Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Fig.3.2 Lo stesso punto sperimentale con σ y =0.5 e σ x =0.1 in 2 situazioni diverse: in un caso la dipendenza tra<br />
le 2 variabili nell’intorno del punto é espressa come y=x (dy/dx=1) nell’altro caso come y=7x (dy/dx=7). Le<br />
frecce tratteggiate indicano il contributo dell’incertezza sulle x all’incertezza sulle y. Nel primo caso dunque<br />
l’ipotesi descritta nel testo é verificata nel secondo chiaramente no.<br />
Come si vede, le ipotesi sono abbastanza generali. Si noti che l’ultima ipotesi, quella<br />
dell’andamento rettilineo, vale anche quando l’andamento non é direttamente rettilineo, ma può<br />
essere “linearizzato”, cioè reso rettilineo con un semplice cambio di variabili. E’ il caso del grafico<br />
T -√m nella molla, il grafico t 2 – s nel caso del volano scarico ed infine tutti i casi in cui<br />
l’andamento atteso é esponenziale si prende in considerazione la carta semilogaritmica.<br />
(3.5.3) Il fit: derivazione delle formule per le stime dei parametri<br />
Utilizziamo il principio di massima verosimiglianza che abbiamo formulato nel par.(3.1.3). A tale<br />
scopo dobbiamo costruire la funzione di verosimiglianza, cioè la densità di probabilità congiunta<br />
delle y, dato il modello e i parametri m e c della retta. Osserviamo a questo scopo che essendo le N<br />
misure di y indipendenti, la densità di probabilità congiunta delle y può essere espressa come il<br />
prodotto delle densità di probabilità di ciascuna misura. Utilizzando le ipotesi fatte di gaussianità<br />
delle y si ha:<br />
2<br />
N<br />
N 1 ⎛ ( y − mx − c)<br />
⎞<br />
i<br />
i<br />
L(<br />
y / m,<br />
c)<br />
= ∏ f ( y / m,<br />
c)<br />
= ∏ exp⎜<br />
−<br />
⎟<br />
i<br />
i= 1 i=<br />
1<br />
2<br />
2πσ<br />
i ⎝ 2σ<br />
i ⎠<br />
cioè la densità di probabilità congiunta (che abbiamo indicato con L da likelihood) é il prodotto di<br />
2<br />
densità di probabilità gaussiane, ciascuna con valore atteso dato dal modello (mx i +c) e varianze σ .<br />
i<br />
Trattiamo le x i come fossero delle costanti, in base alle ipotesi fatte.<br />
Il principio di massima verosimiglianza ci dice che le migliori stime di m e di c sono quelle per cui<br />
L é massima. Per affrontare in modo più semplice la matematica del problema procediamo con un<br />
semplice artificio. Prendendo il logaritmo naturale di L otteniamo una nuova funzione<br />
l = ln(L)<br />
che tuttavia, date le proprietà di monotonia della funzione logaritmo assumerà il massimo in<br />
corrispondenza degli stessi valori di m e di c che massimizzano L. Calcoliamo dunque l<br />
105