Sei sulla pagina 1di 8

Filippo Ubertini

Controllo e Collaudo delle Costruzioni

CONTROLLO, COLLAUDO E RIABILITAZIONE DELLE COSTRUZIONI. MODULO: CONTROLLO E COLLAUDO Lezione 2 23/02/2012 RICHIAMI DI PROBABILIT E STATISTICA (I) Il problema fondamentale di ogni esperimento quantitativo quello di determinare il valore vero della grandezza fisica oggetto della misurazione. Come noto, mentre non possibile ottenere direttamente come risultato della misurazione il valore della grandezza in esame, si possono tuttavia ottenere informazioni sulla sua entit per mezzo di opportune elaborazioni di pi valori misurati della stessa grandezza. Qui ci occupiamo appunto delle elaborazioni che si effettuano sulle misure per stabilire relazioni quantitative tra valori misurati e valore vero. Per approfondimenti dei temi qui trattati si pu far riferimento al testo: Probability, Statistics and decision for civil engineers, di J.R. Benjamin e C.A. Cornell, editore Mc Graw-Hill. Supponiamo che sia data una grandezza fisica il cui valore vero X ed effettuiamo di essa n misure con uno stesso strumento. Otteniamo in generale n numeri x1 ,x2 ,...,xn diversi fra loro, disposti anzi in modo disordinato. Viene spontanea lidea di procedere al loro ordinamento su unascissa (ad esempio per ordine crescente del loro valore) riportando poi in ordinata, per ogni corrispondente valore dellascissa, un segmento la cui altezza sia proporzionale al numero delle misure xi che hanno lo stesso valore. Ad esempio supponiamo di misurare il diametro di un filo in centesimi di mm (600 misure) e procediamo alla costruzione del grafico rappresentato in Figura 1. Il luogo degli estremi dei segmenti che rappresentano la frequenza riportata in ordinata, approssima una curva che appare simmetrica rispetto ad un determinato valore dellascissa e tendente a zero quanto pi i valori di ascissa si allontanano dal valore cui corrisponde la massima frequenza delle misure. Se il numero delle misure disponibile fosse stato ad esempio 10 volte maggiore si sarebbe verificata con maggiore approssimazione lidentit di frequenza di misure ugualmente distanti dalla misura di massima frequenza che prende il nome di moda. Se il numero di misure fosse stato infinito la distribuzione delle frequenze avrebbe assunto un aspetto simmetrico rispetto alla moda.

Filippo Ubertini

1/8

Filippo Ubertini

Controllo e Collaudo delle Costruzioni

100 90 Numero di misure 80 70 60 50 40 30 20 10 0 30 30.1 30.2 30.3 30.4 30.5 30.6 30.7 30.8 30.9 31 31.1 31.2 31.3 31.4 31.5 31.6 31.7 31.8 31.9 32

Diametro filo (mm/100)

Figura 1: Istogramma di frequenza delle misurazioni.

La curva che raccorda gli estremi dei segmenti rappresentanti la frequenza delle misure prende il nome di curva di distribuzione delle frequenze. Nel caso in cui sulle ordinate si riportino anzich le frequenze, le frequenze relative, ottenute dividendo le frequenze per il numero totale di misure si ottiene la curva di distribuzione delle frequenze relative. Frequenza relativa di un evento Si definisce frequenza relativa fk dellevento E la quantit: n fk = k (1) N in cui N il numero di volte in cui si ripetuta la prova e 0 nk N il numero di volte in cui levento desiderato E si verificato. La frequenza relativa, compresa tra 0 e 1, un dato sperimentale. A titolo di esempio, si riporta in Figura 2 listogramma delle frequenze relative delle resistenze a compressione di cubetti di calcestruzzo determinate mediante prove sperimentali.
8 0.23 7

6 5

n 4 0.11 3 2 1 0 0.0

30

31

32

33

34

35 R (N/mm 2)

36

37

38

39

40

Figura 2: Resistenza a compressione del calcestruzzo: dati sperimentali e istogramma di frequenza.

Filippo Ubertini

2/8

Filippo Ubertini

Controllo e Collaudo delle Costruzioni

n 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35

valori 34.9 35.2 33.6 31.4 33.7 30.2 33.4 35.1 34.5 40.1 33 32 32.8 38.4 35.8 33.7 35.4 30.9 37.3 34 32.3 33.9 32.1 35 32.7 34.1 33.6 31.7 34.8 32.9 34.4 36.2 34.6 35.9 33.2

n 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 media dev. st.

valori ordinati 30.2 30.9 31.4 31.7 32 32.1 32.3 32.7 32.8 32.9 33 33.2 33.4 33.6 33.6 33.7 33.7 33.9 34 34.1 34.4 34.5 34.6 34.8 34.9 35 35.1 35.2 35.4 35.8 35.9 36.2 37.3 38.4 40.1 34.08 2.03

scarti 3.88 3.18 2.68 2.38 2.08 1.98 1.78 1.38 1.28 1.18 1.08 0.88 0.68 0.48 0.48 0.38 0.38 0.18 0.08 -0.02 -0.32 -0.42 -0.52 -0.72 -0.82 -0.92 -1.02 -1.12 -1.32 -1.72 -1.82 -2.12 -3.22 -4.32 -6.02

classi 30 31 31 32 32 32 32 33 33 33 33 33 33 34 34 34 34 34 34 34 34 35 35 35 35 35 35 35 35 36 36 36 37 38 40

classe 30 31 32 33 34 35 36 37 38 39 40 Tot.

freq. 1 2 4 6 8 8 3 1 1 0 1 35

freq. rel. 0.028571 0.057143 0.114286 0.171429 0.228571 0.228571 0.085714 0.028571 0.028571 0 0.028571 1

Probabilit di un evento La probabilit p = p ( E ) dellevento E ha lo scopo di misurare il grado di fiducia che si ha nel verificarsi di E . Essa sempre un numero positivo compreso tra 0 e 1. Se p ( E ) = 0 levento E impossibile. Se p ( E ) = 1 levento E certo. Nellipotesi che tutte le possibili realizzazioni dellevento A siano indipendenti ed equiprobabili, la definizione classica (o a priori) della probabilit dellevento data da: N (2) p ( A) = A N in cui N A il numero di casi favorevoli allevento A valutati a priori mentre N il numero dei possibili esiti dellesperimento. Ci richiede quindi che tutti i possibili esiti dellesperimento siano noti a priori (accessibilit del sistema). Questo tipo di definizione non completamente soddisfacente perch non tiene conto del fatto che la probabilit dipende dalla qualit delle informazioni in nostro possesso (esempio della moneta truccata con p ( croce ) 0.5 ). Secondo la formulazione frequentista (anche detta a posteriori) la probabilit p espressa dal rapporto tra il numero dei casi N E in cui si verifica levento E ed il numero dei casi N

Filippo Ubertini

3/8

Filippo Ubertini

Controllo e Collaudo delle Costruzioni

possibili: p ( E ) =

NE . Per N molto grande p tende a stabilizzarsi, anche se non esiste un N limite per p (comunque N sia grande la probabilit di avere sequenze che non p ( E ) deve essere molto grande per modificarne il valore ma questa ha una probabilit molto

corrispondano a p ( E ) finita). Comunque, se N grande la sequenza che non rispetta piccola di verificarsi. Unulteriore possibile definizione della probabilit detta assiomatica. Definito S come levento certo, A e B come eventi mutuamente esclusivi e levento ( A + B ) come levento in cui, indifferentemente si verifichi A o B , la probabilit di un evento viene definita come un numero che rispetti tre postulati: p ( A) 0 ;

p(S ) = 1; p ( A + B ) = p ( A ) + p ( B ) (probabilit totale).


La definizione in base alle frequenze rispetta quindi i postulati: N p ( A ) A 0 con N A 0 ; N N p ( S ) = S = 1; N N + NB N A NB p( A + B) A = + p ( A) + p ( B ) . N N N La probabilit che eventi indipendenti avvengano contemporaneamente vale: p ( A B ) = p ( A) p ( B )

(3)

(4)

Legge empirica del caso Ci si pu domandare se tra la frequenza f (dato sperimentale) e la probabilit p (dato teorico valutato a priori) esista una relazione o in altri termini se il caso, pur non ubbidendo in ogni singola prova a leggi accessibili, di fronte a ripetute manifestazioni si presenti pi disciplinato. Ci, di fatto, si verifica sperimentalmente e si traduce nella cosiddetta Legge empirica del caso. In una serie di prove ripetute un gran numero di volte tutte, per quanto possibile, nelle medesime condizioni, ciascuno degli eventi possibili si manifesta con una frequenza relativa che non differisce di molto dalla probabilit dellevento stesso; di solito questa diversit si

Filippo Ubertini

4/8

Filippo Ubertini

Controllo e Collaudo delle Costruzioni

attenua al crescere del numero delle prove. Ne segue che la frequenza relativa pu essere pensata come una misura della probabilit. Teorema di Bayes Un importante risultato della Teoria della Probabilit si deve a Bayes (XVIII secolo). Esso consente di correggere la probabilit a priori relativa al verificarsi di un evento A, tenendo conto del verificarsi dellevento B. Detta p ( A B ) la probabilit dellevento A condizionato al verificarsi dellevento B tale Teorema afferma che:
p ( A B) = p ( B A) p ( A) p ( B)

(5)

ove p ( A) e p ( B ) sono le probabilit (a priori) relative agli eventi A e B. Esercizio 1: calcolare la probabilit che in una classe di N persone, ci siano almeno due alunni nati lo stesso giorno dellanno. Esercizio 2: il conduttore di uno spettacolo televisivo vi offre di scegliere un pacco su tre. Solo uno contiene il premio, gli altri due sono vuoti. Supponiamo che scegliate il pacco 1. A questo punto il conduttore rivela che il pacco 3 vuoto e vi offre di cambiare il vostro pacco con il pacco 2. Che fare? (Suggerimento: utilizzare il Teorema di Bayes) Rappresentazione della misura di una grandezza Il risultato delle misurazioni pu essere espresso nel seguente modo: valore misurato = X migliore X X (6)

dando ad xmigliore il significato di essere il valore pi di altri rappresentativo (nel senso di pi probabile) del valore vero X . Compito dellanalisi statistica quello di individuare xmigliore e di associare ad esso lintervallo di incertezza x. Il valore medio come valore pi probabile Consideriamo ora, con riferimento allesempio delle misure del filo, il valore medio xm delle 600 misure: xm = i xi e costruiamone gli scarti i = xi xm (Figura 3). Si nota che gli scarti
N

piccoli sono pi numerosi di quelli grandi. Si osserva poi sperimentalmente che se si ripetono

Filippo Ubertini

5/8

Filippo Ubertini

Controllo e Collaudo delle Costruzioni

le stesse misurazioni con un altro strumento di cui nota la maggiore precisione, il fenomeno si accentua maggiormente e cio aumentano notevolmente gli scarti piccoli. Se si costruisce ora il nuovo istogramma e quindi la curva di distribuzione corrispondente, essa risulter pi alta e pi stretta della precedente. Da questo si deduce: a) il valore medio appare, tra tutti, come il pi probabile; infatti usando uno strumento pi preciso i valori si sono maggiormente addensati vicino ad esso; b) la dispersione dei risultati tanto minore quanto maggiore la precisione dello strumento.
100 90 Numero di misure 80 70 60 50 40 30 20 10 0 1.04 0.94 0.84 0.74 0.64 0.54 0.44 0.34 0.24 0.14 0.04 -0.1 -0.2 -0.3 -0.4 -0.5 -0.6 -0.7 -0.8 -0.9 -1

Scarto (mm/100)

Figura 3: Istogramma degli scarti

Variabili aleatorie Variabili discrete Si definisce variabile aleatoria discreta una grandezza X che pu assumere valori x1 ,x2 ,...,xn al verificarsi di eventi A1 ,A2 ,..., An a ciascuno dei quali associata una

probabilit p ( A1 ) , p ( A2 ) ,..., p ( An ) .

Variabili continue Per variabile aleatoria continua si intende una grandezza X che pu assumere con continuit valori nellintervallo di definizione. Essa caratterizzata da una funzione densit di probabilit (PDF) definita come: P ( x X x + h) p ( x ) = lim (7) h 0 h in cui P ( x X x + h ) la probabilit che la grandezza X sia compresa nellintervallo

x X x + h. Si definisce funzione distribuzione di probabilit cumulata (CDF) il valore:

Filippo Ubertini

6/8

Filippo Ubertini

Controllo e Collaudo delle Costruzioni

P ( X x ) = p ( y ) dy
x

(8) (9) (10) (11) (12)

La probabilit che X assuma valori compresi tra a e b vale:

P ( a X b ) = a p ( x ) dx
b

Poich levento certo ha probabilit di verificarsi pari a 1 deve essere:

P ( X + ) = p ( x ) dx = 1
Si definisce valore medio (valore pi probabile) di una distribuzione il valore:
xm = x p ( x ) dx Mentre la varianza vale:
2 x = ( x xm ) p ( x ) dx 2 + +

Distribuzione Gaussiana La distribuzione Gaussiana (Figura 4), anche detta normale, caratterizzata dalla seguente PDF: 2 1 x X / 2 2 (13) fX ( x) = e ( M) 2 in cui: X M = valor medio; = scarto quadratico medio (deviazione standard) Per distribuzione Gaussiana normalizzata si intende una distribuzione Gaussiana a media nulla X M = 0 e scarto quadratico medio unitario = 1 . In tal caso si ha:

1 x2 / 2 (14) e 2 Per ogni variabile aleatoria Gaussiana x esiste una corrispondente variabile aleatoria x XM . normalizzata z definita da: z = N ( x) =

Se m il valore medio della distribuzione e la sua deviazione standard, nel caso di distribuzione normale valgono le seguenti relazioni (ricavabile da tabelle):

P ( m x m + ) = m f ( x ) dx = 1 N ( z ) dz = 0.683
1

m +

P ( m 2 x m + 2 ) = m 2 f ( x ) dx = 2 N ( z ) dz = 0.955
2

m + 2

(15)

P ( m 3 x m + 3 ) = m 3 f ( x ) dx = 3 N ( z ) dz = 0.997
3

m + 3

Filippo Ubertini

7/8

Filippo Ubertini

Controllo e Collaudo delle Costruzioni

0.45 0.4

1.2

1.0

0.35 0.3
0.8

F(x)

f(x)

0.25 0.2 0.15 0.1

0.6

0.4 0.2

0.05 0 -5 -4 -3 -2 -1 0 1 2 3 4 5
-5 -4 -3 -2 -1 0.0 0 1 2 3 4 5

Figura 4: Funzione densit di probabilit e funzione distribuzione gaussiana normale standard.

Distribuzioni Gaussiane ben si prestano a descrivere la probabilit di variabili aleatorie quali quelle che rappresentano i termini di sollecitazione nelle strutture dellingegneria civile (vento, carichi, ecc.) mentre non sono adatte a descrivere grandezze come quelle che rappresentano le resistenze dei materiali o degli elementi poich tali distribuzioni prevedono sempre una coda nel campo dei valori negativi (la resistenza sempre un termine positivo).

Filippo Ubertini

8/8