11.5 ❄ Caso di forte vincolo dato dalla prior
11.8 Combinazione scettica
0.5 1 1.5 2 Μ 5 10 15 20 25 30 35 40 fHΜL
Figura 11.10:Esempio di combinazione di risultati parziali in “palese” (vedi testo) disaccordo fra di loro. La curva continua rappresenta l’inferenza globale ottenuta dalla “formula standard” di combinazione. Quella tratteggiata tiene conto del forte dubbio che ci sia qualche effetto spurio fra i diversi risultati.
11.8 Combinazione scettica
Nel paragrafo 11.3 abbiamo visto come combinare risultati parziali indipen-denti in un risultato globale. Consideriamo ora il caso illustrato in figura 11.10 in cui le masse di probabilit`a indicate da ciascuna inferenza (curve puntina-te) non si sovrappongono8. Applicando le formule di combinazione (11.12) e ((11.13) si ottiene il risultato indicato con la curva continua di figura 11.10. A questo punto ci sono ottime ragioni per rimanere perplessi: il risultato fi-nale concentra la probabilit`a in una zona molto pi`u ristretta del singolo risul-tato parziale, ma non indicata da nessuno di quei risultati, non tenendo conto dell’enorme variabilit`a da un risultato all’altro. Cerchiamo di capire cosa sta succedendo, elencando le ipotesi alla base della “combinazione standard” data dalle (11.12) e ((11.13).
1. Tutte le misure si riferiscono alla stessa grandezza (“stiamo misurando tutti la stessa cosa”).
2. La verosimiglianza di ciascuna misura `e descritta da una gaussiana. 3. Il parametro della gaussiana `e stato stimato correttamente. 4. I risultati sono indipendenti.
5. Infine, la conoscenza iniziale di `e supposta essere sufficientemente vaga rispetto a quanto forniscono le singole verosimiglianze.
8
Questa affermazione vale per le regioni in cui si ammassa il pi`u alto grado di fiducia: avendo assunto un modello gaussiano, in cui le variabili possono assumere valori su tutto l’asse reale, le regioni di certezza (da¸
a
µ
¸
) si sovrappongono sempre!
336 Impostazione del problema. Caso di verosimiglianza gaussiana Se crediamo in modo assoluto a tutte queste ipotesi, non possiamo far altro che accettare il risultato ottenuto dalla combinazione standard, in quanto, trattan-dosi di fenomeni aleatori, l’osservazione di questa configurazione di risultati parziali non `e incompatibile con con il modello (come non `e incompatibile con le leggi della probabilit`a che una moneta dia testa 100 volte di seguito, o che un processo poissoniano di V0 produca l’osservazione X0e7.7.7 . Nonostan-te questi richiami alle “leggi del caso”, qualsiasi persona esperta `e disposta a scommettere che c’e’ qualcosa che non va nei quattro risultati di figura 11.10. E ha ragione. Il motivo `e che un ricercatore esperto ha sviluppato delle fortis-sime prior9 sul comportamento di strumentazioni, misure . . . e colleghi. Sulla base di queste prior, sa che gli strumenti possono essere non calibrati, che le tecniche sperimentali possono essere inadeguate allo misura particolare, che i colleghi si possono sbagliare, e cos`ı via. Alla luce di queste considerazioni, `e praticamente sicuro che che qualcosa sia andata male nelle misure, piuttosto che attribuire la dispersione di risultati al puro caso.
Dopo queste riflessioni, si tratta di rimodellizzare il problema, cercando di modificare una o pi`u delle ipotesi alla base della combinazione normale. Co-me si capisce, il problema non ha una soluzione unica. Si tratta soltanto di scegliere i modelli che sembrano pi`u ragionevoli e confrontarne i risultati. La sola ipotesi tranquilla `e quella sulla prior uniforme su . In questo testo non intendiamo affrontare il caso pi`u generale10, ma ci limitiamo a fornire delle in-dicazioni su caso illustrato nella figura 11.10 di risultati “molto incompatibili” fra di loro. Ciascuna delle ipotesi 1-3 possono essere soggette a critica. Un modo di schematizzare il problema `e quello di concentrarsi sulla 1 e 3. Il ricer-catore esperto dir`a infatti che “non stiamo misurando la stessa cosa”, ovvero “ci siamo dimenticati di effetti sistematici, diversi in entit`a in ciascun risultato parziale” (il che `e pi`u o meno la stessa cosa), ovvero punta il dito sull’ipotesi 1:
TRc! "W¹.R?= (11.85)
avendo indicato con il valore ideale che tutti “volevano misurare”, ¹CR l’er-rore sistematico di entit`a ignota, e R il valore vero che essi “hanno in fatti determinato”.
Se sapessimo, mediante opportune calibrazioni, quanto vale¹ R per ciascun laboratorio, il nostro problema `e risolto. Ma se siamo in questa situazione `e perch´e non non riusciamo a intercalibrare i laboratori e, inoltre, non abbiamo alcun motivo di preferire uno di essi. A questo punto non possiamo fare altro che considerare ¹
R come un errore aleatorio e stimarne la distribuzione dalla dispersione dei dati sperimentali, come abbiamo visto nei paragrafi precedenti, ritenendo il modello gaussiano per semplicit`a. Il caso numeri co in esame si presta particolarmente bene per quasta modellizzazione, in quanto possiamo ignorare completamente le singole deviazioni standard e concentrarci soltanto sui valori centrali. Il risultato `e di **** ed `e mostrato nella curva tratteggia-ta. Come si vede, tale curva descrive abbastanza bene la nostra incertezza, in quanto il valore vero si pu`o trovare con alta probabilit`a fra il risultato minimo e quello massimo.
9Soltanto il “perfetto idiota” (a trovarlo) `e esente da prior. Ma non `e la persona giusta a cui rivolgersi per aumentare la nostra conoscenza.
10Si veda ad esempio G. D’Agostini, “sceptiical ..”
11.8 Combinazione scettica 337
Discutere in footnote il caso intermedio: vedi mail a Press.
338 Impostazione del problema. Caso di verosimiglianza gaussiana
11.9 Problemi
1. Uno sperimentatore ritiene che la risposta del suo rivelatore sia descritta da una gaussiana centrata nel valore vero, con deviazione standard»º¼ ½
in unit`a arbitrarie. Esegue tre osservazioni, otte-nendoL»¾¿ j À ,L
jÁ eLhÂ| j à . Quanto vale l’intervallo entro cui lo sperimentatore riterr`a contenuto il valore vero al 95 Come presenter`a il risultato usando previsione e incertezza standard? determinto
2. Sullo stesso problema: quante misure deve fare per ottenere un’incertezza relativa di circa il 2%? 3. Il risultatoMÄ Å ÃÀÆǽ«È `e combinato con altri due risultati ottenuti indipendentemente da altri sperimentatori: ÉÊ«%ƽt#É eÁBËƽ«Ë« . Quanto varr`a il risultato combinato?
4.
5. Uno sperimentatore `e interessato a misurare una grandezza il cui valore numerico `e ritenuto esse-re di circa 0.15 in opportune unit`a. L’erroesse-re ca-suale sulla singola osservazione `e di circa 0.2. Inoltre, la misura `e affetta da una incertezza, di natura additiva di 0.0010. Quante osservazioni deve effettuare affinch´e le due incertezze siano confrontabili? Quanto varr`a l’incertezza relativa complessiva?
6. Sul problema precedente. Supponiamo che per raccogliere 40000 osservazioni siano necessari 3 mesi di raccolta dati. Vale la pena di raccogliere 100000 oservazioni?
7. Uno strumento `e caratterizzato da una incertez-za legata ad una costante di calibrazione additiva, pari a8ÌÍ Î½tY« . L’errore casuale dello stru-mento `e pari aÐÏaÑvÒÔÓºÕ . Vengono eseguite 100 misure di due grandezze omogene, ottenen-do i seguenti valori medi: L¾; #«« e L
whà . Dare i risultati delle misure, comprensivi del coefficiente di correlazione.
8. Uno sperimentatore ottiene i seguenti dati speri-mentali da un rivelatore fatto operare in condizio-ni apparentemente identiche: Ö 25.4, 23.9, 20.9, 23.3, 26.8, 18.6, 19.5, 24.6 26.5 21.5× . Lo stru-mento `e ritenuto perfettamente tarato e lo speri-mentatore ritiene ragionevoli fluttuazioni dell’or-dine del 10% per il tipo di strumento e di misura. Come presenter`a il risultato?
9. Uno sperimentatore ritiene, per esperienza acqui-sita, che in un certo tipo di misura si ottengo-no fluttuazioni percentuali intorottengo-no all’1%. Ese-gue soltanto due misure ottenendo: 3.017 e 3.033. Quale riterr`a essere l’incertezza sul risultato?
10. Uno strumento risponde con º ؽ«ÊÀ . Uno sperimentatore esegue 25 misure, ottenendo un valore medio di 47.25. Successivamente, un suo collega esegue 10 misure sulla stessa grandezza, con lo stesso strumento e nelle stesse condizioni. Quanto vale la probabilit`a che la seconda media sia compresa entro 47.20 e 47.30?