Sei sulla pagina 1di 20

CIFRE SIGNIFICATIVE

• Prima regola: l’intervallo d’incertezza (errore assoluto) δx va arrotondato


alla prima cifra significativa.

• Eccezione alla prima regola: se la cifra significativa in δx è 1 o (al limite)


2, conviene arrotondare alla seconda cifra significativa.

se Errore del 40%

• Seconda regola: l’ultima cifra significativa in qualsiasi risultato xb deve


essere dello stesso ordina di grandezza dell’errore.
RAPPRESENTAZIONE DEGLI ERRORI
• Come detto in precedenza, per conoscere il valore vero di una grandezza
occorrerebbe una quantità infinita di informazioni, il che equivarrebbe a
una quantità infinita di misure.
• Su di una ascissa orientata dove è rappresentata la misura x di X, si può
cercare di determinare almeno un “intorno di x” dove potrebbe essere
incluso il valore vero X.

• In questo modo è possibile esprimere matematicamente la zona


d’incertezza con la semplice relazione x = xb ± δx, dove con xb si è
indicata la migliore rappresentazione (x best) del valore vero xv e con δx
si è indicato il parametro di larghezza della fascia di incertezza.
MIGLIORE STIMA DEL VALORE VERO
• Per quantificare numericamente i parametri appena introdotti si deve
necessariamente effettuare più di una misura.

• Si acquisiscono quindi x1 x2 … xn dati che non devono essere affetti da


errori sistematici, ma solo da errori casuali.

• E’ ragionevole scrivere:

• La migliore rappresentazione del valore vero in base ai dati disponibili è il


valore medio !
PARAMETRO DI LARGHEZZA

deviazione o scarto … in genere è piccolo ed è


maggiore o minore di zero

ma Non è utile !

• Elevando al quadrato tutti gli scarti che compaiono dentro la sommatoria si


ottiene lo scarto quadratico medio che elimina il problema dell’alternanza dei
segni ma sovrastima il parametro di larghezza.
• Si estrae quindi la radice dello scarto quadratico medio e si ottiene:

la deviazione standard !
PARAMETRO DI LARGHEZZA
• E’ stato osservato che, quando si hanno poche misure a disposizione (un piccolo
campione di misure con n ≤ 10), la σx appena definita sottostima l’ampiezza della
fascia di incertezza. Nei casi in cui ciò accade, tutt’altro che infrequenti, conviene
utilizzare una σx “migliorata”:

la deviazione standard del campione

• per giustificare la modifica effettuata, si osservi che nel caso particolare di n=1 la prima definizione
avrebbe prodotto σx = 0 , ovvero un’ampiezza della fascia di incertezza nulla. Ma questo risultato è
concettualmente errato in quanto, con una sola misura, nulla si può dire della fascia di incertezza.
• La relazione “migliorata” produce invece σx = 0/0 e dice correttamente che non è possibile
esprimere un parametro di larghezza con una sola misura ovvero, esso risulta indeterminato.
• E’ evidente che la differenza del risultato prodotto dalle due relazioni va a diminuire man mano che
aumenta il numero n delle misure a disposizione. Già per n ≥ 100 la differenza tra le due definizione
risulta praticamente trascurabile.
ISTOGRAMMA DELLE FREQUENZE
• In questa immagine sono riportate le misure x1 x2 … xn della grandezza fisica X
mantenuta costante:

• Sull’ascissa orientata della figura, dove è rappresentato l’intorno delle n misure,


vengono istituiti un certo numero d’intervallini Δk di ampiezza tale che ogni
intervallino contenga almeno una misura.
• Il numero dei Δk è quindi direttamente proporzionale al numero n di misure,
mentre l’ampiezza dei Δk risulta inversamente proporzionale ad n.
• Più dati si hanno a disposizione e più intervallini è possibile istituire,
naturalmente con ampiezze sempre più piccole.
ISTOGRAMMA DELLE FREQUENZE
• Sopra ogni intervallino Δk si elevi ora un rettangolo con altezza proporzionale al
numero di misure che cadono entro l’intervallino stesso.
• Se le misure di cui si dispone sono affette solamente da errori casuali, la figura
che ne risulta sarà:
• Tale curva prende il nome di istogramma
delle frequenze di misura. La curva a
gradini che delimita l’altezza massima
dei rettangoli prende il nome di curva di
distribuzione delle frequenze.

• Dove: nk è il numero di misure che


cadono entro l’intervallino Δk;
• fk = nk/n è la frequenza delle misure che
cadono entro l’intervallino Δk.
• Ovviamente:
ISTOGRAMMA DELLE FREQUENZE
• L’area fk⋅Δk rappresenta la frazione di misure che cadono entro l’intervallino Δk.

• E’ possibile esprimere il valor medio come:

• Dove con xk si è indicato il valor medio delle misure entro l’intervallino Δk .


• Immaginate di poter aumentare a dismisura il numero delle misure, teoricamente al
limite per n → ∞ .

• In tali condizioni (ideali), il numero degli intervallini Δk può essere aumentato a


dismisura e la loro ampiezza può essere diminuita fino a farli diventare infinitesimi.

• La curva di distribuzione delle frequenze avrà perciò gradini sempre più piccoli
apparendo sempre più regolare, fino a diventare una curva di distribuzione limite.
CURVA DI DISTRIBUZIONE LIMITE
Se n → ∞  Dk → dx e fk → f(x) che è la funzione rappresentativa della
curva di distribuzione limite.
FREQUENZA Vs PROBABILITA’
• Con il passaggio ideale n → ∞ si è implicitamente abbandonato il mondo
sperimentale, dove esistevano le n misure, e si è transitati nel mondo ideale e dei
modelli matematici che le rappresentano.

• Cioè, la curva di distribuzione delle frequenze (istogramma), che era un risultato


sperimentale a posteriori, è diventata una curva di distribuzione limite e
rappresenta ora una probabilità, ovvero un modello matematico che può essere
definito e utilizzato a priori. Frequenza Probabilità
(Risultato sperimentale) (Modello teorico)
• Solo per n → ∞ : f(x)  p(x)

• Ci si chiede allora quale funzione rappresenti al meglio la curva di distribuzione


limite a campana: si tratta della funzione di distribuzione normale o di Gauss.
FUNZIONE DI DISTRIBUZIONE NORMALE O DI GAUSS

• La funzione di distribuzione normale o di Gauss ha un’espressione del tipo:

• Dove X è il valore vero (infatti, per il modello matematico possiamo pensare di


avere idealmente a disposizione ∞ misure) e σ è il parametro di larghezza della
curva.
NORMALIZZAZIONE DELLA CURVA DI GAUSS

• Affinché l’espressione della curva di Gauss descriva una distribuzione limite,


dovrà essere normalizzata, cioè deve soddisfare la condizione:

• Per far ciò si riscrive l’equazione della curva di Gauss moltiplicandola per un
fattore N, che comunque non ne cambia la forma:
NORMALIZZAZIONE DELLA CURVA DI GAUSS
• Poniamo x – X = y  dx = dy :

• Poniamo y/s = z  dy = s dz :

• Poiché l’integrale che segue è uno degli integrali standard dell’analisi matematica:

• Imponendo la condizione di normalizzazione si avrà:


Funzione di Gauss normalizzata
NOZIONI FONDMENTALI SULLA CURVA DI GAUSS
• Il valor medio per una curva di Gauss sarà pari al valore vero:

• Il parametro di larghezza della curva di Gauss sarà pari alla deviazione standard:

• Entrambi calcolati per il caso ideale di infinite misure.

• In definitiva, quando ci si riferisce al modello matematico f(x) si può affermare che


per la misura di x vale :
PARAMETRO DI LARGHEZZA
Si vuole adesso comprendere quale fiducia riconoscere al parametro di larghezza σ.

Sul modello matematico è possibile calcolare gli integrali:

Questi sono integrali tabellati e rappresentano la


probabilità che una misura cada nell’intervallo ±σ, o ± 2σ,
o ± 3σ attorno al valor vero X.
PARAMETRO DI LARGHEZZA
CALCOLO DELLE PERCENTUALI DI PROBABILITA’
Dopo aver ottenuto una Gaussiana per una data grandezza x, calcoliamo la probabilità
che tale misura cada entro un intervallo ±s dal valor vero X:

Dopo aver sostituito (x-X)/s = z  dx = s dz  i limiti d’integrazione divengono z = ±


1.
Più generalmente si può calcolare la probabilità di un risultato entro ± ts, con t numero
positivo:

Tale espressione si grafica:


DEVIAZIONE STANDARD DELLA MEDIA

Si calcoli ora il valor medio delle medie:

……………………… dove
DEVIAZIONE STANDARD DELLA MEDIA

1 𝑛
𝑗
𝑥ҧ = σ𝑖=1 𝑥𝑖𝑗 𝑗
= 𝑓(𝑥𝑖 )
𝑛

Ma allora, il parametro di larghezza per la


distribuzione delle m medie sarà:

La deviazione standard della media.


DEVIAZIONE STANDARD DELLA MEDIA

Errore standard