Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
P ( x M<br />
−σ<br />
< μ < x + σ ) = 68.3%<br />
M<br />
Si noti il procedimento seguito, che é consistito nell’individuare la densità di probabilità di μ a<br />
partire dalla verosimiglianza.<br />
Nel caso in cui il valore x M proviene da una misura diretta letta su una scala “analogica” sappiamo<br />
che si tratta di stimare al meglio la precisione di interpolazione. Si potrebbe pensare di usare una<br />
misura come quella fatta in laboratorio per il nonio (aumentando magari il numero di osservazioni)<br />
come misura della popolazione della variabile δx scarto del valore misurato dal valore vero. Se tale<br />
popolazione si rivela essere gaussiana caratterizzata da valore atteso nullo e varianza σ 2 si può<br />
procedere come nel caso appena trattato dando un intervallo gaussiano di semilarghezza σ.<br />
In questi casi é evidente che per avere un intervallo del tipo di quelli chiamati di “quasi certezza” nel<br />
capitolo 1, occorrerà moltiplicare per 3 la larghezza dell’intervallo portando cosi’ il contenuto<br />
probabilistico dell’intervallo al 99.7%.<br />
Se invece la misura in questione proviene da un display digitale fisso e Δx é l’ampiezza<br />
dell’intervallo corrispondente all’ultimo digit centrato in x M , posso affermare che, per quel che posso<br />
sapere, la densità di probabilità di μ è uniforme tra x M - Δx/2 e x M + Δx/2. Non ho nessun elemento<br />
infatti per privilegiare una parte dell’intervallo rispetto ad un’altra. In tal caso la migliore stima del<br />
valore vero e della sua incertezza, avente il significato di deviazione standard della distribuzione di x<br />
(vedi cap.(2.4)) é<br />
ˆ μ =<br />
Δx<br />
x M<br />
±<br />
12<br />
corrispondente ad un intervallo di probabilità del 57.7%. In questo caso un intervallo di certezza é<br />
ovviamente ± Δx / 2.<br />
Bisogna comunque sempre tenere presente che non esiste un metodo generale. Si tratta di usare tutte<br />
le informazioni a disposizione e, se non si hanno informazioni sufficienti, in generale non si potrà<br />
dare una stima sensata di un intervallo.<br />
(3.2.2) Caso di una misura ripetuta N volte.<br />
Se invece ho un campione di dimensione N (sequenza di numeri) posso calcolare x ed s . Di<br />
nuovo però é interessante distinguere tra due casi, cioè tra il caso in cui ho informazioni aggiuntive<br />
al mio campione e il caso in cui tutte le mie informazioni sono date dal campione.<br />
Supponiamo allora di conoscere a priori che x ha una distribuzione gaussiana con valore atteso μ e<br />
varianza σ 2 : la variabile<br />
x − μ<br />
σ<br />
N<br />
è una gaussiana standardizzata, e dunque, applicando le stesse considerazioni fatte per il caso della<br />
singola misura, un intervallo<br />
x −<br />
σ<br />
< ˆ μ < x +<br />
N<br />
σ<br />
N<br />
è caratterizzato da un intervallo di probabilità del 68.3%. Infatti se il misurando è caratterizzato da<br />
una popolazione gaussiana, la media di N misure estratte da questa popolazione é (a maggior<br />
ragione) gaussiana e d’altra parte sappiamo che la sua varianza é la varianza di x diviso N. Allora<br />
posso ripetere il ragionamento fatto per la singola misura e scrivere come risultato:<br />
95