Relazione di laboratorio - Esperienza 0

1) L'esperinza che consiste nella misurazione ripetuta del periodo di oscillazione di un pendolo, volta ad evidenziare la
distribuzione statistica delle misure stesse.
Gli strumenti di misura utilizzati sono stati un contasecondi digitale con sensibilit di 1/100 di secondo e una cellula fotoelet-
trica con contasecondi associato con sensibilit di 1/1000 di secondo.
Il contasecondi digitale stato utilizzato manualmente per effettuare le cento misure del periodo di oscillazione. Nella nostra
analisi assumeremo il valore fornitoci dalla cellula fotoelettrica come "valore vero" della durata dell'oscillazione.
2) I dati raccolti, in secondi, sono...
dati = 1.92, 1.96, 1.88, 2.03, 2.11, 2.06, 1.87, 2.29, 1.93, 2.09, 2.09, 2.18, 2.14, 2.03,
2.15, 1.90, 1.90, 1.84, 2.30, 2.06, 2.02, 1.99, 2.19, 2.09, 2.18, 2.17, 2.03, 2.06, 2.12,
2.16, 2.08, 2.16, 2.06, 2.09, 2.21, 2.01, 2.14, 2.13, 1.90, 2.16, 2.15, 1.90, 2.10, 2.06,
1.79, 2.10, 2.21, 2.17, 2.04, 2.15, 2.08, 1.75, 2.30, 2.18, 2.19, 2.00, 2.02, 2.03,
1.89, 2.01, 1.93, 2.14, 2.06, 1.99, 2.00, 2.08, 1.79, 2.01, 2.04, 2.00, 2.09, 1.94,
2.09, 2.00, 2.16, 1.98, 2.16, 1.98, 2.06, 2.11, 2.09, 2.07, 1.96, 2.06, 1.92, 1.86,
2.00, 2.05, 1.96, 2.09, 1.97, 1.91, 2.08, 1.93, 2.10, 2.15, 1.95, 1.97, 2.02, 1.96;
3) La durata del periodo misurato dalla fotocellula Tv = ( 2.010 +/- 0.001) s (prendendo come errore sulla misura la
sensibilit dello strumento)
Tv = 2.010;
Lengthdati
100
minimo = Mindati
massimo = Maxdati
ampiezza = 0.01
1.75
2.3
0.01
4) Costruiamo un istogramma utilizzando come ampiezza delle classi la sensibilit del contasecondi digitale.
istogramma1 = Histogramdati, minimo - 0.005, massimo + ampiezza - 0.005, ampiezza,
AxesLabel - "t s", "Nk", PlotRange - All, ImageSize - 600, ColorFunction -
Which < 4, RGBColor1 5, 3 5, 8 9, 4 s < 11, RGBColor0, 1 6, 3 4,
True, RGBColor0, 1 8, 4 10 &, ColorFunctionScaling - False
1.8 1.9 2.0 2.1 2.2 2.3
2
4
6
8
Nk
5) Calcoliamo il valore medio usando la formula per dati raggruppati in classi usando come peso la frequenza assoluta di
ciascuna classe.
Utilizziamo la formula:
k1
nc
tk1Nk1)/N, dove nc il numero di classi, tk1 il valore della classe, Nk1 la frequenza assoluta
e N il numero di misurazioni.
Nk1 = BinCountsdati, minimo - 0.005, massimo - 0.005 + ampiezza, ampiezza
{1, 0, 0, 0, 2, 0, 0, 0, 0, 1, 0, 1, 1, 1, 1, 4, 1, 2, 3, 1, 1, 4, 2, 2, 2, 5, 3, 3,
4, 2, 1, 8, 1, 4, 8, 3, 2, 1, 1, 3, 4, 5, 2, 3, 2, 0, 2, 0, 0, 0, 0, 0, 0, 0, 1, 2]
nc = LengthNk1
56
tk1 = Tablei, i, minimo, massimo, 0.01
{1.75, 1.76, 1.77, 1.78, 1.79, 1.8, 1.81, 1.82, 1.83, 1.84, 1.85, 1.86, 1.87, 1.88,
1.89, 1.9, 1.91, 1.92, 1.93, 1.94, 1.95, 1.96, 1.97, 1.98, 1.99, 2., 2.01, 2.02,
2.03, 2.04, 2.05, 2.06, 2.07, 2.08, 2.09, 2.1, 2.11, 2.12, 2.13, 2.14, 2.15, 2.16,
2.17, 2.18, 2.19, 2.2, 2.21, 2.22, 2.23, 2.24, 2.25, 2.26, 2.27, 2.28, 2.29, 2.3]
Lengthtk1
56
Calcoliamo il valore medio della distribuzione, Tm.
Tm = Sumtk1i + Nk1i 100, i, 1, nc
2.0451
Approssimando Tm ai centesimi otteniamo Tm = 2.05 s
La mediana della nostra distribuzione :
2 Esperienza 0-Giulio Matteucci (2).nb
Approssimando Tm ai centesimi otteniamo Tm = 2.05 s
La mediana della nostra distribuzione :
Tmd = Mediantk1
2.025
Approssimando Tmd ai centesimi otteniamo Tmd = 2.03 s
Calcoliamo ora la varianza dei nostri dati con la formula: _
k1
nc
(((tk1 Tm)^2) Nk1) / (N 1)
S2 = Sumtk1i - Tm^2 + Nk1i 99, i, 1, nc
0.0121566
Approssimando S2 ai centesimi otteniamo S2 = 0.01 s
Troviamo ora la deviazione standard come S2 .
S = SqrtS2
0.110257
Approssimando S ai centesimi otteniamo S = 0.11 s
6) Adesso possiamo applicare la regola del 3 e decidere se ci sono dati da rigettare:
3 S
massimo s Tm + 3 S
minimo z Tm - 3 S
0.33077
True
True
Tutti i valori sono compresi in +/- 3S, non c' quindi alcuna ragione di scartare misure.
Passiamo ora a calcolare l'errore sulla media STm = S / N e lerrore relativo = STm / Tm
STm = S 10
= STm Tm
0.0110257
0.00539127
Approssimando STm ai centesimi otteniamo STm = 0.01 s e approssimando ai centesimi otteniamo 0.01 s
Il valore di STm ottenuto uguale all'errore strumentale del nostro apparato di misura (che era di 0.01 s). Scriviamo ora il
valore medio delle nostre misure corredato del suo errore Tm= ( 2.05 +/- 0.01) s.
Possiamo assumere questo valore come risultato complessivo della nostra misura.
7) Costruiamo ora un secondo istogramma, creando classi di ampiezza 0.05 s
ampiezza2 = 0.05
0.05
Esperienza 0-Giulio Matteucci (2).nb 3
istogramma2 = Histogramdati, minimo - 0.005, massimo + ampiezza2 + 0.005, ampiezza2,
AxesLabel - "t s", "Nk", PlotRange - All, ImageSize - 600, ColorFunction -
Which < 6, RGBColor1 5, 3 5, 8 9, 6 s < 19, RGBColor0, 1 6, 3 4,
True, RGBColor0, 1 8, 4 10 &, ColorFunctionScaling - False
1.8 1.9 2.0 2.1 2.2 2.3
5
10
15
20
Nk
Nk2 = BinCountsdati, minimo - 0.005, massimo + ampiezza2 - 0.005, ampiezza2
{3, 1, 4, 11, 11, 17, 22, 10, 16, 2, 1, 2]
nc2 = LengthNk2
12
Scriviamo i valori iniziali (Vic), finali (Vfc) e medi (Vmc) delle nostre nuove classi.
Vic = Tablei, i, minimo - 0.005, massimo - 0.005, ampiezza2
{1.745, 1.795, 1.845, 1.895, 1.945, 1.995, 2.045, 2.095, 2.145, 2.195, 2.245, 2.295]
Vfc = Tablei, i, minimo + ampiezza2 - 0.005, massimo + ampiezza2 - 0.005, ampiezza2
{1.795, 1.845, 1.895, 1.945, 1.995, 2.045, 2.095, 2.145, 2.195, 2.245, 2.295, 2.345]
Vmc = Tablei, i, minimo + SortdatiNk21 2, massimo + ampiezza2, ampiezza2
{1.77, 1.82, 1.87, 1.92, 1.97, 2.02, 2.07, 2.12, 2.17, 2.22, 2.27, 2.32]
Troviamo le frequenze relative (k) le dansit di frequenza (fk) delle nostre nuove classi.
k = Nk2 100
fk = k ampiezza2

3
100
,
1
100
,
1
25
,
11
100
,
11
100
,
17
100
,
11
50
,
1
10
,
4
25
,
1
50
,
1
100
,
1
50

{0.6, 0.2, 0.8, 2.2, 2.2, 3.4, 4.4, 2., 3.2, 0.4, 0.2, 0.4]
Verifichiamo che la somma delle densit di frequenza di ciascuna delle classi moltiplicata per il valore medio della classe
stessa risulti 1.
4 Esperienza 0-Giulio Matteucci (2).nb
Verifichiamo che la somma delle densit di frequenza di ciascuna delle classi moltiplicata per il valore medio della classe
stessa risulti 1.
Sumfki + ampiezza2, i, 1, 12 = 1
True
8) Ricalcoliamo ora la media, la varianza, la deviazione standard e la mediana per i nostri dati raggruppati in classi tramite le
formule per dati aggregati gi utilizzate precedentemente usando come pesi le frequenze assolute delle classi.
Tmb = SumVmci + Nk2i 100, i, 1, nc2
S2b = SumVmci - Tmb^2 + Nk2i 99, i, 1, nc2
Sb = SqrtS2b
Tmdb = MedianVmc
2.0455
0.0123987
0.11135
2.045
I valori della media, della varianza, della deviazione standard e della mediana ottenuti con i dati raggruppati in classi ,
approssimando ai centesimi, risultano uguali a quelli ottenuti inizialmente.
9) Troviamo adesso la moda dei nostri dati
Moda = Commonestdati
{2.06, 2.09]
Nonostante si siano trovati due diversi valori di moda non attribuiremo alcun significato fisico a questo risultato dato che,
essendo molto vicini tra loro, i due valori trovati raggruppando in classi leggermente piu`ampie diventano una sola. A riprova
di quanto detto i dati ragguppati in classi da 0.05 s non presentano piu` una distribuzione bimodale e il valore della moda
risulta 2.07 s
10) A titolo di confronto riportiamo i valori medi ottenuti dagli altri membri del gruppo.
- Fabio Scaffidi-Muta: Tm= ( 2.00 +/- 0.01) s
- Pietro Olmo Piana: Tm= ( 2.00 +/- 0.01) s
- Chiara Beatrice Salvemini: Tm= ( 2.04 +/- 0.01) s
- Pietro Giovanni Saggese: Tm= ( 2.02 +/- 0.01) s
11) Calcoliamo adesso la discrepanza tra il valore medio della distribuzione ed il "valore vero" (test normale).
AbsTm - Tv
0.0351
Troviamo il rapporto tra la discrepanza e lerrore sulla media.
Z = AbsTm - T0 STm
90.6974 Abs[2.0451 T0]
Essendo il valore di Z maggiore due dobbiamo ritenere le nostre misure affette da errori di tipo sistematico (anche se di
piccola entit).
12) Troviamo ora la nosta funzione densit di probabilit nell'ipotesi di distribuzione normale delle nostre misure.
Usiamo la formula

(x)
2
2 s
2
2 s
dove il valore medio della nostra distribuzione mentre s la deviazione standard.
Esperienza 0-Giulio Matteucci (2).nb 5
fx_ := PDFNormalDistributionTm, S, x;
fx
3.6183
41.1301 (2.0451x)
2
Disegnamo la curva di distribuzione Gaussiana attesa nel caso di 1 sola misura (g1) e nel caso di 100 misure (g2):
g1 = Plot0.01 + fx, x, minimo - 0.005, massimo + ampiezza - 0.005,
PlotRange - All, AxesLabel - "t s", "Nk", AxesOrigin - Tm, 0,
PlotStyle - DirectiveThickness0.008, RGBColor0, 3 8, 5 10
1.8 1.9 2.0 2.1 2.2 2.3
t s
0.005
0.010
0.015
0.020
0.025
0.030
0.035
Nk
g2 = Plot0.04 + 100 + fx, x, minimo - 0.005, massimo + ampiezza - 0.005,
AxesLabel - "t s", "Nk", AxesOrigin - Tm, 0, PlotRange - All,
PlotStyle - DirectiveThickness0.008, RGBColor0, 3 8, 5 10
1.8 1.9 2.0 2.1 2.2 2.3
t s
2
4
6
8
10
12
14
Nk
Grafichiamo contemporandamente il nostro istogramma non raggruppato in classi e la curva di distribuzione attesa (g1bis):
g1bis = Plot100 + 0.01 + fx,
x, minimo - 0.005, massimo + ampiezza - 0.005, PlotRange - All, AxesOrigin - Tm, 0,
PlotStyle - DirectiveThickness0.008, RGBColor0, 3 8, 5 10;
6 Esperienza 0-Giulio Matteucci (2).nb
Showistogramma1, g1bis, ImageSize - 600
1.8 1.9 2.0 2.1 2.2 2.3
2
4
6
8
Nk
Grafichiamo ora contemporandamente il nostro istogramma raggruppato in classi da 0.05 s e la curva di distribuzione attesa
(g2):
Showistogramma2, g2, ImageSize - 600
1.8 1.9 2.0 2.1 2.2 2.3
5
10
15
20
Nk
14) Troviamo i valori di frequenza assoluta attesi per ciascuna classe nel caso dei valori raggruppati:
Esperienza 0-Giulio Matteucci (2).nb 7
14) Troviamo i valori di frequenza assoluta attesi per ciascuna classe nel caso dei valori raggruppati:
Ek = Table0.04 + 100 + fVmci, i, 1, LengthVmc
{0.643763, 1.80081, 4.10108, 7.60353, 11.4768,
14.103, 14.1088, 11.4909, 7.61919, 4.11291, 1.80749, 0.646682]
Accorpando le classi adiacenti in cui Ek risulta minore di 5 otteniamo
Ekaccorpato = 0.6437627327806585` + 1.8008126617220526` + 4.101081723011803`,
7.603534066836042`, 11.476771973600178`, 14.102989877145385`,
14.108791640027668`, 11.4909419275494`, 7.619186851339473`,
4.1129061817066255` + 1.8074910947241567` + 0.6466819122342831`
{6.54566, 7.60353, 11.4768, 14.103, 14.1088, 11.4909, 7.61919, 6.56708]
Nk2accorpato = 3 + 1 + 4, 11, 11, 17, 22, 10, 16, 2 + 1 + 2
{8, 11, 11, 17, 22, 10, 16, 5]
Calcoliamoci gli scarti tra le frequenze assolute attese in ogni classe e quelle trovate sperimentalmente.
sc1 = Ekaccorpato - Nk2accorpato
{1.45434, 3.39647, 0.476772, 2.89701, 7.89121, 1.49094, 8.38081, 1.56708]
Proseguiamo calcolando il quadrato degli scarti tra le frequenze assolute attese e quelle trovate sperimentalmente fratto
queste ultime, per ogni classe.
sc2 = Ekaccorpato - Nk2accorpato^2 Ekaccorpato
{0.323132, 1.51719, 0.0198062, 0.595098, 4.41364, 0.193449, 9.21857, 0.373947]
La somma dei valori appena trovati il chi quadro dei nostri dati nell'ipotesi di distribuzione Gaussiana (
2
=
k1
nc NkEk
2
Ek
).
Chiq = Sumsc2i, i, 1, LengthNk2accorpato
16.6548
Prendendo come livello di significativit il cinque per cento ( = 5%) ed essendo i gradi di libert (Df = 8-2 =6) uguali al
numero di classi meno il numero di parametri stimati
il valore critico di
2
risulta essere 12.60. Chiq = 16.65 12.60 di conseguenza non si pu affermare che vi sia un buon
accordo tra i dati sperimentali e la distribuzione attesa,
tuttavia, non essendo Chiq 16.65 si possono comunque considerare i dati raccolti compatibili con una distribuzione
Gaussiana.
12) Usando i risultati ottenuti sopra confrontiamo le densita` di frequenza per i dati raggruppati in classi da 0.05 s e le
densita` di probabilita`
fkgauss = TableEki 100 ampiezza2, i, 1, LengthEk
{0.128753, 0.360163, 0.820216, 1.52071, 2.29535,
2.8206, 2.82176, 2.29819, 1.52384, 0.822581, 0.361498, 0.129336]
fk
{0.6, 0.2, 0.8, 2.2, 2.2, 3.4, 4.4, 2., 3.2, 0.4, 0.2, 0.4]
gfk = ListPlotfk, Joined - True,
PlotStyle - DirectiveThickness0.008, RGBColor0, 1 8, 4 10;
gfkgauss = ListPlotfkgauss, Joined - True,
PlotStyle - DirectiveThickness0.008, RGBColor0, 3 8, 5 10;
8 Esperienza 0-Giulio Matteucci (2).nb
Showgfk, gfkgauss, PlotRange - All, AxesLabel - "t s", "Nk", AxesOrigin - Tm, 0
4 6 8 10 12
t s
1
2
3
4
Nk
si pu notare una certa sovrapposizione pur con forti fluttuazioni.
Commenti Finali:
I) L`intervallo (Tm +/- S) l'intorno del valore medio nel quale una singola misura ha il 68% di probabilit di ricadere nell'
ipotesi di distrubuzione gaussiana.
II) L'errore sulla deviazione standard empirica dato dalla formula SS =
S
2 N1

SS = S Sqrt2 100 - 1
0.00783561
Approssimando SS ai centesimi otteniamo SS = 2.03 s
III) Nel nostro caso l'errore sulla media gi pari all'errore di sensibilit
IV) Calcoliamo la mediana, la frequenza cumulativa e l'asimmetria per il secondo istogramma ( dati aggregati in classi da
0.05 s ) ;
Come gi visto precedentemente la mediana risulta uguale risulta uguale a quella calcolata nel primo caso;
Troviamo ora la frequenza cumulativa
PlotCDFNormalDistributionTm, S, x, x, minimo - 0.005, massimo + ampiezza - 0.005,
AxesLabel - "t s", "Nk", AxesOrigin - Tm, 0, PlotRange - All,
PlotStyle - DirectiveThickness0.008, RGBColor0, 3 8, 5 10
1.8 1.9 2.0 2.1 2.2 2.3
t s
0.2
0.4
0.6
0.8
1.0
Nk
Valutiamo l'asimmetria della nostra distrubuzione usando il coefficiente di asimmetria : Cas =

i1
nc
dati
i
Tm
3
S
3
Esperienza 0-Giulio Matteucci (2).nb 9
Valutiamo l'asimmetria della nostra distrubuzione usando il coefficiente di asimmetria : Cas =

i1
nc
dati
i
Tm
3
S
3
Cas = Sumdatii - Tm^3 S^3, i, 1, nc
6.3461
il coefficiente di asimmetria risulta maggiore di 0, ci significa che il contributo dei dati maggiorii di Tm sovrasta quello
degli altri; questo si traduce in una asimmetria destra della distribuzione
V) Calcoliamo le discrepanze dai risultati degli altri membri del gruppo e usiamole per effettuare ul test normale
10 Esperienza 0-Giulio Matteucci (2).nb