Elementi Di Statistica Parte 1 Bw

Introduzione
Richiami Accuratezza Precisione -> Errore sistematico (bias) -> Errore random
Elementi di statistica (1)
Osservazione fondamentale: Se utilizziamo diverse metodologie (sperimentali) per ottenere un risultato, quando queste sono affette da errori anche il risultato affetto da errori. Esiste un problema di propagazione degli errori.. Non possibile calcolare direttamente lerrore contenuto nel risultato ! Significherebbe conoscerlo, e quindi poterlo eliminare. Una situazione simile, ma differente, si ha quando si vuole valutare leffetto sul risultato di piccole variazioni dei parametri che determinano un risultato.
Sperimentazione di strutture aeronautiche - 2001-02

Copyright Dipartimento di Ingegneria Aerospaziale - Legge italiana sul Copyright 22.04.1941 n.633
Introduzione (2)
Esempio: Si voglia determinare il volume di un cilindro misurando raggio e altezza: che errore si compie sulla misura del volume se le misure di raggio ed altezza sono affette da errori?
V = r h
2
Supponiamo di commettere un errore nella misura di r ed h, vediamo come questi errori influenzano la misura del volume.
V + V = ( r + r ) 2 (h + h )
r
= r 2h + r 2 h + r 2h + r 2 h + + 2rrh + 2rrh
2

Introduzione (3)
v = (r 2 h + 2rrh + r 2h + r 2 h + 2 rh )
Trascurando gli infinitesimi di ordine superiore otteniamo:
V = (r 2 h + 2rrh )
Che permette di calcolare lerrore commesso sul calcolo del volume noti gli errori sulla misura del raggio e dellaltezza. Di solito quello che interessa lerrore percentuale:
V h 2 r = + V h r
Lo stesso risultato era ottenibile tramite il calcolo delle derivate di V rispetto a r ed h, nellipotesi di errori piccoli.

Introduzione (4)
Il discorso generalizzabile: data una quantit misurata, funzione di pi variabili:
Q = Q (a , b, c....)
Lerrore percentuale commesso esprimibile come:
Q 1 Q 1 Q = a + b + ... Q Q a Q b
Problema: in genere non noto lerrore (essendo random): spesso nota la sua distribuzione per un intero set di misura, ma non lerrore sulla singola misura. In alcuni casi il valore vero pu non esistere, almeno allinterno di una banda di precisione. A volte ci si accontenta se la media di un numero elevato di osservazioni ha un valore definito (es. meccanica quantistica).

Definizioni
Media Dato un certo numero di osservazioni xi la media vale:
1 x= N
x
1
i i
Dal punto di vista intuitivo appare pi vantaggioso utilizzare la media su un certo numero di misure, piuttosto che una singola misura. Si vedr nel seguito che la media la miglior stima del valore vero. E importante valutare quanto le singole misure si discostino dalla medi, cio la loro dispersione. Deviazione (residuo - scarto)
d i = xi x
Definizioni (2)
Non rappresenta lerrore sulla singola misura, dato che il valore medio NON rappresenta il valore medio, ma la sua migliore stima. Per valutare la dispersione, proviamo a calcolare la media delle deviazioni:
1 N
1 = d i i N 1
N 1 N 1 ( ) = x x x x i i i = i i N 1 1 1 N N
x x =0
i i 1
Risultato intuitivo, dato che i residui saranno un po positivi e negativi. Non la scelta pi opportuna. Introduciamo allora altri due indici di dispersione: Deviazione media (mean deviation):
1 = N
1 i di = N 1
xi x

Definizioni (3)
Deviazione standard (root mean square deviation): si calcola la media dei valori quadratici e se ne calcola la radice:
=
1 N
id =
2 i 1
1 N
2 ( ) x x i i 1
2 = varianza
Ci si chiede come la deviazione standard sia correlata allerrore commesso nel calcolo del valor medio. Si vedr che se il numero di misure elevato, in generale il massimo errore sul valor medio pari alla deviazione standard. In alcuni casi, lerrore sul valor medio non superiore a:
In generale pi misure forniscono valori pi accurati del valor medio.

Definizioni (4)
Probabilit: si definisce come la percentuale del numero totale degli eventi associata ad un determinato valore, quando consideriamo un numero elevato di eventi. Nota: Significa solo che il rapporto tra il numero di volte in cui accade un evento ed il numero totale degli eventi assume un valore, e NON che il numero di volte in cui avviene un evento assume un ben preciso valore.
Esempio: lancio di una moneta, dopo 100 lanci, si ottengono 52 volte testa e 48 volte croce; dopo 10000 lanci, si ottengono 5020 volte testa e 4980 volte croce. La differenza tra il numero di teste e croci aumenta, ma la probabilit si avvicina al 50%. Se conosciamo la probabilit di un singolo evento, possiamo calcolare la probabilit di un evento complesso, composto dai singoli eventi: 1 moneta => 2 possibilit 2 monete => 4 possibilit
Definizioni (5)
Importante la somma di tutte le probabilit pari ad 1. Consideriamo ora due dadi: ogni dado ha 6 possibili risultati, quindi le possibilit totali sono 6x6=36. In generale:
n dadi = 6n possibilit
Domanda: Che probabilit esiste di ottenere come somma 7? Ci sono 6 modi per ottenere una somma pari a 7: 1+6, 2+5, 3+4, 4+3, 5+2, 6+1 Ciascuna di queste combinazioni ha la stessa probabilit di accadere, pari a 1/36. La probabilit di avere somma pari a 7 allora: 6/36 = 1/6 Allo stesso modo la probabilit di ottenere 11 pari a: 2/36 = 1/18 Mentre la probabilit di ottenere 7 o 11 allora di: 6/36+2/36 = 8/36 = 2/9
Definizioni (6)
Popolazione: La popolazione linsieme che contiene tutti gli oggetti, misure, osservazioni, ecc.., analizzate, per le quali possono essere espresse alcune generalizzazioni. Sample (campione): Un campione un sotto insieme della popolazione sul quale sono compiuti esperimenti o dal quale sono ottenuti dati numerici.
Variabile random: Gli esperimenti e le misure ad essi associati sono influenzati da molti fattori che non possono essere completamente controllati. Se lesperimento viene ripetuto, le misure effettuate possono cambiare. Le grandezze misurate in questo caso sono considerate come variabili random. Matematicamente, una variabile random una funzione valutata numericamente per una data popolazione. Probabilit: E un valore numerico che esprime la possibilit di occorrenza di un determinato accadimento, tra tutti quelli possibili allinterno del campione (popolazione).
10
Funzioni di distribuzione di probabilit

Probability Mass Function: nel caso di variabili random discrete; Probability Density Function: nel caso di variabili random continue. Funzione Densit di probabilit:
f ( x)
b
P( xi x xi + dx ) = f ( x )dx
P( a x b) = f ( x )dx
a
1 caso: campione di n misure
media = x = i
1
xi n
i
(sample) deviazione standard = S =

(xi x )
n 1
11
Funzioni di distribuzione di probabilit (2)

2 caso: popolazione finita composta da N misure
media = = i
1
xi N
deviazione standard = =
(xi )
N 1
In questo caso possiamo esprimere media e varianza come funzioni della funzione di densit di probabilit:
+
xf(x)dx = valore atteso
2 = ( x )2 f ( x )dx

12

Esempio: Si consideri un cuscinetto la cui vita esprimibile mediante la seguente legge di densit di distribuzione di probabilit:
1) Calcolare la vita attesa del cuscinetto;

0 x < 10h f(x) = 200 x 10h 3 x
2) Se preleviamo un cuscinetto a caso da un lotto di produzione, qual la probabilit che la sua vita sia, rispettivamente: inferiore a 20h, maggiore di 20h, uguale a 20h ?
200 200 E ( x ) = = xf(x)dx = x 3 dx = = 20h x x 10 10 0

13

200 P( x < 20) = xf(x)dx = 0dx + 3 dx =0.75 x 10 - P( x 20) = 1 P( x 20) = 0.25
20 10 20
P( x = 20) = 0
0.2
f(x)
10
h
14

Probabilit cumulativa: Definisce la probabilit che una variabile random abbia un valore inferiore od uguale ad un ben preciso valore. Nel caso di variabili continue vale:
F ( rv x ) = F ( x ) =
f(x)dx =
i
P ( rv x )
Per il caso di variabili discrete vale invece:
F ( rv xi ) = j P( x j )
1
Valgono le seguenti relazioni:
P ( a < x b) = F ( b) F ( a ) P( x > a ) = 1 F (a )
15

Esempio: Trovare la probabilit che la vita del cuscinetto prima considerato sia a) inferiore a 15h e b) inferiore a 20h.
F ( x ) = 0dx = 0
x
per x 0
200 100 F ( x ) = 0 + 3 dx = 1 2 per x > 10 x x 10

Sostituendo x=15 e x=20 otteniamo i valori di probabilit cercati:
per x = 15 F ( x ) = 0.55 per x = 20 F ( x ) = 0.75

16

Graficamente avremo:
F(x)
10
Vita (h)

17
Funzione di distribuzione Gaussiana (normale)

Propriet fondamentali: Descrive bene landamento degli errori di molte misure; Anche se gli errori individuali non seguono questa distribuzione, le medie di gruppi di queste misure hanno una distribuzione gaussiana per un numero elevato di gruppi; Due modi per affrontare il problema:
Risultato che pu essere ottenuto matematicamente da considerazioni elementari; Formula empirica che ben approssima gli errori random. Consideriamo per ora questa distribuzione come un fatto assodato e analizziamo le conseguenze: assumiamo cio come nota una distribuzione di probabilit avente il seguente andamento:

18
Funzione di distribuzione Gaussiana (2)

f ( x ) = Ae
h 2 ( x m )2
A A/e
0
A, h, m costanti x singola misura x continua

m-1/h A massimo valore m valore di x per cui la funzione massima h parametro associato alla larghezza della funzione
m+1/h
19

Ma cosa significa f(x) ? Come gi anticipato, dire che rappresenta la probabilit di ottenere il valore x non corretto: tale probabilit infatti nulla (funzione continua ed illimitata). E pi opportuno discutere della probabilit di ottenere un valore compreso tra x e x+x. E quindi la corretta interpretazione che per un certo valore x ed intervallo dx, f(x)dx la probabilit di osservare un valore nellintervallo x->x+dx. Come gi visto in precedenza:
P(a, b) = f ( x )dx
a
La probabilit totale pari ad 1 (funzione normalizzata).

+
f ( x)dx = 1
20


Ma la condizione di normalizzazione impone che:
+
Ae
h 2 ( x m )2
dx = 1
la quale soddisfatta per un solo valore di A: eseguiamo una trasformazione di variabili:
h( x m) = z
+ z2
Ottenendo:
A e dz = h
Ma vale:
+
z2
dz =
quindi:
h A=
h h 2 ( x m )2 f ( x) = e
21


Determinazione del valor medio:
+
x=
xf ( x)dx
h x=
+
xe
h 2 ( x m )2
dx
Con la stessa sostituzione di prima:
h( x m) = z
1 x=
z z2 + m e dz h
Il primo termine tende a zero, rimane quindi:
m x=
m e dz =
z2
=m
Che un risultato scontato osservando la curva.

22

Determinazione da ultimo il valore della varianza:
= ( x m) f ( x )dx =
2 2
Eseguendo la medesima sostituzione di variabile, si ottiene:

h 2 h 2 ( x m )2 ( x m) e dx
=
2
h2
1 1 z e dz = 2 ; = 2h 2h
2 z2
La deviazione standard quindi inversamente proporzionale ad h !
1 f ( x) = e 2
( x m )2 2 2

23

0.8
0.6
f(x)
0.4
crescente
0.2
0 -4 -2
Variabile random x

24

Viene integrata numericamente ed i valori sono disponibili tabulati, mediante la sostituzione:
x z=
0.8
1 f ( z) = e 2
z2 2
0.6
0.4
Si ottiene cos la Standard Normal Density Function, che rappresenta la densit di probabilit per una variabile random z con media nulla e deviazione standard unitaria.
0.2
-1 0 +1
25


In questo modo vale:
x1 x x2 P( x1 x x2 ) = P( z1 z z2 ) = P
Esempio: Il risultato di un test presenta una distribuzione gaussiana, con media pari a 10 e deviazione standard pari ad 1. Trovare la probabilit che una singola misura sia rispettivamente: a) compresa tra 9 e 12; b) compresa tra 8 e 9.55; c) 9; d) > 12

26

a) :
9 10 12 10 z1 = = 1 ; z2 = =2 1 1
0.8
La situazione quindi la seguente:

Spezziamo contributi:
lintegrale -1:0 e 0:2.
in
0.6
0.4
P( 1 z 0) = P(0,1) = 0.3413 P(0 z 2) = 0.4772 0.2 P( 1 z 2) = 0.3413 + 0.4772 = = 0.8185 = 81.85% 0

-1 0 +1 +2
27

b) :
8 10 9.55 10 z1 = = 2 ; z2 = = 0.45 1 1 P( 2 z 0.45) = P( 2 z 0) P( .45 z 0) = .4772 .1736 = .3036 = 30.36%
c) :
z1 = ; z2 = 1
P( z 0) = 0.5 P( 1 z 0) = 0.3413 P( z 1) = P( z 0) P( 1 z 0) = .1587 = 15.87%

28

Utilizzando i valori integrati numericamente riportati in tabella possibile valutare i livelli di confidenza (intervalli di confidenza), ovvero la probabilit che i valori di z cadano negli intervalli seguenti:
1 2 3 3.5
68.26% 95.44% 99.74% 99.96%

29

Lingua

Benvenuto in Scribd!

Elementi Di Statistica Parte 1 Bw

Caricato da

Informazioni sul documento

Data di caricamento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Descrizione:

Copyright:

Formati disponibili

Elementi Di Statistica Parte 1 Bw

Caricato da

Descrizione:

Copyright:

Formati disponibili

Titoli correlati

Introduzione

Elementi di statistica (1)

Sperimentazione di strutture aeronautiche - 2001-02

Sperimentazione di strutture aeronautiche - 2001-02

Elementi di statistica (1)

Sperimentazione di strutture aeronautiche - 2001-02

Lerrore percentuale commesso esprimibile come:

Elementi di statistica (1)

Sperimentazione di strutture aeronautiche - 2001-02

Elementi di statistica (1)

Sperimentazione di strutture aeronautiche - 2001-02

In generale pi misure forniscono valori pi accurati del valor medio.

Funzioni di distribuzione di probabilit

1 caso: campione di n misure

(sample) deviazione standard = S =

Funzioni di distribuzione di probabilit (2)

Elementi di statistica (1)

xf(x)dx = valore atteso

Sperimentazione di strutture aeronautiche - 2001-02

Funzioni di distribuzione di probabilit (3)

1) Calcolare la vita attesa del cuscinetto;

0 x < 10h f(x) = 200 x 10h 3 x

200 200 E ( x ) = = xf(x)dx = x 3 dx = = 20h x x 10 10 0

Funzioni di distribuzione di probabilit (4)

Funzioni di distribuzione di probabilit (5)

Per il caso di variabili discrete vale invece:

Valgono le seguenti relazioni:

Funzioni di distribuzione di probabilit (6)

Elementi di statistica (1)

200 100 F ( x ) = 0 + 3 dx = 1 2 per x > 10 x x 10

per x = 15 F ( x ) = 0.55 per x = 20 F ( x ) = 0.75

Sperimentazione di strutture aeronautiche - 2001-02

Funzioni di distribuzione di probabilit (7)

Elementi di statistica (1)

Sperimentazione di strutture aeronautiche - 2001-02

Funzione di distribuzione Gaussiana (normale)

Sperimentazione di strutture aeronautiche - 2001-02

Funzione di distribuzione Gaussiana (2)

A, h, m costanti x singola misura x continua

Funzione di distribuzione Gaussiana (3)

Elementi di statistica (1)

La probabilit totale pari ad 1 (funzione normalizzata).

Sperimentazione di strutture aeronautiche - 2001-02

Funzione di distribuzione Gaussiana (4)

la quale soddisfatta per un solo valore di A: eseguiamo una trasformazione di variabili:

Elementi di statistica (1)

Sperimentazione di strutture aeronautiche - 2001-02

Funzione di distribuzione Gaussiana (5)

Con la stessa sostituzione di prima:

Il primo termine tende a zero, rimane quindi:

Che un risultato scontato osservando la curva.

Funzione di distribuzione Gaussiana (6)

Eseguendo la medesima sostituzione di variabile, si ottiene:

La deviazione standard quindi inversamente proporzionale ad h !

Sperimentazione di strutture aeronautiche - 2001-02

Funzione di distribuzione Gaussiana (7)

Elementi di statistica (1)

Sperimentazione di strutture aeronautiche - 2001-02