Professional Documents
Culture Documents
i j ,
x
i
( )
j 1 -
:=
a1
T
( )
1 -
T
ym
( )
:=
corr x ym , ( ) 0.9 - =
a1
429.5
6.7 -
|
\
|
|
.
=
P m a , x , ( )
1
m 1 +
j
a
j
x
j 1 -
|
\
|
.
=
:= Retta interpolante
20 40 60
0
100
200
300
400
500
P m a1 , x
i
, ( )
ym
i
x
i
Nonostante il coefficiente di correlazione sia abbastanza vicino ad uno si vede chiaramente che
la retta dei minimi quadrati non adeguata a rappresentare il legame cercato. Se valutiamo i
residui si ha:
( )
res
i
P m a1 , x
i
,
( )
ym
i
- :=
10 20 30 40 50 60
150 -
100 -
50 -
0
50
res
i
x
i
Dalla visualzzazione dei residui viene rilevata
una tendenza che mostra l'inadeguatezza
della retta all'interpolazione dei dati acquisiti.
Ipotizzando la deviazione standard costante e indipendente da xi si avr:
q - 2 poich ho utilizzato 2 DOFper determinare
le costanti a11 e a12.
ym
1
q 2 -
1
q
i
ym
i
P m a1 , x
i
,
( )
-
( )
2
=
:=
ym 46.4 =
q
i
x
i
( )
2
i
x
i
|
\
|
|
.
2
- :=
Sa11 ym
i
x
i
( )
2
:=
incertezza sul coeff angolare
Sa11 18.3 = Sa12 0.5 =
quantile qt 0.975 q 2 - , ( ) :=
incSa11 quantile Sa11 := incSa11 37.4 =
Incertezze sulle costanti della retta dei
minimi quadrati per avere una confidenza del
95%.
incSa12 quantile Sa12 := incSa12 1.1 =
m 2 := j 1 m 1 + .. := PARABOLA DEI MINIMI QUADRATI
i j ,
x
i
( )
j 1 -
:=
a2
T
( )
1 -
T
ym
( )
:=
a2
624.1
21.2 -
0.2
|
\
|
|
|
.
=
P m a , x , ( )
1
m 1 +
j
a
j
x
j 1 -
|
\
|
.
=
:= Polinomio interpolante
20 40 60
0
100
200
300
400
500
P m a2 , x
i
, ( )
ym
i
x
i
Si nota un netto miglioramento rispetto al caso precedente, nonostante i residui presentino
ancora una tendenza
res
i
P m a2 , x
i
,
( )
ym
i
- :=
10 20 30 40 50 60
60 -
40 -
20 -
0
20
40
res
i
x
i
ym
1
q 3 -
1
q
i
ym
i
P m a2 , x
i
,
( )
-
( )
2
=
:=
ym 18.9 =
m 3 := j 1 m 1 + .. := CUBICA DEI MINIMI QUADRATI
i j ,
x
i
( )
j 1 -
:=
a3
T
( )
1 -
T
ym
( )
:=
a3
796.4
41.1 -
0.9
6.3 - 10
3 -
\
|
|
|
|
|
.
=
P m a , x , ( )
1
m 1 +
j
a
j
x
j 1 -
|
\
|
.
=
:= Polinomio interpolante
20 40 60
0
100
200
300
400
500
P m a3 , x
i
, ( )
ym
i
x
i
res
i
P m a3 , x
i
,
( )
ym
i
- :=
10 20 30 40 50 60
20 -
10 -
0
10
20
res
i
x
i
ym
1
q 4 -
1
q
i
ym
i
P m a3 , x
i
,
( )
-
( )
2
=
:= ym 8.1 =
m 5 := j 1 m 1 + .. := POLINOMIO DI QUINTO GRADO
i j ,
x
i
( )
j 1 -
:=
a5
T
( )
1 -
T
ym
( )
:= a5
1.1 10
3
98.4 -
4.5
0.1 -
1.4 10
3 -
6.7 - 10
6 -
\
|
|
|
|
|
|
|
|
|
.
=
P m a , x , ( )
1
m 1 +
j
a
j
x
j 1 -
|
\
|
.
=
:= Polinomio interpolante
20 40 60
0
100
200
300
400
500
P m a5 , x
i
, ( )
ym
i
x
i
res
i
P m a5 , x
i
,
( )
ym
i
- :=
10 20 30 40 50 60
4 -
2 -
0
2
4
res
i
x
i
I residui in questo caso non mostrano una
particolare tendenza a differenza dei casi
precedenti.
ym
1
q 6 -
1
q
i
ym
i
P m a5 , x
i
,
( )
-
( )
2
=
:=
ym 1.5 =
POTENZA DI X
YM ln ym ( ) :=
Z ln x ( ) :=
i 1 ,
x
1
( )
0
:=
i 2 ,
Z
i
:=
T 1
1 ...
=
A
T
( )
1 -
T
YM
( )
:=
A
8.4
0.9 -
|
\
|
|
.
=
Y
i
e
A
1
x
i
( )
A
2
:=
ymP
1
q 2 -
1
q
i
ym
i
Y
i
-
( )
2
=
:=
ymP 4.7 =
Vettore acquisizioni h h
1
1 113
:=
Y
i
e
A
1
x
i
( )
A
2
:= z Yacq ( ) e
ln Yacq ( ) - 8.41 +
0.949
:= in mean h ( ) := in 112.9 =
z in ( ) 48.5 =
100 200 300 400 500
10
20
30
40
50
e
ln Y ( ) - 8.41 +
0.949
Y
zP Yacq ( ) ymP
Yacq
e
ln Yacq ( ) - 8.41 +
0.949 d
d
:= zP in ( ) 2.1 =
10 100
10
100
1 10
3
Y
i
ym
i
x
i
265.6
265.8
266
266.2
266.4
G
i
resP
i
Y
i
ym
i
- :=
i
19.404
4.639 -
resP
i
60 10 x
i
19.404
4.639 -
resP
i
60 10 x
i
Se andiamo a valutare il coefficiente di correlazione tra le variabili, otteniamo un valore
soddisfacente. Nel trovare la retta il metodo utilizzato non del tutto legittimo da un punto di
vista logico. La derivazione dell'adattamento della retta dei minimi quadrati stata basata
sull'ipotesi che i nostri dati siano stati acquisiti tutti con la stessa incertezza, cosa non
vera. Inoltre l'adattamento dei minimi quadrati con la variabile logaritmica porta
inevitabilmente ad avere dei valori non costanti dell'incertezza, dalla propagazione degli errori
otteniamo che questa diminuir all'aumentare di ym nel caso di un'esponenziale.
Per semplificare il modello non si tenuto conto di ci.
Abbiamo quindi applicato un metodo che ci d delle stime ragionevoli, anche se non le
migliori, per la valutazione delle costanti A1 e A2.
rP
1
q
i
Z
i
mean Z ( ) -
( )
YM
i
mean YM ( ) -
( )
=
1
q
i
Z
i
mean Z ( ) -
( )
2
(
(
(
1
q
i
YM
i
mean YM ( ) -
( )
2
:=
rP 9.995E-001 - =
corr Z YM , ( ) 9.995E-001 - =
POTENZA ed ESPONENZIALE DI X
YM ln ym ( ) :=
Z ln x ( ) :=
i 1 ,
x
1
( )
0
:=
i
i 2 ,
Z
i
:=
i
i 3 ,
x
i
:=
i
A
T
( )
1 -
T
YM
( )
:=
A = A Ys
i
e
A
1
x
i
( )
A
2
e
A
3
x
i
:=
A
T
=
9.99 9.995 10 10.005 10.01
484.8
485
485.2
485.4
485.6
485.8
Ys
i
ym
i
x
i
resEXPs
i
Ys
i
ym
i
- :=Ys
9.254
2.714 -
resEXPs
i
60 10 x
i
9.254
2.714 -
resEXPs
i
60 10 x
i
Rigetto di dati
CRITERIO DI CHAUVENET: se in N misure una grandezza risulta sospetta possiamo apllicare
tale criterio per decidere se questa pu o meno essere scartata. Calcoliamo il numero t di
deviazioni standard di cui differisce dalla media la misura sospetta.Calcoliamo
successivamente il numero di misure attese che differiscano dalla media per pi di t. Se il
numero atteso risulta minore di 0.5 possiamo prendere in considerazione la possibilit di
scartare il dato anomalo.
10 mean D
10
( )
:= 10 277.9 =
10 Stdev D
10
( )
:= 10 6.1 =
1
100 1 -
0.1 = La sigma1 e' stimata con un errore del 10% circa
Quanto e' la probabilita' di avere il valore anomalo 301?
yanom
301 10 -
10
:= yanom 3.8 =
Troviamo la probabilita' di avere un valore cosi' o peggio
pnorm yanom - 0 , 1 , ( ) 2 1.6881 10
4 -
=
100 pnorm yanom - 0 , 1 , ( ) 2 ( ) 0.0169 =
Il numero atteso di dati atteso in questo campionamento che differiscano di 301+-10 0.02,
numero inferiore a 0.5, quindi il dato andrebbe scartato. Tale test inoltre conferma il fatto che
esiste un disturbo che andrebbe filtrato, questo infatti rappresenta un errore sistematico che
andrebbe eliminato. Un possibile criterio di filtrarlo potrebbe essere un implementazione del
criterio di Chauvenet.
Visualizzazione del rumore:
il rumore sottostante risulta da un campionamento di una distanza costante con un tempo di
campionamento di 200 ms. Si nota una certa periodicit della parte di segnale di disturbo ed
una tendenza ad assumere valori positici. Un altra strategia per eliminarlo potrebbe essere,
oltre ad una modifica a livello hardware, un'ottimizzazione del tempo di campionamento per
ottenere il minimo rumore.
ht
1
1
2
108
109
:=
t 1 rows ht ( ) .. := rows ht ( ) 69 =
devht Stdev ht ( ) :=
devht 13.5 = res
ht mean ht ( ) -
devht
:=
0 20 40
2 -
0
2
4
res
t
t
20 40 60
100 -
0
100
200
300
400
500
P m a1 , x
i
, ( )
ym
i
P m a1 , x
i
, ( ) incSa11 +
P m a1 , x
i
, ( ) incSa11 -
250
x
i
e
ln Yac ( ) - 8.41 +
0.949
1.0537407797681770285 e
1.0537407797681770285 - ln Yac ( ) 8.8619599578503688093 +
Yac
+
1.0537407797681770285 e
1.0537407797681770285 - ln Yac ( ) 8.8619599578503688093 +
Yac
-
Yac
e
ln Yac ( ) - 8.41 +
0.949 d
d
1.0537407797681770285 e
1.0537407797681770285 -
Yac
-
i 1 rows G ( ) .. :=
G
1
1
2
266
266
:=
0.999 0.9995 1 1.0005 1.001
265.6
265.8
266
266.2
266.4
i
ESPONENZIALE DI X
YMe ln ym ( ) :=
Ze x :=
e
i 1 ,
x
1
( )
0
:=
i
e
i 2 ,
Ze
i
:=
i
Ae e
T
e
( )
1 -
e
T
YMe
( )
:= e
Ae = Ae Ye
i
e
Ae
1
( )
e
Ae
2
x
i
:=
Ae
e
T
= e
9.99 9.995 10 10.005 10.01
484.8
485
485.2
485.4
485.6
485.8
Ye
i
ym
i
x
i
90 92 94 96 98 100
54
56
58
e
ln Yac ( ) - 8.41 +
0.949
+
8.8619599578503688093
e
ln Yac ( ) - 8.41 +
0.949
+
Yac
1.0537407797681770285 ln Yac ( ) 8.8619599578503688093 +