Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
In alcuni casi si può procedere nel modo seguente: viene fissato un certo valore di probabilità di<br />
soglia. Se P(Z)<br />
é inferiore a questo valore, l’ipotesi viene rigettata: in caso contrario viene<br />
accettata. La scelta della probabilità di soglia é in qualche misura arbitraria. Scelta tipiche possono<br />
essere il 10% o il 5% o anche l’1%. Si noti che la scelta di questa soglia dipende da quanto<br />
vogliamo essere ‘severi’. Certamente assumere il 10% come soglia significa essere piuttosto severi,<br />
ma comporta il rigettare il 10% dei casi buoni come se fossero cattivi. Viceversa, scegliere l’1%<br />
significa ridurre questa eventualità all’1% ma significa anche aumentare la possibilità di prendere<br />
come buoni casi cattivi. Si tratta dunque di trovare un compromesso che dipende dalla natura del<br />
problema in questione.<br />
(3.4.2) Consistenza tra esperimento e modello<br />
Un caso simile al precedente che pure abbiamo incontrato nelle nostre esperienze di laboratorio é<br />
quello in cui vi é un valore atteso per il risultato di una certa misura, valutato sulla base di un<br />
modello o sulla base di una ipotesi che si fa sulla grandezza che stiamo misurando. Nel caso delle<br />
misure di densità l’ipotesi é che i cilindretti siano tutti fatti di alluminio puro e dunque la densità<br />
attesa é la densità dell’alluminio, assunta nota con incertezza trascurabile. Muovendoci secondo<br />
quanto detto nel paragrafo precedente, e facendo di nuovo l’ipotesi che la nostra misura provenga<br />
da una popolazione gaussiana, costruiamo la seguente statistica campionaria:<br />
= x ˆ<br />
Z<br />
− μ<br />
σ<br />
in cui x é il risultato della misura, σ la stima della sua deviazione standard gaussiana ed infine μ è il<br />
valore atteso. Da questo punto in poi si segue il ragionamento fatto sopra. Essenzialmente, dato il<br />
valore di Z si tratterà di calcolare sulla base delle tabelle quanto vale P (Z)<br />
e sulla base di tale<br />
valore prendere una decisione.<br />
Nel seguito vedremo un altro esempio di test di ipotesi quando discuteremo i fit. E’ opportuno<br />
sottolineare che in ogni caso l’accettazione o il rigetto di una ipotesi non costituisce mai una<br />
conclusione certa, ma sempre una conclusione di natura probabilistica. Giova ribadire qui quanto<br />
già detto sopra, vale a dire che la scelta della probabilità di soglia determina la “severità” del test.<br />
Maggiore é tale probabilità di soglia, maggiore é la nostra tendenza a rigettare i casi, nel senso che<br />
l’accettazione dell’ipotesi si ha solo se l’accordo é molto buono. Ma proprio in questo caso diventa<br />
più alta la probabilità di rigettare come falsa un ipotesi vera.<br />
(3.4.3) Combinazione di diverse misure: la media pesata.<br />
Supponiamo ora di avere verificato che i risultati di due esperimenti relativi alla grandezza x siano<br />
consistenti, cioè che il test dell’ipotesi di consistenza abbia dato esito positivo. A questo punto ci<br />
poniamo il problema di combinare i due risultati utilizzando tutte le informazioni a nostra<br />
disposizione. Fare la media aritmetica tra i due risultati costituisce un approccio che ha un evidente<br />
problema. Infatti il risultato della media sta appunto a metà tra i due. Supponiamo che uno dei due<br />
risultati sia caratterizzato da una incertezza molto minore dell’altra. E’ naturale dare più credito a<br />
quel risultato e fare le cose in modo tale che il risultato finale sia più vicino a quello tra i due che ha<br />
incertezza minore. Si tratta cioè di fare una media pesata:<br />
x p + xˆ<br />
p ˆ1 1 2<br />
x p<br />
=<br />
p + p<br />
1<br />
2<br />
2<br />
in cui p 1 e p 2 sono appunto due pesi. In base a quanto detto i 2 pesi devono essere legati alla<br />
incertezza di ciascuna misura o meglio al suo inverso. Si dimostra che con la scelta<br />
1<br />
p =<br />
2<br />
s ( xˆ)<br />
102