Gruppo 11 – compiti a casa II

Esercizio 1
Dati delle misure sperimentali di resistenza trazione in funzione di spessore e chip: si
chiede di modellare una campagna sperimentale e di stimare i parametri β0 β1 β2
valutandone l’adeguatezza.
a) Si parte dal postulare delle ipotesi:
 Il modello ipotizzato viene assunto come “vero”;
 assenza di errori sistematici;
 valori delle condizioni sperimentali note con infinita precisione;
 errori sperimentali descrivibili da una gaussiana con media nulla;
 omoschedasticità;
 misure indipendenti.

b) I parametri β0+ β1+ β2 sono stimabili attraverso il metodo dei minimi quadrati ove è
possibile usufruire di due percorsi di calcolo:
1. è possibile usare il comando MATLAB “fminsearch” che richiede che vi siano dati
una function contenente il modello lineare e un vettore dei valori di primo
tentativo.
2. è possibile usare il comando MATLAB “regress” che richiede che vi siano dati una
matrice X delle condizioni sperimentali ed un vettore dei valori della resistenza a
trazione y.

La stima della varianza sperimentale può essere trovata come segue:

∑ (𝑦 − ( 𝛽 + 𝛽 𝑥 + 𝛽 𝑥 ))
σ =
25 − 3
c) dall’analisi della regressione attraverso i residui si può notare che è presente un
outlier:
Rimuovendo l’outlier si avranno delle stime migliori dei parametri:
β0 =1.5392; β1=2.7738; β2=0.0132; σ2=3.7305 (Pa)2;
Vi si riportano inoltre l’analisi dei residui ed il modello linearizzato rispetto ai valori reali:
Esercizio 2
Vi sono fornite delle misure di una velocità di reazione r al variare della concentrazione di un
reagente in fase liquida;
supponendo che un buon modello per descrivere sia il seguente:
𝑘1𝑐
𝑟𝑎 =
𝑘2 + 𝑐 + 𝑘3 ∗ 𝑐
Si chiede di:
a) Si modelli la campagna sperimentale, effettuando opportune assunzioni.

b) Se possibile, si linearizzi il modello, quindi si effettui una stima puntuale dei parametri del modello
linearizzato.

c) Si effettui una stima puntuale dei parametri del modello non lineare e della varianza sperimentale.

d) Tramite un’opportuna analisi della regressione, si valutino l’adeguatezza del modello e delle ipotesi
effettuate.

a) Si parte dal postulare delle ipotesi:

 Il modello ipotizzato viene assunto come “vero”;
 assenza di errori sistematici;
 valori delle condizioni sperimentali note con infinita precisione;
 errori sperimentali descrivibili da una gaussiana con media nulla;
 omoschedasticità;
 misure indipendenti.
b) Il modello risulta linearizzabile come segue:
1 𝑘2 + 𝑐 + 𝑘3𝑐
=
𝑟𝑎 𝑘1𝑐

Ribattezzando:
1 1 1 𝑘3 1 𝑘2
= 𝑦; = 𝑥1; = 𝑥2; = 𝛽; =𝛽; = 𝛽
𝑟𝑎 𝑐 𝑐 𝑘1 𝑘1 𝑘1
Il mio modello linearizzato sarà:
𝑦 = 𝛽 + 𝛽 𝑥1 + 𝛽 𝑥2
La stima dei parametri può essere calcolata col metodo dei minimi quadrati pesati ove i
pesi w1=ri4.
Usando la funzione “fminsearch”, usando la giusta “function” e vettore dei valori di I
tentativo, potremo risalire a dei buoni valori di I tentativo per il modello non lineare
c) È possibile stimare i parametri del modello non lineare attraverso il comando
“fminsearch” ove sarà opportunamente inserito il modello “vero” ipotizzato C valori
di primo tentativo per le costanti come segue:

𝑘1 = 𝑘2 = 𝛽 𝑘3 = 𝛽
A questo punto si stima la varianza sperimentale al solito modo.

d) Analizzando i residui vi è un outlier (misura sperimentale n°10)

Rimuovendo tale dato si ha una stima migliore dei parametri k1, k2, k3.

Si riportano i valori dei parametri:

𝛽 = 1.1453; 𝛽 = 0.9034; 𝛽 = 0.5781;

𝑘1 = 1.1049; 𝑘2 = 0.6368; 𝑘3 = 1.2655; σ2 = 3.1864𝑒 − 05
Si riportano inoltre l’andamento grafico dei residui e del modello: