11.06.2013 Views

DISPENSE DEL CORSO DI LABORATORIO DI CHIMICA – FISICA 1

DISPENSE DEL CORSO DI LABORATORIO DI CHIMICA – FISICA 1

DISPENSE DEL CORSO DI LABORATORIO DI CHIMICA – FISICA 1

SHOW MORE
SHOW LESS

Create successful ePaper yourself

Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.

Propagazione dell’errore in termini di deviazione standard<br />

Come si è visto, quando si effettuano misure di una certa precisione, nelle quali si<br />

osservano piccole fluttuazioni intorno ad un valor medio, la stima dell’errore, come<br />

dispersione intorno a tale valore, è fornita dalla deviazione standard. Ci si propone<br />

dunque di trovare come la deviazione standard di una grandezza che sia funzione di altre<br />

grandezze misurate sperimentalmente dipende dalle deviazioni standard di queste ultime.<br />

Consideriamo dapprima il caso semplice di una funzione di una sola variabile y = f ( x)<br />

e<br />

supponiamo che x e σx siano rispettivamente il valor medio e la deviazione standard della<br />

variabile sperimentale x.<br />

Definiamo valore di aspettazione della funzione f la quantità:<br />

k<br />

[ ] ( ) ( )<br />

E f = ∑ f x P x<br />

(12.25)<br />

i=<br />

1<br />

142<br />

i i<br />

è evidente che nel caso semplice f ( x) = x l’Eq. (12.25) coincide con l’Eq. (12.17) e si<br />

ottiene:<br />

E[ f] = E[ x] = x<br />

(12.26)<br />

Ora se espandiamo in serie di Taylor la funzione y intorno al punto x otteniamo:<br />

2<br />

1 2 ⎛ ⎞<br />

⎜ 2 ⎟<br />

x 2<br />

x<br />

⎛df ⎞<br />

y = f ( x) + ( x− x) ⎜ ⎟<br />

⎝dx ⎠<br />

+ ( x− x)<br />

d f<br />

⎝dx ⎠<br />

+ (12.27)<br />

In questo caso il valore di aspettazione della funzione y sarà allora:<br />

2<br />

⎛df ⎞ ⎡12⎛df⎞ ⎤<br />

i ⎜ ⎟<br />

i ⎜ 2 ⎟<br />

⎝dx ⎠x ⎢2dx x ⎥<br />

⎡ ⎤<br />

Ey [ ] = E⎡⎣f( x) ⎤⎦+ E⎢( x− x) ⎥+<br />

E⎢ ( x− x)<br />

⎥+<br />

=<br />

⎣ ⎦ ⎣ ⎝ ⎠ ⎦<br />

n<br />

∑ f x P xi i= 1<br />

n ⎡<br />

∑⎢ xi i= 1⎣ x<br />

⎛df ⎞ ⎤<br />

⎜ ⎟ ⎥P<br />

xi ⎝dx ⎠x⎦ n ⎡1 ∑<br />

i= 1⎢⎣<br />

2<br />

xi x<br />

2 ⎛df⎞ ⎤<br />

⎜ P x<br />

2 ⎟ i<br />

⎝ dx ⎠x⎥⎦<br />

n<br />

f ( x) ∑P( xi) i= 1<br />

n<br />

⎛df ⎞<br />

⎜ ⎟ ∑(<br />

xi ⎝dx ⎠xi= 1<br />

x) P( xi) 2<br />

1 ⎛df⎞ n<br />

2<br />

x<br />

2 ∑(<br />

i − x) P( xi)<br />

+<br />

2 ⎝ dx ⎠xi=<br />

1<br />

2<br />

( ) ( ) ( ) ( ) ⎢ ( ) ⎥ ( )<br />

= + − + − + =<br />

= + − + ⎜ ⎟<br />

dove si è considerato che i termini ( )<br />

2 ⎛ ⎞<br />

⎜ 2 ⎟<br />

x x<br />

⎛df⎞ d f<br />

f x , ⎜ ⎟ e<br />

⎝dx ⎠ ⎝ dx ⎠<br />

sommatoria vale 1 per la condizione di normalizzazione:<br />

n<br />

<br />

(12.28)<br />

sono costanti. Ora la prima<br />

∑ P( xi)<br />

= 1<br />

(12.29)<br />

i=<br />

1<br />

La seconda sommatoria rappresenta il valor medio degli scarti dalla media che è nullo:

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!