Sei sulla pagina 1di 37

5.1. Istogrammi e distribuzioni

Verifica rapida 5.1.

Voto in lettere

   

F

 

D

 

C

B

A

Punteggio, s k

 

0

 

1

 

2

3

4

Numero di volte, n k

   

2

 

0

 

7

4

7

Media dei voti: s = 0 + 0 + 14 + 12 + 28

20

 

54 20 = 2, 7

 

=

Verifica rapida 5.2.

 

Voti:

26;

33;

38;

41;

49;

28;

36;

38;

47;

41

32;

37;

48;

44;

27;

32;

34;

44;

37;

30

Bin

25–30

   

30–35

   

35–40

   

40–45

 

45–50

Voti nel bin

 

3

 

5

 

5

 

4

 

3

Frequenza

3

20 = 0,15

   

5

20 = 0, 25

   

5

20 = 0, 25

 

4

20 = 0, 2

3

20 = 0,15

  5 2 0 = 0, 25     5 2 0 = 0, 25  

Problema 5.1.

Costruiamo la tabella seguente:

Punteggio, s k 0 1 2 3 4 Numero di volte, n k 2 0
Punteggio, s k
0
1
2
3
4
Numero di volte, n k
2
0
7
4
7
Frequenza
2
0
7
4
7
20 = 0,1
= 0, 35
20 = 0, 2
= 0, 35
20 = 0
20
20
Costruiamo l’istogramma a righe corrispondente:
0,4
0,3
0,2
0,1
0
0
1
2
3
4
Voto
Voto medio: s = 0 × 0,1 + 1 × 0 + 2 × 0, 35 + 3 × 0, 2 + 4 × 0, 35 = 2, 7 .
Problema 5.2.
Costruiamo la tabella seguente:
Intervallo
0–10
10–20
20–30
30–40
40–50
Conteggi, n k
9
6
3
1
1
Frequenza
9
6
3
1
1
= 0, 45
= 0, 3
20 = 0,15
20 = 0, 05
20 = 0, 05
20
20
Frequenza

Costruiamo l’istogramma a righe corrispondente:

Problema 5.3 . ( a ) Costruiamo la tabella con 5 prove: Momento -9/-7 -7/-5

Problema 5.3. (a) Costruiamo la tabella con 5 prove:

Momento

-9/-7

-7/-5

-5/-3

-3/-1

-1/1

1–3

3–5

5–7

7–9

angolare

Prove

0

1

2

0

1

0

1

0

0

Frequenza

0

0,2

0,4

0

0,2

0

0,2

0

0

Costruiamo l’istogramma a righe corrispondente:

0,5 0,4 0,3 0,2 0,1 0 -9 -7 -5 -3 -1 1 3 5 7
0,5
0,4
0,3
0,2
0,1
0
-9
-7
-5
-3
-1
1
3
5
7
Momento
angolare
Frequenza

Se volessimo costruire l’istogramma a rettangoli, dovremmo far corrispondere la frequenza all’area di ogni rettangolo (e non all’altezza, come nel caso dell’istogramma a barre). Dato che i bin sono larghi 2 unità, dobbiamo dividere la frequenza per 2.

( b ) Costruiamo la tabella con 10 prove: Momento -9/-7 -7/-5 -5/-3 -3/-1 -1/1

(b) Costruiamo la tabella con 10 prove:

Momento

-9/-7

-7/-5

-5/-3

-3/-1

-1/1

1–3

3–5

5–7

7–9

angolare

Prove

0

1

2

2

3

1

1

0

0

Frequenza

0

0,1

0,2

0,2

0,3

0,1

0,1

0

0

Costruiamo gli istogrammi corrispondenti:

0 0 Frequenza 0 0,1 0,2 0,2 0,3 0,1 0,1 0 0 Costruiamo gli istogrammi corrispondenti:
( c ) Costruiamo la tabella con 50 prove: Momento -9/-7 -7/-5 -5/-3 -3/-1 -1/1

(c) Costruiamo la tabella con 50 prove:

Momento

-9/-7

-7/-5

-5/-3

-3/-1

-1/1

1–3

3–5

5–7

7–9

angolare

Prove

1

3

7

8

10

9

6

4

2

Frequenza

0,02

0,06

0,14

0,16

0,2

0,18

0,12

0,08

0,04

Costruiamo gli istogrammi corrispondenti:

0,25 0,2 0,15 0,1 0,05 0 -9 -7 -5 -3 -1 1 3 5 7
0,25
0,2
0,15
0,1
0,05
0
-9
-7
-5
-3
-1
1
3
5
7
Momento
angolare
Frequenza
-9 -7 -5 -3 -1 1 3 5 7 Momento angolare Frequenza Problema 5.4 . (

Problema 5.4. (a) Costruiamo la tabella con intervalli di larghezza 1:

Tempo di

                   

caduta

71

72

73

74

75

76 77

78 79

80

(0,1 s)

n

k

2

0

3

5

4

 

1 3

 

1 0

1

Frequenza

0,1

0

0,15

0,25

0,2

0,05

0,15

0,05

0

0,05

Costruiamo gli istogrammi corrispondenti:

( b ) Costruiamo la tabella con intervalli di larghezza 2: Tempo di caduta (0,1
( b ) Costruiamo la tabella con intervalli di larghezza 2: Tempo di caduta (0,1

(b) Costruiamo la tabella con intervalli di larghezza 2:

Tempo di caduta (0,1 s)

71

73

75

77

79

n

k

2

8

5

4

1

Frequenza

0,1

0,4

0,25

0,2

0,05

Costruiamo gli istogrammi corrispondenti:

0,5 0,4 0,3 0,2 0,1 0 70,5 72,5 74,5 76,5 78,5 Tempo (0.1 s) Frequenza
0,5
0,4
0,3
0,2
0,1
0
70,5
72,5
74,5
76,5
78,5
Tempo
(0.1
s)
Frequenza
0 70,5 72,5 74,5 76,5 78,5 Tempo (0.1 s) Frequenza ( c ) Costruiamo la tabella

(c) Costruiamo la tabella con intervalli di larghezza 10:

Tempo di caduta (0,1 s)

Tempo di caduta (0,1 s)

n

k

Frequenza

Frequenza

71

20

1

Costruiamo gli istogrammi corrispondenti:

1,5 1 0,5 0 60,5 70,5 80,5 Tempo (0.1 s) Frequenza
1,5
1
0,5
0
60,5
70,5
80,5
Tempo
(0.1
s)
Frequenza

5.2. Distribuzioni limite

Problema 5.5.

Consideriamo la distribuzione:

$ C

&

f ( x ) = %

x + C

&
'

a

C x + C

a

a x 0

0 x a

Solo dopo averla normalizzata, potremo considerarla una distribuzione di

probabilità.

(a) La probabilità di una misura al di fuori dell’intervallo tra x = –a e x = a è 0.

(b) Senza calcolare l’integrale, possiamo osservare che la simmetria della

distribuzione rispetto al valore x = 0 ci permette di affermare che la probabilità di

una misura con x > 0 è 50%.

Esplicitando il calcolo dell’integrale:

P ( x > 0) =

+

0

f ( x ) dx =

a

0

% & '

(

C x + C * dx =

a

)

a

0

C

a

xdx +

a

Cdx =

0

= C

a

a

0

xdx + C

a

0

dx = C

a x 2 a 2 0
a
x 2
a 2
0

a

+ C x 0

= C

a

a 2 0 2

2

+ C (a 0) = Ca + Ca = Ca

2

2

Il calcolo proseguirà dopo aver determinare il fattore di normalizzazione al

punto successivo.

(c) Determiniamo il fattore di normalizzazione per il quale: 1 =

+

f ( x ) dx .

0

Senza calcolare l’integrale, possiamo osservare che abbiamo un triangolo di base

2a e altezza C. La sua area è Ca e deve essere uguale a 1, da cui C = 1/a.

Esplicitando il calcolo dell’integrale:

 

+

0

1 =

f ( x ) dx =

−∞

a

% C

'

& a

(

x + C * dx

)

=

C

a

0

a

xdx + C dx C

a

0

a

a

0

xdx

+

a

0

% & '

a

C x

a

+ C dx =

0

(

0

C xdx +

0

a

0

a

C xdx +

a

+ C * dx =

)

0 C x 2 a 2
0
C
x 2
a 2

a

a

a

Cdx

− a a x 2 − C a 2 0
− a
a
x 2
− C
a 2
0

0

+ C x

a

0

a =

0

+ C x

C 0 2 a 2

=

a

2

+ C (0 + a) C

a

a 2 0 2

2

+ C (a 0 ) = Ca + Ca Ca + Ca = Ca

2

2

Cdx =

da cui C = 1/a.

La distribuzione di probabilità è pertanto:

f

$

'

&

( x ) = %

&

1 2 x + 1 a

a

1 2 x + 1 a

a

a x 0

0 x a

Tornando al punto (b) possiamo completare il calcolo dell’integrale:

P ( x > 0) = Ca

2

1

= 2 a = 2

a

=

50% .

(d) Grafici della distribuzione di probabilità per a = 1 (––) e a = 2 (––).

di probabilità per a = 1 ( –– ) e a = 2 ( –– ).

Problema 5.6.

Consideriamo la distribuzione: f ( t ) = 1

τ

e t / τ .

(a) Il grafico della distribuzione per diversi valori di τ (= 1; 2; 3; 4; 5):

( b ) Determiniamo se la distribuzione è normalizzata: + ∞ ∫ 0 τ 1

(b) Determiniamo se la distribuzione è normalizzata:

+

0 τ

1

e t /τ dt

=

+

0

1

τ

e x τdx =

+

e x dx = 1.

0

La distribuzione considerata è pertanto una distribuzione di probabilità.

(c) Determiniamo il tempo medio di decadimento come valore atteso della

distribuzione di probabilità: t =

+

0

t

τ

e t /τ dt

. Per risolvere questo integrale facciamo

un cambiamento di variabile

t

τ = x , per cui dt = τ dx, e gli estremi di integrazione

t

=

0

e

t

= + diventano x

=

0

e

x

=

+ :

t =

+

0

t

τ

e t /τ dt

=

+

xe x τdx

0

. Possiamo

portare fuori dall’integrale la costante moltiplicativa τ: t = τ

+

xe x dx . Usando la

0

regola di integrazione per parti 1 [con f(x) = x, g(x) = –e x , df

dx

possiamo

di

sviluppare

l’integrale

come

somma

t = τ

&
(

'

(

xe

x

)

+

0

+

0

( e x

)

) dx + = τ

*

&
(

'

(

xe

x

)

+ +

0

+

0

)

e x dx + = τ I 1 + I 2

*

(

).

( x ) = 1 ,

due

Per

dg ( x ) = e x ]
dx

espressioni:

valutare

l’espressione I 1 ricordiamo che per x tendente a ±l’esponenziale prevale su ogni

1

b

a

f ( x ) dg ( x ) dx = f (b) g(b) f ( a) g( a)

dx

b

a

df

dx

( x ) g( x ) dx

si

risolve con un semplice cambiamento di variabile y = –x, per cui dx = –dy e gli

:

estremi di integrazione

potenza di x per cui I 1 = τ xe x

= −∞ × e + 0 × e 0 = 0 + 0 = 0 .

0

0

e

x

=

+

diventano

y

=

L’integrale

0

e

y

=

I 2

x

=

 

+

−∞

0

I 2 =

e x dx

= e y dy =

e y dy = 1 . In conclusione abbiamo:

0

0

−∞

t

= τ I 1 + I 2 ) = τ (0 + 1) = τ .

(

Problema 5.7.

(a)

P ( t > τ ) =

+

τ

1

. Per calcolare l’integrale cambiamo la variabile
τ

e t /τ dt

t

τ

= x , per

cui dt = τ dx, e gli estremi di integrazione t = τ e t = + diventano x = 1 e x = + :

P ( t > τ ) =

+

1

1

τ

e x τdx =

+

1

e x dx

. Come abbiamo visto alla fine del punto (c) del

problema

precedente,

la

primitiva

P ( t > τ ) = e x

+ = 1 e = 0, 368 = 36, 8% .

1

dell’ultimo

integrale

è

e -x

per

cui:

(b)

P ( t > 2τ ) =

+

2τ

1

τ

e t /τ dt

.

Procediamo

in

integrale. P ( t > 2τ ) =

+

2τ

1

τ

e t /τ dt

=

+

2

1

τ

e x τdx =

modo

simile

per

+

e x dx = e x

2

+

1

=

2 e

2

calcolare

questo

= 0,135 = 13, 5% .

Problema 5.8.

Intervallo

 

0–10

10–20

20–30

30–40

40–50

Conteggi, n k

 

9

 

6

3

1

1

Frequenza

9

20

= 0, 45

6

20

= 0, 3

3

20 = 0,15

1

20 = 0, 05

1

20 = 0, 05

Frequenza al minuto

0,045

0,03

0,015

0,005

0,005

Dal grafico sembra che l’istogramma dei valori misurati e la distribuzione continua di densità di

Dal grafico sembra che l’istogramma dei valori misurati e la distribuzione

continua di densità di probabilità siano compatibili.

Per quantificare il livello di compatibilità determiniamo il confidence level a partire

dal χ 2 (non potete fare quest’analisi adesso; ritornate su questo esercizio dopo

aver studiato il capitolo 12. Allo stesso modo dovrete ritornare su tutti i

problemi nei quali compare l’analisi di compatibilità con la tecnica del χ 2

prima del capitolo 12).

Creiamo una tabella per il calcolo del dal χ 2 . Poniamo nella prima colonna i bin,

nella seconda i valori dei conteggi misurati, nella terza i valori attesi di conteggi,

e nella quarta il χ 2 dei bin. Come valore atteso consideriamo l’integrale esteso al

bin

di

1

14, 4 e t /14 , 4 :

t

2

t

1

1

14, 4 e t /14 , 4 dt

=

t 2 /τ

t 1 /τ

1

τ e x τ dx =

t 1 /τ

e x dx

t 2 /τ

=

e t 1 /τ e t 2 /τ

da

moltiplicare per il numero totale di conteggi (20).

Intervallo

N

misurato

N atteso

χ 2 =

$ & N misurato N atteso
&

χ 2 = $ & N misurato − N atteso & % N atteso ' )

% N atteso

'

)

(

)

2

0 – 10

9

10,013

0,102

10

– 20

6

5,000

0,200

20

– 30

3

2,497

0,101

30

– 40

1

1,247

0,049

40

– 50

1

0,623

0,229

     

0,682

Possiamo osservare che tutti i bin hanno un χ 2 sufficientemente piccolo per

garantire una buona compatibilità. Anche il χ 2 totale è minore di 1.

Determiniamo il χ 2 ridotto. Ci sono due vincoli: il numero totale di conteggi (20)

e il parametro della distribuzione (è una distribuzione di Poisson, che è

caratterizzata da un solo parametro). Il numero di gradi di libertà è: 5 (bin) – 2

χ 2 = χ 2

= 0, 682

3

= 0, 227 . Con tre gradi di libertà, il

N D confidence level corrispondente è compreso tra il 75% e il 90% per cui possiamo

affermare che c’è un’ottima compatibilità tra l’istogramma dei conteggi e la

distribuzione poissoniana proposta.

(vincoli) = 3. Il χ 2 ridotto è:

Problema 5.9.

Consideriamo la distribuzione seguente: f ( x ) =

" C

#

$

0

| x |< a altrove

(a)

a

Determiniamo il fattore di normalizzazione: 1 = Cdx

a

consideriamo la distribuzione di probabilità: f ( x ) =

" 1

$

0

2

%

$

#

a

| x |< a

altrove

.

= C 2 a per cui

(b) La distribuzione è costante nell’intervallo |x| < a. La distribuzione è

simmetrica rispetto a x = 0. Il valor medio è x = 0. La deviazione standard è

confrontabile con a.

(c)

Valore atteso: E [ x ] =

a

a

a dx = 1 a

x 1

2

2

Varianza: σ x 2 =

a

a

(x

E [ x ]) 2 1 a dx = 1

2

2

a

Deviazione standard: σ x = a 3 0, 58 a .

a Deviazione standard: σ x = a 3 ≈ 0, 58 a . a a x
a a x 2 ∫ xdx = 1 2 a 2 − a − a
a
a
x 2
xdx = 1
2 a 2
− a
− a
a
a
x 3
x 2 dx = 1
2 a 3
− a
− a

=

1

a 2 a 2

2

a

2

= 0 .

=

1

a 3 + a 3

2

a

=

2

a

3

3 .

Problema 5.10.

Per una distribuzione discreta la varianza della popolazione (non del campione,

dove al denominatore c’è N – 1) è il valor medio dei quadrati delle deviazioni:

(

x

n

E

[ x ]) 2

1

N

σ 2 =

N

.

Ogni

valore

varianza

discreto

come

x n

σ 2 =

ha

probabilità

(

x n

F n =

per

cui

possiamo riscrivere la

continuo, la somma diventa un integrale e la distribuzione discreta di probabilità

F n diventa una distribuzione continua di densità di probabilità e si ottiene come

E [ x ]) 2 F n . Al limite del

varianza σ 2 =

(x E [ x ]) 2 f ( x ) dx .

5.3. La distribuzione normale

Verifica rapida 5.3. Distribuzione di Gauss G 10, 1 (x):

5.3 . Distribuzione di Gauss G 1 0 , 1 ( x ): Problema 5.11 .

Problema 5.11. Distribuzione di Gauss G 2, 1 ( x ) e G 3, 0,3 (x):

1 0 , 1 ( x ): Problema 5.11 . Distribuzione di Gauss G 2 ,

Problema 5.12.

Per trovare la larghezza a mezza altezza FWHM della distribuzione gaussiana

G X , σ ( x ) dobbiamo cercare i valori di x per i quali G X , σ ( x ) =

− ( x − X ) 2 − ( X − X ) 2 1
− ( x − X ) 2
− ( X − X ) 2
1
1
e 2σ 2
= 1
e 2σ 2
σ 2 π
2 σ 2 π
− ( x − X ) 2
− ( X − X ) 2
1
e
2σ 2
=
2σ 2
2 e
− ( x − X ) 2
e
2σ 2
= 1
2
− ( x − X ) 2
1
= ln 2 = − ln 2
2σ 2

( x X ) 2 = 2σ 2 ln 2

ln 2 2σ 2 ( x − X ) 2 = 2 σ 2 ln 2

x 1, 2 X = ±σ 2 ln 2

2 σ 2 ln 2 x 1 , 2 − X = ± σ 2 ln

FWHM = x 1 x 2 = 2σ 2 ln 2 2, 35σ

1

2

G X , σ ( X ) .

Problema 5.13.

Dobbiamo cercare x per cui: d 2 G X , σ ( x )

dx 2 Determiniamo la derivata prima della distribuzione gaussiana:

=

0 .

− ( x − X ) 2 − ( x − X ) 2 −
− ( x − X ) 2
− ( x − X ) 2
− ( x − X ) 2
d
1
1
d
1
e 2σ 2
=
2σ 2
=
e 2σ 2
dx σ 2 π
σ 2 π
dx e
σ 2 π
− ( x − X ) 2 ( −1) 2( x − X ) 1
− ( x − X ) 2
( −1) 2( x − X )
1
X − x
=
2σ 2
2σ 2
σ 2π e
σ 2

Determiniamo la derivata seconda della distribuzione gaussiana:

− ( x − X ) 2 − ( x − X ) 2 (
− ( x − X ) 2
− ( x − X ) 2
(
d 2
1
d
1
X − x
2σ 2
=
%
'
2σ 2
*
=
dx 2
σ 2π e
dx
σ 2π e
σ 2
*
' &
)
( x − X ) 2
− ( x − X ) 2
1
X − x X − x
1
−1
=
2σ 2
2σ 2
σ 2π e
σ 2
σ 2 + σ 2π e
σ 2 =
( x − X ) 2
1
( X − x ) 2 − σ 2
=
2σ 2
σ 2π e
σ 4

Cerchiamo ora i valori di x che annullano la derivata seconda:

− ( x − X ) 2 1 ( X − x ) 2 −
− ( x − X ) 2
1
( X − x ) 2 − σ 2
e 2σ 2
σ 2 π
σ 4

( X x ) 2 σ 2 = 0

x 1, 2 = X ± σ .

= 0

Nella distribuzione gaussiana, i punti distanti una deviazione standard dal valore di picco corrispondono ai punti di flesso.

Problema 5.14.

di picco corrispondono ai punti di flesso. Problema 5.14 . Le curve G 0 , 1

Le curve G 0, 1 (x) e G 0, 2 (x) sono centrate su x = 0; la prima è più stretta e, di conseguenza, più alta. Le curve G 0, 1 (x) e G 5, 1 (x) hanno la stessa larghezza ma sono centrate su valori diversi.

Problema 5.15.

L

-9/-7

-7/-5

-5/-3

-3/-1

-1/1

1–3

3–5

5–7

7–9

Frequenza

0,02

0,06

0,14

0,16

0,2

0,18

0,12

0,08

0,04

Frequenza

0,01

0,03

0,07

0,08

0,1

0,09

0,6

0,04

0,02

unitaria

Dal grafico sembra che l’istogramma dei dati e la distribuzione gaussiana proposta G ( x

Dal grafico sembra che l’istogramma dei dati e la distribuzione gaussiana

proposta G ( x ) =

1

3, 4 2π e

gaussiana proposta G ( x ) = 1 3, 4 2 π e − x 2

x 2

2 × 3, 4 2 siano compatibili. La gaussiana sembra più alta

nella parte centrale, mentre l’istogramma ha alcuni rettangoli più alti sulle code,

sia a destra sia a sinistra. A un livello superiore di analisi potremo quantificare il

grado di compatibilità.

Per quantificare il livello di compatibilità determiniamo il confidence level a partire

dal χ 2 .

Intervallo

N

misurato

t

sin

t

dx

P

sin

P

dx

P

bin

N atteso

χ

2

-9 – -7

0,01

-2,65

-2,06

0,992 0

0,960 6

0,015 7

0,007 8

0,001

-7 – -5

0,03

-2,06

-1,47

0,960 6

0,858 4

0,051 1

0,025 5

0,001

-5 – -3

0,07

-1,47

-0,88

0,858 4

0,621 1

0,118 6

0,059 3

0,002

-3 – -1

0,08

-0,88

-0,29

0,621 1

0,228 2

0,196 5

0,098 2

0,003

-1 – 1

0,10

-0,29

0,29

0,228 2

0,228 2

0,228 2

0,114 1

0,002

1

– 3

0,09

0,29

0,88

0,228 2

0,621 1

0,196 5

0,098 2

0,001

3

– 5

0,06

0,88

1,47

0,621 1

0,858 4

0,118 6

0,059 3

0,000

5

– 7

0,04

1,47

2,06

0,858 4

0,960 6

0,051 1

0,025 5

0,008

7

– 9

0,02

2,06

2,65

0,860 6

0,992 0

0,015 7

0,007 8

0,019

               

0,036

Possiamo osservare che tutti i bin hanno un χ 2 sufficientemente piccolo per

garantire una buona compatibilità. Anche il χ 2 totale è minore di 1.

Determiniamo il χ 2 ridotto. Ci sono tre vincoli: la somma delle frequenze totali

(0,5) e i due parametri della distribuzione gaussiana. Il numero di gradi di libertà

χ 2 = χ 2

= 0, 036

6

= 0, 006 . Con tre gradi di

N D libertà, il confidence level corrispondente è compreso tra il 98% e il 100% per cui

è: 9 (bin) – 3 (vincoli) = 6. Il χ 2 ridotto è:

possiamo affermare che c’è un’ottima compatibilità tra l’istogramma e la

distribuzione gaussiana proposta.

Problema 5.16.

σ x 2 =

+

(x E [ x ]) 2 G X ,σ ( x ) dx =

−∞

+ ∞ − ( x − X ) 2 1 ∫ 2π ( x −
+
− ( x − X ) 2
1
2π ( x − X ) 2 e 2σ 2 dx
σ
−∞

Facciamo il cambiamento di variabile

x X

2σ

= y ,

per cui

dx =

di variabile x − X 2σ = y , per cui dx = 2 σ y

2σ y ,

e

agli

estremi di integrazione x = – e x = + corrispondono y = – e y = + .

2 =

σ x

+ ∞ 1 ∫ 2π σ −∞
+
1
2π σ
−∞

( x X ) 2

( x X ) 2 e 2σ 2 dx =

1

2π σ
2π σ

+

−∞

2σ 2 y 2 e y 2 2σdy

∫ −∞ 2 σ 2 y 2 e − y 2 2 σ dy + ∞
+ ∞ = σ 2 ∫ π −∞
+
= σ 2
π
−∞

2 y 2 e y 2 dy

Consideriamo il fattore 2y 2 nell’integrale come se fosse scritto y x 2y.

2

σ x

y × 2 y e − y 2 dy × 2 y e y 2 dy

.

Calcoliamo

l’integrale

usando

la

formula

f

( y ) = y , df

dy ( y ) = 1 , g( y ) = e y 2 ,

dg

dy

( y ) = 2 ye y 2 :

dell’integrazione

2

σ x

+∞ = σ 2 ∫ π −∞
+∞
= σ 2
π
−∞

y

× 2 ye y 2 dy = σ π 2 ye y 2

− y 2 dy = − σ π 2 ye − y 2 + ∞ +

++

−∞

e − y 2 dy y 2 dy

2

b

a

f ( x ) dg ( x ) dx = f (b) g(b) f ( a) g( a)

dx

b

a

df

dx

( x ) g( x ) dx

per

parti 2

con

Il primo termine è uguale a 0 data la prevalenza dell’esponenziale sulle potenze

di y, mentre il secondo integrale è collegato al fattore di normalizzazione della

gaussiana:

+

∫ e − y 2 dy = π .
e − y 2 dy = π .

−∞

2

In conclusione: σ x

= σ 2 π = σ 2 π
= σ 2
π
= σ 2
π

5.4. Deviazione standard come limite di confidenza al 68%

Verifica rapida 5.4.

Consideriamo la distribuzione gaussiana G 10, 2 (x). Vogliamo trovare la probabilità

che una misura cada nell’intervallo 7 < x < 13. Esprimiamo gli estremi

dell’intervallo in unità di σ : 3 t 1 = 7 10

2

= 1, 50 e t 1 = 13 10 = 1, 50 . La probabilità è

2

data da erf(1,50) = 87%. La probabilità che una misura cada al di fuori di questo

intervallo è 1 – erf(1,50) = 100% – 87% = 13%.

Problema 5.17.

Con una distribuzione gaussiana, il 68% delle misure dista entro una deviazione

standard dal valor medio, il 95% entro due, e il 99,7% entro tre.

Problema 5.18.

La probabilità di una misura nell’intervallo X ± 2 σ con quattro cifre significative

è il 95,45%.

La probabilità del 95,00% corrisponde a una distanza t dal valor medio in unità

di σ per la quale erf(t) = 0,950 0. Dalle tabelle si ricava che t = 1,96, per cui una

misura ha la probabilità del 95,00% di essere nell’intervallo X ± 1,96 σ .

Problema 5.19.

Consideriamo la distribuzione gaussiana G 23, 1 (x). Trasformiamo in unità di σ gli

estremi degli intervalli che considereremo:

(a) 22 < x < 24; t 1 = 22 23

1

=

1, 00 , t 2 = 24 23 = 1, 00 .

1

L’intervallo [22, 24] equivale quindi a [X σ , X + σ ].

3 Dato il tipo di tabelle che useremo nel seguito, indichiamo sempre t con due cifre dopo la virgola.

P = erf(1,00) = 68,27%.

(b)

22,5 < x < 23,5; t 1 = 22, 5 23

1

=

0, 50 , t 2 = 23, 5 23 = 0, 50 .

1

L’intervallo [22,5, 23,5] equivale a [X – 0,50 σ , X + 0,50 σ ].

P = erf(0,50) = 38,29%.

(c) 21 < x < 25; t 1 = 21 23

1

=

2, 00 , t 2 = 25 23 = 2, 00 .

1

L’intervallo [21, 25] equivale a [X – 2,00 σ , X + 2,00 σ ].

P = erf(2,00) = 95,45%.

(d)

21 < x < 23; t 1 = 21 23

1

=

2, 00 , t 2 = 23 23 = 0, 00 .

1

L’intervallo [21, 23] equivale a [X – 2,00 σ , X + 0,00σ ] .

P = erf (2, 00) = 95, 45%

2

2

= 47,725%.

(e)

24 < x < 25; t 1 = 24 23

1

=

1, 00 , t 2 = 25 23 = 2, 00 .

1

L’intervallo [24, 25] equivale a [X + 1,00 σ , X + 2,00 σ ].

P = erf (2, 00) erf (1, 00) = 95, 45% 68, 27%

2

2

= 13,59%.

(f) P = 50,00% per t = 0,675. L’intervallo corrispondente ha come estremi:

x 1 = 23 0, 675 = 22, 325 e x 1 = 23 + 0, 675 = 23, 675 .

Problema 5.20.

Consideriamo la distribuzione gaussiana G 69, 2 (x) e un campione di 1˙000

uomini.

(a)

67” < x < 71”; t 1 = 67"" 69""

2""

=

1,00 , t 2 = 71"" 69""

2""

= 1,00.

P = erf(1,00) = 68,27%.

Il numero di uomini con altezza tra 67” e 71” è: N = 1˙000 x 0,6827 = 683.

(b)

71” < x; t 1 = 71"" 69""

2""

=

1,00, t 2 = 6