Breve riepilogo su quanto fatto fino ad ora:
Utilizzo e comprensione di randomn e randomu
Distribuzioni continue e discrete
N media sigma media sigma
10 0.30 0.79 -0.04 1.27
100 0.10 1.05 -0.21 1.01
1000 0.02 1.04 0.02 0.98
10000 0.01 1.00 0.01 1.00
Risultato delle simulazioni Randomn seme 1 seme 8
N media sigma media sigma
10 0.52 0.28 0.48 0.32
100 0.51 0.29 -0.21 0.30
1000 0.50 0.28 0.49 0.29
10000 0.50 0.29 0.50 0.29
Random u
K = m
X Coefficiente di estinzione
(assorbimento in mag su masse d'aria)
l=x cos z
x= l cos z
x=sec z
sec z= 1
sin sin cos cos cos HA
x
l
Definizione di massa d'aria
Relazione massa d'aria coordinate (astronomiche e del luogo)
r2=0.80
funzione dell'arimass, la retta tratteggiata fittando airmass verso V
Coefficiente di correlazione
Il metodo dei minimi quadrati
Dato un insieme di punti sperimentali
x
1,y
1 x
2,y
2 x
3,y
3 ... x
n, y
n
(Least squares fitting)
Consente di trovare la funzione che meglio approssima i punti
∑
i=1 n y
i− f x
i
2 min
f x
i= ax
ib
∑
i=1 n y
i− ax
i b
2 min
∂
∂ a ∑
i=1 n
y
i− ax
i b
2= 0
∂
∂ b ∑
i=1 n
y
i− ax
i b
2= 0
[1]
[2]
∂
∂ b ∑
i=1 n
y
i− ax
i b
2= 0 [2]
−2 ∑
i=1 n
y
i− ax
i b=0
∑
i=1 ny
i− ∑
i=1 n
ax
i− ∑
i=1 n
b=0
∑
i=1 ny
i− ∑
i=1 n
ax
i−n b=0
n b= ∑
i=1
y
i− ∑
i=1
ax
ib=
∑
i=1 ny
i− ∑
i=1 n
ax
in
b=
∑
i=1 ny
i−a ∑
i=1 n
x
in [3]
∂
∂ a ∑
i=1 n
y
i− ax
i b
2= 0 [1]
−2 x
i∑
i=1 n
y
i− ax
ib=0
∑
i=1 nx
iy
i− ∑
i=1 n
ax
i2− ∑
i=1 n
bx
i=0
b=
∑
i=1 ny
i−a ∑
i=1 n
x
in [3]
∑
i=1 nx
iy
i− ∑
i=1 n
ax
i2− ∑
i=1 n
x
i∑
i=1y
i−a ∑
i=1
x
in = 0
∑
i=1 nx
iy
i− ∑
i=1 n
ax
i2−
∑
i=1 nx
i∑
i=1 n
y
in
a ∑
i=1 n
x
i
2n =0
∑
i=1 nax
i2−
a ∑
i=1 n
x
i
2n = ∑
i=1 n
x
iy
i−
∑
i=1 nx
i∑
i=1 n
y
in
a=
∑
i=1 nx
iy
i−
∑
i=1 nx
i∑
i=1 n
y
in
∑
i=1 nx
i2−
∑
i=1 n
x
i
2n
a=
n ∑
i=1 n
x
iy
i− ∑
i=1 n
x
i∑
i=1 n
y
in ∑
i=1 n
x
i2− ∑
i=1 n
x
i
2[4]
a=
n ∑
i=1 n
x
iy
i− ∑
i=1 n
x
i∑
i=1 n
y
in ∑
i=1 n
x
i2− ∑
i=1 n
x
i
2[4]
b=
∑
i=1y
i−a ∑
i=1
x
in
b=
∑
i=1 ny
in −
n ∑
i=1 n
x
iy
i− ∑
i=1 n
x
i∑
i=1 n
y
in ∑
i=1 n
x
i2− ∑
i=1 n
x
i
2∑
i=1 nx
in
[3]
b=
∑
i=1 ny
in −
n ∑
i=1 n
x
iy
i∑
i=1 n
x
i− ∑
i=1 n
x
i
2∑
i=1 n
y
inn ∑
i=1 n
x
i2− ∑
i=1 n
x
i
2 b=
∑
i=1 ny
in −
n ∑
i=1 n
x
iy
i− ∑
i=1 n
x
i∑
i=1 n
y
in ∑
i=1 n
x
i2− ∑
i=1 n
x
i
2∑
i=1 nx
in
b=
n
∑
i=1 n
yi
∑
i=1 n
xi2−
∑
i=1 n
xi2
∑
i=1 n
yi−n
∑
i=1 n
xi yi
∑
i=1 n
xi
∑
i=1 n
xi2
∑
i=1 n
yi
nn
∑
i=1 n
xi2−
∑
i=1 n
xi2
b=
n ∑
i=1
y
i∑
i=1
x
i2−n ∑
i=1
x
iy
i∑
i=1
x
inn ∑
i=1 n
x
i2− ∑
i=1 n
x
i
2
b=
∑
i=1 ny
i∑
i=1 n
x
i2− ∑
i=1 n
x
iy
i∑
i=1 n
x
i n ∑
i=1 n
x
i2− ∑
i=1 n
x
i
2
b=
∑
i=1 ny
i∑
i=1 n
x
i2− ∑
i=1 n
x
iy
i∑
i=1 n
x
in
∑
i=1 nx
i2−
∑
i=1 n
x
i
2n
b=
y ∑
i=1 n
x
i2− x ∑
i=1 n
x
iy
i∑
i=1 nx
i2−n x
2a=
n ∑
i=1
x
iy
i− ∑
i=1
x
i∑
i=1
y
in ∑
i=1 n
x
i2− ∑
i=1 n
x
i
2a=
∑
i=1 nx
iy
i−
∑
i=1 nx
i∑
i=1 n
y
in
∑
i=1 nx
i2−
∑
i=1 n
x
i
2n
a=
∑
i=1 nx
iy
i−n x y
∑
i=1 nx
i2− n x
2[4]
[6]
Col metodo dei minimi quadrati posso
“fittare” qualsiasi funzione ai miei dati
Per esempio un polinomio
f x
i= a
0a
1x a
2x
2 a
3x
3....a
nx
n∑
i=1 n y
i− a
0 a
1x
1 a
2x
2... a
nx
n
2 min
∑
i=1 n y
i− f x
i
2 min
∂
∂ a
0∑
i=1
y
i− a
0 a
1x
1a
2x ...a
n−1x = 0
∂
∂ a
1∑
i=1 n
y
i− a
0a
1x
1 a
2x
2... a
n−1x
n
2=0
∂
∂ a
2∑
i=1 n
y
i− a
0 a
1x
1 a
2x
2... a
n−1x
n
2=0
∂
∂ a
n−1∑
i=1 n
y
i− a
0 a
1x
1 a
2x
2... a
n−1x
n
2=0
...
O anche una “gaussiana”
f x= A e
−x−x02 2 2
∂
∂ A ∑
i=1 n
y
i− A e
−x−x02
2 2
2=0
∂
∂ ∑
i=1 n
y
i− A e
−x−x02
2 2
2=0
∂
∂ x
0∑
i=1 n
y
i− A e
−x−x02
22
2= 0
polinomio
r2=0 99.
r2=0.74
in rosso
In blu del log LB∝4 log log ∝0.33 log LB
Se vogliamo minimizzare (col metodo dei
minimi quadrati) la distanza di un punto da
una retta
∑
i=1 nd
i=
∑
i=1 n∣ y
i− ax
i b ∣
1a
2d
i=
1a
2Minimizzare le distanze equivale a
∑
i=1 n∣ y
i− ax
i b ∣
21a
2 min
∂
∂ a
∑
i=1 n[ y
i− ax
i b]
21a
2= 0
−2
1a
2∑
i=1 n
[ y
i− ax
i b]−x
i ∑
i=1
n
[ y
i− ax
i b]
2−12a
1a
2
2=0
ecc...∂
∂ b
∑
i=1 n[ y
i− ax
i b]
21a
2= 0 −2
1a
2∑
i=1 n
[ y
i− ax
i b]−1=0
ecc...
dispersi sono i dati Il coefficiente di correlazione definito come
r
2r
2= SS
2xySS
xxSS
yySS
yy= ∑
i=1 n
y
i− y
2SS
xx= ∑
i=1 n
x
i− x
2SS
xy= ∑
i=1 n
x
i− x ∑
i=1 n
y
i− y
SS
xx= ∑
i=1 n
x
i− x
2SS
yy= ∑
i=1 n
y
i− y
2SS
xy= ∑
i=1 n
x
i− x y
i− y
SS
xx= n
2xxSS
yy= n
2yySS
xy=n
2
2xyr
2= n
2
2xyn
2xxn
2yyr
2= SS
xySS
xxSS
yySS
xx= ∑
i=1 n
x
i− x
2r
2=
xy
xx2
2yySS
xx= ∑
i=1 n
x
i2− 2 ∑
i=1 n
x
ix ∑
i=1 n
x
2SS
xx= ∑
i=1 n
x
i2− 2n x
2 n x
2SS
xx= ∑
i=1 n
x
i2−n x
2SS
yy= ∑
i=1 n
y
i2−n y
2SS
xy= ∑
i=1 n
x
i− x y
i− y
SS
xy= ∑
i=1 n
x
iy
i− ∑
i=1 n
x
iy− ∑
i=1 n
x y
i ∑
i=1 n
x y
SS
xy= ∑
i=1 n
x
iy
i− y ∑
i=1 n
x
i− x ∑
i=1
y
i n x y
SS
xy= ∑
i=1 n
x
iy
i− y n x−x n yn x y SS
xy= ∑
i=1 n
x
iy
i−n y x
r
2=
xySS
xxSS
yyr
2=
∑
i=1 n
x
iy
i−n y x
2 ∑
i=1 n
x
i2− n x
2 ∑
i=1 n
y
i2−n y
2
a=
∑
i=1 nx
iy
i−n x y
∑
i=1 nx
i2− n x
2(6) a= SS
xySS
xxr
2=
∑
i=1 n
x
iy
i−n y x
2 ∑
i=1 n
x
i2− n x
2 ∑
i=1 n