISTRIBUZIONE DI GAUSS

Supposti eliminati gli errori sistematici, per poter disporre del valore “presunto
vero” di una misura, bisognerebbe essere a conoscenza della distribuzione
gaussiana di una serie di misure.
Ciò risulta possibile soltanto effettuando un numero elevatissimo di misure, e
questo non si può certo dire un procedimento comodo e rapido.
Se però gli errori che intervengono sono solo quelli classificati come accidentali,
che pesano sia positivamente che negativamente, e le misure sono tutte
effettuate nelle medesime condizioni, allora la distribuzione di Gauss può
essere formulata secondo il modello definito dalla seguente relazione:

2
 1   ( x 2X 20 )
y ( x )   e

 2 2

Dove X0 è il valore centrale della distribuzione (che viene modellizzata come


simmetrica, e si può ragionevolmente assumere che lo sia) e rappresenta la
media dei valori assunti dalla varabile x; σ è invece lo scarto quadratico
medio, ossia la dispersione della distribuzione.

n
1 1 n
X 0 
N
1
xi  
N 1
( xi  X 0 ) 2

Supposti nulli gli errori sistematici, così da essere certi di potere statisticamente
considerare il caso di una distribuzione normale, se sono noti X0 e σ è nota
proprio la distribuzione delle misure, in particolare si può notare che X0
determina proprio la posizione della curva, mentre σ determina la sua forma
(se più allungata nel senso dell’asse delle ordinate, o se più schiacciata).
La curva di Gauss così ottenuta gode delle seguenti proprietà:
- il valore medio di X0 è quello che rende minima la somma dei quadrati
degli scarti, ed annulla la somma degli scarti stessi, per questo X0 è da
ritenersi il valore più probabile tra quelli rilevati di una misura, ed in
assenza di errori sistematici è proprio quello più prossimo al valore
“presunto vero” di una grandezza
- l’ordinata della curva di Gauss per x = X0 è espressa dalla seguente:

1
y max 
2 2
36
Appunti dalle lezioni di DMMIA

Distribuzione normale di un gruppo di dati


rappresentata tramite software di analisi statistica

1 σ1
y max 
2 2 σ2

σ2 > σ1 1
y max 
2 2

x
X0

Nella figura sopra, sono rappresentate due distribuzioni di Gauss, caratterizzate


dalla stessa media, ma da una differente dispersione, la distribuzione con
maggiore dispersione presenta i valori meno addensati intorno alla media.

Una curva slanciata è caratterizzata da una dispersione piccola intorno al valore


X0, inoltre la probabilità di ottenere valori prossimi proprio ad X0 risulta elevata,
infatti le osservazioni (nel nostro caso le misure) sono tutte addensate proprio
intorno alla media.
Una curva che risulta invece più piatta è caratterizzata da una più elevata
dispersione intorno ad X0 e la probabilità di ottenere valori vicini proprio ad X0 è
ovviamente meno elevata.

37
Appunti dalle lezioni di DMMIA

Nell’analisi di una distribuzione statistica bisogna sempre tenere presente che


l’area sottesa fra la curva della distribuzione e l’asse delle ascisse rappresenta
la probabilità di ottenere una misura compresa tra le due generiche ascisse.
L’area sottesa dalla curva tra – σ e +σ è pari a 0,6827; ciò vale a dire che il
68,27% dei risultati di un procedimento di misura sono compresi entro
l’intervallo ( X0 –σ) ed (X0 + σ).

curva
slanciata

curva piatta
σ elevata

Confronto tra due distribuzioni di Gauss

Rappresentazione grafica della probabilità del valore di una misura

38
Appunti dalle lezioni di DMMIA

DISTRIBUZIONE “T di STUDENT”

Normalmente non si effettua un numero elevatissimo (tendente ad infinito) di


una certa grandezza, si dispone in genere di un campione poco numeroso
(N’<< N →∞) di cui è possibile calcolare il valore medio X’0 e la dispersione δ :

N '
1 1 N'
X '
0 
N '
1
xi   
N ' 1 1
( x i  X 0' ) 2

L’espressione della dispersione del campione è essenzialmente simile a quella


della distribuzione di Gauss, la stima viene effettuata su N’-1 anziché su N
poiché si assume come media della popolazione quella del campione (numero
finito di valori anziché numero infinito).

L’ordine di grandezza della differenza fra la media X 0 del campione poco
numeroso e quella vera X0 risulta essere:


X 0  X 0'   
N'

L’affidabilità della media di un campione può quindi essere aumentata


aumentando il numero delle osservazioni (misure della grandezza) che
costituiscono proprio il campione N’, ma la proporzionalità inversa con la radice
quadrata limita di molto tale effetto, rendendo spesso inutili un aumento delle
misure costituenti il campione oltre i 20÷30 valori rilevati.

gradi di libertà

Rappresentazione grafica della distribuzione


T-Student al variare dei gradi di libertà

39
Appunti dalle lezioni di DMMIA

Si può dimostrare che sussiste una relazione tra la dispersione del campione
poco numeroso e quella relativa alla popolazione da cui il campione è stato
estratto:


N

La dispersione del campione poco numeroso (δ) è sempre minore della


dispersione della popolazione totale (σ).
Per tenere conto della minore “precisione” relativa ad un campione poco
numeroso, una volta valutate la sua media X’0 e la dispersione δ si può valutare
una variabile T (già tabellata) che sostituisce la z nella espressione:

x  X 0  z

che diviene pertanto:

x  X 0  t

I valori di della t (funzione di ripartizione) sono tabellati in funzione del numero


di osservazioni, un esempio è mostrato nella seguente tabella.

N’ t
1 12.706 16 2.120
2 4.303 17 2.110
3 3.182 18 2.101
4 2.776 19 2.093
5 2.571 20 2.086
6 2.447 21 2.080
7 2.365 22 2.074
8 2.306 23 2.069
9 2.262 24 2.064
10 2.228 25 2.060
11 2.201 26 2.056
12 2.179 27 2.052
13 2.160 28 2.048
14 2.145 29 2.045 * da 31 in poi t si assume
15 2.131 30 2.042 costante e pari al valore 2

40
Appunti dalle lezioni di DMMIA

L’operazione di sostituzione della z con la variabile t è illustrata nella figura


seguente.

N=h (Gauss)

N’=5

Si può notare come la curva della distribuzione ottenuta da un campione di 5


elementi sia più bassa e schiacciata di quella relativa alla distribuzione normale,
questo si verifica perché le dispersioni sono maggiori ed è anche minore la
frequenza del valore X’0.
Tale diversità è sempre minore all’aumentare del numero di osservazioni, e
diventa molto piccola per N’>20÷25.

DEFINIZIONE DI INCERTEZZA

Se in un procedimento di misura sotto controllo statistico, in cui sono gli errori


non noti e non trascurabili, si vuole definire un indice di valutazione globale, si
ricorre all’introduzione del parametro incertezza.
In definitiva gli strumenti di misura (o più in generale i sistemi di misura) sono
soggetti a due tipi di errori, quelli fissi e quelli accidentali.
La dimensione standard di una serie di misure di una grandezza viene assunta
come indice di ripetibilità della misura (errori accidentali).
Per gli errori sistematici invece non esiste nessuna relazione né statistica né di
tipo deterministico che ci permetta di valutarli in qualche modo, quando è
possibile vengono stimati sulla base di una serie di conoscenze, in base a criteri
tutt’altro che universali come il limite superiore del massimo errore fisso che
ragionevolmente ci si può aspettare.

41
Appunti dalle lezioni di DMMIA

VALORE VERO VALORE VERO

La misura oltre ad essere poco Nella rappresentazione sopra c’è


accurata, è anche poco ripetibile una incertezza sistematica, la
poiché c’è una elevata σ. misura e poco accurata ed anche
poco ripetibile.

VALORE VERO VALORE VERO

Esempio di misura accurata, La misura è poco ripetibile ma


precisa ed affidabile, la accurata.
distribuzione e snella con
media sul valore vero.

Sarebbe però comodo disporre di un unico parametro numerico per esprimere


un errore di tipo globale, ma una definizione rigorosa di una grandezza del
genere non è pensabile, bisognerebbe definire un unico parametro statistico
che sia una combinazione di una quantità sconosciuta – l’accuratezza – e di
una grandezza stocastica – la ripetibilità - .
Tuttavia l’esigenza di poter disporre di un unico parametro numerico in grado di
poter esprimere l’errore è stata così grande da giustificare l’adozione di una
grandezza di riferimento arbitraria.

42
Appunti dalle lezioni di DMMIA

Il parametro più usato nel campo industriale è riconosciuto con la nomenclatura


di INCERTEZZA DI MISURA U , ed è definita come:

U  (B  t96 )

Dove: B è il limite dell’errore sistematico, δ è la deviazione standard del


campione, t96 è il parametro della distribuzione t-Student’s quando il grado di
affidabilità risulta pari al 96%.
L’utilizzo di tale parametro aumenta il valore di U al fine di ridurre il rischio
connesso ad una sottostima della deviazione standard δ nel caso di campioni
poco numerosi, vale la pena ricordare che proprio il caso dei campioni poco
numerosi è quello che di solito si verifica nel campo delle misure.

N’= 30 → t = 2,04
30 < N < ∞ → t=2 → U   ( B  2 )

E’ opportuno precisare che la U così definita non rappresenta un intervallo


statistico di confidenza, ma è soltanto un valore arbitrario di tipo operativo, che
può essere interpretato come il più grande errore che ci si può aspettare di
commettere in un procedimento di misura.
Quando l’errore sistematico B diventa trascurabile, la U diviene invece, a rigore,
un intervallo statistico di confidenza, ed in questo caso la sua definizione
diviene:

U   t 96 

43
Appunti dalle lezioni di DMMIA

ACCURATEZZA E PRECISIONE DI UNA MISURA

Si definisce accuratezza di una misura la somma dell’errore sistematico e


dell’errore casuale, rappresenta in pratica il complesso dell’errore.
Il concetto di precisione è invece legato al modo di ripetersi della stessa misura
e da una stima della fedeltà di questa.
Una misura può essere accurata e precisa, ma anche accurata e imprecisa,
come lo stesso può essere imprecisa e non accurata.
La stima della precisione si può avere essenzialmente dalla stima della
dispersione della distribuzione statistica delle misure.

precisa

imprecisa

Con riferimento a due strumenti di misura, si possono tracciare le rette relative


alla affidabilità di una misura.

140

120
strumento B
comportamento ideale
100
strumento A
80

60
errore casuale
40

20

0
10
20
30
40
50
60

70
80
90
100
110
120

44
Appunti dalle lezioni di DMMIA

I due strumenti A e B sono egualmente precisi, ma hanno differenti


caratteristiche riguardo ad affidabilità ed accuratezza delle misure,
precisamente:

- lo strumento B fornisce una misura più accurata perché si discosta meno


dalla condizione ideale
- confrontando le rispettive curve di errore lo strumento A può fornire una
misura più affidabile dello strumento B.

Vedremo più avanti, come tra i dati di targa di uno strumento compaiano
elementi che ci permettono di stimare l’accuratezza e precisione delle misure
con questi effettuate, si voleva far notare, come non sempre siano necessari
strumenti ad elevatissima precisione, è importante valutare ciò che è richiesto
dalla sperimentazione che si sta effettuando, dai fenomeni fisici in gioco, dalla
metodologia utilizzata, fare perciò le dovute considerazioni, così da allestire il
sistema sperimentale più adatto.

45