Sei sulla pagina 1di 67

Sergio Frasca

Uso di

per il Laboratorio di Meccanica

Versione 14/06/2013

Sommario
Introduzione .....................................................................................................................................................................4
Istallazione ........................................................................................................................................................................5
Comandi di base ..............................................................................................................................................................7
Creazione e assegnazione di variabili ...............................................................................................................9
Operazioni sulle variabili .................................................................................................................................... 10
Istruzioni di controllo ........................................................................................................................................... 12
Grafica .......................................................................................................................................................................... 13
Gestione input/output .......................................................................................................................................... 15
Script ............................................................................................................................................................................ 16
Funzioni e librerie .................................................................................................................................................. 17
Altre .............................................................................................................................................................................. 18
Operazioni con Excel (o fogli elettronici). ............................................................................................... 18
File di startup....................................................................................................................................................... 19
Applicazioni per il Laboratorio di Meccanica .................................................................................................. 20
Simulazione di dati ................................................................................................................................................. 20
Lancio di dadi (o monete) .............................................................................................................................. 20
Estrazione di un campione da una distribuzione................................................................................. 21
Simulazione di misure con errori ............................................................................................................... 22
Montecarlo per la valutazione dellincertezza in modo semplificato .......................................... 24
Lettura di dati da file ............................................................................................................................................. 27
Fit ................................................................................................................................................................................... 31
Derivata col fit .......................................................................................................................................................... 37
Elaborazione di dati: lo smoothing ................................................................................................................. 39
Analisi statistica dei dati ...................................................................................................................................... 40
Istogramma .......................................................................................................................................................... 40
Percentili................................................................................................................................................................ 42
Coefficiente di correlazione e scatter-plot .............................................................................................. 43
Test del chi quadro ............................................................................................................................................ 45
Valutazione dellincertezza col metodo di Montecarlo .......................................................................... 46
Function di servizio ............................................................................................................................................... 51
Esperienze.................................................................................................................................................................. 52
Molla ........................................................................................................................................................................ 52
2

Fluidi ........................................................................................................................................................................ 54
Pendolo fisico....................................................................................................................................................... 55
Volano ..................................................................................................................................................................... 55
Uso avanzato .................................................................................................................................................................. 56
Alcuni comandi ........................................................................................................................................................ 56
Ancora sulle funzioni............................................................................................................................................. 57
Funzioni con argomenti variabili ................................................................................................................ 57
Funzioni definite dinamicamente ............................................................................................................... 58
Efficienza ............................................................................................................................................................... 58
GUI ................................................................................................................................................................................. 60
Strutture, list, mlist, cell array, etc................................................................................................................... 62
Appendici ........................................................................................................................................................................ 64
Consigli pratici ......................................................................................................................................................... 64
Differenze con Matlab ........................................................................................................................................... 65
Esercizi ........................................................................................................................................................................ 66
Altri utili documenti .............................................................................................................................................. 67

Introduzione
Scilab un pacchetto di programmi gratuiti per il calcolo numerico sviluppati dallo INRIA e
dallo ENPC in Francia, e poi da Scilab Consortium in seno alla Fondazione Digiteo. Oggi Scilab
sviluppato da Scilab Enterprises.
Scilab stato ampiamente impiegato in alcuni progetti industriali e di ricerca, e molti
contributi sono stati fatti dagli utenti. Il linguaggio di programmazione, di alto livello (a
differenza del C), interpretato. La sintassi simile a quella di MATLAB ma i due programmi, i
loro applicativi ed i plug-in non sono completamente compatibili, anche se esiste un
convertitore nel pacchetto di Scilab, che opera, con qualche problema, le conversioni Matlab
Scilab.
Scilab include anche un pacchetto chiamato Xcos, per la simulazione e la costruzione di
modelli di sistemi dinamici, includendo sia sotto-sistemi continui che discreti.
Altri pacchetti applicativi esterni, gli ATOMS, possono essere installati.
Scilab disponibile gratuitamente per vari sistemi operativi, tra cui Windows, Mac OS X e
Linux e pu scaricarsi gratuitamente dal sito http://www.scilab.org/ .
MATLAB, a cui si ispira Scilab, un ambiente per il calcolo numerico e l'analisi statistica che
comprende anche l'omonimo linguaggio di programmazione creato dalla MathWorks.
MATLAB consente di manipolare matrici, visualizzare funzioni e dati, implementare algoritmi,
creare interfacce utente, e interfacciarsi con altri programmi. Nonostante sia specializzato nel
calcolo numerico, un toolbox opzionale interfaccia MATLAB con il motore di calcolo simbolico
di Maple. MATLAB usato da milioni di persone nell'industria e nelle universit per via dei
suoi numerosi tool a supporto dei pi disparati campi di studio applicati e funziona su diversi
sistemi operativi, tra cui Windows, Mac OS, GNU/Linux e Unix. Vedi
http://www.mathworks.it/ .
In questa guida si suppone che lo studente abbia una conoscenza elementare della
programmazione (come acquisita, per esempio, nel corso di Laboratorio di calcolo).
Queste brevi note hanno lunico scopo di fornire rapidamente le nozioni di Scilab necessarie
per il corso di Laboratorio di Meccanica. Se, come auspicabile, si volesse andare oltre nella
conoscenza di questo strumento di programmazione, si pu trovare in rete molta
documentazione di guida e tutorial, come indicato nellultimo capitolo. In particolare per
qualsiasi uso evoluto di Scilab fondamentale un testo come introscilab.pdf (lo si trova con
Google o nel sito di Scilab) o simili.

Istallazione
Una volta scaricato il pacchetto relativo al proprio sistema operativo da
http://www.scilab.org/, seguire le semplici istruzioni interattive.

Sul sito sono presenti anche vari file di aiuto.


Tra gli altri siti con risorse utili, vedi http://www.openeering.com/ .

A corredo di questo corso, sono state scritte alcune funzioni e script che sono raccolte nel file
Per_LM_Scilab.zip e descritte in questo manuale.
Per un comodo utilizzo, una volta installato Scilab, lo spazio di lavoro1 pu essere strutturato
opportunamente, con una cartella LM con le funzioni della raccolta di Per_LM_Scilab.zip. Va
quindi caricata la libreria (col comando lib) ed comodo creare un file di startup che viene
automaticamente eseguito ogni volta che si fa partire Scilab.
Per maggiori dettagli, vedere lAppendice Consigli pratici.

In Windows, tipicamente la cartella Documenti\Scilab.

Comandi di base
Aprendo Scilab appare un ambiente di lavoro (working environment) molto simile a quello
di Matlab.

Ambiente di lavoro di Scilab

Questo, che pu essere configurato in vari modi, composto di varie sotto-finestre e cio:

Il Terminale di Scilab, dove si danno i comandi


LEsplorazione file che mostra la cartella in cui si sta lavorando
Il Navigatore delle variabili che mostra le variabili in uso e permette di modificarle
La Cronologia dei comandi che mostra gli ultimi comandi dati (anche in sessioni
precedenti)

disponibile una breve presentazione (per la versione 5.4.0) su Youtube2 in


http://www.youtube.com/embed/_gkmDUmZSZI .
I comandi sono eseguiti in genere riga per riga, come nei linguaggi interpretati. Il risultato
viene visualizzato immediatamente, a meno che il comando non venga terminato con un
punto e virgola ( ; ).

Su Youtube c un intero canale dedicato a Scilab; vedi http://www.youtube.com/user/ScilabChannel

Uno o pi comandi possono essere scritti in un file di testo, costituendo cos un programma
(pi correttamente, uno script). A questo scopo comodo usare leditor di Scilab, chiamato
SciNotes; per aprirlo si pu usare il comando editor o lo si pu far partire dallicona della barra
delle applicazioni, o anche dal menu Applicazioni. I file di script hanno normalmente
estensione .sce . Con SciNotes si possono editare pi file contemporaneamente.
I comandi di uno script vengono eseguiti col comando
exec nomescript
alternativamente possono essere messi in esecuzione direttamente dalleditor SciNotes, per
esempio dal menu a discesa _Esegui e poi scegliendo Salva ed esegui.
Ecco la finestra delleditor:

________________________________________
Non qui riportata una descrizione dettagliata dei comandi (che pu trovarsi nellhelp o nei
manuali). Si mostreranno alcuni esempi che si consiglia di ripetere sul proprio terminale
Scilab. Gli esempi sono in file .sce, scaricabili dal sito del corso. Altri esempi di uso pratico
possono ricavarsi nei programmi riportati nei prossimi capitoli.

Creazione e assegnazione di variabili


Le variabili hanno nomi che possono avere qualsiasi lunghezza, ma solo i primi 24 caratteri
sono considerati da Scilab; essi possono essere composti da lettere, maiuscole e minuscole,
numeri e i simboli %, _, #, $, ! e ? , ma con la condizione che il primo carattere non sia un
numero. Una variabile pu contenere numeri reali, numeri complessi, numeri interi (a 8, 16 e
32 bit) o stringhe di caratteri. Una variabile pu contenere insiemi di questi valori (array).
Ecco alcuni esempi di variabili (file assegnazione.sce). A differenza del C le variabili sono
create al momento dellassegnazione:
a=34+12
B=3*2.43;
c='ciao'
d=1:10
d2=1:0.1:10;
e=[1 3 5.2 7 2.34]
e0=e+%i
e1=e0'
e2=e0.'
b=ones(2,3)
bb=testmatrix('magi',4)

//
//
//
//
//
//
//
//
//
//
//

calcola 34+12 e assegna il valore a a


calcola l'espressione e l'assegna a B
assegna la stringa di carattert ciao a c
crea l'array d con i valori da 1 a 10
crea l'array d2 con i valori da 1 a 10 a passi di 0.1
crea l'array e con i valori indicati
crea l'array complesso sommando l'array e a i
crea l'array e1 come trasposto coniugato di e
crea l'array e1 come trasposto di e
crea la matrice b, composta di 1, di 2 righe e 3 colonne
crea una matrice "quadrato magico" di 4x4 elementi

Note:
%pi indica pi greco, %e indica la base dei logaritmi naturali, %i lunit immaginaria; %t e %T
indicano il valore booleano vero, %f e %F il valore booleano falso, %inf o Inf infinito.
Gli array (o vettori) sono matrici con una sola riga o una sola colonna.
Gli elementi di un array o di una matrice sono indicati racchiusi tra parentesi quadre, separati
da spazi o virgole; il punto e virgola separa le varie righe.
ones(m,n) una funzione che crea una matrice di 1 di m righe ed n colonne. Analogamente
zeros(m,n) crea una matrice di zeri.
Se si scrive un comando senza assegnazione a una variabile (il nome della variabile e il segno
di uguale), viene creata di default la variabile ans.

Operazioni sulle variabili


Le operazioni sulle variabili sono sempre operazioni matriciali, quindi possono essere fatte se
sono coerenti; per esempio la somma di due matrici pu farsi se le due matrici hanno lo
stesso numero di righe e colonne, il prodotto se il numero di colonne della prima pari al
numero di righe della seconda). Fa eccezione il caso in cui una delle matrici ha una sola riga e
una sola colonna, cio una variabile semplice: in tal caso loperazione si intende fatta tra il
numero e tutti gli elementi della matrice.
Oltre alle operazioni +, -, *, /, ^, ci sono anche le .*, ./ e .^ che operano elemento per elemento.
Operazioni pi complesse vengono realizzate tramite funzioni. Queste funzioni possono
essere fornite direttamente dal sistema, come cos, sin, exp,, sia dallutente che le
costruisce per i propri scopi. Esse possono in genere operare su matrici e produrre matrici
(ma ovviamente anche su singoli numeri, che sono un caso particolare).
Ecco uno script in cui sono eseguite alcune operazioni esemplificative (si consiglia vivamente
di mandarlo in esecuzione):
// operazioni
A=10
B=1:4
C=[1 0 2.5 -2]
D=rand(2,4)
E=rand(4,4)

// matrice con numeri a caso tra 0 e 1


// matrice casuale quadrata

a=A+B
b=B+C
// c=B*C
c1=B*C'
c2=B.*C
//d1=B/C'
//d2=B./C
d3=B/C
e1=B^A
//e2=B^C
e3=B.^C
e4=A^B
//f=1/0
f=%inf
f1=f+100
f2=f/100
f3=1/f
f4=f/f2

// ERRORE !

operazione incoerente

// ERRORE !
// ERRORE !

operazione incoerente
divisione per zero

// ERRORE !

// dovrebbe dare %inf che infinito, ma d errore

// si ha NaN che significa "not a number"

g1=D*D'
g2=D'*D
g3=D*E
g4=g2.*E
g5=E^2

10

g5=E^2.5
x=0:0.1:5;
y=cos(x*2*%pi);

11

Istruzioni di controllo
Le istruzioni di controllo di Scilab sono simili a quelle del C, ma con delle differenze
sintattiche.

Listruzione di controllo condizionale, come in C, ma con una sintassi un po diversa.


if then

else
.
end

In Scilab I loop sono molto meno usati che in C. Ci poich operare direttamente su vettori e matrici
molto pi veloce. Come in C, il loop tipico viene eseguito tramite il for, ma con una diversa sintessi:
for i = 1 : n

end

Il select simile al switch del C


select
case

case

case

else

end

Un loop in cui non sono noti a priori il numero di cicli, pu essere realizzato, similmente al C, con
unistruzione while.
while

end

Infine listruzione break interrompe un loop, mentre listruzione continue interrompe il


ciclo, passando al ciclo successivo (se c). Il return interrompe una function. Listruzione
pause interrompe lesecuzione dei comandi e d il controllo alla tastiera; molto utile in fase
di debugging.

12

Grafica
Il comando base per la grafica 2D plot (e la sua variante plot2d):
// grafica2d
x=0:0.01:4;
y=exp(-(x));
y1=cos(x*3*%pi);
y2=sin(x*3*%pi);
figure;plot(y);
figure;plot(x,y)
set(gca(),"grid",[1 1])
title("spostamento in funzione del tempo")
xlabel('t'),ylabel('s')
figure;plot2d('nl',x,y),title('logy'),set(gca(),"grid",[1 1])
figure;plot2d('ln',x+0.01,y),title('logx'),set(gca(),"grid",[1 1])
figure;plot2d('ll',x+0.01,y),title('loglog'),set(gca(),"grid",[1 1])
figure;plot(x,y1)
set(gca(),"grid",[1 1])
// crea una griglia
set(gca(),"auto_clear","off") // permette di mettere pi grafici su una finestra
plot(x,y1,'r.')
plot(x,y2,'g')
set(gca(),'zoom_box',[min(x),-1.2,max(x),1.2]) // cambia la finestra visibile

Notare la modifica della finestra grafica eseguita tramite la modifica delle propriet degli
oggetti. gca() d un handle (un manico) per modificare le propriet delloggetto axes
(assi); vengono modificate le propriet grid (gestisce la griglia), auto_clear (gestisce la
cancellazione del plot) e zoom_box (gestisce la finestra di zoom).
Per cambiare lo zoom sulla figura, si pu anche usare zoom_rect() (vedi i dettagli con lhelp).
Se si d semplicemente il comando gca(), vengono visualizzate tutte le propriet delloggetto
axes. Per conoscere il valore di una propriet occorre usare il comando get: per esempio, per
conoscere il valore della propriet zoom_box, si usa il comando
val=get(gca(),'zoom_box') .
La gestione delle propriet degli assi (e delle figure) pu farsi direttamente dalla figura,
tramite il menu Modifica. Alternativamente si pu far partire leditore grafico col comando
ged (ged(action, fignum)).
Ci sono altre funzioni per la grafica 2D:

plot2d2 fa un plot a gradini


plot2d3 fa un plot con barre verticali
plot2d4 fa un plot con frecce
polarplot plot in coordinate polari
errbar plot con barre di errore
13

Per la grafica 3D presentiamo luso dei comandi contour e surf:


// grafica3D
function f=campana(x1, x2) // una funzione utente
f = exp(-x1^2 - x2^2);
endfunction
nlevels=6;
x=-4:0.1:4;
figure;contour(x,x,campana,nlevels)
set(gca(),"grid",[1 1])
n=length(x)
for i = 1:n
y(i)=x(i);
z(i,:)=campana(x,y(i));
end
figure;surf(x,y,z)
figure;surf(x,y,log(z)),title('logz')
figure;contour(x,x,z,nlevels),set(gca(),"grid",[1 1])
figure;contour(x,x,log(z),nlevels),set(gca(),"grid",[1 1])

14

Gestione input/output
Qui vengono mostrati dei semplici esempi di input/output su file di testo e su schermo. I
comandi essenziali sono analoghi a quelli del C, con qualche differenza funzionale. Ecco quelli
che abbiamo qui usato:

mopen e mclose per lapertura e chiusura dei file


msprintf per scrivere dati formattati su una stringa
disp per mandare a schermo una stringa
mfprintf per scrivere dati formattati su un file
mfscanf per leggere dati formattati da un file

// inpoutput
N=10;
k=1:N;
n=6;
tabn=k*6;
for i = 1:N
disp(msprintf('%d x %d = %d\n',n,k(i),tabn(i))) // output sul display
end
fid=mopen('tabellina.dat','wt'); // apre un file testo per scrivere
mfprintf(fid,'Tabellina del %d \n\n',n)
for i = 1:N
mfprintf(fid,'%d x %d = %d\n',n,k(i),tabn(i))
end
mclose(fid)
fid1=mopen('dati.dat','wt'); // apre un file testo per scrivere
for i = 1:2*N
mfprintf(fid1,'%d %f %e \n',i,rand(1,2))
end
mclose(fid1)
fid2=mopen('dati.dat','r'); // apre un file per leggere, vengono creati nuovi array
ii=zeros(N,1);aa=ii;bb=ii;
for i = 1:N
[nn,ii(i),aa(i),bb(i)]=mfscanf(fid2,'%d %f %f ');
end
mclose(fid2)

15

Script
Pi comandi possono essere raccolti in un file (detto script) ), normalmente con estensione
.sce . Per creare uno script occorre un qualsiasi editor (come, per esempio, il notepad), oppure
leditor interno di Scilab, SciNotes, che si pu far partire dal men File della finestra principale
o col comando editor. Per mandare in esecuzione questi comandi si pu dare il comando
exec nomescript
oppure farlo partire dal men _Esegui di SciNotes.
In uno script (o in una funzione) la doppia sbarra // inizia un commento nella riga. Se si vuole
continuare un comando su pi righe, basta interrompere ciascuna riga con tre punti successivi
().

16

Funzioni e librerie
Una funzione un insieme di comandi racchiusi dai due comandi function ed
endfunction. La forma la seguente:
function [out1, ..., outm] = nomefunzione(input1, ..., inputn)
comandi
endfunction

Gli input1, ..., inputn sono gli argomenti di ingresso dati alla funzione e out1,
..., outm gli argomenti di uscita, prodotti dalla funzione. Essa pu essere richiamata dalla
linea di comando o da uno script o da unaltra funzione.
Una funzione viene normalmente salvata in un file di testo (come uno script), normalmente
con estensione .sci, e pu essere eseguita anche pi volte con diversi argomenti di input.
Per poter usare una funzione questa va caricata in memoria, cosa che viene fatto con il
comando exec nomefunzione , o, pi comodamente, direttamente da SciNotes, dal men
_Esegui col comando Salva e esegui.
Un modo pi comodo per gestire pi funzioni costruire una libreria. Per far ci occorre
raccogliere in una stessa cartella (per esempio base) tutte e sole le funzioni di cui vogliamo
costruire una libreria e quindi dare il comando
genlib('baselib','C:\Users\SergioF\Documents\Scilab\base\')
in questo caso si creata una libreria di nome baselib, contenente le funzioni che abbiamo
messo nella cartella C:\Users\SergioF\Documents\Scilab\base\3. In questa cartella
compariranno la forma binaria delle nostre funzioni, pi altri file di controllo.
Quando vogliamo utilizzare la libreria la carichiamo con
baselib=lib('C:\Users\SergioF\Documents\Scilab\base')
e quindi possiamo usarne le funzioni. Come vedremo in seguito, le librerie di nostro interesse
possono essere caricate automaticamente allo startup di Scilab.
ATTENZIONE ! In Scilab (a differenza di Matlab e altri linguaggi di programmazione)
lambiente esterno non comunica con linterno della funzione solo tramite gli argomenti di
input, ma lambiente della funzione vede le variabili esterne (ma non viceversa).

Ovviamente va messo il vero indirizzo della cartella che si sta utilizzando.

17

Altre
Operazioni con Excel (o fogli elettronici).
Scilab ha dei comandi che permettono di leggere e scrivere dati in file Excel di tipo xls.
Per la lettura, il comando
[fd,SST,Sheetnames,Sheetpos] = xls_open('Test1.xls')
apre un file Excel di nome Test1.xls e ne acquisisce la struttura. Col comando
[Value1,TextInd1] = xls_read(fd,Sheetpos(1));
vengono letti i dati nel primo foglio, creando la matrice Value1. I dati numerici vengono posti
pari a NaN.
Per quanto riguarda la scrittura, essendo M una matrice numerica,
csvWrite(M,'test.csv')
crea un file in formato comma separated variables, cio variabili separate da virgole, di
nome test.csv, che pu essere importato allinterno di un foglio Excel.
Una guida su tutte le funzioni disponibili riguardo ai fogli elettronici si ottiene con il comando
help.Spreadshhet

18

File di startup
Quando viene fatto partire Scilab, vengono eseguiti i comandi che si trovano nei file
SCIHOME/.scilab , SCIHOME/scilab.ini , e SCI/ scilab.star, dove SCIHOME il nome
simbolico della cartella di partenza e SCI di quella di istallazione di Scilab. (Per vedere a cosa
corrisponde ciascun nome simbolico, battere al prompt di Scilab il nome simbolico.).
comodo mettere in uno di questi file (si consiglia scilab.ini), dei comandi che per esempio
portano alla cartella di lavoro normalmente usata e istallano la/le librerie duso, se ce ne sono.
Per esempio le due righe:
cd C:\Users\SergioF\Documents\Scilab

// si posiziona sulla cartella di lavoro

baselib=lib('C:\Users\SergioF\Documents\Scilab\base') // istalla la libreria


nella cartella base

19

Applicazioni per il Laboratorio di Meccanica


Le function e gli script Scilab qui presentati sono utili per svolgere alcuni esercizi e alcune
esperienze di laboratorio. Possono inoltre costituire esempi di programmazione in linguaggio
Scilab. Tutti sono scaricabili dal sito del corso.
Gli studenti sono incoraggiati a modificarli e/o a svilupparne altri.

Simulazione di dati
Lancio di dadi (o monete)
Per la simulazione usiamo la funzione rand, generatore di numeri casuali distribuiti
uniformemente tra 0 e 1.
// dadiec

simulatore di dadi e monete

n=50;
u0=rand(1,n,"uniform");

// uniforme da 0 a 1

d=ceil(u0*6); // uscite dadi


figure;plot(d,'.'); title("Lancio di dadi - prove ripetute")
figure;histplot(0.5:6.5,d,normalization=%f);
title("Lancio di dadi - istogramma")
d_med_sper=mean(d);
d_med_teor=mean(1:6);
d_devst_sper=stdev(d);
d_devst_teor=sqrt(sum(((1:6)-d_med_teor).^2)/6);
disp(msprintf('Lancio di %d dadi',n))
disp(msprintf('media sperimentale %f (teorica %f)',d_med_sper,d_med_teor))
disp(msprintf('dev.st. sperimentale %f (teorica %f)',d_devst_sper,d_devst_teor))
disp('')
m=round(u0)*2-1; // uscite moneta
figure;plot(m,'.'); title("Lancio moneta - prove ripetute")
figure;histplot(2,m,normalization=%f);
title("Lancio moneta - istogramma")
figure;plot(cumsum(m)); title("Lancio moneta - camminata casuale")
m_med_sper=mean(m);
m_med_teor=mean([-1 1]);
m_devst_sper=stdev(m);
m_devst_teor=sqrt(sum(([-1 1]-m_med_teor).^2)/2);
disp(msprintf('Lancio di %d monete',n))
disp(msprintf('media sperimentale %f (teorica %f)',m_med_sper,m_med_teor))
disp(msprintf('dev.st. sperimentale %f (teorica %f)',m_devst_sper,m_devst_teor))
disp('')

20

Per il lancio della moneta si associa 1 a testa e -1 a croce. Notare la passeggiata casuale
eseguita facendo un passo in avanti e a destra per ogni testa e un passo indietro e a destra per
ogni croce.

Estrazione di un campione da una distribuzione


Per generare campioni estratti da una popolazione con una certa distribuzione di probabilit
si usa la function grand. In genere, per generare una matrice A di campioni casuali di
dimensione m*n, si usa il comando
A=grand(m,n,sigla_distribuzione,par1,par2,)
Per una descrizione completa di questa funzione si rimanda allhelp (Visualizzatore
dellaiuto).
Presentiamo un semplice script in cui si generano array di dati estratti da varie distribuzioni. I
dati vengono poi analizzati facendone un istogramma e calcolandone la media e la deviazione
standard.
// stat_intro : introduzione alla statistica
n=1000;
low=4;high=6;
u=grand(1,n,"unf",low,high); // uniforme
figure;histplot(10,u,normalization=%f);
title('uniforme')
mu=10;sig=2;
g=grand(1,n,"nor",mu,sig); // normale
figure;histplot(20,g,normalization=%f);
title('normale')
N=20;p=0.2;
b=grand(1,n,"bin",N,p); // binomiale
figure;histplot(0:N,b,normalization=%f);
title('binomiale')
mu=10;
p=grand(1,n,"poi",mu); // poissoniana
figure;histplot(0:30,p,normalization=%f);
title('poissoniana')
media(1)=mean(u);
media(2)=mean(g);
media(3)=mean(b);
media(4)=mean(p);
devst(1)=stdev(u);
devst(2)=stdev(g);
devst(3)=stdev(b);

21

devst(4)=stdev(p);
fprintf(6,'distr.
fprintf(6,'distr.
fprintf(6,'distr.
fprintf(6,'distr.

uniforme
normale
binomiale
poissoniana

media
media
media
media

=
=
=
=

%f
%f
%f
%f

devst
devst
devst
devst

=
=
=
=

%f',media(1),devst(1));
%f',media(2),devst(2));
%f',media(4),devst(3));
%f',media(4),devst(4));

Simulazione di misure con errori


La function LM_misure simula misure fisiche di una certa grandezza, con errori di vario tipo.
In input abbiamo il valore vero e le caratteristiche dei vari errori, in uscita, array contenenti le
misure e le varie componenti di errore; possibile anche impostare un trend.

function [mis, el, es, ec, tr, dist]=LM_misure(valv, errlet, errsist, errcas, trend,
pr_dist, amp_dist)
// LM_MISURE simulazione misure
//
//
[mis el es ec tr dist]=LM_misure(valv,errlet,errsist,errcas,trend,pr_dist,amp_dist)
//
//
valv
valore vero (array; se 2 elementi, primo valv, secondo numero
//
di misure)
//
errlet
errore di lettura (p. es. 0.001)
//
errsist
errore sistematico (di taratura) [b a]: b*vv+a
//
errcas
deviazione standard del rumore casuale
//
trend
trend (aumento del valore per misura)
//
pr_dist
probabilit dei disturbi occasionali
//
amp_dist ampiezza media disturbi occasionali
mis=[];
el=[];
es=[];
ec=[];
tr=[];
dist=[];
mode(0);
ieee(1);
if max(size(valv))==2 then
valv = mtlb_e(valv,1)*ones(mtlb_e(valv,2),1);
end;
n = max(size(valv));
tr = (0:n-1)'*trend;
es=(valv+tr).*errsist(1)+errsist(2);
ec = errcas*rand(n,1,"normal");
i = find(rand(n,1) < pr_dist)';
dist = zeros(n,1);
dist = mtlb_i(dist,i,laplrnd(amp_dist,max(size(i)),1));
mis0=valv+tr+es+ec+dist;
mis = round(mis0/errlet)*errlet;
el = mis-mis0;
endfunction

stato realizzato anche lo script I_LM_misure che utilizza in modo comodo e interattivo la
LM_misure. Vengono proposti dei valori per i parametri di ingresso (che possono modificarsi
22

interattivamente), vengono prodotti dei grafici con le misure, gli errori e i loro istogrammi e
viene creato un file con tutti i dati, che pu essere aperto con qualsiasi editor di testi
(attenzione per, perch contiene molte colonne e quindi ci possono essere problemi di
allineamento).
// I_LM_misure
mode(0);
ieee(1);
answ = x_mdialog('Parametri di misure ripetute',["Numero misure";"Valore vero";"Errore di
lettura";"Errore sistematico (alfa)";"Errore sistematico (beta)";"Errore
casuale";"Trend";"Probabilit disturbi";"Ampiezza
disturbi"],["60";"10";"0.1";"0.2";"0.01";"0.4";"0.0";"0.04";"3"]);
Nmis = evstr(answ(1));
valv = evstr(answ(2));
errlet = evstr(answ(3));
esalf = evstr(answ(4));
esbet = evstr(answ(5));
errcas = evstr(answ(6));
trend = evstr(answ(7));
pr_dist = evstr(answ(8));
amp_dist = evstr(answ(9));
[mis,el,es,ec,tr,dist] =
LM_misure([valv,Nmis],errlet,[esbet,esalf],errcas,trend,pr_dist,amp_dist);
figure;plot(mis),set(gca(),"auto_clear","off"),plot(mis,"r."),set(gca(),"grid",[1,1])
title("Misure ripetute"),xlabel("Numero d''ordine")
figure;plot(el),set(gca(),"auto_clear","off"),plot(es,"r"),plot(ec,"k"),set(gca(),"grid",
[1,1])
plot(el,"."),plot(es,"r."),plot(ec,"k.")
title("Errori"),xlabel("Numero d''ordine"),
legend("Errori di lettura","Errore sistematico","Errori casuali");
figure;plot(tr),set(gca(),"auto_clear","off"),plot(dist,"k"),set(gca(),"grid",[1,1])
plot(tr,"."),plot(dist,"k.")
title("Disturbi e trend"),xlabel("Numero d''ordine"),
legend("Trend","Disturbi");
mea = mean(mis,"m");
sd = stdev(mis);
messagebox([msprintf("media = %f",mea),msprintf("st.dev. = %f",sd)],"Statistica Misure")
figure;histplot(100,mis,normalization=%f),title("Istogramma delle misure")
figure;histplot(round(sqrt(Nmis)),el,normalization=%f)
title("Istogramma errori di lettura")
figure;histplot(round(sqrt(Nmis)),ec,normalization=%f)
title("Istogramma errori casuali")
figure;histplot(round(sqrt(Nmis)),es,normalization=%f)
title("Istogramma errori sistematici")
timstr = snag_timestr(now());
fid = mopen("misure_"+timstr+".dat","wt");
mfprintf(fid,"
Simulazione di misure \r\n\r\n");
mfprintf(fid,"
Errore di lettura
%f \r\n",errlet);
mfprintf(fid,"
Errore casuale
%f \r\n",errcas);
mfprintf(fid,"
Errore sistematico alfa e beta %f %f \r\n",esalf,esbet);
mfprintf(fid,"
Trend
%f \r\n",trend);
mfprintf(fid,"
Disturbo (prob,amp) %f
%f\r\n",pr_dist,amp_dist);
mfprintf(fid,"\r\n N
misura
err.lett.
err.cas.
err.sist.
disturbo \r\n");
if errlet > 0 then
ndig = ceil(log10(1/errlet));
else
ndig = 6;

23

trend

end;
format = msprintf("%%4d

%%12.%df

%%10f

%%10f

%%10f

%%10f

%%10f

\r\n",ndig);

for i = 1:Nmis
mfprintf(fid,format,i,mis(i),el(i),ec(i),es(i),tr(i),dist(i));
end;
mfprintf(fid,"\r\n
media %f
%f
%f
%f
%f
%f
\r\n",mean(mis,"m"),mean(el,"m"),mean(ec,"m"),mean(es,"m"),mean(tr,"m"),mean(dist,"m"));
mfprintf(fid," dev.st. %f
%f
%f
%f
%f
%f
\r\n",stdev(mis),stdev(el),stdev(ec),stdev(es),stdev(tr),stdev(dist));
mclose(fid)

Montecarlo per la valutazione dellincertezza in modo semplificato


Talvolta si valuta lincertezza (sulla singola misura) di una misura ripetuta tre volte
prendendo la semidifferenza tra la massima e la minima. Quale la validit di questa
procedura ? Per valutarlo stato realizzato un montecarlo che valuta lincertezza con la stima
(non distorta) della deviazione standard e con il metodo della semidifferenza tra massima e
minima. I dati simulati sono distribuiti secondo una normale standardizzata, quindi
lincertezza aspettata, assimilata alla deviazione standard 1.

Ecco il semplice programma in Scilab:


// monte_sign3 montecarlo per la valutazione dell'incertezza in modo
semplificato
//
per 3 misure
nval=3;
N=10000;
me=zeros(1,N);
sd=me;
sd1=sd;
for i = 1:N
r=grand(1,nval,'nor',0,1); // nval numeri casuali con dist. norm. standard
me(i)=mean(r);
sd(i)=stdev(r);
sd1(i)=(max(r)-min(r))/2;
end
mean(me)
stdev(me)
figure,histplot(100,me),title('Distribuzione della media'),gridon
mean(sd)
stdev(sd)
figure,histplot(100,sd),gridon
title('Distribuzione della stima della deviazione standard')
mean(sd1)
stdev(sd1)
figure,histplot(100,sd1),gridon

24

title('Distribuzione della stima dellincertezza semplificata')

Ed ecco i risultati:

Incertezza valutata
sullincertezza

In teoria
1
-

Stima della dev.st.


0.886
0.463

Metodo semplificato
0.846
0.444

Ed ecco gli istogrammi dei dati ottenuti:

Possiamo ora domandarci come vanno i due metodi di valutazione dellincertezza se invece
che operare su 3 misure lo si fa su un altro numero N. Ecco il programma:
// monte_sign
semplificato
//

montecarlo per la valutazione dell'incertezza in modo


al variare del numero di misure

N=2000;
sd=zeros(1,N);
sd1=sd;
msd=zeros(1,9);
msd1=msd;
for j = 1:9
for i = 1:N
r=grand(1,j+1,'nor',0,1); // j+1 numeri casuali con distribuzione
normale standardizzata
sd(i)=stdev(r);
sd1(i)=(max(r)-min(r))/2;
end
msd(j)=mean(sd);
msd1(j)=mean(sd1);
end
figure,plot(2:10,msd),holdon,plot(2:10,msd,'.')

25

plot(2:10,msd1,'r'),plot(2:10,msd1,'r.'),gridon
plot(ones(1,10),'g'),xlabel('Numero di misure')
ylabel('Incertezza stimata')
title('Blu sigma, Rosso (max-min)/2, Verde valore teorico')

e i risultati:

Si noti che la stima dellincertezza fatta con la semi-differenza tra la massima e la minima
misura abbastanza ragionevole nel caso in cui N uguale a 3 o a 4 (simile o migliore alla
stima della deviazione standard, mentre per N>4 d risultati in eccesso. Per N-2 una stima
ragionevole dellincertezza prendere semplicemente la differenza tra la massima e la
minima misura (il valore aspettato circa 1.13).

26

Lettura di dati da file


Presentiamo due function per leggere dati da file.

leggi_xyinc per leggere dati da un file testo. Il formato in cui i dati sono scritti nel file,
per ogni riga,
x incertezza_di_x y incertezza_di_y
ATTENZIONE ! usare il punto o la virgola come separatore decimale a seconda dello
standard del computer in uso.
Suggerimento: settare il proprio computer in modo da usare come separatore decimale il
punto (uso standard internazionale).
Possono essere inserite righe di commento, inizianti per %. Le righe vuote sono ignorate. I
dati devono essere scritti usando il punto come separatore decimale (non la virgola !). La
funzione pu essere in due modi:
o col nome (col path se in unaltra cartella) del file da leggere
[x,dx,y,dy]=leggi_xyinc(nomefile);
o senza argomento dingresso (sar richiesto interattivamente il file(
[x,dx,y,dy]=leggi_xyinc();
I dati saranno nei quattro vettori x,dx,y,dy di lunghezza il numero delle righe di dati.

function [x, dx, y, dy]=leggi_xyinc(fil)


[nout,nin]=argn();
// indica quanti sono gli argomenti di uscita e di ingresso
if nin < 1 then
[fnam,pnam]=uigetfile('*',' ',"Quale file aprire ?");
fil=pnam+filesep()+fnam;
end
fid=mopen(fil,'r');
err=0;
i=0;
while err == 0
line=mgetl(fid,1);
err=meof(fid); disp(line)
if length(line) > 0 then
if part(line,1) ~= '%' then
i=i+1;

27

a=msscanf(line,' %g %g %g %g');
x(i)=a(1);
dx(i)=a(2);
y(i)=a(3);
dy(i)=a(4);
end
end
end
mclose(fid);
endfunction

I dati cos conservati possono essere visualizzati con la function plot_unc:


function plot_unc(x, uncx, y, uncy)
// Grafica dati con incertezze
//
x,uncx,y,uncy dati e incertezze
// se c' un solo argomento, viene inteso come il nome del file con i dati
// se non ci sono argomenti, cerca il file
[nout,nin]=argn();
if nin == 1 then
[x,uncx,y,uncy]=leggi_xyinc(x);
end
if nin == 0 then
[x,uncx,y,uncy]=leggi_xyinc();
end
figure
n=length(x);
for i = 1:n
plot([x(i)-uncx(i),x(i)-uncx(i),x(i)+uncx(i),x(i)+uncx(i),x(i)-uncx(i)],...
[y(i)-uncy(i),y(i)+uncy(i),y(i)+uncy(i),y(i)-uncy(i),y(i)-uncy(i)],'r')
plot([x(i),x(i)],[y(i)-uncy(i),y(i)+uncy(i)]);
plot([x(i)-uncx(i),x(i)+uncx(i)],[y(i),y(i)]);
end
plot(x,y,'.')
set(gca(),"grid",[1 1])
endfunction

producendo un grafico come (vedi file dati_con_inc.dat):

28

leggi_pasco per leggere dati da un file prodotto dal sistema Pasco, usato per alcune
esperienze. I dati in questo file sono spesso scritti usando la virgola come separatore
decimale (dipende dal settaggio del computer), quindi si dovuto realizzare una ulteriore
function (readascii_comma) che cambia le virgole in punti.
La funzione pu essere in due modi:
o col nome (col path se in unaltra cartella) del file da leggere
[t,s,dt,n]=leggi_pasco(nomefile);

o senza argomento dingresso (sar richiesto interattivamente il file)


[t,s,dt,n]=leggi_pasco(nomefile);

I dati saranno nei vettore t (i tempi di acquisizione) e s (misura, p.es. distanza o peso); dt
indica il tempo di campionamento (non sempre esattamente, come si pu controllare
vedendo i dati in t) e n il numero di misure (dimensione di t e s).
function [t, s, dt, n]=leggi_pasco(fil)
[nout,nin]=argn();
if nin < 1 then
[fnam,pnam]=uigetfile('*',' ',"Quale file aprire ?");
fil=pnam+"\"+fnam;
end
disp(fil)
A=readascii_comma(fil,2,2);
t=A(:,1);

29

s=A(:,2);
n=length(t);
dt=(t(n)-t(1))/(n-1);
endfunction
function a=readascii_comma(fil, ncomments, ncol)
//READASCII_comma reads an ASCII file to a vector, with comma-to-dot
conversion
//
//
a=readascii(file,ncomments,ncol)
//
//
ncomments
is the number of lines containing comments (skipped and
displayed)
//
ncol
is the number of the columns of the output array
//
(must be a sub-multiple of the total number of the data)
[fid,message]=mopen(fil,'r');
if fid == -1
disp(message);
end
for i = 1:ncomments
line=mgetl(fid,1);
disp(line);
end
c=mgetl(fid);
c=strsubst(c,',','.');
a=msscanf(-1,c,' %g %g');
mclose(fid);
endfunction

30

Fit
Sono qui raccolti alcune function Scilab per fare fit di dati sperimentali.
La function gen_lin_fit permette di fare fit polinomiali, armonici o generici, col metodo della
massima verosimiglianza (minimo chi quadro).
Nel caso dei polinomi, va fornito il grado come parametro.
Nel caso della combinazione lineare di funzioni sinusoidali, vanno fornite come parametri le
frequenze.
Nel caso generale il parametro la matrice nxM dei valori delle M funzioni base per gli n punti
di ascissa.
Se la variabile ipl maggiore di zero, vengono prodotti anche i grafici.
function [a, covarout, F, res, chiq, ndof, err, errel]=gen_lin_fit(x, y, unc,
ic, par, ipl)
// GEN_LIN_FIT general linear fit
//
//
[a,covarout,F,res,chiq,ndof,err,errel]=gen_lin_fit(x,y,unc,ic,par,ipl)
//
//
x
abscissa value (length n) or gd
//
y
ordinate value (length n) or nothing
//
unc
y uncertainty (length n; if single number, all equal)
//
ic
type of linear fit:
//
0 -> general;
par the matrix [n,M]
//
1 -> polynomial; par the order
//
2 -> sinusoidal; par the frequencies
//
ipl
= 1 -> plot
//
//
a
fit parameters (length M)
//
covarout covariance matrix
//
F
base functions
//
res
residuals
//
chiq
chi-square value
//
ndof
degrees of freedom
//
err
mean square error
//
errel mean square relative error
// Modalit mostra
mode(0);
// Mostra un avviso per una eccezione in virgola mobile
ieee(1);
// Inizializzazione delle variabili in uscita (non trovate nelle variabili
in ingresso)
a=[];
covarout=[];
F=[];
res=[];
chiq=[];
ndof=[];
err=[];
errel=[];
n = max(size(x));

31

if max(size(unc))==1 then
const = unc;
unc(1:n) = const;
end;
[nout,nin]=argn();
if nin < 6 then
ipl = 0;
end;
x=x(:);y=y(:);unc=unc(:);
select ic
case 0 then
A = par;
[n,M] = size(A);
case 1 then
M = par+1;
for i = 0:par
A(1:length(x .^(par-i)),i+1) = x.^(par-i);
end;
case 2 then
nfr = max(size(par));
M = nfr*2;
ii = 0;
for i = 1:nfr
if par(i) > 0 then
A(1:n,ii+1)=cos(((2*%pi)*par(i))*x);
A(:,ii+2) = sin(((2*%pi)*par(i))*x);
ii = ii+2;
else
A(1:n,ii+1)=cos(((2*%pi)*par(i))*x);
ii = ii+1;
M = M-1;
end;
end;
end;
F = A;
for i = 1:M
A(:,i) = A(:,i) ./unc;
end;
y1 = y ./unc;
B = A'*A;
b = A'*y1;
covarout = inv(B);
a = covarout*b;
chiq = sum((y1-A*a).^2);
ndof = n-M;
y2 = F*a;
res = y2-y;
for i = 1:n
f = F(i,:);
err(1,i) = (f*covarout)*f';
end;

32

err = sqrt(err);
err = sqrt(sum(err.^2)/n);
errel = err/sqrt(sum(y .^2)/n);
if ipl > 0 then
figure; plot(F), set(gca(),"grid",[1,1]), title("base functions")
figure; plot(x,y,"."), set(gca(),"auto_clear","off"), plot(x,y2,"r"),
set(gca(),"grid",[1,1]), title("fit")
figure; plot(x,res,"."), set(gca(),"grid",[1,1]), title("residuals")
end;
endfunction

La funzione data_polyfit permette di fare il fit polinomiale in modo interattivo: mostra il


grafico dei dati disponibili, quindi richiede di scegliere i pezzi da analizzare e, se non viene
specificato prima, quale deve essere il grado del polinomio. Per ilcalcolo del fit, usa gen_lin_fit.
Sono prodotti alcuni grafici e i risultati dettagliati sono contenuti in un array di strutture (una
sola struttura se si sceglie un solo pezzo).
function data=data_polyfit(x, y, unc)
// DATA_POLYFIT analyzes x-y data
//
//
data=data_polyfit(x,y,unc)
//
//
x,y
input data
//
unc
uncertainty on y data (costant)
//
//
data(i).iclog
iclog
//
data(i).x
the x of the selection
//
data(i).y
the y
//
data(i).a
the polynomial coefficients (starting from higher power)
//
data(i).aunc
uncertainty on the polynomial coefficients
//
data(i).F
base functions
//
data(i).res
the residuals
//
data(i).err
the mean square error
//
data(i).errel
the relative error
//
data(i).chiq
chi square
//
data(i).ndof
number of degrees of freedom
// Inizializzazione delle variabili in uscita (non trovate nelle variabili in ingresso)
// Modalit mostra
mode(0);
// Mostra un avviso per una eccezione in virgola mobile
ieee(1);
//[iin,iout]=argn();
iclog=0;
x1 = x;
y1 = y;
out=struct();
[xx,ii] = sel_absc(x,y);
[i1,i2] = size(ii);
for i = 1:i1
out.iclog = iclog;
out.x = x1(ii(i,1):ii(i,2));
out.y = y1(ii(i,1):ii(i,2));
x2 = x(ii(i,1):ii(i,2));
y2 = y(ii(i,1):ii(i,2));
fig = mtlb(figure); plot(x2,y2,"."),

set(gca(),"grid",[1,1]);

33

result=x_dialog('grado del polinomio ?','2');


par=eval(result);
mtlb_close(fig);
[a,covarout,F,res,chiq,ndof,err,errel] = gen_lin_fit(x2,y2,unc,1,par,0);
polyfit_res_plot(x2,y2,a,res)
out.a = a;
for j = 1:length(a)
out.aunc(j) = sqrt(covarout(j,j));
end;
out.covar = covarout;
out.F = F;
out.unc = unc;
out.meanres = mean(res,"m");
out.stdres = stdev(res);
out.res = res;
out.err = err;
out.errel = errel;
out.chiq = chiq;
out.ndof = ndof;
data(i)=out;
end;
endfunction

Questa funzione molto comoda per lavorare con i dati della strumentazione Pasco. Ecco un
esempio:
-

leggere i dati di esempio nel file esem_pasco.txt col comando


[t,s,dt,n]=leggi_pasco();

dare il comando data = data_polyfit(t,s,0.001);

Compare una finestra con i dati graficati, su cui si pu scegliere un segmento (col mouse); una
fatta la scelta (pi di una volta, se si vuole), appare il grafico con la (le) parti scelte evidenziate
in rosso:

34

Quindi, per ogni segmento scelto viene chiesto il grado del polinomio con cui fare il fit:

e infine appare una finestra con i dati scelti con sovrapposto il fit e i residui (la differenza tra
il fit e i dati):

35

In uscita viene prodotta un array di mlist (in pratica, strutture), una per ogni segmento
scelto. Ciascuna contiene i dati e i risultati del relativo fit, e cio, per il k-esimo segmento,

data(k).x e data(k).y contengono ascisse e ordinate dei punti selezionati nel segmento
data(k).a contiene i coefficienti del polinomio del polinomio interpolante, a partire da
quello della potenza pi alta
data(k).aunc contiene le incertezze per i vari coefficienti
data(k).covar la matrice di covarianza per i coefficienti
data(k).F le funzioni base del fit (in questo caso, semplicemente le potenze di x)
data(k).res i residui del fit

Ci sono poi, ma spesso non sono interessanti,

data(k).err lerrore quadratico medio


data(k).errel lerrore quadratico medio relativo
data(k).chiq il chi quadro
data(k).ndof il numero di gradi di libert

36

Derivata col fit


A volte occorre stimare la derivata di dati campionati (non necessariamente in modo
uniforme). Per far ci esistono vari algoritmi, pi o meno raffinati.
La tecnica che proponiamo si basa sullesecuzione del fit polinomiale dei dati campionati
(eseguito con data_polyfit) e sulla derivazione algebrica del polinomio trovato. Nella funzione
che segue si pu scegliere lordine della derivata che si vuole (che non ha senso sia maggiore
del grado del polinomio del fit).
function data=derifit(x, y, unc, ord)
// derivata col fit
//
//
x,y
input data
//
unc
uncertainty on y data (costant)
//
ord
order of derivative (def 1)
//
//
data(i).iclog
iclog
//
data(i).x
the x of the selection
//
data(i).y
the y
//
data(i).a
the polynomial coefficients (starting from higher power)
//
data(i).aunc
uncertainty on the polynomial coefficients
//
data(i).F
base functions
//
data(i).res
the residuals
//
data(i).err
the mean square error
//
data(i).errel
the relative error
//
data(i).chiq
chi square
//
data(i).ndof
number of degrees of freedom
//
//
data(i).dord
order of derivative
//
data(i).dy
derivative of y
//
data(i).da
coefficients of the derivative
[lhs,rhs]=argn();
if rhs < 4 then
ord=1;
end
str=msprintf('Derivata di ordine %d',ord);
data = data_polyfit(x,y,unc);
[n,nn]=size(data);
for i = 1:n
data(i).dord=ord;
a=data(i).a;
x=data(i).x;
for j = 1:ord
a=polyder(a);
end
data(i).da=a;
dy=calcpoly(x,a);
data(i).dy=dy;
figure;plot(x,dy),holdon,gridon,plot(x,dy,'r.'),title(str)
end
endfunction

37

Si noti che alla struttura data sono stati aggiunti tre elementi:

data(k).dord ordine della derivata


data(k).dy
valori della derivata
data(k).da
coefficienti della derivata

Alla fine viene visualizzato il plot della derivata.


Ecco le due piccole funzioni di servizio che calcolano la derivata di un polinomio e i valori di
un polinomio:
function dpol=polyder(pol)
// Calcola la derivata di un polinomio
//
//
pol
coefficienti del polinomio (dalla potenza pi slta alla 0-esima)
//
//
dpol
coefficienti della derivata (dalla potenza pi slta alla 0-esima)
N=length(pol)-1;
dpol=pol(1:N)*0;
if N == 0 then
dpol=0;
end
for i = 1:N
dpol(i)=(N-i+1)*pol(i);
end
endfunction
function y=calcpoly(x, pol)
// Calcola un polinomio nei punti x
//
//
pol coefficienti del polinomio (dalla potenza pi slta alla 0-esima)
N=length(pol)-1;
y=pol(N+1)*(x*0+1);
for i = N:-1:1
y=y+x*pol(i);
x=x.*x;
end
endfunction

38

Elaborazione di dati: lo smoothing


Lo smoothing (smussamento) dei dati campionati spesso usato per ridurre lerrore di
campionamento (o di lettura) e lerrore casuale. un particolare tipo di filtraggio e consiste
nel fare opportune medie pesate nellintorno di ciascun campione. La function easy_smooth
esegue lo smoothing di dati campionati; gli argomenti sono x (i dati da smussare) e n, la
lunghezza della finestra di smoothing (un numero piccolo, per esempio 2).
function y=easy_smooth(x, n)
// EASY_SMOOTH data smoothing
//
//
x
input data
//
n
smoothing depth (positive integer)
//
//
y
smoothed data
y=[];
mode(0);
ieee(1);
if ~exists("n") then
n = 1;
end;
n = round(n);
if n < 1 then
n = 1;
end;
win=1:n+1;
win(2*n+1:-1:n+2)=1:n;
y=conv(x,win)/(n+1)^2;
y=y(n+1:length(y)-n);
endfunction

39

Analisi statistica dei dati


Le funzioni per lanalisi statistica dei dati sono molte, ma spesso non sono adeguate allanalisi
delle misure fisiche. Tra quelle pi utili

mean(x) calcola la media del vettore x


median(x) calcola la mediana del vettore x
stdev(x) calcola la deviazione standard (non distorta) del vettore x
cmoments(x,ord) calcola il momento centrale di ordine ord del vettore x
histplot(n,data, normalization=%f) disegna un istogramma; se non si pone
normalization=%f, listogramma viene normalizzato come se fosse una distribuzione di
probabilit continua.

Realizziamo alcuni esempi di funzioni per lanalisi statistica.

Istogramma
La funzione histplot non molto comoda da usare ed inoltre solo grafica, cio non produce
in uscita i valori dellistogramma. La funzione hist_LM istogramma i dati contenuti in una
matrice. I parametri dellistogramma, contenuti in x, possono essere dati in quattro diversi
modi:

dando solo il numero di bin


dando linizio del primo bin e la larghezza dei bin
dando linizio del primo bin, la larghezza e il numero dei bin
dando gli estremi dei vari bin (utile se i bin hanno larghezze differenti)

function [h, xh, xb]=hist_LM(x, data)


//
// x
parametri dell'istogramma:
//
se ha una componente, numero dei bin
//
se ha due componenti, inizio del primo bin e larghezza dei bin
//
se ha tre componenti, inizio del primo bin, larghezza dei bin e
numero di bin
//
se ha pi componenti, queste indicano gli estremi dei successivi bin
// data dati (in genere una matrice)
//
// h
valori dell'istogramma
// xh
valori centrali dei bin dell'istogramma
// xb
valori dei bordi dei bin dell'istogramma
if isstruct(data) then
data=data.y;
end
data=data(:);
lx=length(x);
select lx

40

case 1 then
m=floor(x);
dm=x-m;
xmin=min(data);
xmax=max(data);
dx=(xmax-xmin)/m;
case 2
xmin=x(1);
dx=x(2);
m=ceil((max(data)-xmin)/dx)+1;
xmax=xmin+m*dx;
case 3
xmin=x(1);
dx=x(2);
m=x(3);
xmax=xmin+m*dx;
end
if lx <= 3 then
xh=(xmin+dx/2):dx:xmax;
x=[xmin xmin+(1:m)*dx];
k=floor((data-xmin)/dx)+1;
kk=find(k>m);
k(kk)=m;
kk=find(k<1);
k(kk)=1;
fr=nfreq(k);
h=zeros(m,1);
h(fr(:,1))=fr(:,2);
else
m1=length(x);
m=m1-1;
xh=(x(2:m1)+x(1:m1-1))/2;
h=xh*0;
for i = 1:m
k=find(data>=x(i) & data < x(i+1));
h(i)=length(k);
end
k=find(data >= x(i+1));
h(m)=h(m)+k;
k=find(data < x(1));
h(1)=h(1)+k;
end
figure
for i = 1:m
plot([x(i),x(i)],[0,h(i)]);
plot([x(i),x(i+1)],[h(i),h(i)]);
plot([x(i+1),x(i+1)],[h(i),0]);
end
plot([x(m+1),x(m+1)],[h(1),0]);
xb=x;
endfunction

41

Percentili
Per un certo campione (o insieme di dati) spesso utile conoscere quale il valore al di sotto
del quale c una certa percentuale dei dati. questo in un certo senso una generalizzazione
della mediana (che il valore al di sotto del quale il 50 % dei dati).
Ecco una funzione che esegue questo calcolo:
function y=percentile(x, p)
// Calcola i percentili di un campione
//
//
x
dati
//
p
percentuale (da 0 a 100; anche array)
x=gsort(x);
y=p*0;
N=length(x(:));
for i = 1:length(p)
ii=round(N*p(i)/100+0.5);
if ii < 1 then
ii=1;
end
if ii > N then
ii=N;
end
y(i)=x(ii);
end
endfunction

42

Coefficiente di correlazione e scatter-plot


Supponiamo di avere n misure di una grandezza x e altrettante di una misura y, contenute nei
due array x e y.
Possiamo farne lo scatter-plot e calcolarne il coefficiente di correlazione.
Abbiamo simulato 20 valori di x e y. Eccone lo scatter-plot:

Per calcolare il coefficiente di correlazione e valutarne la significativit abbiamo realizzato la


seguente function:
function [ro, sd0]=corr_coeff(x, y, N)
// Coefficiente di correlazione con incertezza tra x e y
//
//
N
dimensione del montecarlo (def = 1000)
//
ro
coefficiente di correlazione
//
sd0
deviazione standard dell'auto-simulazione
[n1,n2]=argn()
if n2 == 2 then
N=1000;

43

end
n=length(x);
sx=stdev(x);
sy=stdev(y);
ro=corr(x,y,1)/(sx*sy);
ro1=zeros(1,N);
for i = 1:N
ii=rand_perm(n);
ro1(i)=corr(x(ii),y,1)/(sx*sy);
end
figure,histplot(100,ro1,normalization=%t)
sd0=stdev(ro1);
endfunction

Essa calcola prima il coefficiente di correlazione tra x ed y (la function corr di Scilab calcola
la covarianza) e in seguito lo calcola N volte avendo permutato casualmente gli elementi di x:
ci permette di valutare la significativit del valore di ro, poich si suppone che la
permutazione casuale abbia distrutto la correlazione. inc0 la deviazione standard dei
valori del coefficiente di correlazione con i dati permutati.
Con i dati usati per lo scatter-plot troviamo ro=0.741 e sd0=0.218 e la distribuzione dei ro per
i dati permutati

44

Test del chi quadro


Se sono dati i valori teorici, i valori sperimentali, le incertezze su questi, il numero di gradi di
libert da sottrarre al numero di misure e la significativit voluta per il test, la seguente
funzione valuta il test del chi quadro, producendo la variabile logica test (vera se il test
superato); vengono anche prodotti il valore del chi quadro calcolato e il valore del chi quadro
limite.
function [test, chiq, chiqlim]=test_chiq(yteor, ysp, unc, mdof, sig)
// Test del chi quadro
//
//
yteor
valori teorici
//
ysp
valori sperimentali
//
unc
incertezze (=0 -> sqrt(yteor))
//
mdof
numero di gradi di libert da sottrarre
//
sig
significativit del test (p.es. 0.05)
if length(unc) == 1 then
unc=sqrt(yteor);
end
dof=length(yteor)-mdof;
chiq=sum(((ysp(:)-yteor(:)).^2)./unc(:).^2);
X=cdfchi("X",dof,1-sig,sig);
if chiq < X then
test=%T;
else
test=%F;
end
endfunction

45

Valutazione dellincertezza col metodo di Montecarlo


Quando una misura indiretta dipende da molte misure dirette in modo complesso, pu
risultare non conveniente valutare lincertezza della misura col metodo delle derivate parziali.
questo per esempio il caso della misura di g con il pendolo fisico.
In casi di questo genere comodo valutare lincertezza della misura con il metodo di
Montecarlo. In pratica, se la nostra misura indiretta dipende da n misure dirette, la
ricalcoliamo un gran numero di volte, in ognuna delle quali mettiamo come valori delle
misure dirette un valore casuale scelto sulla base della misura fatta e della sua incertezza: se
la misura diretta era dominata dallerrore di lettura, per questa prendiamo un valore
distribuito uniformemente nellintervallo di misura, se invece la misura diretta era dominata
dallerrore casuale, per questa prendiamo un valore distribuito gaussianamente con valore
aspettato la nostra misura e deviazione standard la sua incertezza. Studiamo quindi la
statistica dei risultati ottenuti.
Ecco la funzione:
function [unc, yhist, yphist]=lm_uncert(funinp, arginp)
// lm_uncert
computes uncertainty for a given function
//
//
[unc yhist yphist]=lm_uncert(funinp,arginp)
//
//
funinp
name of the function (it must be created and "executed")
//
(see for example the exfun_lm_uncert)
//
arginp
arguments of the function with [value uncertainty type]
//
(see for example the driver_exfun_lm_uncert)
//
//
//
typ = 0
gauss (statistical error)
//
typ = 1
uniform (resolution error)
//
typ = 2
exponential
//
typ = 3
user-defined distribution (the user should provide the function usernd)
//
//
unc.y
value
//
unc.yy
mean value
//
unc.ymedian
median
//
unc.dy
total uncertainty
//
unc.sig1
unc, equalized to 1 gaussian sigma in prob (0.15865 and 0.84135)
//
unc.py(k)
partial mean value
//
unc.pdy(k)
partial uncertainties
funinp='y='+funinp+'(';
N=100000;
NP=10000;
sigm=0.15865;
sigp=0.84135;
indeq=strindex(arginp,'=');
indap=strindex(arginp,'[');
indcl=strindex(arginp,']');
indpv=strindex(arginp,';');
nvar=length(indeq);
nomevar=list(nvar);
valvar=list(nvar);
ini=1;
for i = 1:nvar

46

nomevar(i)=part(arginp,ini:indeq(i)-1);
valvar(i)=part(arginp,indap(i)+1:indcl(i)-1);
ini=indpv(i)+1;
end
strcom=funinp;
str1=strcom;
r=zeros(nvar,N);
y=zeros(1,N);
for i = 1:nvar
vars(i)=nomevar(i);
execstr('aa=['+valvar(i)+'];');
val(i)=aa(1);
uncer(i)=aa(2);
typ(i)=aa(3);
select typ(i)
case 0 then
r(i,:)=val(i)+grand(1,N,'nor',0,uncer(i));
case 1 then
r(i,:)=val(i)+(grand(1,N,'unf',-uncer(i),uncer(i)));
case 2 then
r(i,:)=val(i)+grand(1,N,'exp',uncer(i));
//
case 3 then
//
r(i,:)=val(i)+usernd(N)*uncer(i);
end
if i == 1
strcom=strcom+msprintf('r(%d,:)',i);
str1=str1+msprintf('val(%d)',i);
else
strcom=strcom+msprintf(',r(%d,:)',i);
str1=str1+msprintf(',val(%d)',i);
end
end
strcom=strcom+');';
str1=str1+');';
kk=strindex(str1,',');
kk0=strindex(str1,');');
kk=[kk kk0];
execstr(strcom);
unc.yy=mean(y);
unc.dy=stdev(y);
[yhist x]=hist_LM(200,y,0);
dx=x(2)-x(1);
yhist=yhist/(N*dx);
aaa=percentile(y,[sigm 0.5 sigp]*100);
unc.ymedian=median(y);
unc.sig1=[aaa(1)-aaa(2) aaa(3)-aaa(2)];
figure,plot2d2(x,yhist),gridon
figure,plot2d2('nl',x,yhist),gridon
aaa=gca();
poly1= aaa.children(1).children(1);
poly1.thickness = 2;
execstr(str1);
unc.y=y;
bi=length(funinp);
y=zeros(1,NP);
yphist=list();
figure;holdon
for i = 1:nvar
select typ(i)
case 0 then

47

r=val(i)+grand(1,NP,'nor',0,uncer(i));
case 1 then
r=val(i)+(grand(1,NP,'unf',-uncer(i),uncer(i)))
case 2 then
r=val(i)+grand(1,NP,'exp',uncer(i));

//
//

end
str2=part(str1,1:bi)+'r'+part(str1,(kk(i):length(str1)));//disp(str2)
bi=kk(i);//disp(str2)
execstr(str2);
unc.py(i)=mean(y);
unc.pdy(i)=stdev(y);
yhist1=hist_LM(x,y,0)/(NP*dx);
col=rotcol(i);
plot2d2('nl',x(1:length(x)-1),yhist1+0.5),gridon // ATTENZIONE WORKAROUND
aaa=gca();
poly1= aaa.children(1).children(1);
polyl.foreground=col;
yhist1=gd(yhist1);
yhist1=edit_gd(yhist1,'ini',x(1),'dx',x(2)-x(1));
yphist(i)=yhist1;

end
title('Dispertion due to single variables')
unc.vars=vars;
unc.varsval=val;
unc.varsunc=uncer;
unc.varstyp=typ;
mprintf('\n')
mprintf('
Output value: %f \n',unc.y)
mprintf('
mean value: %f \n',unc.yy)
mprintf('
median: %f \n',unc.ymedian)
mprintf('
symmetrical uncertainty: %f \n',unc.dy)
mprintf('asymmetrical uncertainties: %f %f\n',unc.sig1)
if unc.y ~= 0
mprintf('
relative uncertainty: %f \n\n',unc.dy/abs(unc.y))
end
mprintf('
mprintf('

Partial uncertainties \n\n')


variable
value
type
unc.

relunc

part.unc.

weight\n')

for i = 1:nvar
select typ(i)
case 1 then
str='uniform';
//
un=uncer(i)/sqrt(3);
else
str='normal ';
//
un=uncer(i);
end
un=uncer(i);
relun=un/abs(val(i));
weig=unc.pdy(i)/(relun*unc.y);
mprintf(' %7s
%f
%s %f
%f
%f
%f\n',vars(i),val(i),str,un,relun,unc.pdy(i),weig)
end
endfunction

Ed ecco la funzione di input e il driver di esempio:


function [g, I, M0, x0, r]=exfun_lm_uncert(Ix, Mb, lb, b, M1, r1, r2, h, T0)
// pend_nobloc da usare per lm_uncert
x0=lb-(lb/2-b)-h/2;
I=Ix+(Mb.*lb.^2)/12+Mb.*b.^2+(M1/12).*(3*(r1.^2+r2.^2)+h.^2)+M1.*x0.^2;
M0=Mb+M1;
r=(Mb.*b+M1.*x0)./(M1+Mb);//disp(size(I));disp(size(M0));disp(size(T0));disp(size(r))

48

g=4*%pi.^2.*I./(T0.^2..*M0.*r);
endfunction

// driver_exfun_lm_uncert
arginp='...
Ix=[42.1 2.6 0];...
Mb=[27.23 0.01 1];...
lb=[38.10 0.01 1];...
b=[16.50 0.01 1];...
M1=[75.51 0.01 1];...
r1=[0.79/2 0.01 1];...
r2=[2.53/2 0.01 1];...
h=[2.025 0.010 1];...
T0=[1.1545 0.0002 0];'
funinp='y=exfun_lm_uncert('
funinp='exfun_lm_uncert'
[unc,yhist,yphist]=lm_uncert(funinp,arginp);
execstr(arginp);
[g,I,M0,x0,r]=exfun_lm_uncert(Ix(1),Mb(1),lb(1),b(1),M1(1),r1(1),r2(1),h(1),T0(1))

Ed ecco I risultati:

Output value:
mean value:
median:
symmetrical uncertainty:
asymmetrical uncertainties:
relative uncertainty:

977.346230
977.346515
977.346561
0.389589
0.391204 -0.392572
0.000399

Partial uncertainties
variable
Ix
Mb
lb
b
M1
r1
r2
h
T0

value
42.100000
27.230000
38.100000
16.500000
75.510000
0.395000
1.265000
2.025000
1.154500

type
normal
uniform
uniform
uniform
uniform
uniform
uniform
uniform
normal

unc.
2.600000
0.010000
0.010000
0.010000
0.010000
0.010000
0.010000
0.010000
0.000200

49

relunc
0.061758
0.000367
0.000262
0.000606
0.000132
0.025316
0.007905
0.004938
0.000173

part.unc.
0.025056
0.008527
0.085872
0.152624
0.003012
0.000836
0.002677
0.074504
0.338662

weight
0.000415
0.023757
0.334757
0.257667
0.023272
0.000034
0.000347
0.015437
2.000239

50

Function di servizio
Altre funzioni usate negli esempi:

y=polyval(p,x) equivale alla polyval di Matlab, calcola i valori di un polinomio


p coefficienti del polinomio (dal grado pi alto)
x array dei valori in cui calcolare il polinomio.

[xx,ii] = sel_absc(x,y) seleziona interattivamente parti di dati; x e y sono i due array


contenenti i dati per le ascisse e le ordinate.

polyfit_res_plot(x,y,a,res) usato in congiunzione con gen_lin_fit per graficare I risultati

i=indexofarr(arr,val) trova lindice di un array di valori pi vicino ad un dato valore.

m=nfreq(x) calcola la frequenza dei valori nel vettore x; se in x ci sono n diversi valori,
eventualmente pi volte ripetuti, la matrice m ha n righe e 2 colonne, nella prima delle
quali ci sono i vari valori, nellordine in cui si sono presentati la prima volta, e nella
seconda quante volte ciascun valore presente.

p=rand_perm(n) produce una permutazione dei primi n numeri naturali.

xout=invfun(yin,x,y) inverte una funzione monotona crescente.

dpol=polyder(pol) calcola la derivata di un polinomio

y=calcpoly(x,pol) calcola i valori di un polinomio (col metodo di Horner)

Funzioni utili:

gridon() pone una griglia nella figura corrente; equivalente al grid on di Matlab.
holdon() permette di aggiungere dati da plottare in una figura.
holdoff() non permette di aggiungere dati da plottare in una figura, cancella i precedenti.

51

Esperienze
Sono qui riportate alcune procedure delluso di Scilab e delle funzioni sviluppate per questo
corso, come ausilio allo svolgimento di alcune prove di laboratorio.
Per la descrizione delle prove di laboratorio, si fa riferimento alle dispense del corso.

Molla
Vediamo come graficare le misure per il caso di T2 vs M e L vs M. Innanzitutto vanno
fatte le misure e messe in un file testo del tipo leggibile con leggi_xyinc.sce, quindi si realizza
uno script del tipo:
// analisi_molla
[DM,uncDM,DL,uncDL]=leggi_xyinc('DLvsDM.dat');
plot_unc(DM,uncDM,DL,uncDL);xlabel('Delta M (g)'),ylabel('Delta L (cm)')
[a1,covarout1,F1,res1,chiq1,ndof1,err1,errel1] = gen_lin_fit(DM,DL,uncDL,1,1,0)
x1=0:max(DM)+20;
y1=a1(1)*x1+a1(2);
plot(x1,y1,'r')
[M,uncM,T,uncT]=leggi_xyinc('TvsM.dat');
plot_unc(M,uncM,T.^2,2*uncT.*T);xlabel('M (g)'),ylabel('T^2 (s^2)')
a=get("current_axes");
b=a.data_bounds;
mpmax=50;
limx=-mpmax*1.5;
b(1,1)=limx;
b(1,2)=0;
a.data_bounds=b;
[a2,covarout2,F2,res2,chiq2,ndof2,err2,errel2] = gen_lin_fit(M,T.^2,2*uncT.*T,1,1,0)
x2=limx:max(M)+20;
y2=a2(1)*x2+a2(2);
plot(x2,y2,'r')
ksp=4*%pi^2/a2(1);
gsp=ksp*a1(1);
mpsp=a2(2)/a2(1);
mprintf('k = %f

g = %f

mp = %f',ksp,gsp,mpsp)

Usando i dati di simulati che sono nei file DLvsDM.dat e TvsM.dat (con parametri diversi
da quelli della vera esperienza), troviamo

52

e i valori (senza considerare lincertezza)


k = 20100.418217

g = 983.762410

53

m_parass = 39.834967

Fluidi
Nellesperienza dei fluidi si devono identificare i regimi laminare e vorticoso nel moto di
acqua in alcuni tubicini.
Le misure sperimentali sono le misure della massa dellacqua uscita dai tubicini. Da queste si
ricava laltezza dellacqua nel serbatoio (tubo verticale) e quindi la pressione allingresso dei
tubicini, la velocit del flusso dellacqua nei tubicini e da questa il Numero di Reynolds.
Quindi, essendo S la sezione del tubo verticale, h0 il livello iniziale dellacqua, s la sezione del
tubicino orizzontale, d la sua lunghezza e avendo preso 1 g/cm3 la densit dellacqua,
eta=0.009 poise la sua viscosit a 25 e laccelerazione di gravit g=980.35 cm/s2, possiamo
procedere come segue4:

costanti: porre le costanti S, s, h0, d, eta e g ai valori corretti (in CGS)


massa: leggere i dati del file pasco con listruzione [t,m,dt,n]=leggi_pasco(); i
dati si possono graficare con
figure;plot(t,m),holdon,plot(t,m,r.),gridon
pressione: calcolare laltezza del pelo dellacqua come h=h0-m/S; e da questa la
differenza di pressione tra ingresso e uscita del tubicino come P=h*g;
velocit: usare derifit per calcolare la derivata di m (avendo fatto un fit del quarto ordine)
con data=derifit(t,m,0.05); e quindi calcolare la velocit con v=data.dy/s;. A
questo punto si pu graficare la velocit in funzione della pressione con figure;
plot(P,v);
numero di Reynolds: il numero di Reynolds si ricava come Re=d*v/eta; e lo si
pu graficare in funzione della pressione
possiamo ora scegliere un valore di pressione e calcolare le costanti A e B per ciascun
tubicino.

Se si vogliono fare grafici singoli per pi tubicini, si possono assegnare per ciascun tubicino
nomi diversi per le varie misure; per esempio per il primo s1, d1, m1, h1, P1, v1, Re1, per il
secondo s2, d2, m2, h2, P2, v2, Re2, e cos via.

Usiamo il sistema CGS

54

Pendolo fisico

Volano

55

Uso avanzato
Per una programmazione avanzata in Scilab si consiglia Programming in Scilab
di Michael Baudin, che si trova in rete. Qui riportiamo alcuni comandi e spunti per un uso pi
avanzato di Scilab.

Alcuni comandi

[n1,n2]=size(A) pone in n1 il numero di righe e in n2 il numero di colonne della


matrice A.
length(A) indica il numero totale di elementi della matrice A.
gsort(x) ordina (in genere in modo crescente) gli elementi di x, con lalgoritmo quick
sort.
evstr(s) valuta il risultato del comando Scilab presente nella stringa s; pu operare su
array di stringhe.
execstr(str) esegue i comandi presenti nella stringa str.
browsevar(), browsehistory(), filebrowser() visualizza le finestre del
browser (Navigatore) delle variabili, della Cronologia dei comandi e del file browser
(Esplorazione file); queste finestre sono aperte in default alla partenza di Scilab e sono
agganciate (docked) alla finestra principale. Per eseguire il docking di finestre
sganciate, in Windows, selezionare col mouse la sbarra col ? della finestra
sganciata e portarla nella posizione voluta della finestra principale.
editvar(x) visualizza la finestra delleditor della variabile x; la finestra si apre
cliccando su una variabile nel Navigatore delle variabili.

56

Ancora sulle funzioni


Funzioni con argomenti variabili
Una funzione pu essere definita in modo flessibile, con un numero non fisso di argomenti di
input e/o di output. Allinterno della funzione, il comando [nout,ninp]=argn() pone in nout e
ninp il numero effettivo di argomenti di uscita e di ingresso. Nella definizione della funzione,
ci si avvale delle liste varargin e varargout. Ecco un esempio:
function varargout=var_io(varargin)
[nout,ninp]=argn()
mprintf('%d argomenti input, %d argomenti di output \n',ninp,nout)
for i = 1:ninp
k(i)=evstr(varargin(i));
varargout(i)=cumsum(k(1:i));
end
endfunction

Dando il comando [a b c]=var_io(1,2,3) , si ha


3 argomenti input, 3 argomenti di output
c =

1.
3.
6.
=

1.
3.
=
a(1)
1.
a(2)
2.
a(3)
3.

Gli argomenti in ingresso a una funzione possono essere variabili non solo in numero, ma
anche in tipo, e si pu far s che esegua procedure diverse a seconda del tipo di un argomento.

57

Funzioni definite dinamicamente


Talora comodo definire in modo dinamico una funzione, cio definirla da programma. Per
questo si usa il comando deff , come nel seguente esempio:
// uso_di_deff
deff('[m1, m2]=minemax(v)',['m1=min(v)';'m2=max(v)'])
[a1 a2]=minemax([1 -2 3 4.2 9])
Come si vede, deff ha due stringhe per argomenti, la prima contiene lheader della funzione e
la seconda il corpo, che pu essere o una stringa, o un array di stringhe.

Efficienza
Quando si devono fare calcoli complessi o comunque lunghi, occorre una programmazione
efficiente. Per ci innanzitutto si devono, per quanto possibile, eseguire i calcoli in forma
vettorializzata, e non con loop tipo for. Ecco un esempio sulla differenza di velocit tra la
modalit vettorializzata e tramite un ciclo for:
// test_veloc
N=100000;
tic()
x1=1:N;
t1=toc()
tic()
for i = 1:N
x2(i)=i;
end
t2=toc()
mprintf('t1 = %f

t2 = %f

rapporto = %f\n',t1,t2,t2/t1)

Il risultato
t1 = 0.002000 t2 = 25.402000 rapporto = 12701.000000
cio il calcolo vettorializzato , in questo caso, oltre 10000 pi veloce delluso del for.
58

Notare luso dei comandi tic e toc per far partire e fermare un cronometro e quindi valutare
quantitativamente la velocit di esecuzione di un codice. Una valutazione pi completa
dellefficienza di un codice pu ottenersi tramite il profiling interno di Scilab.

59

GUI
Luso standard di Scilab prevede linterazione con i programmi tramite il terminale (la
finestra principale di Scilab).
Scilab offre tuttavia varie funzioni per interagire graficamente con un programma. Una
Graphical User Interface (GUI) rende pi comodo luso di un programma.
Per esempio, tramite luso di x_mdialog ,
answ = x_mdialog('Parametri di misure ripetute',["Numero misure";"Valore vero";"Errore di
lettura";"Errore sistematico (alfa)";"Errore sistematico (beta)";"Errore
casuale";"Trend";"Probabilit disturbi";"Ampiezza
disturbi"],["60";"10";"0.1";"0.2";"0.01";"0.4";"0.0";"0.04";"3"]);
Nmis = evstr(answ(1));
valv = evstr(answ(2));
errlet = evstr(answ(3));
esalf = evstr(answ(4));
esbet = evstr(answ(5));
errcas = evstr(answ(6));
trend = evstr(answ(7));
pr_dist = evstr(answ(8));
amp_dist = evstr(answ(9));

si apre una finestra grafica che richiede alcuni parametri, offrendone i valori di default:

Ci sono vari comandi per usare GUI, per esempio:

messagebox visualizza un messaggio


xmatrix permette lediting interattivo di una matrice
uimenu crea un menu per una figura
60

rubberbox permette di selezionare parte di un grafico


uigetfile permette di scegliere interattivamente un file
uigetcolor permette di scegliere interattivamente un colore

Esiste anche un pacchetto esterno, guibuilder, gestito tramite ATOMS, il sistema di


packaging di Scilab, per la costruzione di complesse interfacce grafiche. Per usarlo, va
installato, partendo dal gestore di moduli ATOMS a cui si accede dal menu delle Applicazioni
di Scilab (una volta installato, va fatto ripartire Scilab). Una volta fatto partire, compaiono due
finestre, una di comando e una su cui si costruir la nuova GUI:

61

Strutture, list, mlist, cell array, etc.


In Scilab ci sono molti differenti tipi di dati. Eccone una lista:

I comandi type e typeof operanti su una variabile, indicano il tipo di appartenenza.


In particolare, in Scilab sono disponibili diverse data structures (raccolte organizzate di
dati): le matrici (e le ipermatrici che sono simili, ma hanno pi di due dimensioni, che saranno
obsolete come tipo diverso dalle matrici prossimamente), le liste (list), le tlist (o typed list), le
mlist (o matrix-oriented list), le strutture (simili a quelle del C) e i cell array. Ecco una tabella
che riporta le principali propriet delle data structures di Scilab:

62

63

Appendici
Consigli pratici
importante strutturare in modo comodo per le proprie necessit la cartella di lavoro base
Per esempio, per Windows, usando la cartella Scilab creata automaticamente in Documenti,
copiarci le cartelle e i file contenuti in Per_LM_Scilab.zip (cartella LM) e aggiungere una o pi
cartelle di lavoro personali. Evitare quindi di mettere o modificare file nella cartella LM e
sottocartelle, in modo da fare confusione, soprattutto per le modifiche future che potrebbero
esserci nei file di LM (creati per questo corso).
poi conveniente costruire librerie delle funzioni normalmente usate con, per esempio:
genlib('baselib','C:\Users\SergioF\Documents\Scilab\LM\base\')
e quindi creare un file di startup in SCIHOME/scilab.ini , dove SCIHOME una cartella che
dipende dal sistema e che pu essere identificata dando il comando SCIHOME da Scilab. Nel
file scilab.ini vanno messi i comandi che si vuole siano eseguiti automaticamente allapertura
di Scilab. Per esempio scilab.ini pu contenere
cd C:\Users\SergioF\Documents\Scilab
baselib=lib('C:\Users\SergioF\Documents\Scilab\LM\base')
simlib=lib('C:\Users\SergioF\Documents\Scilab\LM\sim')
che automaticamente apre Scilab nella cartella di lavoro voluta e carica le librerie.

64

Differenze con Matlab


Lo sviluppo di Scilab dichiaratamente ispirato a Matlab. Tuttavia ci sono parecchie
differenze dal modello, alcune delle quali essenziali.
Una differenza particolarmente notevole che lambiente interno di una funzione vede le
variabili definite esternamente ad essa.
NellHelp di Scilab, allargomento Matlab to Scilab Conversion Tips si trovano tutti i dettagli
delle differenze nelle varie funzioni. Qui diamo alcuni esempi:
Matlab
exist
eval
fopen
fgetl
fscanf
fclose
sscanf
strrep
reshape
grid on
hold on
nargin
str_out=str_in(v)
inputdlg
msgbox
Fprintf,sprintf

Scilab
mtlb_exist
evstr
mopen
mgetl
mtlb_fscanf
mclose
msscanf
strsubst
matrix
set(gca(),"grid",[1 1])
set(gca(),"auto_clear","off")
argn(2)
str_out=part(str_in, v)
x_dialog o x_mdialog
messagebox
mfprintf,mprintf,msprintf

Note

diversa

Per le stringhe

C una funzione di Scilab, mfile2sci, che traduce un m-file di Matlab in una funzione (o in uno
script) di Scilab.

65

Esercizi
1. Realizzare una function in grado di leggere dati da un file contenente nella prima riga
lincertezza comune per tutti i dati, e nelle altre i dati stessi, uno per ogni riga.

66

Altri utili documenti


Due utili documenti sono introscilab.pdf e Scilab_beginners.pdf, che possono scaricarsi da

http://www.scilab.org/resources/documentation/tutorials

Manuali in Italiano:

http://www.docente.unicas.it/gianluca_antonelli/scilab
http://www.dii.unisi.it/~giannibi/teaching/materiale/psc/dispensascilab.pdf

Manuali in Inglese:

http://forge.scilab.org/index.php/p/docintrotoscilab/downloads/
http://forge.scilab.org/index.php/p/docprogscilab/downloads/

Altro:

http://wiki.scilab.org/Tutorials
Help online http://help.scilab.org/docs/5.4.0/en_US/index.html
Scilab da Matlab
http://wiki.scilab.org/Tutorials?action=AttachFile&do=get&target=Scilab4Matlab.pdf

67