Sei sulla pagina 1di 21

Misure sperimentali

Un metodo semplice e diffuso per valutare laffidabilit di una misura consiste nel ripeterla, nelle stesse condizioni sperimentali, e analizzare gli N valori ottenuti. La dispersione delle N misure ci informa sullerrore casuale. Nessuna informazione si avra sullerrore sistematico. La grandezza da misurare deve essere esattamente la medesima (nelle stesse condizioni). Il risultato di una misura non deve influenzare la misura successiva (indipendenti)

Elaborazione dei dati sperimentali


Acquisito un insieme di pi misure della stessa grandezza fisica (in statistica campione di misure), si organizzano in modo che il loro significato risulti evidente Per rappresentare le misure si usa disporle in un istogramma Si mettono in evidenza sullasse delle ascisse tutti i possibili valori che possono essere ottenuti da una misura reale; Sullasse delle ordinate si rappresenta la frequenza assoluta con la quale i diversi valori si sono presentati In presenza di frequenze assolute troppo piccole, si raggruppano le misure in classi di frequenza Nel caso consueto in cui lasse delle ascisse venga diviso in intervalli della stessa ampiezza, possibile, dallaltezza di una colonna risalire al numero di dati del campione che hanno un determinato valore Larea totale sottesa dallistogramma pari al numero di osservazioni N

Istogramma

Istogramma
Operativamente: Trovare la misura con valore massimo xmax e la misura con valore minimo xmin e lintervallo D tra questi due valori, detto range della distribuzione Dividere lintervallo D in un numero conveniente di intervalli di ampiezza d

Nella maggioranza degli intervalli dovrebbero cadere almeno 3-5 misure Con intervalli di ampiezza d troppo larga quasi tutte le misure cadranno in pochi intervalli, Con d troppo stretto ogni intervallo conterra al pi una sola misura

E necessario avere un numero di misure non piccolo per fare un istogramma E possibile, talvolta, costruire istogrammi con intervalli di ampiezza diversa Costruire una Tabella/Grafico con il numero di misure che cadono in ciascun sottointervallo

Istogramma normalizzato
Normalizzare un istogramma fare in modo che il suo integrale abbia valore 1 Per normalizzare un istogramma: Si mette sullasse delle y il numero di misure che cadono nellintervallo della classe di frequenze diviso per il numero totale di misure fatte Il valore ottenuto corrisponde alla probabilit di ottenere una misura nella classe di frequenze (bin) data

Stime di tendenza centrale


In presenza di N valori osservati di una grandezza fisica si deve trovare un algoritmo che fornisca la migliore stima del valore vero In assenza di errori sistematici, gli errori casuali hanno uguale probabilit di presentarsi in difetto ed in eccesso rispetto al valore vero se il numero di misure sufficientemente elevato, ci aspettiamo (sulla base della legge dei grandi numeri) che la distribuzione delle frequenze di un campione non si discosti troppo da quella teorica delle probabilit. Ci si attende che i valori osservati si distribuiscano simmetricamente rispetto al valore vero Esistono varie stime della cosiddetta tendenza centrale di un campione

Stime di tendenza centrale


Moda: data una serie di N misure, ciascuna con risultato xi allora la moda definita come il valore per cui la probabilit massima, ovvero il valore che si presentato il maggior numero di volte Mediana: data una serie di N misure, ciascuna con risultato xi allora la mediana definita come quel valore di x che divide listogramma dei dati in due parti di uguale area. Media: la stima pi usata, in Fisica, della tendenza centrale di un campione la media aritmetica dei valori osservati, definita attraverso la

Media aritmetica: proprieta


La somma degli scarti di un insieme di valori dalla loro media

aritmetica identicamente nulla.

Media aritmetica: proprieta


La media aritmetica di un insieme di dati numerici x1,x2, . . . ,xN quel valore di x rispetto al quale risulta minima la somma dei quadrati degli scarti dalle xi; cio quel numero per il quale verificata la

Infatti:

Visto che

Media aritmetica
Si puo dimostrare che la media aritmetica effettivamente la stima migliore In maniera non rigorosa la media aritmetica di pi misure dovrebbe avere un errore inferiore a quello delle misure stesse; indichiamo con x il valore vero della grandezza x, e con xi (i = 1, . . . N) le N determinazioni sperimentali di x: Lerrore assoluto commesso in ognuna delle misure xi sar dato da ei = xi x. Lerrore assoluto della media aritmetica allora dato da

Visto che

Se gli errori sono solo casuali (ugualmente probabili in difetto e in eccesso) e se le misure sono numerose, gli ei tenderanno quindi ad eliminarsi a vicenda nella sommatoria, che inoltre moltiplicata per un fattore 1/N

La media espressa tramite le frequenze


Siano xi, con i = 1, . . . ,N, gli N valori del campione di cui vogliamo calcolare la media aritmetica; supponiamo che qualcuno dei valori ottenuti sia ripetuto, ad esempio che il valore x1 si sia presentato n1 volte, x2 si sia presentato n2 volte e cos via: la media aritmetica si pu calcolare come

Indichiamo con xj (j = 1, 2, . . . ,M) gli M valori distinti di x presenti nel campione; nj la frequenza assoluta con cui abbiamo ottenuto il valore xj nel corso delle nostre misure, e il rapporto nj/N la frequenza relativa fj dello stesso evento casuale: allora possiamo scrivere

e nellipotesi di un numero infinito di misure, chiamando pj la probabilita di ottenere la misura xj

Stima di dispersione
La semidispersione massima definita come

ha il difetto di ignorare la maggior parte dei dati e particolarmente quelli prossimi al centro della distribuzione Il doppio della semidispersione massima R = xmax xmin viene chiamato range La deviazione media assoluta (o errore medio), definita come

non facile da trattare a ragione della operazione non lineare costituita dal valore assoluto

Varianza e deviazione standard


La pi importante stima di dispersione la deviazione standard (oppure scarto o deviazione quadratica media) s; che si definisce come la radice quadrata della varianza, s2

Che, si puo dimostrare che vale anche

In sintesi
Disponendo di pi misure ripetute della stessa grandezza fisica, si assume come migliore stima del valore vero di quella grandezza la loro media aritmetica

Questa stima pi precisa di quanto non lo siano le singole misure, ed tanto pi attendibile quanto maggiore il numero delle stesse. Come valutazione dellerrore commesso nelle singole misure si assume il loro scarto quadratico medio, o meglio, la quantit

Perche si divide per N-1


Se N=1

mentre

Se dalle N misure si estratto il valor medio allora per la deviazione standard, che deve essere calcolata dividendo per i gradi di liberta, si e perso un grado di libert Se il valor vero noto attraverso unaltra via allora la deviazione standard deve essere calcolata dividendo per N Ovviamente tanto pi N grande tanto piu piccola sar la differenza tra i due valori di deviazione standard

Campioni e popolazione
Aumentando il numero di misure, la distribuzione dei dati diventa sempre piu liscia. Al limite di un numero infinito di misure, la distribuzione del campione tende alla curva continua della distribuzione della popolazione Larea rappresentata sopra ogni intervallo tende alla probabilit che il valore misurato cada entro di esso Per le grandezze continue e conveniente ragionare in temini di funzione di densita di probabilita che ci indica la probabilit che venga osservato uno tra i molti possibili valori della x che cadono in un dato intervallo [x1,x2] di ampiezza grande rispetto alla risoluzione sperimentale. Larea totale sottesa da tale curva e 1.

Campioni e popolazione
Consideriamo che i parametri della distribuzione del campione di dati sperimentali tendano, allinfinito, ai parametri della distribuzione della popolazione Quindi per la media

E per la varianza

Distribuzioni discrete
Se consideriamo la distribuzione di probabilita P(x) per una distribuzione discreta otteniamo per la media

e per la varianza

In generale il valore atteso per una generica funzione f(x) e

Distribuzioni continue
Se consideriamo la distribuzione di probabilita P(x) per una distribuzione discreta otteniamo per la media

e per la varianza

In generale il valore atteso per una generica funzione f(x) e