Localizzazione di una esplosione

Documenti analoghi
IL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA

Localizzazione di un terremoto

Funzioni reali di variabile reale

1 Alcuni risultati sulle variabili Gaussiane multivariate

Esercizi di Calcolo delle Probabilità

Geometria analitica del piano pag 12 Adolfo Scimone

Esame di Teoria dei Segnali A Ing. Informatica, Elettronica e Telecomunicazioni. 12 luglio 2004

Fin qui si sono considerate le variabili casuali ciascuna per proprio conto. Ora consideriamo la possibilità di relazioni tra variabili.

Sismica a Rifrazione: fondamenti. Sismica rifrazione - Michele Pipan

UNIVERSITÀ di ROMA TOR VERGATA

Appunti su Indipendenza Lineare di Vettori

Statistica. Esercitazione 4 17 febbraio 2011 Medie condizionate. Covarianza e correlazione

Potenziale elettrostatico

Capitolo 6. La distribuzione normale

Capitolo 6 La distribuzione normale

L indagine campionaria Lezione 3

Vedi: Probabilità e cenni di statistica

Evento sismico in provincia di Reggio Emilia del 25 Gennaio 2012 ore 09:06, M4.9

Σ (x i - x) 2 = Σ x i 2 - (Σ x i ) 2 / n Σ (y i - y) 2 = Σ y i 2 - (Σ y i ) 2 / n. 13. Regressione lineare parametrica

Distribuzioni e inferenza statistica

Metodo dei minimi quadrati e matrice pseudoinversa

Traccia della soluzione degli esercizi del Capitolo 3

Elementi di base su modello binomiale e modello normale

Il metodo dei minimi quadrati. Molto spesso due grandezze fisiche x e y, misurabili direttamente, sono legate tra loro da una legge del tipo:

FENOMENI CASUALI. fenomeni casuali

Corso di Laurea in Ingegneria Informatica e Automatica (M-Z) Università di Roma La Sapienza

Funzioni implicite - Esercizi svolti

INTRODUZIONE ALLA CINEMATICA DEL PUNTO MATERIALE PROF. FRANCESCO DE PALMA

Università della Calabria

UNITÀ DIDATTICA 5 LA RETTA

La struttura elettronica degli atomi

Esercitazione del

Sviluppi e derivate delle funzioni elementari

Laboratorio di Didattica di elaborazione dati 5 STIMA PUNTUALE DEI PARAMETRI. x i. SE = n.

LEZIONE 10. S(C,ρ) Figura 10.1

ax 1 + bx 2 + c = 0, r : 2x 1 3x = 0.

Il metodo delle osservazioni indirette

L ATOMO SECONDO LA MECCANICA ONDULATORIA IL DUALISMO ONDA-PARTICELLA. (Plank Einstein)

Statistica. Esercitazione 4 15 maggio 2012 Connessione. Medie condizionate. Covarianza e correlazione

APPLICAZIONI LINEARI

Università degli Studi di Cagliari - Facoltà di Ingegneria e Architettura. Fondamenti di Costruzioni Meccaniche Tensione e deformazione Carico assiale

Analisi del moto dei proietti

DIFFERENZIAZIONE. Sia f una funzione reale di variabile reale con dominio un intervallo. Se f è derivabile in un punto x 0, allora: f(x) f(x 0 ) lim

TSRR. Vademecum sulle equazioni differenziali I. D. Mugnai( 1 ) ( 1 ) IFAC-CNR, Via Madonna del Piano 10, Sesto Fiorentino (FI), Italy

Statistica. Alfonso Iodice D Enza

Quale delle seguenti rappresentazioni del numero reale è in virgola mobile normalizzata?

ESERCIZI SUI NUMERI COMPLESSI

Correzione 1 a provetta del corso di Fisica 1,2

Analisi degli Errori di Misura. 08/04/2009 G.Sirri

1 Definizione di sistema lineare omogeneo.

Paolo Martinis Trieste, 11 marzo Università degli Studi di Trieste Facoltà di Ingegneria Corso di strade, ferrovie, aeroporti A.A.

Macroeconomia. - Curva di Phillips; - Inflazione, produzione e crescita della moneta.

Esercizi di Matematica per la prova di ammissione alla Scuola Galileiana /16

CLASSIFICAZIONE DELLE CONICHE AFFINI

QUANTITÀ DI MOTO E MOMENTO DELLA QUANTITÀ DI MOTO

Piano cartesiano e retta

Anno 2. Sistemi di equazioni di secondo grado

Prova scritta del corso di Fisica e Fisica 1 con soluzioni

Sistemi sovradeterminati

ESPONENZIALI E LOGARITMI. chiameremo logaritmica (e si legge il logaritmo in base a di c è uguale a b ).

FUNZIONI. }, oppure la

Esercitazioni 26/10/2016

Statistica. Alfonso Iodice D Enza

CAPITOLO 1 LA FUNZIONE DI PRODUZIONE E LA CRESCITA ECONOMICA

UNIVERSITÀ di ROMA TOR VERGATA

Progetto Reluis Assemblea annuale

Meccanica: Introduzione. Lo Studio del moto degli oggetti

1 Il Teorema della funzione implicita o del Dini

Variabili aleatorie scalari

Capitolo 8. Intervalli di confidenza. Statistica. Levine, Krehbiel, Berenson. Casa editrice: Pearson. Insegnamento: Statistica

SIMULAZIONE - 29 APRILE QUESITI

PROBLEMI E QUESITI DI TERMOLOGIA (SOLUZIONI)

H = H 0 + V. { V ti t t f 0 altrove

Esercitazione 4 del corso di Statistica (parte 2)

PROBABILITÀ SCHEDA N. 5 SOMMA E DIFFERENZA DI DUE VARIABILI ALEATORIE DISCRETE

Esame di Statistica (10 o 12 CFU) CLEF 11 febbraio 2016

ECONOMIA APPLICATA ALL INGEGNERIA (Docente: Prof. Ing. Donato Morea) Microeconomia Esercitazione n. 1 - I FONDAMENTI DI DOMANDA E DI OFFERTA

Appunti ed esercizi su: Disequazioni di II grado e loro discussione grafica

Corso di Laurea in Fisica. Geometria. a.a Canale 3 Prof. P. Piazza Magiche notazioni

Permutazioni. 1 Introduzione

Esercitazione 1. Invece, essendo il mezzo omogeneo, il vettore sarà espresso come segue

Calcolo delle Probabilità 2

Enrico Silva - diritti riservati - Non è permessa, fra l altro, l inclusione anche parziale in altre opere senza il consenso scritto dell autore

E noto che la luce, o radiazione elettromagnetica, si propaga sottoforma di onde. Un onda è caratterizzata da due parametri legati fra loro: la

CAPITOLO 5. Stima della frequenza dei segnali dovuta al 40 K

La SCALA di Probabilità varia tra 0.00 e 1.00.

Integrazioni al corso di Economia Politica (anno accademico ) Marianna Belloc

SOLUZIONI DEL 1 0 TEST DI PREPARAZIONE ALLA 1 a PROVA INTERMEDIA

STATISTICA (2) ESERCITAZIONE Dott.ssa Antonella Costanzo

Nell informatica esistono alcuni problemi particolarmente rilevanti, poiché essi:

Strumenti di indagine per la valutazione psicologica

RETI TOPOGRAFICHE. 1. Premessa

ESERCIZI PROBABILITA I

Statistica Applicata all edilizia: il modello di regressione

Misura del momento magnetico dell elettrone

Momento angolare L. P. Maggio Prodotto vettoriale

NUMERI COMPLESSI Esercizi svolti. d) (1 i) 3. b) (1 + i)(1 i)(1 + 3 i) c) 1 i 1

Roberto Maieli La trasmissione dell informazione

Inversa di una matrice

Equazioni, funzioni e algoritmi: il metodo delle secanti

Transcript:

XXIII Ciclo di Dottorato in Geofisica Università di Bologna Corso di: Il problema inverso in sismologia Prof. Morelli Localizzazione di una esplosione Paola Baccheschi & Pamela Roselli 1

INTRODUZIONE Problema diretto e Problema inverso Uno dei più importanti problemi in sismologia è la localizzazione di una sorgente sismica, ossia la determinazione dei parametri del modello che descrivono la sorgente stessa. Se si potessero conoscere con esattezza i parametri del modello sarebbe possibile calcolare il tempo di arrivo di un onda sismica ad una stazione sismografica: si tratta cioè di risolvere un problema diretto. Generalmente, però, non si hanno informazioni dirette su questi parametri, ma si dispone di informazioni facilmente misurabili, collegate al modello da relazioni teoriche. Si tratta cioè di risolvere un problema inverso, ossia un processo che porta ad una stima di tali parametri a partire dai dati osservati. A causa delle incertezze che caratterizzano i dati e le inesattezze della teoria che lega i dati osservati con i parametri del modello, la soluzione di un problema inverso è espressa in termini di probabilità, cioè si determinano i parametri del modello attraverso una distribuzione di densità. Di seguito verrà svolto un problema inerente la localizzazione di una esplosione affrontando dapprima un problema diretto (primo caso) e successivamente un problema inverso (secondo e terzo caso). Primo caso Supponete di avere una rete di sensori sismici che rilevano il tempo di arrivo di onde sismiche generate da una esplosione superficiale avvenuta alle ore 12:00:00. Le onde seguono raggi rettilinei dalla sorgente ai ricevitori con una velocità nota, diciamo di 5.8 km/s. Generate dei tempi di arrivo delle onde per una geometria della rete ed una posizione dell'esplosione a vostra scelta, calcolando i tempi esatti e troncando i valori al decimo di secondo. La prima parte del problema consiste nel risolvere un problema diretto: dobbiamo, infatti, calcolare i tempi di arrivo delle onde sismiche generate da un esplosione superficiale supponendo che i parametri del modello, ossia il tempo origine (t 0 ) e le coordinate spaziali dell epicentro dell esplosione, siano noti. Per risolvere il problema diretto, supponiamo quindi che l esplosione abbia coordinate spaziali note (Xe, Ye) = (15 km, 16 km) e che le onde sismiche, aventi velocità nota v = 5.8 km/s, seguano raggi rettilinei dalla sorgente ai ricevitori. E noto anche il tempo origine dell esplosione, t 0 = 12:00:00 2

Consideriamo inoltre una rete sismica costituita da 8 ricevitori (o stazioni sismiche) disposte secondo una geometria illustrata in figura 1 e con coordinate (x,y) delle singole stazioni come mostrato in tabella 1. Figura 1. Configurazione della rete di ricevitori (cerchi neri) e posizione dell esplosione superficiale (stella blu). Per un dato valore di Xe, Ye, i tempi di arrivo dell onda ai ricevitori possono essere calcolati secondo la seguente equazione: 1 dove x i, y i sono le coordinate delle singole stazione, Xe, Ye le coordinate spaziali dell esplosione e v la velocità delle onde sismiche. I tempi di arrivo calcolati secondo l equazione (1) sono stati troncati al decimo di secondo e sono riportati nella tabella 1. 3

x (km) y (km) t obs (s) 2 2 2.9 4 3.5 2.5 2.5 6 2.5 2 8 2.6 4 9 2.2 5 7 2.3 3 10 2.3 6 10 1.8 Tabella.1. Coordinate spaziali x,y delle 8 stazioni e tempi di arrivo t obs registrati da ciascuna di esse. I tempi di arrivo sono troncati al decimo di secondo. Secondo caso Risolvete il problema della localizzazione dell'esplosione (supponendo di non conoscerla) con la corretta definizione dell'incertezza sulle osservazioni. A differenza del caso precedente, si devono ora trovare i parametri del modello, (le coordinate spaziali dell epicentro dell esplosione) avendo informazioni sui dati osservati (i tempi di arrivo delle onde sismiche ai ricevitori). Si tratta quindi di risolvere il problema inverso. Chiamiamo con (m) il vettore che rappresenta i parametri del modello e con (d) il vettore dati che rappresenta i tempi di arrivo delle onde sismiche ai ricevitori; la soluzione del problema inverso può essere espressa dalla relazione tra dati e modello come segue: d = (g)m (2) dove (g) è l operatore matriciale che lega i dati al modello. Nel nostro caso, la soluzione generale al problema inverso è una densità di probabilità marginale sullo spazio dei modelli M = Xe, Ye, ossia: 4

3 Per risolvere l equazione (3) si deve porre che: si suppone di non avere alcuna informazione a priori sui parametri del modello (m), ossia sulle coordinate epicentrali dell esplosione. Si definisce quindi la densità di probabilità a priori uniforme sul modello, che sarà (usando le coordinate cartesiane): ρ M (m) = cost (4) i dati osservati (d), ossia i tempi di arrivo delle onde sismiche generate dall esplosione ai ricevitori, sono affetti da un incertezza a priori che risulta essere nota poiché i tempi di arrivo sono stati troncati al decimo di secondo (tabella 1). Poiché tale troncamento (σ) è stato applicato ad ogni singolo tempo di arrivo, l incertezza sui dati osservati è uniforme. La densità di probabilità a priori sui dati, ossia le informazioni a priori sui dati osservati, sarà quindi: 1 2 5 0 si suppone che le incertezze legate alla teoria siano trascurabili rispetto a quelle dei dati, si considera quindi la teoria fisica esatta. Si può quindi esprimere la densità di probabilità condizionata per d dato m, cioè la probabilità che dato un certo modello si abbia un certo dato, attraverso una delta di Dirac, ossia: θ(d m) = δ(d g(m)) (6) la densità di probabilità non informativa sui dati, ossia: μ D (d) =cost (7) considerando le condizioni di cui sopra dalla (3) otteniamo: 5 8

La soluzione del problema inverso sarà data quindi da una densità di probabilità a posteriori sui parametri del modello (Figura 2): 1 2 0 9 dove 10 Figura 2. Densità di probabilità a posteriori σ M calcolata con la corretta incertezza sulla teoria, ossia con errore di troncamento a priori sui tempi di arrivo di + 0.1 secondi. I pallini neri rappresentano le stazioni sismiche; la stella gialla rappresenta il punto in cui è avvenuta l esplosione. L esplosione ricade nell area rossa che rappresenta la zona in cui tutti i punti sono equiprobabili. 6

Terzo caso Risolvete ancora una volta il problema, con gli stessi dati, questa volta trattando le osservazioni di prima (troncate) come se avessero un errore gaussiano con sigma=0.1s. Si deve ancora risolvere un problema inverso. I dati che verranno utilizzati saranno gli stessi ma, in questo caso, non conosciamo l incertezza sulle misure; dobbiamo quindi ipotizzare che l errore sia gaussiano. Anche in questo caso dobbiamo tenere conto che: si considera ancora la teoria fisica esatta, quindi possiamo scrivere che: θ(d m) = δ(d g(m)) (11) non si hanno informazioni a priori sui parametri del modello (coordinate spaziali dell esplosione), quindi possiamo scrivere che: ρ M (m) = cost (12) μ D (d) =cost (13) possiamo quindi scrivere che: 1 2 14 Tenendo conto delle osservazioni di cui sopra, dalla (14) otteniamo: 15 7

da cui: 1 2, 16 che descrive tutte le informazioni a posteriori che abbiamo sulle coordinate epicentrali, ossia è una densità di probabilità a posteriori sui parametri del modello e dove: 17 In figura 3 è illustratala soluzione del problema inverso con errori gaussiani sui dati Figura 3. Densità di probabilità a posteriori σ M considerando errori a priori gaussiani σ=0.1 s sui dati. I pallini neri rappresentano le stazioni sismiche; la stella gialla rappresenta il punto in cui è avvenuta l esplosione. 8

Discussione dei risultati ottenuti La soluzione del problema inverso (secondo e terzo caso) per la localizzazione di un esplosione superficiale è stata effettuata in base a due differenti ipotesi. Nel secondo caso, si considera che i dati (i tempi di arrivo delle onde ai ricevitori) siano affetti da un errore di troncamento noto. In questo caso la soluzione del problema inverso è un area caratterizzata da una densità di probabilità a posteriori σ M (m) costante (area rossa in figura 2). Tale area rappresenta quindi un area equiprobabile, ossia tutti i punti che ricadono nell area rossa hanno la stessa probabilità di essere punti dell epicentro dell esplosione. Come si può notare nella figura 2, la soluzione del problema è data da una localizzazione dell epicentro dell esplosione (figura 2- stella gialla) proprio all interno dell area, a dimostrazione che i parametri del modello e dati sono ben vincolati. Nella terzo caso, invece, si ipotizza che i dati abbiano un errore gaussiano pari a σ = 0.1s. Come si può vedere nella figura 3, la densità di probabilità a posteriori è rappresentata da un area non costante ma con valori di σ M (m) variabili. La soluzione del problema inverso è data, in questo caso, da una localizzazione dell epicentro dell esplosione quasi al limite dell area e quindi che il problema non è ben risolto. 9