Fitting, incertezze e diagnostica dei residui
Corso Python scientifico in GX-TXT · Modulo 10 · Lezione 58
Stimiamo ampiezza e costante di decadimento delle due serie sintetiche, usando le incertezze dichiarate. Confrontiamo le stime con i parametri di generazione, noti perché si tratta di una simulazione.
Obiettivi
- Registrare una callback del modello esponenziale.
- Usare le incertezze
sigmanel fit. - Verificare la convergenza prima di pubblicare il risultato.
- Leggere parametri, errori standard e residui con le unità corrette.
Esecuzione
Dopo la generazione della lezione 56, importa fit_finale.py, salvalo ed eseguilo
nella Sessione corso_python.

import numpy as np
from gxtxt import gxtxt_api_call, gxtxt_api_require, gxtxt_callback_register, gxtxt_callback_release
for api in ("NUMERIC_API_v1@1:math.numeric+script_callback_functions", "CANONICAL_DATASET_API_v2@2", "DATASET_PUBLICATION_API_v2@2"):
gxtxt_api_require(api)
def modello(parametri, tempi):
p = np.asarray(parametri).reshape(-1)
return p[0] * np.exp(-p[1] * np.asarray(tempi).reshape(-1))
handle = gxtxt_callback_register(modello)
try:
for nome, atteso in (("a", 0.5), ("b", 0.8)):
sorgente = "corso_finale_" + nome
dati = gxtxt_api_call("CANONICAL_DATASET_API_v2", "read_range", [sorgente, ["tempo", "segnale", "sigma"], 0, 21])
t, y, sigma = [np.asarray(dati[v]["values"]).reshape(-1) for v in ("tempo", "segnale", "sigma")]
fit = gxtxt_api_call("NUMERIC_API_v1", "nonlinear_fit", [t, y, handle, [2.5, 0.6], {"sigma": sigma}])
if not fit["converged"]:
raise RuntimeError("Il fit non converge: " + sorgente)
p = np.asarray(fit["parameters"]).reshape(-1)
previsto = modello(p, t)
residui = y - previsto
print(sorgente, "convergenza:", fit["converged"])
print("Ampiezza (mV), k (1/s):", p, "k generazione:", atteso)
print("Errori standard:", np.asarray(fit["standard_errors"]).reshape(-1))
print("RMS residui (mV):", np.sqrt(np.mean(residui**2)))
richiesta = {"dataset_id": "corso_finale_fit_" + nome, "contract": "table.generic", "storage": "csv", "replace_owned": True,
"x_values": t, "y_values": previsto,
"x_variable": {"variable_id": "tempo", "name": "tempo", "unit": "s"},
"y_variable": {"variable_id": "fit", "name": "fit", "unit": "mV"},
"source_dataset_ids": [sorgente], "provenance": "Fit esponenziale di dati sintetici"}
gxtxt_api_call("DATASET_PUBLICATION_API_v2", "publish_series", [richiesta])
finally:
gxtxt_callback_release(handle)
La callback restituisce una previsione per ciascun tempo. Per ogni
condizione leggiamo i 21 punti e le incertezze, richiediamo il fit con
sigma e controlliamo converged. Se il solver
non converge, lo script solleva un errore invece di presentare il
risultato come riuscito. Il finally rilascia la callback.
Le curve previste vengono pubblicate separatamente come
corso_finale_fit_a e corso_finale_fit_b, con
riferimento alle sorgenti sintetiche.

Nell’esecuzione mostrata entrambi i fit convergono. Per A otteniamo
circa \(A=2{,}984\,\mathrm{mV}\), \(k=0{,}498\,\mathrm{s}^{-1}\); per B circa
\(A=3{,}015\,\mathrm{mV}\), \(k=0{,}793\,\mathrm{s}^{-1}\). I valori di
generazione erano rispettivamente 0,5 e
0,8 s⁻¹. Il rumore sintetico spiega perché le stime non
coincidano esattamente con i parametri impostati.
Gli errori standard riportati dal provider dipendono dal modello, dai
pesi e dalle ipotesi del calcolo; non sono automaticamente intervalli di
confidenza. L’RMS dei residui è circa 0,035 mV per A e
0,043 mV per B. Esaminare anche la distribuzione e
l’andamento dei residui è utile: una singola metrica non garantisce che
il modello descriva adeguatamente i dati.
Esercizio
- Quali parametri sono stati stimati e quali unità hanno?
- Perché le stime non devono coincidere esattamente con i valori di generazione?
- Che cosa fa lo script se
convergedè falso?
Soluzione ragionata
- Ampiezza in mV e costante di decadimento in s⁻¹.
- Ai dati ideali è stato aggiunto rumore sintetico.
- Solleva un errore e non pubblica quel fit come risultato riuscito.