Documente Academic
Documente Profesional
Documente Cultură
– p. 1/2
LA DISTRIBUZIONE NORMALE o DI GAUSS
– p. 1/2
LA DISTRIBUZIONE NORMALE o DI GAUSS
– p. 1/2
LA DISTRIBUZIONE NORMALE o DI GAUSS
– p. 2/2
DISTRIBUZIONE DEGLI ERRORI ACCIDENTALI
– p. 2/2
DISTRIBUZIONE DEGLI ERRORI ACCIDENTALI
– p. 2/2
DISTRIBUZIONE DEGLI ERRORI ACCIDENTALI
– p. 2/2
DISTRIBUZIONE DEGLI ERRORI ACCIDENTALI
– p. 3/2
DISTRIBUZIONE DEGLI ERRORI ACCIDENTALI
– p. 4/2
DISTRIBUZIONE DEGLI ERRORI ACCIDENTALI
– p. 4/2
DISTRIBUZIONE DEGLI ERRORI ACCIDENTALI
– p. 4/2
DISTRIBUZIONE DEGLI ERRORI ACCIDENTALI
– p. 4/2
DISTRIBUZIONE DEGLI ERRORI ACCIDENTALI
– p. 4/2
DISTRIBUZIONE DEGLI ERRORI ACCIDENTALI
– p. 4/2
PROPRIETÀ DELLA LEGGE NORMALE
– p. 5/2
PROPRIETÀ DELLA LEGGE NORMALE
+∞
h
Z
E(s) = √ sf (s)ds =
π −∞
Z +∞
h −h2 s2
√ se ds = 0
π −∞
è identicamente nullo.
– p. 5/2
PROPRIETÀ DELLA LEGGE NORMALE
+∞
h
Z
E(s) = √ sf (s)ds =
π −∞
Z +∞
h −h2 s2
√ se ds = 0
π −∞
è identicamente nullo.
– p. 5/2
PROPRIETÀ DELLA LEGGE NORMALE
E(x) = x∗
– p. 6/2
PROPRIETÀ DELLA LEGGE NORMALE
E(x) = x∗
Il valore di aspettazione delle misure di una grandezza
fisica affette solo da errori casuali esiste, e coincide con
il valore vero della grandezza misurata.
– p. 6/2
PROPRIETÀ DELLA LEGGE NORMALE
– p. 7/2
PROPRIETÀ DELLA LEGGE NORMALE
– p. 7/2
PROPRIETÀ DELLA LEGGE NORMALE
– p. 8/2
RELAZIONI TEORICHE
Per misure affette da errori distribuiti secondo la legge
normale:
l’errore quadratico medio ed il modulo di precisione h
1
soddisfano alla relazione σ = √
h 2
– p. 8/2
RELAZIONI TEORICHE
Per misure affette da errori distribuiti secondo la legge
normale:
l’errore quadratico medio ed il modulo di precisione h
1
soddisfano alla relazione σ = √
h 2
– p. 8/2
RELAZIONI TEORICHE
– p. 9/2
DISTRIBUZIONI DELLE MISURE E DEGLI SCARTI
– p. 10/2
DISTRIBUZIONI DELLE MISURE E DEGLI SCARTI
1 x−µ 2
Esprimendo s = x − µ otteniamo f (x) = √1 −
e 2 σ
σ 2π
– p. 10/2
DISTRIBUZIONI DELLE MISURE E DEGLI SCARTI
1 x−µ 2
Esprimendo s = x − µ otteniamo f (x) = √1 −
e 2 σ
σ 2π
– p. 10/2
LO SCARTO NORMALIZZATO
Essendo la distribuzione normale largamente utilizzata
e non avendo il suo integrale indefinito una forma
analitica, per il calcolo delle probabilità vengono usati
valori pre-tabulati.
– p. 11/2
LO SCARTO NORMALIZZATO
Essendo la distribuzione normale largamente utilizzata
e non avendo il suo integrale indefinito una forma
analitica, per il calcolo delle probabilità vengono usati
valori pre-tabulati.
Impossibile avere tabelle per tutte le possibili coppie di
valori dei parametri σ e µ. È quindi conveniente rendere
il calcolo della funzione cumulativa F (x) indipendente
dai parametri.
– p. 11/2
LO SCARTO NORMALIZZATO
Essendo la distribuzione normale largamente utilizzata
e non avendo il suo integrale indefinito una forma
analitica, per il calcolo delle probabilità vengono usati
valori pre-tabulati.
Impossibile avere tabelle per tutte le possibili coppie di
valori dei parametri σ e µ. È quindi conveniente rendere
il calcolo della funzione cumulativa F (x) indipendente
dai parametri.
Definiamo scarto normalizzato o variabile normale
x−µ
standardizzata t =
σ
– p. 11/2
LO SCARTO NORMALIZZATO
Essendo la distribuzione normale largamente utilizzata
e non avendo il suo integrale indefinito una forma
analitica, per il calcolo delle probabilità vengono usati
valori pre-tabulati.
Impossibile avere tabelle per tutte le possibili coppie di
valori dei parametri σ e µ. È quindi conveniente rendere
il calcolo della funzione cumulativa F (x) indipendente
dai parametri.
Definiamo scarto normalizzato o variabile normale
x−µ
standardizzata t =
σ
La densità di probabilità della variabile t è
1 − 1 t2
ϕ(t) = √ e 2
2π
– p. 11/2
DISTRIBUZIONE NORMALE STANDARDIZZATA
– p. 12/2
DISTRIBUZIONE NORMALE STANDARDIZZATA
– p. 12/2
DISTRIBUZIONE NORMALE STANDARDIZZATA
Alla normale standardizzata può essere ricondotta qualunque
x−µ
funzione di Gauss, effettuando il cambio di variabili: t =
Z z Z µ+zσ σ
1 − 1 t2 1 1 x−µ 2
valendo la relazione: √ e 2 dt = √ e− 2 σ
−z 2π µ−zσ σ 2π
– p. 13/2
DISTRIBUZIONE NORMALE STANDARDIZZATA
Alla normale standardizzata può essere ricondotta qualunque
x−µ
funzione di Gauss, effettuando il cambio di variabili: t =
Z z Z µ+zσ σ
1 − 1 t2 1 1 x−µ 2
valendo la relazione: √ e 2 dt = √ e− 2 σ
−z 2π µ−zσ σ 2π
– p. 13/2
DISTRIBUZIONE NORMALE STANDARDIZZATA
Alla normale standardizzata può essere ricondotta qualunque
x−µ
funzione di Gauss, effettuando il cambio di variabili: t =
Z z Z µ+zσ σ
1 − 1 t2 1 1 x−µ 2
valendo la relazione: √ e 2 dt = √ e− 2 σ
−z 2π µ−zσ σ 2π
– p. 13/2
DISTRIBUZIONE NORMALE STANDARDIZZATA
– p. 14/2
DISTRIBUZIONE NORMALE STANDARDIZZATA
– p. 15/2
LO SCARTO
NORMALIZZATO
Z +1 2
√1 − t2
Pr t ∈ [−1, +1] = 2π
e dt = 0.6827 . . .
Z−1
+2 2
√1 − t2
Pr t ∈ [−2, +2] = 2π
e dt = 0.9545 . . .
Z−2
+3 2
√1 − t2
Pr t ∈ [−3, +3] = 2π
e dt = 0.9973 . . .
−3
– p. 16/2
LO SCARTO NORMALIZZATO
Ricordando che t = s/σ
Pr s ∈ [−σ, +σ] ≡ Pr t ∈ [−1, +1] ≈ 0.6827
Pr s ∈ [−2σ, +2σ] ≡ Pr t ∈ [−2, +2] ≈ 0.9545
Pr s ∈ [−3σ, +3σ] ≡ Pr t ∈ [−3, +3] ≈ 0.9973
– p. 17/2
INTERPRETAZIONE PROBABILISTICA DI σ
– p. 18/2
INTERPRETAZIONE PROBABILISTICA DI σ
– p. 18/2
ESAME DEI DATI: criterio del 3σ
In una serie di misure dirette quale criterio per
individuare dati sospetti e anomali?
– p. 19/2
ESAME DEI DATI: criterio del 3σ
In una serie di misure dirette quale criterio per
individuare dati sospetti e anomali?
Si calcolano x e σx
– p. 19/2
ESAME DEI DATI: criterio del 3σ
In una serie di misure dirette quale criterio per
individuare dati sospetti e anomali?
Si calcolano x e σx
Si eliminano le misure |x − x̄| > 3σ (p ∼ 0.003).
– p. 19/2
ESAME DEI DATI: criterio del 3σ
In una serie di misure dirette quale criterio per
individuare dati sospetti e anomali?
Si calcolano x e σx
Si eliminano le misure |x − x̄| > 3σ (p ∼ 0.003).
Si ricalcolano x e σx
– p. 19/2
STIMA DELL’ERRORE QUADRATICO MEDIO
– p. 20/2
STIMA DELL’ERRORE QUADRATICO MEDIO
– p. 20/2
STIMA DELL’ERRORE QUADRATICO MEDIO
– p. 20/2
STIMA DELL’ERRORE QUADRATICO MEDIO
– p. 20/2
STIMA DELL’ERRORE QUADRATICO MEDIO
– p. 20/2
STIMA DELL’ERRORE QUADRATICO MEDIO
– p. 20/2
STIMA DELL’ERRORE QUADRATICO MEDIO
– p. 20/2
STIMA DELL’ERRORE QUADRATICO MEDIO
P P n 2 n 2
i=1 (ǫi ) i=1 (si )
Dividiamo per n → = + ǫ2
n n
– p. 21/2
STIMA DELL’ERRORE QUADRATICO MEDIO
P P n 2 n 2
i=1 (ǫi ) i=1 (si )
Dividiamo per n → = + ǫ2
n n
La varianza è dunque:
Pn 2
2 i=1 (si )
σ = + ǫ2 (1)
n
espressa in funzione degli scarti e dell’errore della media, ancora
incognito.
– p. 21/2
STIMA DELL’ERRORE QUADRATICO MEDIO
P P n 2 n 2
i=1 (ǫi ) i=1 (si )
Dividiamo per n → = + ǫ2
n n
La varianza è dunque:
Pn 2
2 i=1 (si )
σ = + ǫ2 (1)
n
espressa in funzione degli scarti e dell’errore della media, ancora
incognito.
Quadriamo l’errore della media:
n
! 2
1 X 1
ǫ2 = 2 si = 2 (ǫ1 + ǫ2 + · · · ǫn )2 =
n i=1
n
1 2 2 2
(ǫ 1 + ǫ 2 + · · · ǫ n + 2ǫ1 ǫ2 + 2ǫ1 ǫ3 + · · · )
n 2
" n #
1 X
2
ǫ = 2 (ǫi )2 + (2ǫ1 ǫ2 + 2ǫ1 ǫ3 + · · · )
n i=1
– p. 21/2
STIMA DELL’ERRORE QUADRATICO MEDIO
P P n 2 n 2
i=1 (ǫi ) i=1 (si )
Dividiamo per n → = + ǫ2
n n
La varianza è dunque:
Pn 2
2 i=1 (si )
σ = + ǫ2 (1)
n
espressa in funzione degli scarti e dell’errore della media, ancora
incognito.
Quadriamo l’errore della media:
n
! 2
1 X 1
ǫ2 = 2 si = 2 (ǫ1 + ǫ2 + · · · ǫn )2 =
n i=1
n
1 2 2 2
(ǫ 1 + ǫ 2 + · · · ǫ n + 2ǫ1 ǫ2 + 2ǫ1 ǫ3 + · · · )
n 2
" n #
1 X
2
ǫ = 2 (ǫi )2 + (2ǫ1 ǫ2 + 2ǫ1 ǫ3 + · · · )
n i=1
La somma dei termini misti può essere ragionevolmente posta = 0
per la simmetria della distribuzione di Gauss degli errori.
– p. 21/2
STIMA DELL’ERRORE QUADRATICO MEDIO
Il quadrato dell’errore della
nmedia è quindi:
X
" n # (ǫi )2
2
1 X 1 i=1
σ
ǫ2 = 2 (ǫi )2 = =
n i=1 n n
n
– p. 22/2
STIMA DELL’ERRORE QUADRATICO MEDIO
Il quadrato dell’errore della
nmedia è quindi:
X
" n # (ǫi )2
2
1 X 1 i=1
σ
ǫ2 = 2 (ǫi )2 = =
n i=1 n n
n
Introduciamo
Pn questa relazione nell’ Eq. (1)
2 2
(s i ) σ
σ 2 = i=1 +
n n
– p. 22/2
STIMA DELL’ERRORE QUADRATICO MEDIO
Il quadrato dell’errore della
nmedia è quindi:
X
" n # (ǫi )2
2
1 X 1 i=1
σ
ǫ2 = 2 (ǫi )2 = =
n i=1 n n
n
Introduciamo
Pn questa relazione nell’ Eq. (1)
2 2
(s i ) σ
σ 2 = i=1 +
n n
Pn 2
Pn 2
1 (s i ) (s i )
Esplicitiamo σ 2 → σ 2 1 − = i=1 → σ 2 = i=1
n n n−1
– p. 22/2
STIMA DELL’ERRORE QUADRATICO MEDIO
Il quadrato dell’errore della
nmedia è quindi:
X
" n # (ǫi )2
2
1 X 1 i=1
σ
ǫ2 = 2 (ǫi )2 = =
n i=1 n n
n
Introduciamo
Pn questa relazione nell’ Eq. (1)
2 2
(s i ) σ
σ 2 = i=1 +
n n
Pn 2
Pn 2
1 (s i ) (s i )
Esplicitiamo σ 2 → σ 2 1 − = i=1 → σ 2 = i=1
n n n−1
sP
n 2
i=1 (si )
Infine: σ=
n−1
che esprime lo scarto quadratico medio in funzione di tutti e soli gli
scarti delle misure.
– p. 22/2
STIMA DELL’ERRORE QUADRATICO MEDIO DELLA MEDIA
– p. 23/2
STIMA DELL’ERRORE QUADRATICO MEDIO DELLA MEDIA
Il guadagno in precisione
all’aumentare del numero di
misure non scala linearmente
con n. Inoltre Il processo non
può essere spinto all’infinito:
interviene l’usura degli strumenti,
verificarsi di errori accidentali,
ecc.
– p. 23/2
INDETERMINAZIONI STATISTICHE
Nel caso di misure ripetute
lo scarto quadratico medio σm rappresenta
l’indeterminazione statistica da associare alla singola
misura. Infatti se prendiamo un qualunque misura mi , si
ha il ∼ 68% di probabilità che |mi − m| ≤ σm e cioè che
nell’intervallo
mi − σm | − − − − − −mi − −m − − − −|mi − σm
sia compreso il valore m assunto per vero.
– p. 24/2
INDETERMINAZIONI STATISTICHE
Nel caso di misure ripetute
lo scarto quadratico medio σm rappresenta
l’indeterminazione statistica da associare alla singola
misura. Infatti se prendiamo un qualunque misura mi , si
ha il ∼ 68% di probabilità che |mi − m| ≤ σm e cioè che
nell’intervallo
mi − σm | − − − − − −mi − −m − − − −|mi − σm
sia compreso il valore m assunto per vero.
lo scarto quadratico medio della media σm rappresenta
l’indeterminazione statistica da associare alla media
aritmetica. Essa è minore di quella della singola misura
di un fattore 1/n.
– p. 24/2
INDETERMINAZIONI STATISTICHE
Nel caso di misure ripetute
lo scarto quadratico medio σm rappresenta
l’indeterminazione statistica da associare alla singola
misura. Infatti se prendiamo un qualunque misura mi , si
ha il ∼ 68% di probabilità che |mi − m| ≤ σm e cioè che
nell’intervallo
mi − σm | − − − − − −mi − −m − − − −|mi − σm
sia compreso il valore m assunto per vero.
lo scarto quadratico medio della media σm rappresenta
l’indeterminazione statistica da associare alla media
aritmetica. Essa è minore di quella della singola misura
di un fattore 1/n.
– p. 24/2
TEOREMA DEL LIMITE CENTRALE
Hp: N variabili casuali xi , statisticamente indipendenti e provenienti
da una distribuzione avente densità di probabilità ignota, della quale
esistano finite sia la media µi che la varianza σi2 .
– p. 25/2
TEOREMA DEL LIMITE CENTRALE
Hp: N variabili casuali xi , statisticamente indipendenti e provenienti
da una distribuzione avente densità di probabilità ignota, della quale
esistano finite sia la media µi che la varianza σi2 .
Th: Una qualunque cobinazione lineare delle variabili con coefficienti
αi , tende asintoticamente alla distribuzione normale con media µ e
varianza σ 2 /N al crescere di N → ∞.
N
X N
X
µ= αi µi σ2 = αi2 σi2
i=1 i=1
– p. 25/2
TEOREMA DEL LIMITE CENTRALE
Hp: N variabili casuali xi , statisticamente indipendenti e provenienti
da una distribuzione avente densità di probabilità ignota, della quale
esistano finite sia la media µi che la varianza σi2 .
Th: Una qualunque cobinazione lineare delle variabili con coefficienti
αi , tende asintoticamente alla distribuzione normale con media µ e
varianza σ 2 /N al crescere di N → ∞.
N
X N
X
µ= αi µi σ2 = αi2 σi2
i=1 i=1
– p. 25/2
TEOREMA DEL LIMITE CENTRALE
Hp: N variabili casuali xi , statisticamente indipendenti e provenienti
da una distribuzione avente densità di probabilità ignota, della quale
esistano finite sia la media µi che la varianza σi2 .
Th: Una qualunque cobinazione lineare delle variabili con coefficienti
αi , tende asintoticamente alla distribuzione normale con media µ e
varianza σ 2 /N al crescere di N → ∞.
N
X N
X
µ= αi µi σ2 = αi2 σi2
i=1 i=1
– p. 25/2
TEOREMA DEL LIMITE CENTRALE
– p. 26/2
TEOREMA DEL LIMITE CENTRALE
La figura precedente mostra il teorema del limite centrale all’opera. I
tre pannelli in alto mostrano tre distribuzioni continue di eventi
generati secondo una distribuzione normale (sinistra), uniforme
(centro) ed esponenziale (destra).
Successivamente (dall’alto verso il basso) sono mostrate le
distribuzioni delle medie di n variabili casuali estratte dalle due
distribuzioni. n vale, nell’ordine, 2, 5, 30.
Al crescere di n le distribuzioni della media tendono ad assumere
una forma regolare a campana, indipendentemente dalle distribuzioni
iniziali, fino a convergere a distribuzioni normali.
Da notare il secondo pannello centrale dall’alto (per n = 2). La forma
triangolare corrisponde, ad esempio, alla distribuzione della variabile
“somma del punteggio di due dadi”, già incontrata.
Visuallizza qui
– p. 27/2