Statistica Approssimazione Dati

Politecnico di Torino
Dipartimento di Ingegneria Meccanica e Aerospaziale

Marco Gherlone
Marco Di Sciuva
Analisi statistica ed approssimazione
di dati sperimentali
Sperimentazione su Strutture Aerospaziali
Analisi statistica ed approssimazione di dati sperimentali
Marco Gherlone
Marco Di Sciuva
2
Lincertezza la conoscenza imprecisa o incompleta di una grandezza, di un modello o
di un sistema. Ovvero, le informazioni a disposizione non sono sufficienti a determinare
in maniera univoca lo stato del sistema.

Esistono 2 tipi di incertezza:
1) Incertezza aleatoria o irriducibile: essa legata alla impossibilit fisica di conoscere
con certezza alcune grandezze (Principio di indeterminazione di Heisemberg) o alla
variabilit intrinseca di altre (modulo elastico di una serie di provini realizzati con lo
stesso materiale)
2) Incertezza epistemica o riducibile: deriva da una incompleta conoscenza del
fenomeno e delle grandezze in gioco (approssimazione nel modello utilizzato,
imprecisione del sistema di misura). Una maggiore conoscenza permette una riduzione
di questa incertezza
3) Incertezza Totale: la combinazione (somma) di incertezza aleatoria e incertezza
epistemica

In questa sede ci occuperemo soprattutto delle incertezze di tipo aleatorio che sono
normalmente trattate con lanalisi statistica
Incertezza e analisi statistica dei dati
Marco Gherlone
Marco Di Sciuva
3
I dati sperimentali hanno sempre una certa variabilit che pu essere dovuta al fatto
che si riferiscono a prove diverse svolte su provini diversi e/o alla presenza di errori di
misura (sistematici o random)
I dati ottenuti durante le varie misure sono spesso una notevole mole di informazioni
che vanno in qualche modo sintetizzate
La procedura di sintesi si basa sul calcolare:
media (valore medio, moda)
deviazione standard
distribuzione di probabilit
Analisi statistica dei dati sperimentali
Marco Gherlone
Marco Di Sciuva
4
Si consideri un test svolto N volte e finalizzato alla misura di una certa grandezza
I dati misurati rappresentano un campione di dimensione N estratto da una
popolazione di infinite misure che potrebbero essere svolte
I dati possono essere organizzati in un istogramma delle occorrenze (o osservazioni)
che illustra loccorrenza delle misure raccolte per intervalli
Successivamente si pu determinare un grafico delle frequenze per ogni intervallo
(rapporto tra occorrenze nellintervallo e numero totale di misure) e un grafico delle
frequenze cumulative
Analisi statistica di un campione di dati
Marco Gherlone
Marco Di Sciuva
5
I dati possono essere elaborati per determinare la media (mean value)

E necessario sottolineare che la media del campione (detta anche media campionaria)
solo una stima della media della popolazione. Questi due valori tendono a coincidere
quando il numero di osservazioni N (la dimensione del campione) tende ad infinito
La deviazione standard (standard deviation) per il campione in esame data da:

Anche in questo caso S
x
solo una stima della deviazione standard della popolazione
N
n
n 1
1
x x
N
N
2
n
n 1
1
x
S x x
N
Mean value
Standard deviation
Analisi statistica di un campione di dati
Marco Gherlone
Marco Di Sciuva
6
25 30 35 40 45 50 55 60 65 70 75
0
0.005
0.01
0.015
0.02
0.025
0.03
0.035
0.04
x
p
(
x
)
( )
Pr ( ) x x x dx p x dx s < + =
20 30 40 50 60 70 80
0
20
40
60
80
100
120
x
n
(
x
)
20 30 40 50 60 70 80
0
0.02
0.04
0.06
0.08
0.1
0.12
x
n
(
x
)
/
N
N=1000 misure
( )
i i
n x n N = =

20 30 40 50 60 70 80
0
0.02
0.04
0.06
0.08
0.1
0.12
x
n
(
x
)
/
N
( )
1
i
i
n x
n
N N
= =

Analisi statistica della popolazione
Marco Gherlone
Marco Di Sciuva
7
25 30 35 40 45 50 55 60 65 70 75
0
0.005
0.01
0.015
0.02
0.025
0.03
0.035
0.04
x
p
(
x
)
25 30 35 40 45 50 55 60 65 70 75
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
x
R
(
x
)
( )
( )
( )
2
1
1 2
Pr ( )
Pr ( )
Pr ( )
x
x
x
x x x dx p x dx
x x x p x dx
x x p x dx
s < + =
s < =
< =
}
}
( )
( )
2
1
1 2 2 1
( ) ( ) Pr
Pr ( ) ( ) ( )
( ) ( )
x
x
x
R x p x dx x x
x x x p x dx R x R x
p x dR x dx
= <
s < = =
=
}
}
Marco Gherlone
Marco Di Sciuva
8
Allaumentare della dimensione del campione, N, e del numero di intervalli,
listogramma delle occorrenze si avvicina a una curva continua: la funzione di
distribuzione della probabilit (densit di probabilit)

La media () il valore pi probabile in senso medio; esso definito come

La varianza o
2
rappresenta la dispersione della distribuzione statistica rispetto al suo
valor medio . La deviazione standard o ne la radice quadrata

La deviazione standard una misura della distribuzione di probabilit tra i valori di x
diversi da

Lintegrale della funzione di densit di probabilit fornisce la probabilit cumulativa
( ) xp x dx
+
}
( )
2
( ) x p x dx o
+

}
Marco Gherlone
Marco Di Sciuva
9
Distribuzioni di probabilit
Marco Gherlone
Marco Di Sciuva
10
il teorema del limite centrale afferma che la somma di un gran numero di variabili
stocastiche indipendenti ha una distribuzione normale

Daltro canto:
ci sono grandezze fisiche con distribuzioni diverse
la distribuzione normale una delle meno conservative in quanto cade bruscamente
per valori diversi da quello medio (si ha una bassa probabilit per i valori estremi della
distribuzione e, quindi, una minore probabilit di rottura)
La distribuzione Gaussiana (o
Normale) una delle pi
conosciute e utilizzate in quanto:
molte grandezze ingegneristiche
sono ben approssimate da
distribuzioni normali
Distribuzione di Gauss (o Normale)
Marco Gherlone
Marco Di Sciuva
11
La distribuzione definita da due parametri (,o), rispettivamente media e deviazione
standard

Nella variabile normalizzata z (con media nulla e deviazione standard unitaria)
lespressione della distribuzione pi semplice
Leffetto di trasformazioni della variabile stocastica indicato in tabella
( )
2
2
2
( / 2)
2
1 1
( ) ( )
2 2
x
z
f z e f x e
x
z
o
t o t
= =
=
Marco Gherlone
Marco Di Sciuva
12
Il vantaggio principale nelluso della distribuzione di
Gauss consiste nella semplicit con cui essa permette
di determinare la probabilit che una misura assuma un
valore incluso nellintervallo [z
1
;z
2
]
} }

= =
2
1
2
2
1
) 2 / (
2 1
2
1
) ( ) , (
z
z
z
z
z
dz e dz z f z z P
t
x
1
x
2
z
1
z
2
P(z
1
,z
2
)
-o +o -1 1 0.683
-2o +2o -2 2 0.954
-3o +3o -3 3 0.997
Marco Gherlone
Marco Di Sciuva
13
La distribuzione di Weibull pu variare la sua forma da simmetrica (come quella
normale) a non simmetrica
Nel caso simmetrico, la diminuzione di probabilit per valori diversi da quello medio
meno brusca rispetto alla distribuzione normale
E particolarmente adatta ad approssimare il comportamento dei materiali fragili come
le fibre di carbonio, i materiali compositi ed i materiali ceramici
Distribuzione di Weibull
Marco Gherlone
Marco Di Sciuva
14
Una volta stimata media e deviazione standard di un campione ( e S
x
), si pone il
problema di stimare media e deviazione standard della popolazione ( e o)
Si supponga di aver svolto una serie di test in ognuno dei quali si misurano N valori,
cio si considerino diversi campioni di numerosit N; si possono determinare le
rispettive medie campionarie,
La distribuzione di queste medie normale con media pari alla media della
popolazione, , e deviazione standard definita da

Conoscendo la deviazione standard della media campionaria si possono determinare
degli intervalli di confidenza per la media della popolazione
Se la media della popolazione, gli intervalli di confidenza sono dati da

Si possono ottenere livelli di confidenza del 99%, 95% e 90% ponendo o=2.57, 1.96 e
1.65
1 2 3
, , ,... x x x
x
x
S
S
N N
( ) ( )
x x
x S x S o o < < +
Dal campione alla popolazione
x
Marco Gherlone
Marco Di Sciuva
15
Esempio

Il punto medio dellintervallo di confidenza vale
Se scelgo o=3, ottengo

cio, un intervallo di confidenza del 99.7%
Questo significa che il valore medio calcolato del nostro campione (150mm) ha una
probabilit del 99.7% di discostarsi di 1.26mm da valore medio effettivo della
popolazione
Se si desidera una maggiore accuratezza bisogna aumentare la numerosit del
campione, cio N!
150 ; 6 ; N=200
x
x mm S mm 0.42
x
S mm
x
( ) ( )
3 3
x x
x S x S < < +
Marco Gherlone
Marco Di Sciuva
16
Il valore della t di Student dipende
anche dal numero di gradi di
libert, v, cio dal numero di
misure indipendenti, che in questo
caso pari a N-1 (perch un grado
di libert perso nella stima del
valore medio)
Nel caso di numerosit del campione piuttosto limitata (N<20) la deviazione standard S
x

non una stima accurata della deviazione standard o della popolazione: questa
procedura di calcolo non applicabile. In questo caso, i limiti dellintervallo di
confidenza vengono calcolati come

in cui t(o,v) definita t di Student; o un livello di significativit che la probabilit di
eccedere un certo valore di t. I livelli di significativit utilizzati di solito sono 1% e 5%
( ) ( )
( , ) ( , )
x x
x t S x t S o v o v < < +
Marco Gherlone
Marco Di Sciuva
17
Il test _
2
viene utilizzato per verificare che una data distribuzione di probabilit
rappresenti le propriet della popolazione da cui sono tratti i dati sperimentali

dove
n
o
(i)
= numero di osservazioni sperimentali nellintervallo i
n
e
(i)
= numero di osservazioni attese (in base alla distribuzione di probabilit adottata)
nellintervallo i
k = numero di intervalli
Le osservazioni attese sono normalizzate rispetto a quelle effettive
( )
2
( ) ( )
2
( )
1
i i
k
o e
i
i
e
n n
n
_
=

( ) ( )
1 1
k k
i i
e o
i i
n n
= =
=

Marco Gherlone
Marco Di Sciuva
18
Come si nota, anche in base alla differenza tra
le osservazioni presenti a numeratore della
formula precedente, _
2
misura la distanza tra
la distribuzione teorica e quella della
popolazione. Se _
2
=0, allora le due
distribuzioni sono coincidenti; in caso contrario
_
2
>0
La probabilit che la differenza tra le due
distribuzioni sia di natura casuale data dalla
figura a lato, dove i gradi di libert sono pari a
k-c, dove c il numero di condizioni imposte
Marco Gherlone
Marco Di Sciuva
19
Esempio
Determinare se la distribuzione di Gauss con media 5.34 e deviazione standard 0.255
rappresentativa dei dati riportati in tabella

Le occorrenze osservate sono note, mentre quelle attese n
e
si calcolano valutando larea
sottesa dalla distribuzione di Gauss (con media e deviazione standard assegnate)
nellintervallo specificato in prima colonna
Marco Gherlone
Marco Di Sciuva
20
In questo caso il numero di gradi di libert 8:
10 intervalli meno la stima della media e della
varianza
Facendo riferimento alla figura a lato, il test
fornisce risultato positivo (cio la distribuzione
teorica in grado di rappresentare le propriet
della popolazione) quando lintersezione tra
valore di _
2
e gradi di libert cade in una regione
compresa tra le curve con P=0.05 e P=0.95,
come in questo caso (_
2
=10.6, gdl=8)
NB: valori troppo bassi di _
2
potrebbero
implicare problemi nella misura dei dati
sperimentali
Marco Gherlone
Marco Di Sciuva
21
Tra gli esempi di incertezza aleatoria ci sono le propriet dei materiali. La natura
stocastica di tali propriet riconosciuta anche dalle normative; nel caso dei materiali
metallici, interessante considerare il contenuto delle norme MIL-HDBK-5H.
Caratterizzazione meccanica dei materiali
Marco Gherlone
Marco Di Sciuva
22
Marco Gherlone
Marco Di Sciuva
23
Definizione di
classe A
Marco Gherlone
Marco Di Sciuva
24
Marco Gherlone
Marco Di Sciuva
25
Marco Gherlone
Marco Di Sciuva
26
Le MIL-HDBK-17H si occupano invece di materiali compositi; in questo caso il
numero di classi di materiali molto maggiore che nel caso dei materiali metallici.
Marco Gherlone
Marco Di Sciuva
27
Marco Gherlone
Marco Di Sciuva
28
La dispersione statistica che si osserva nei materiali compositi pi alta che nei
materiali metallici. Diverse sono le cause:
variabilit delle propriet dei materiali base (fibre e matrice)
variabilit della laminazione
influenza delle modalit di prova
influenza delle condizioni ambientali (temperatura e umidit)

La MIL-HDBK-17 raccomanda la distribuzione di Weibull per la caratterizzazione dei
materiali compositi, in particolare per la sua capacit di assumere diverse forme, sia
simmetriche che non simmetriche.
Marco Gherlone
Marco Di Sciuva
29
Marco Gherlone
Marco Di Sciuva
30
Marco Gherlone
Marco Di Sciuva
31
Scopo delle prove sperimentali spesso determinare un legame tra variabili osservate
che possono dipendere da una o pi variabili indipendenti
Si tratta quindi di determinare una formula (modello matematico) che rappresenti in
modo sufficientemente accurato il legame tra i dati sperimentali
Cos facendo, si pu sostituire la formula trovata allinsieme delle misure effettuate
Approssimazione di dati sperimentali
Marco Gherlone
Marco Di Sciuva
32
Regressione lineare
Molti esperimenti vengono effettuati misurando
una singola variabile, che pu dipendere da una o
pi variabili indipendenti. Nel caso di una sola
variabile indipendente si pu applicare una
regressione lineare
Il problema consiste nel calcolo del coefficiente
angolare e del termine noto che meglio
approssimano le osservazioni sperimentali con una
semplice retta; si minimizza lo scarto quadratico
medio tra misure sperimentali y
i
e previsione
numerica y (metodo dei minimi quadrati)
2 2
min ( ) min ( )
i i i
i i
y y y ax b
| | | |
=
| |
\ . \ .

b ax y + =
y
x
Marco Gherlone
Marco Di Sciuva
33
0 ) ( 2 ; 0 ) ( 2 = =
c
E c
= =
c
E c

i i
i
i i
i
i
x b ax y
a
b ax y
b
0
0
i i
i i
y a x nb
y ax b
b y ax
=
=
=

2
0
( ) 0
i i i i i
i i i
i i i i i
i i i
i i i i i
i i i
i i i i i
i i i
x y a x x b x
x y a x x y ax x
x y y x x y nx y
a
x x x x x x nx x
xy x y
a
x x x
=
=

= =

=

La retta approssimante sar
) ( x x a y y =
Marco Gherlone
Marco Di Sciuva
34
( )
( )
2
2
2
1
i
i
i
i
y y
r
y y

La bont dellapprossimazione rappresentata dalla retta di best fit valutata con il
coefficiente di determinazione, r
2

Valori di r
2
vicini allunit indicano che la regressione lineare unapprossimazione
accurata dei dati.

( )
( )( )
2
2
2 2
xy x y
r
x x x y y y

=

Marco Gherlone
Marco Di Sciuva
35
A
A
n
a
l
i
s
i
s
t
a
Esempio
Data la tabella di valori x e y, determinare la retta regressione lineare
2
( )
0.176 0.645
0.905
y y a x x
y x
r
=
=
=
x
i
y
i
x
i
y
i
x
i
x
i
45 6.53 293.85 2025
42 6.30 264.60 1764
56 9.52 533.12 3136
48 7.50 360.00 2304
42 6.99 293.58 1764
35 5.90 206.50 1225
58 9.49 550.42 3364
40 6.20 248.00 1600
39 6.55 255.45 1521
50 8.72 436.00 2500
45.5 x =
7.37 y = 344.1 xy =
2
2120.3 x =
0.176 a =
Marco Gherlone
Marco Di Sciuva
36
Il metodo della regressione lineare pu essere applicato anche a relazioni non lineari se
ri-mappando i dati si ottiene una relazione lineare. Per esempio, utilizzando un
modello come

e valutando il logaritmo di entrambi i membri

allora si pu riscrivere lequazione precedente come

Si possono cos riutilizzare le espressioni della regressione lineare
Analogamente, nel caso di approssimazione esponenziale
a
bx y =
b x a y log log log + =
c ax y + = ' ' ( )
' log ; x' log ; c log y y x b
ln ln
cx
y be y b cx z a cx = = + = +
Marco Gherlone
Marco Di Sciuva
37
Regressione polinomiale
Sono possibili anche approssimazioni
mediante funzioni non lineari (per es.,
regressione polinomiale, parabolica, cubica o
esponenziale)
2
2 1 0
x a x a a y + + =
2 2 2
0 1 2
min ( ) min ( )
i i i i
i i
y y y a a x a x
| | | |
=
| |
\ . \ .

y
x
Marco Gherlone
Marco Di Sciuva
38
0 ) ( 2
0 ) ( 2
0 ) ( 2
2 2
2 1 0
2
2
2 1 0
1
2
2 1 0
0
= =
c
E c
= =
c
E c
= =
c
E c
i i i
i
i
i i i
i
i
i i
i
i
x x a x a a y
a
x x a x a a y
a
x a x a a y
a
0
0
0
4
2
3
1
2
0
2
3
2
2
1 0
2
2 1 0
=
=
=

i i i i i
i i i i i
i i i
x a x a x a y x
x a x a x a y x
x a x a na y
Marco Gherlone
Marco Di Sciuva
39
Da un punto di vista numerico, specialmente quando non si conosce il grado del
polinomio approssimante i dati sperimentali, pi conveniente utilizzare particolari
funzioni approssimanti: i polinomi ortogonali. Essi godono della propriet di lasciare
inalterati i coefficienti gi calcolati, allaumentare del grado del polinomio
approssimante
Nel caso di approssimazione parabolica, si ha:
x n x
x x x
c
x x c x x
x x x
x a x a a y
i
i i
=
=
=
+ + =

2
2 3
2
1
2
2
1
2 2 1 1 0
) ( ) (
) (
) ( ) (

Polinomi di
Gram-Chebyshev
Marco Gherlone
Marco Di Sciuva
40
( )
0
1
cos( ) ( )
2
n
n j j
j
a
T x a jx b sen jx
=
( = + +

Interpolazione trigonometrica (serie di Fourier)

In alcuni casi la funzione da approssimare periodica. Risulta allora agevole applicare
linterpolazione trigonometrica, che nel caso di polinomio trigonometrico di grado n e
periodo 2 diventa:
2
0
2
0
cos( )
2 1, 2...
(2 1)
( )
2 1, 2...
(2 1)
n
i i
i
j
n
i i
i
j
f jx
a j n
n
f sen jx
b j n
n
=
=
= =
+
= =
+
2
0
0
2 2
(2 1)
n
i
i
f
a f
n
=
= =
+
( )
2
0,1, 2...2 2 1
i
i i
i
x
i n n
f f x
t
=
= +

Marco Gherlone
Marco Di Sciuva
41
E possibile ricavare i coefficienti della serie di Fourier a partire da quelli della
trasformata di Fourier. Sia x=linspace(0,T,N+1) e f il vettore dei corrispondenti
valori della funzione f(x) di periodo T
% Number of valid time samples;

N=length(x)-1;

% Index of the maximum order;

nmax=floor((N+3)/2));

% DFT of the function f;

F=fft(f(1:N));

% Coefficients of the Fourier expansion;

a0= 2*F(1)/N;
aj= 2*real(F(2:nmax))./N;
bj=-2*imag(F(2:nmax))./N;
Marco Gherlone
Marco Di Sciuva
42
Le relazioni precedenti si ottengono sapendo che
0
1
( ) cos( ) ( ) ; 0,1, 2,...2
2
n
n i j i j i i
j
a
T x a jx b sen jx f i n
=
( = + + = =


2
; 0,1, 2...2
2 1
0 ,
i
i
x i n
n
j k n
t
= =
+
s s
2
0
2 1
; 0
( ) ( )
2
0; 0
n
i i
i
n
j k
sen jx sen kx
j k j k
=
+
= =
= = =
2
0
0;
2 1
cos( ) cos( ) ; 0
2
2 1; 0
n
i i
i
j k
n
jx kx j k
n j k
=
=
+
= = =
+ = =
2
0
cos( ) ( ) 0
n
i i
i
jx sen kx
=
=
2 2
0 0
cos( ) 0 ( ) 0
n n
i i
i i
jx sen jx
= =
= =

, j k

Statistica Approssimazione Dati

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Statistica Approssimazione Dati

Caricato da

Copyright:

Formati disponibili

Politecnico di Torino

Dipartimento di Ingegneria Meccanica e Aerospaziale

Dal campione alla popolazione

Approssimazione di dati sperimentali

Interpolazione trigonometrica (serie di Fourier)

Sperimentazione su Strutture Aerospaziali

Approssimazione di dati sperimentali

Potrebbero piacerti anche