Nella maggioranza dei casi (ma non in tutti) facendo un istogramma delle misure acquisite si ottiene una curva a campana detta ‘normale’ o Gaussiana.
• Si puo dimostrare che l’istogramma ha una forma Gaussiana quando tutte le sorgenti di inceretezza hanno un contributo molto piccolo e casuale
• Esistono tuttavia altre curve che incontreremo nel corso, come ad esempio la Binomiale o la Poissoniana
• Poiche la Gaussiana è simmetrica attorno al valore medio allora Media = Mediana = Moda
1 ,
,
2 , 1
,
2
2 1
dx x
G
e x
G
x
= Valor Medio (vedi prossimo lucido)
= deviazione standard (vedi prossimo lucido)
Distribuzione Gaussiana
Teoremi
Nel caso di un numero N finito di misure, ripetibili ed indipendenti, che possano essere descritte da una distribuzione gaussiana
allora
1- La migliore stima del parametro è la media
2 – La migliore stima del parametro è la deviazione standard del campione
3 – L’incertezza relativa sul valore di è data da
2
2 1
2 , 1
,
x
e x
G
1 ) (
1
2
N x x
N
i
i
x
Ni
x
ix N
1
1
) 1 (
2
N
di stima come
di valore sul
incertezza
x
Nell’ipotesi che i dati misurati si distribuiscano seguendo una curva Gaussiana è possibile dare una definizione più quantitativa della deviazione standard
• Il 68% delle misure cadrà all’interno dell’intervallo
• Il 95% delle misure cadrà all’interno dell’intervallo
• il 99.7% delle misure cadrà all’interno dell’intervallo
Distribuzione Gaussiana
x ; x
x 1 . 96 ; x 1 . 96
x 3 ; x 3
Perche il 68% o il 95% ?
Data una gaussiana normalizzata
Allora
1 ,
,
2 , 1
,
2
2 1
dx x
G
e x
G
x
3
3 96 . 1
96 . 1
997 .
0 ,
,
95 . 0 ,
,
68 . 0 ,
,
x
x x
x x
x
dx x x
G
dx x x
G
dx x x
G
Distribuzione Gaussiana
Questa proprietà è vera esclusivamente per una distribuzione Gaussiana.
Per altre distribuzioni potranno valere, caso per caso, percentuali differenti
Per esempio
1 - Poissoniana con valor medio <x> = 8 e = 2.8
In un intervallo di più o meno una deviazione standard cadono il 62% dei conteggi 2 - Poissoniana con valor medio <x> = 10 e = 3.2
In un intervallo di più o meno una deviazione standard cadono il 73% dei conteggi 3 - Poissoniana con valor medio <x> = 5 e = 2.2
In un intervallo di più o meno una deviazione standard cadono il 74% dei conteggi Nota:
Valor medio e deviazione standard sono definite per un qualsiasi set di dati, tuttavia solo per il caso della Gaussiana è possibile dimostrare il legame con i parametri della
distribuzione stessa.
Probabilità Integrale – ERF – Funzione degli errori
Come ho fatto a calcolare gli integrali di prima ?
Come posso fare per calcolare l’integrale di una gaussiana per altri intervalli di integrazione ? Oppure .. più in generale ?
Come faccio a trovare la probabilità che una data misura x
0faccia parte della distribuzione statistica ‘Gaussiana’ che ha valor medio x
beste ?
Il punto di partenza è l’integrale parametrizzato
x
bestProbabilità Integrale – ERF – Funzione degli errori
Come ho fatto a calcolare gli integrali di prima ?
Come posso fare per calcolare l’integrale di una gaussiana per altri intervalli di integrazione ? Oppure .. più in generale ?
Come faccio a trovare la probabilità che una data misura x
0faccia parte della distribuzione statistica ‘Gaussiana’ che ha valor medio x
beste ?
Il punto di partenza è l’integrale parametrizzato
t x
x
t x
x
dx dx
Nota
x t x
dove dx
x G dx
x x
G P
best best
best t
t x
x
x x
best
b est
b est
0 0
' best best
0
0 x
' x
- x x' :
' 0 , , ' ,
,
0
0
Non è una uguaglianza matematica ma una equivalenza dopo un cambio di coordinate. Ricordatevi che una traslazione conserva le differenze
x 0
x best x 0
x best
00
, ,
x x
x x
best
b est
b est
dx x
x G
P
) ,
,
( x x best P
0
0,
, x x
t con
dx x
G
P
bestt
t
32 .
0 t
Pagina 289 taylor
Sia per esempio
32
. 0
32 . 0
0 ,
, dx
x G P
Dobbiamo usare la tabella
, , 0 0 . 251
32 . 0
32 . 0
dx x
G P
Quindi
Quindi:
• Data una misura x
0• Data una distribuzione gaussiana con valor medio x
beste deviazione standard
• Sia t = |x
0– x
best|/ = 0.32
Allora ho una probabilità pari all’area esterna alla gaussiana,
cioè il 74.9% di probabilità, di trovare una misura uguale o ‘peggiore’ (cioè più lontana da x
best) di x
0. Quindi ho il 74.9% di probabilità che x
0appartenza alla distribuzione
, , 0 1 0 . 251 74 . 9 %
1
32 . 0
32 . 0
dx x
G P
NOTA IMPORTANTE
Cosa succede se t=1.96 ?
In questo caso, ho solo il 5% di probabilità di avere una misura uguale o peggiore di x
0,
quindi x
0è una ‘cattiva’ misura.
t
t
. 0 P ( x , 0 , )
La probabilità di avere una misura uguale o peggiore di x
0si calcola integrando su tutto
l’intervallo esterno a partire dal punto in questione (x
0) su entrambi i lati della gaussiana
Esercizio:
Provate a verificare sulle tabelle se è vero che
, , , , 0 0 . 68
0
0
x dx G x dx x
G P
x x
x x
best
best
best
, ,
2 , , 0 0 . 95
2
0
0
x dx G x dx x
G P
x x
x x
best
best
best
, ,
2.58 , , 0 0 . 99
58 . 2
0
0
x dx G x dx x
G P
x x
x x
best
best
best
, ,
0.5 , , 0 0 . 39
5 . 0
0
0
x dx G x dx x
G P
x x
x x
best
best
best
Nota importante
Nei lucidi precedenti abbiamo definito l’osservabile ‘t’ definita come
L’osservabile ‘t’ indica, in questo caso, la distanza della misura x
0dal valor medio in unità di deviazione standard
Ovviamente il valore dell’osservabile ‘t’ dipende dalla corretta conoscenza di x
beste della deviazione standard
In una distribuzione Gaussiana, noto il valore dell’osservabile ‘t’ è possibile, in qualsiasi
caso, calcolare la probabilità di avere una misura di valore uguale o maggiore (in modulo) di x
0attraverso l’uso della proprietà integrale e delle tavole.
Nota:
La deviazione standard nella formula di ‘t’ è quella ‘VERA’ non quella misurata !
x 0
t x best
Nell’ipotesi che i dati misurati si distribuiscano seguendo una curva Gaussiana è possibile dare un carattere predittivo alla deviazione standard
• La prossima misura ha il 68 % di probabilità di cadere all’interno dell’intervallo
• La prossima misura ha il 95 % di probabilità di cadere all’interno dell’intervallo
• La prossima misura ha il 99.7 % di probabilità di cadere all’interno dell’intervallo La deviazione standard quindi:
• E’ una quantita associata alla singola misura
• E’ una stima quantitativa della incertezza su una singola misura
• E’ una stima quantitativa della dispersione delle singole misure
• E’ una stima della larghezza della distribuzione di probabilità delle misure
• NON è una stima dell’errore del valor medio ottenuto
• NON è una stima dell’incertezza statistica presente nel nostro valor medio
• NON dipende dal numero di misure effettuate
• Che variabile statistica quantifica l’errore/incertezza presente nel valor medio ?
Distribuzione Gaussiana
x
;x
x2;x2
x3;x3
Deviazione Standard della Media
E possibile Dimostrare che nel caso di dati che si distribuiscono seguendo una distribuzione Gaussiana l’incertezza a cui è soggetto il valore medio è data dal rapporto della deviazione standard con la radice quadrata del numero di misure effettuate.
Altri nomi della Deviazione Standard della media (SDOM) sono:
• Errore Standard
• Errore Standard della Media
• La Deviazione Standard della media decresce con l’aumentare del numero di misure
x
N
m
media della
standard Deviazione
Nell’ipotesi di:
• Aver effettuato N misure della medesima quantità (misure ripetute ed indipendenti).
• I dati misurati si distribuiscano seguendo una distribuzione Gaussiana.
• NON siano presenti errori sistematici.
C’e’ il 68% di probabilità che il valore x
verosia all’interno dell’intervallo (x
best–
m; x
best+
m).
Il valore x
bestè estratto atrraverso il processo di media.
Analogamente per il 95% ed il 99.7% di probabilità con 1.96
me 3
mPer comprendere in maniera intuitiva l’origine della deviazione standard della media
• Immaginate di avere un numero infinito di dataset composti ciascuno da N misure di una osservabile fisica.
• I dati in ciascun dataset si distribuiranno secondo una gaussiana, con un valor medio ed una deviazione standard
• Posso ottenere un numero infinito di valori medi (uno per dataset).
• Costruiamo la distribuzione dei valori medi ottenuti in ciascun dataset.
• Questa distribuzione è una Gaussiana
• Questa distribuzione avrà come valore medio x
vero• Questa distribuzione avrà come deviazione standard la deviazione standard della media di un singolo dataset
Media Dev. Std
Media Dev. Std Media
Dev. Std Media
Dev. Std Media
Dev. Std
Nota importante
La deviazione dalla media è uno strumento molto utile per valutare il numero di misure necessarie per ottenere un certo errore. P.es.
Devo misurare una osservabile, una stima a priori mi dice che dovrei ottenere come valor medio <x> ed una deviazione standard
Se volessi una incertezza nel valore medio pari all’1% quante misure dovrei fare ?
2
01 .
0 1
01 .
1 0
% 1
N x
N x x
x
m m
Nonostante le proprietà della deviazione standard e della deviazione dalla media siano dimostrabili solo sotto precise ipotesi si generalizza la loro definizione e uso.
DEFINIZIONI
La deviazione standard è una stima dell’incertezza sulla singola misura, in altre parole è una valutazione quantitativa delle fluttuazioni casuali e quindi di come si disperdono le singole misure attorno al valore medio. In particolare, nella gaussiana, esiste il 68% di probabilità che una singola misura sia all’interno dell’intervallo (x
best– ; x
best+ )
Deviazione Standard
Deviazione Standard della Media
mLa deviazione standard della media è una stima dell’incertezza sul valor medio, in altre parole è una valutazione quantitativa di quanto (in assenza di errore sistematico) x
bestè lontano da x
vero. In particolare, esiste il 68% di probabilità che x
verosia all’interno
dell’intervallo (x
best–
m; x
best+
m)
Nota Importante
Voglio conoscere il valore di una osservabile attraverso una operazione di misura.
Ipotizzo che i dati si distribuiscano secondo una gaussiana attorno al valore medio Effettuo N misure (indipendenti e ripetibili) dell’osservabile.
• Estraggo il valore medio (la migliore stima del valore vero)
• Estraggo la deviazione standard del campione (la migliore stima di )
• Estraggo la deviazione dalla media (la migliore stima del mio errore)
• Estraggo il valore dell’osservabile ‘t’
• Posso quindi affermare che ho il 68% (t=1) di probabilità che il valore vero sia nell’intervallo (x
medio±
m) o il 99.7% (t=3) che il valore vero sia nell’intervallo (x
medio± 3
m)
Tuttavia:
• per estrarre la deviazione dalla media devo usare la deviazione standard, che tuttavia non conosco ma di cui ho una stima (la deviazione standard del campione) non
necessariamente corretta.
• Come posso stimare l’errore della misura se non conosco il valore vero della deviazione standard ?
• Se il numero di misure N è ‘piccolo’ posso aspettarmi che il valore della deviazione standard del campione possa essere molto differente dal valore vero della deviazione
standard
x0t xbest
Il grafico riporta l’andamento della deviazione standard al variare del numero di misure nel caso di un dado equiprobabile. Il valore ‘vero’ è indicato dalla linea gialla.
Osservate che dopo 3-5 tiri la deviazione standard del campione può essere molto differente dal valore vero della deviazione standard
Per risolvere questo problema bisogna studiare la distribuzione dell’osservabile ‘t’
La distribuzione dell’osservabile ‘t’ è definita “Student’s t distribution” ed data dalla relazione:
Dove G indica una funzione matematica speciale (vedi pg. 196 del Bevington).
Nella formula l’osservabile ‘n’ indica il numero di gradi di libertà (n = N-1 se dal medesimo set di dati si estrae anche il valor medio) e l’osservabile ‘t’ è data dalla relazione
P((t,n) indica quindi la probabilità di ottenere un determinato t avendo fatto un numero di misure pari a N
1
/2 22 1 /
2 / 1 ) 1
, (
G
G
n
n n
n
n n t
t p
dati dai
estratta standard
deviazione
dati
dai estratto medio
valor
0
x x
x x x
t
La pagina 266 del Bevington (e la tabella che segue) indicano il valore dell’integrale della distribuzione della ‘t’ di Student nell’intervallo da x
1= <x> - t
xa x
2= <x> + t
xfissato il valore dell’osservabile ‘t’ e del numero di gradi di libertà.
Facciamo un esempio:
• Vengono fatte n (numero piccolo, 2-7) misure e si ottiene un valor medio di 5,88 ed una deviazione della media di 0,31. Il valore atteso è pari a 6.5
• Nel caso di una distribuzione gaussiana il parametro t assume un valore pari a
t = (6.5-5,88)/0.31 = 2, in altre parole il valor medio misurato dista due deviazioni standard della media misurate dal valore atteso.
• Se la deviazione standard fosse nota esattamente (e quindi anche la deviazione dalla media) potremmo dire che esiste il 4.55 % di probabilità che la distanza tra il
valore misurato ed il valore atteso sia dovuto alle fluttuazioni statistiche
• la misura, tuttavia, ha dato solo una stima, non necessariamente precisa, della deviazione standard
• Questo è il tipico caso in cui è utile la distribuzione della ‘t’ Student
La tabella degli integrali della distribuzione ‘t’ riporta che per t = 2:
Notate che per un numero infinito di misure si ottengono gli stessi risultati della gaussiana Notate che il risultato dipende dal numero di misure
Notate che la tabella non entra in gioco nel determinare il valore l’errore ma
- la compatibilità o meno di misure tra loro o verso un valore atteso
- l’intervallo di probabilità entro il quale ci aspettiamo di avere il valor medio
Gradi di Liberta Numero Misure Probabilità che la differenza dal valor medio sia una fluttuazione statistica (t=2)
2 3 18.3 %
3 4 13.9 %
4 5 11.6 %
5 6 10.2 %
8 9 8 .0%
10 11 7.3 %
20 21 5.9 %
50 51 5.1 %
infinite Infinite 4.6 %
La tabella C.8 pg 266
del Bevington
Esercizio:
Uno studente misura l’accelerazione di gravità, g, cinque volte con i seguenti risultati
Trovare il valor medio, la deviazione standard e l’errore sulla misura di g.
Calcolare con che probabilità la differenza tra il valore misurato e quello atteso possa essere ricondotta ad una fluttuazione statistica usando la proprietà integrale della gaussiana e la distribuzione della ‘t’ di Student
9.9 m/s2
9.6 m/s2
9.5 m/s2
9.7 m/s2
9.8 m/s2
In questo caso l’osservabile t = (9.806 – 9.70)/0.08 = 1.33
Secondo l’integrale Gaussiano ho una probabilità del (1-0.8165) = 18.4 % che la differenza tra la misura ed il valore atteso sia una fluttuazione statistica.
Secondo la distribuzione di student la probabilità è di circa 26.7 %
Esercizio
Dopo aver misurato la velocita del suono v molte volte, uno studente conclude che la
deviazione standard
vè pari a 10 m/s. Assumendo che tutte le incertezze siano casuali, lo studente puo’ raggiungere una precisione desiderata facendo un numero sufficiente di misure e mediando.
Quante misure sono necessarie per avere un errore sulla velocità del suono pari a 3 m/s ? Quante misure sono necessarie per avere un errore sulla velocità del suono pari a 0.5 m/s ?
3 11 10
/ 10
/ 3
2 2
m m
m
N
s m s
m N
5 400 .
0 10
/ 10
/ 5
. 0
2 2
m m
m