Sei sulla pagina 1di 18

Relazione dellesperimento Molle 2

AcuradiNicolCavalleri(#M867167),annoscolastico2015/2016,gruppo1B

Introduzione
Obbiettivoedesposizionedellesperimento
Obbiettivodiquestoesperimentoladeterminazionedellacurvaderivantedallattritoduranteloscilla
zionediunamolla.Piprecisamenteilmotodiunamassaoscillanteperviadiunamollasoddisfalaseguente
equazionedifferenziale(dove lamassa, lacostanteelastica,
lafunzionediposizione):

Lapartesinistradellequazione,comesempre,lespressionedellaforza,mentreilprimoterminedellapa
retedestrailrisultatodellaforzaelastica.Ilsecondoterminederivainvecedalleforzediattritoagentisulla
massaoscillanteesullamolla; e sonolecostantirappresentativedidueattritididiversaorigine.Sup
poniamo

0,sia lampiezzainizialedelmoto,

lapulsazionedelmotononsmorzatoevalga

;lasoluzioneavrlaseguenteespressioneanalitica:

cos

dove
.Lemolleusatenellesperimentorispondonoallacondizione
dunquenonci
.Supponiamoinvece
0.Inquestocasononesisteunasoluzioneche
preoccupiamodeicasi
comeespressioneanaliticaabbiaunacompo
sizionedifunzionistandarddellanalisi,dun
quesimostrerunapprossimazione:

cos

dove

.Inquestocaso lam

piezzainizialee unacostantedifase.Lap
prossimazionevalidasottolipotesi . Figura1.InverdelacurvapercuivaleC1=0,inneroquellapercuiC2 =0.
Piprecisamentedunquelobbiettivosarquellodistabilire,attraversostrumentianaliticiestatisticiqua
loraunodeiduecasidescrittisiaunmodelloaccettabileperidatisperimentali.Cisiaspettacheidatiseguano
landamentopredettodalcaso
0,inquantoquestasituazionerappresentailcasodiattritopicomune
spessoderivantedallattritoviscoso,ossialattritoprovenientedallapresenzadellarianeipressidellamassa
appesaallamolla.Lasciamotuttaviachesialanalisistatisticaadirciselanostraipotesisiacorretta.Illustro
oralideageneraledellanalisichestaperessereesposta.Entrambelecurvehannounespressionedeltipo
cos
con
funzione positiva, continua e decrescente. Ne viene facilmente che la
condizionedimassimorelativoequivalenteallacondizionecos
1eallostessomodolacondi
zionediminimorelativoequivaleallacondizionecos
1.Andandoperciaselezionareipuntidi
massimoominimorelativisitroverannopuntiche,invaloreassoluto,sonoposizionatisullacurva
(di
fattoinperquestipuntiilfattoremoltiplicativodi
sar1o1).Verrdunqueeseguitaunaregressione
(dopoopportunalinearizzazione)perciascunodeidueandamentiipotizzatidopodich,conuntestdel si
potrstabilireseuno,entrambi,onessunodeidueandamentidescriveidatisperimentali.
1

NicolCavalleri

Relazionemolle2&3

settembre2016

Strumentazione
Lapparatosperimentalecostituitodaunsostegnocompostodatreastedimetallodisposteapontesu
untavolo,saldamentelegatetradilorolacuiunicafunzionestataquelladifaredastabileapparatoper
appenderelamolla.Questultimapartefondamentaledellesperimentoedstatasceltaconcostanteela
stica pari a 12.029

0.233 , secondo la relazione del mio

compagnodilaboratorioDavidePassaro.Lamollaappunto
stataappesaallastaorizzontaledelpontesopracitatoeaveva
ampiospazioperoscillareliberamente.Adessastataappesa
una massa, di valore diverso in momenti diversi dellesperi
mento,misurataconunabilanciadisensibilit0.1 .Lamassa
eraasuavoltacostituitadaunsostegnocilindricoterminante
conunCD(peresseremeglioidentificatadalsensoresucces
sivamente descritto) e da due fino a sei pesi di circa 20
ognuno (ivaloriesattidellemassesipossonoleggereinap
pendice), aggiungendo e togliendo i quali si raggiungeva la
massadesiderata(pernonperderedigeneralitlesperimento
infatti stato ripetuto con pi configurazioni di masse di
verse). Laltezza della massa nello spazio, durante loscilla Figura2.Schemadellapparatostrumentale.
zionedanoiinnescata,stataregistratadaunsensoredimoto(modelloPS2103,marcaPasport)che,per
mezzodiultrasuoni,allafrequenzadi40 neharegistratolaposizione.Lostrumentohaunaccuratezza
dichiaratadi0.001 ,mapoichspessolemisuresonopipiccoleditalevalore,neicalcolistatausatoun
valorepiottimistadi0.0005 ,ottenutoattraversounaregistrazionedellaltezzadelsoffitto,chestato
ipotizzatoadistanzafissadalrilevatore.Conlerroredichiaratoinfattientrambelecurvehannoprobabilit
certadidescrivereidati,cosachevisibilmentenoncorrispondeallarealt.
InultimoilsoftwareutilizzatoperlapresadeidatiPascoCapstone,mentrelelaborazionedeidati
stataeseguitadaunprogrammadamescrittoinlinguaggioC++attraversolIDEVisualStudio2015Commu
nity.IdatisonostatiregistratisufogliExcelattraversolalibreriaC xlsxwriter dicuiiostessohofattoil
buildperisistemix86(aggiungochehofattomoltafaticaatrovare,installareeusarequestalibreria,mache
lhopresacomeunasfida).Lalgoritmousatoperlelaborazionedeidatipiuttostoelaboratoelasuadescri
zionesarilcuorediquestarelazione.Ilcodice,dicircaunmigliaiodirighe,sarallegatoinappendice.
Approssimazioni
Sonostatefatteprincipalmentedueipotesi,quelladiidealitdellamollaequelladiassenzadiperturba
zioniesterne.
Andamento
Lapprossimazione pi naturale ipotiz
p(t)
zarechelamollasiaideale,cosache,quando
0,023
possibilestatafatta.Dicoquandopossibile
0,021
0,019
perchadesempiolanonidealitdellamolla
0,017
ha come conseguenza una costante elastica
0,015
leggermentediversainestensioneeincom
0,013
pressione, per cui, ad esempio non stato
0,011
possibileconsiderareinvaloreassolutoidati
0,009
e dunque fare la regressione allo stesso
0,007
temposullapartepositivaesuquellanega
0,005
0
5
10
15
20
25
30
35 t
tiva.Dopoaverpersomoltotempoafarein
modochelacurvafosseperfettamentecen
Grafico1.Casoesemplificativodipioscillazionisovrapposte.
tratasulleascissehopotutoconstatarechela
curvadeimassimiequelladelvaloreassolutodeiminimi,puriniziandoconlostessoandamento,giacciono
dopopochemisuresucurvevisibilmentediverse,costringendocosafaredueregressionidiverseperledue
2

NicolCavalleri

Relazionemolle2&3

settembre2016

partidiversedelgrafico.Inoltre,comerisaputo,unamollanonidealehailproblemadinonestendersisola
mentesottoilpesodellamassaappesamaanchesottoilpropriopeso.Perovviareaquestanonidealitho
consideratoilmodellopercuilamassadellamollacontribuisceconunterzodelsuopeso.Giustificoquesta
miasceltaconilfattochelamassaintrinsecastimatanellarelazionedimolle1dalmiocompagno(attraverso
lintercettadellaregressione)compatibileconquestamiastimaconunCLdel95%.Diconseguenza,per
nonappesantireicalcoli,chegidiperssonocomplicatiuserquestapprossimazione.
Sipoisuppostochelapparatodisostegnoeiltavolosucuisonostatiposizionatilamollaeilsensore
fosseroperfettamentestabili.Anchequestipotesinonstatausatainmodoassoluto:laconseguenzapi
direttadellanonapplicabilitdiquestaipotesistatailfattochepercertemisureallavolutaoscillazione
principaledellamollasiaggiungesseroaltrepiccoleoscillazioniilcuirisultatovisibileperesempionelcaso
delgrafico1.Anchein questocasoperstato possibileaggirareil problema,stavoltagrazieallingente
quantitdidati:ilnumerodeicasiincuisiverificatoquestofenomenoaltomahalasciatocomunqueuna
quantitpichesufficientedidatisucuilavorare.Peravereunparametrooggettivoperleliminazionedi
certepresedatisidecisodinonconsideraretuttiidatipercuiperpidi15voltevalessecheunmassimo
successivomenoilsuoerrorefossemaggioredelmassimoprecedentepiilsuoerrore.
stata poi fatta lapprossimazione di piccole oscillazioni, fatto che visibilmente verificato (grazie a
questa approssimazione sono state scritte le equazioni dellintroduzione). In ultimo si supposto che le
misure fatte nel corso dellesperimento avessero una distribuzione normale, ipotesi indispensabile per
frequentioperazionistatistiche.
Contesto
Il contesto dellesperimento (va
riabilieformuleutilizzate)verrfor
nito nel corso della relazione,
quando opportuno, per non creare
confusione. Dico solo che general
mente le funzioni saranno funzioni
del tempo, dunque le ascisse sa
ranno indicate con , e le ordinate
saranno posizioni, indicate con o
con . Inoltre, per comodit, chia
merleduecurveteoricheesponen
zialeeiperbole.

Posizioni

p(t)
0,04
0,03
0,02
0,01
0,01
0,02
0,03

0,04

Analisi dati e algoritmo

Grafico2.Andamentodeidatigrezziprimadellanalisi.Tempoomessoperchiarezza.

Sivieneoraallapartecentraledellarelazione,doverillustrerpassoperpassolalgoritmodamescritto
mostrandoancheuncasonumericoesemplificativo.Unavoltaacquisiteleposizionidellamassacomede
scrittoprecedentementesipossiedeunnumerodidatisullordinedelmigliaiodisposticomenelgraficoin
figura.Ilprimopassodafareindivisuareipuntiprossimiaimassimi.Questolosi
esegue facilmente controllando in maniera ciclica se, per ogni dato, esso
maggioredelprecedenteedelsuccessivo.Perevitarefalsi(circacinqueogni1500
misure)unpuntovientecosideratoprossimoaunmassimosemaggioredelle
tremisureprecedentiedelletresuccessive.Aquestopuntosivaacercareuna
sovrastima e una sottostima del massimo. La sottostima ovvia: la misura pi
grande, in quanto anchessa punto della funzione, sicuramente minore del
massimo.Lasovrastimainvecevienefattainquestomodo(siguardilafigura3):
vieneselezionatoprimailpuntoindividuatoconiltestdescrittosopra,poiidue
puntiadiacenti;infiguraprimailpuntoApoiipuntiCeB.Poivieneeseguitoun
Figura 3. Caso generico di altrotestperselezionareilmaggioretrailpuntoprimadiBequellodopodiC(in
puntiintornoadunmassimo.

NicolCavalleri

Relazionemolle2&3

settembre2016

questo caso viene selezionato il punto D). Una volta ottenuti questi quattro punti si va a calcolare
lintersezionetralarettapassanteperiprimidueequellapassanteperisuccessividue,comeinfigura4.
Lintersezione tra queste due rette sicuramente maggiore del punto di
massimo:suggeriscounadimostrazione.Approssimiamolacurvaadunco
seno,dimenticandocidelfattoremoltiplicativo
,cosachepossiamofare
poichsperimentalmentesihacheladecrescitaditalefattoremoltopi
lentadellacrescitaedelladecrescitadelcoseno(senzaquestaapprossima
zione facilmente intuibile la dimostrazione si complicherebbe). Per il teo
remadiLagrangeesisteunpuntotraAeB,siaessoPdiascissa ,taleche
, dove
Poich

il coefficiente angolare della retta b in figura.

cos , dove cos

0, come in questo caso, la sua

funzione derivata strettamente decrescente, mentre per la retta b la


derivata, ossia il suo coefficiente angolare costante. Da ci si deduce
facilmentechetrailpuntoAeilpuntoCladerivatadibmaggioreouguale
Figura4.Casogenericodisovrastima alladerivatadelcoseno.Integrando,perunfacileteoremasugliintegralidi
Rienmann,sihachevaleanchechenellinervalloindicato
cos .Dunque,denotandocon lascissa
delmassimoecon lascissadelpuntoC,abbiamochein[ ; ognipuntodellarettamaggioredel
massimodunquediqualsiasipuntodellafuzionecoseno.Linteroragionamentosipuripetereper ;
,
usandolarettac.Senededucefacilmenteche,standoPsuentrambelerette,Pmaggiorediognipunto
della funzione, dunque una sovrastima del massimo. Resta da dimostrare che questo lunico caso
possibile,ossiacheprendendoquattropunticonlalgoritmodescrittosopraduesarannoprimadelmassimo
eduedopo.Perdareunideadicomesifacciaconsideriamoilmassimodelcosenocorrsipondenteallascissa
0esupponiamocheilpuntoA,quellopialtosiposizionisullatodestrodellassedelleordinate.Ora
dobbiamousareilfattochelafrequenzaconcuiilrilevatoreregistraleposizionicostante,dunquetrale
ascissediduemisurecontiguecunadistanzafissachevale echesiamogiustificatiaconsiderarepiccola
( sicuramente abbastanza piccola da considerare tutti i punti che
prenderemopositivi).ConsideriamoiduepunticontiguiadA,chesono
selezionatidallalgoritmo,unoasinistra,B,eunoadestra,C.Orailpunto
B, minore di A, sar sicuramente a sinistra dellasse delle ordinate,
altrimenti A, distante a destra di B, sarebbe minore di B contro le
ipotesi(inquellintervalloilcosenodecrescente).Restadadimostrare
cheancheD,ilquartopunto,sitrovaasinistradellassedelleordinate.I
duecandidatiperDsonoipuntidiascisse
2 o
2 .Usandola
paritdelcosenoeilfattoadestradellassedelleordinatedecrescente
(semprese piccolo,elo)sihalatesi.
Ora che abbiamo una giustificazione teorica del nostro algoritmo Figura5.Comuneerroresperimentale.
possibilemostrarnealcunelimitazionipratichepercuiognitantolateoriadescrittanontrovaapplicazione.
Pererroridelsensoreadesempioognitantoaccadecheperlostessotempovenganoregistratedueposizioni
diverse,dandoluogoaunarettaverticale,oppurechequellocheinfigurailpuntoCsiapibassodelpunto
D,dandoluogoaunasovrastimadelmassimocheunvalorenegativo.Questierroriperforntunasonorari
e facili da individuare con algoritmi di pulizia accennati pi avanti, dunque baster eliminare i massimi
soggettiaderroreesipotrprocederesenzaproblemi.
Oraabbiamochelascissadelnostromassimo,nelsolitoesempioinfigura4,sicuramentecompresatra
lascissadiAequelladiC(poichDadestradiC,altrimentisarebbetraAeB),dunqueleattribuiamoun
valoredi

eunerroredi

,chesarsemprecostanteepariaunsemiperiododelsensoredimoto.

Purtroppononhotrovatonessunagiustificazioneteoricadelfattochedebbaesserecompresatra e ,
doveIilpuntodiintersezionetraleduerette,quindiquellaappenadescrittalastimamigliore(epiche
4

NicolCavalleri

Relazionemolle2&3

settembre2016

sufficiente per i fini dellesperimento). Per lordinata abbiamo che essa sicuramente compresa tra le
ordinatediAeI,chedenotiamocon

e ,dunqueleattribuiamounvaloredi

eunerroredi

Posizione(m)

Inrealtilmioalgoritmoleggermentepisofisticato.Lalgoritmoappenadescritto,perquantopossa
sembrare sommario e poco preciso, in relt molto preciso per via della
fittezzadellemisure:restituiscecioerroripiccolissimi.Ilmotivoanchein
realtchequestoalgoritmonontienecontodellerroredellostrumento,che
invecetuttaltrochetrascurabile.Lamanieramigliorepertenernecontoa
mio avviso quella che sto per mostrare, anchessa difendibile teoricamente.
Questo procedimento cambia in maniera a dir poco impercettibile il valore
dellestimedeimassimitrovatecolprecedentealgoritmomanedunastima
assai pi realistica dellerrore. Indichiamo con lerrore dello strumento
dichiarato nellintroduzione. Guardando la figura 6, si considerano come
ordinatedeipuntidovefareintersecarelaprimaretta
e
ein
modoanalogovengonosceltiipuntiperlasecondaretta.Questodimododa
avere la stima peggiore possibile, in realt molto pi realistica di quella
descrittaprima,cheinvecefornisceerroripococredibili.Comesottostimasi
Figura 6. Esempio di applicazione considera
.
delsecondoalgoritmo.
Aquestopuntocisiamoportatiaunasituazionecomequellavisibilenel
grafico3,doveilcalcolodeimassimistatocompletato,maperviadierroricomequellidescrittipocofa,
presentequalchecasoincuilalgoritmononhafunzionato.Sifaoraintervenireuntestcheperognimassimo
calcolatoverificachelerroresiapositivo(lerrorenegativoquandocomeinfigura5unadelleduerette
invertita)echelerrorerelativosiaminoredel50%.Glierroridituttiglialtripuntiinfattisonotipicamente
intornoal6%esuperanomoltoraramenteil20%mentreglierrorideipunticomequellovisibileinfigura
soprailrestodellacurvahatipicamente
Andamento
valoriintornoal130%.Causacomunedi
questi errori la presenza di una retta
0,035
verticale come quella descritta prima.
0,03
Intervientepoiunaltrotestcheverifica
0,025
che la curva abbia una tendenza
0,02
decrescente,ossiacheognimassimosia
0,015
maggioredialmenounodeitremassimi
0,01
successivieminoredialmenounodeitre
0,005
precedenti.Spessosirivelasuperfluoma
0
utile per eliminare qualche errore
5
10
15
20
25
30
35
0,005 0
residuo. Qualsiasi massimo che non
Tempo(s)
sottostia a queste condizioni viene
Grafico3.Andamentodellacurvadeimassimiprimadeitestdipulizia.
eliminato.
Questiduetestnonhannogiustificazionistatisticomatematicheteorichereperibilisuilibriditesto,ma
sonostatiideatidopoaverevistomoltidatieavereescogitatounmetodopereliminareerrorisperimentali
diquestotipo.Purtroppolastrumentazionefornitanonperfettaehopresoladecisionedinonlasciare
erroriallinternodellanalisidatidicuiassolutamentechiaraeindividuabilelacausa(errorinumericidovuti
adundifettodellostrumento)echespessocambianoradicalmenteirisultatidellanalisi.Dalmomentoche
ginonpercepiscolascienzastatisticacomescienzaassoluta,tantovaleusareilbuonsensoanchesenon
supportatodaspiegazioniteorichedigrandeportata.
Una volta completata la pulizia dei dati si pu procedere con la regressione: prima viene applicata la
funzionelogaritmonaturaleaognipuntodellacurvasperimentale,calcolatalarettadeiminimiquadraticon
unaregressionepesataecalcolatoil ,poivieneripetutolostessoprocedimentoapplicando,alpostodel
logaritmo,lafunzioneinversa.Iltestdel vieneapplicatodirettamenteaidatilinearizzatipercomoditdi
5

NicolCavalleri

Relazionemolle2&3

settembre2016

programmazione,inquantoilrisultatononcambiaapplicandoloallacurvaoriginaria.Essendolerroresulle
ascissenontrascurabilelaregressionevienefattaduevolte:laprimapercalcolareilcoefficienteangolare
della retta , in modo da sommare lerrore sulle ascisse a quello sulle ordinate (sommando gli errori in
).Lasecondavoltavieneripetutalaregressionepesataconglierrorichea
quadratura: ,
,
questo punto tengono anche conto dellerrore sulle ascisse. Poich le differenze rispetto alla prima
regressionesuiparametridellarettasivedonoapartiredallaterzaoquartacifrasignificativasiputerminare
ilprocedimento:lecurveottenutesonolestessedellaprimaregressioneconerroriperassaipirealistici,

Andamento
0,035
0,03

Posizione(m)

0,025
0,02
0,015
0,01
0,005
0
0

10

15

20

25

30

35

Tempo(s)
Dati

Esponenziale

Iperbole

Grafico4.Andamentodeimassimiestrattidaidatisperimentaliinconfrontoallandamentodelleduecurveestrattedaidati.

cosafondamentaleperlesitodellesperimento.Ilprocedimentoappenadescrittoquelloconsigliatonel
corso.Alterminediquestoprocedimento,perilcasonumericoillustrato,sihannoirisultatimostrati.
Controleaspettativedettateinintroduzione,comegisiintuiscedalgrafico4,unadelleduecurve,in
questocasoquellacheiopercomoditchiamoiperbole(lacurvachecorrispondealcaso
0)ha,men
cheperleprimetremisure,unandamentoquasiidenticoaquellodellacurvasperimentale,malasicamoche
parinoidatinumerici.Perigradidilibert( )siusatoilnumerodimisuremenoidueparametridellacurva
2.Siindicacon ilchiquadroridottoosservatoecon
la
calcolatidaidati1,dunque
probabilitcheilchiquadroridottoteoricosuperiquelloosservato.

Miglioresponenziale

0.050000

0.00091

1.829%
%

102.803

70

7.44

0.02732

0.00035

1.309%

1.4686

0.650%

0.14

Tabella1.Daticaratterizzantidellacurvaesponenziale.

Purtroppononpossiamoaccettarequestacurvaanessunlivellodisignificativit,comeindicatodalcampo
. Oltre ad essere molto bassa la probabilit che il chi quadro ridotto teorico superi quello
osservato, si vede distintamente che la curva sperimentale ha un andamento proprio qualitativamente
diversodaquellodellacurvaesponenziale.Inoltre,anchesenondimostrabile,amioparereintuibile,per

Sivedalesempio12.3pag.169delCannelli,EdiSES,3aed.

NicolCavalleri

Relazionemolle2&3

settembre2016

via della precisione e pulizia dei dati sperimentali, che la causa di ci non sia una fluttuazione statistica.
Verifichiamoseinvecelasecondacurvahainumeriperessereipotizzataunbuonmodelloperidati.
Miglioriperbole

3.772

0.084

2.237%
%

11.771

70

1644.7

0.03362

0.00069

2.038%

0.16816

100%

40.2

Tabella2.Daticaratterizzantidellacurvaiperbolica.

A differenza della precedente questa curva passa il test del a qualsiasi livello significativo. I due
andamenticoincidonoconestremaprecisionenellasecondametdeidati.Bisognanotarechequestapresa
dati,particolarmentepulita,haunandamentomoltochiaro,ossiasidisponequasiperinterosuunacurva
cheadocchiopotrebbeessereunacurvateoricadellanalisibendefinita.Inquestotticasivedeancheche
perquantolanalisistatisticacidicaapropositodellaffidabilitdiquestofit,lacurvaiperbolicacalcolataha
unproprioandamentoleggermentedifferenteperleprimetremisuree,vistalapuliziadeidatispetimentali,
nonsembraessereilrisultatodiunafluttuazionestatistica.Aconfermadiquestamiaideastailfattochese
nonsiconsiderassenellanalisidatiilfattochelostumentoabbiaunerrore,proprioperviadiquelleprime
misurelaprobabilitcheilchiquadroteoricosiamaggiorediquelloosservatosarebbedellordinede10 ,
dunquechiarochelandamentodelleduecurvenoninrealtesattamentelostesso.Questodanche
unideadicomeignorandolerroredellostrumentocambiradicalmenteilrisultatodellanalisidati(purtroppo
nonhospazioperinumeri,mariferiscoaparolecheconsiderandoomenolerrorestrumentaleidatinon
cambianoqualitativamente,cambiasoloilloroerrore).Lacausadiquestultimaosservazionevaamioparere
ricercatanelfattochelequazionedifferenzialedelcaso
0irrisolvibileinterminidifunzionistandard
dellanalisieliperboledanoiipotizzatasolamenteunaprimaapprossimazione.Ilfattochegiquestaprima
approssimazionedescrivaidaticosbenecilasciaintuirechelasoluzioneinconoscibiledellequzionedescriva
idatiperfettamente(sitengaancheincontocheinreltlacondizione
0staper
0cosache
ulteriormenteasupportodelperchlandamentoiperboliconondescrivaidaticonassolutaperfezione).
Notasulleformule
Icalcolinumericisonostatispiegatipiuttostodettagliatamentefinoallaregressionelinearesuidatilinea
rizzatiprimaconillogaritmoepoiconlafunzioneinversa:leformulesonoquelledellaregressionepesata
chenontrascriviamo.Giustifichiamolalinearizzazione.Ipotizzandocheimassimigiaccianosuunesponen
ziale;sihache(sialog illogaritmonaturale):

log
log
log

cheprecisamentelespressionediunaretta.Ipotizzandoinvececheimassimigiaccianosuuniperboleab
biamoche:
1
1
1
.
1

Quandovieneeseguitalalinearizzazione,vienefattalapropagazionedeglierrori,ossia,indicandocon
ilvalorediunmassimoecon ilsuoerrorecalcolatocomeprecedentementeindicatonellalgoritmosi
hannoleseguentitransizioni:

Perlesponenziale

Perliperbole

log

NicolCavalleri

Relazionemolle2&3

settembre2016

Laregressione,comegidetto,vieneaquestopuntoripetutanuovamenteutilizzando,alpostodeglier
roriinizialiindicaticon

,glierrori

che,comegidettotengonocontodeiglierrori

sulleascisse. indicailcoefficienteangolaredellaprimaretta.IvalorideiparametridellarettaAeB(dove
laretta
)noncambianosenonoltrelaterzacifrasignificativamacambianoenondipocoiloro
errori.Unavoltaripetutalaregressioneiparametridellarettavengonoriconvertitiinparametridelledue
curve di partenza e viene rifatta la propagazione degli errori. Denotiamo ora la retta finale uscente dalla
secondaregressionecon
pernonconfondereleletterefradiloro.Leconversionisonolese
guenti:
Perlesponenziale
log
,
,

Perliperbole

Comegidettoil vienecalcolatopercomoditsuidatilinearizzati,dopolasecondaregressione,se
condolaseguenteformula(denotiamocon laposizionedelmassimoiesimoacuicorrispondeiltempo
,mentrecon
denotiamoilmassimolinearizzato,siache sialafunzionelogaritmosiachesiala
funzioneinversa):

Con
abbiamoindicatolerroredelmassimolinearizzatouscentedallasecondaregressione,ossia
quellochetienegicontodellerroresulleascisse.Perlecostanti e deriviamoleformuleusatequiin
seguito,mentreperiloroerrorisonostateusateleconsueteformuledipropagazionedeglierrorichenon
trascriviamopereccessivalunghezza(lerrorepresentesiasuiparametrichesullemassechesullacostante
elastica).Sapendoche

Il valore della costante elastica si pu leggere nella sezione sulla strumentazione mentre i valori delle
massesipossonoleggereinappendice.Con ,comegiaccennato,miriferiscoallamassatotale,ossiaalla
massaappesapilamassaintrinseca dellamollachecontribuisceallasuaestensione,chepermotivi gi
|
esposti ho stimato con un terzo del peso della molla:
.

Risultati
Chiaramentelapresadatichehacostituitoilcasonumericodiesempiodurantelapresentazionedellal
goritmononlunica,manesonostatefattecirca35.Perognipresadatilanalisistataeseguitalaprima
voltaperimassimidopodichlacurvastataribaltatamoltiplicandociascunvaloreper1elanalisistata
ripetuta,inmododautilizzareancheiminimi(intotaleabbiamoquindi70curvesucuifareicalcoli).Ilperch
nonsiastatoapplicatoilvaloreassolutoperanalizzareinsiememassimieminimisipuleggerenellintrodu
zione.
Ilnomediognipresadaticreatoinquestomodo:Fmx_rysiriferisceallapresadatichecomemassa
oscillantecontenevaletuttelemassenumerateconnumeroidentificativominoreougualeaxechecome
numerodirunhay.Perogniconfigurazionedipesosonostatifatticircaseirune_rysiriferiscealrunnumero
y.AdesempioilnomeFm2_r3,ilrunutilizzatonellesempio,significachelamassaoscillanteeracomposta
dallamassabasepiildisco,dallamassa1edallamassa2echestatoilterzoruneseguitoperquesta
configurazionedipeso.
8

NicolCavalleri

Relazionemolle2&3

Massimi

settembre2016

Esponenziale

Iperbole

Run#
Fm2_r3

102.80 1.47 70

0.65% 0.00830 0.00015

11.77

0.17

70

100.00% 0.0613 0.0015

Fm2_r4

109.63 1.86 59

0.01% 0.00906 0.00016

42.65

0.72

59

94.62% 0.0569 0.0014

Fm2_r5

122.21 2.14 57

0.00% 0.00943 0.00017

45.31

0.79

57

86.78% 0.0589 0.0015

Fm3_r1

136.32 2.52 54

0.00% 0.01060 0.00013 172.35

3.19

54

0.00% 0.0606 0.0011

Fm3_r2

42.04 1.05 40

38.27% 0.00913 0.00019

17.47

0.44

40

99.93% 0.0647 0.0017

Fm3_r5

99.88 2.32 43

0.00% 0.00958 0.00020

36.06

0.84

43

76.44% 0.0720 0.0018

Fm3_r6

198.97 4.42 45

0.00% 0.00953 0.00017

87.40

1.94

45

0.02% 0.0618 0.0014

Fm5_r5

88.71 2.06 43

0.01% 0.00680 0.00015

56.82

1.32

43

7.71% 0.0728 0.0018

Fm6_r4

112.76 2.62 43

0.00% 0.00936 0.00013

48.97

1.14

43

24.60% 0.0784 0.0013

BF

Tabella3.Tabellariassuntivadelleanalisideimassimi.

LultimacasellastaperBestFiteriportailnumero1selaprobabilitcheilchiquadroridottoteorico
superiquelloosservatopialtaperlacurvaesponenzialeoppureilnumero2sepialtaperliperbole.
Comesinotafacilmente,lamaggiorpartedeirunsonostatieliminati,inquantopocosignificativiper
lanalisidati.Avevogiaccennatochespesso,oltrealloscillazionepropriadellamassa,entravanoingioco
anchealtreoscillazioni(sivedadiesempioilgrafico1).Ritenendocheirundovequestofenomenofosse
evidentefosseropocosignificativiperlesitodellarelazionehodecisodieliminarliconuncriteriogiillu
strato.Rimangono,tralecurvesperimentaliestrattedaimassimiequelleestrattedaiminimi,26curve,che
sonopichesufficientipertrarredelleconclusioni.Osserviamoorairisultatiestrattidaiminimi.
Minimi
Run#

Esponenziale

BF

Fm2_r3 156.50 2.30 68


Fm3_r6 132.87 3.24 41

0.00% 0.00966 0.00015 127.30 1.87 68

0.00%

0.0621

0.0014

95.11%

0.0478

0.0010

Fm4_r1 183.07 2.95 62


Fm4_r2 113.80 2.28 50

0.00% 0.01179 0.00011 264.59 4.27 62

0.00% 0.05914 0.00093

0.00% 0.00906 0.00013

27.25 0.66 41

Iperbole

0.00% 0.01152 0.00015

31.87 0.64 50

97.86%

0.0546

0.0010

Fm4_r3

88.42 1.70 52

0.12% 0.01019 0.00016

22.80 0.44 52

99.99%

0.0592

0.0013

Fm4_r4

44.63 1.09 41

32.18% 0.01037 0.00014

21.89 0.53 41

99.37%

0.0556

0.0011

Fm4_r5 110.05 2.04 54


Fm4_r6 22.67 0.44 51

0.00% 0.01209 0.00015

69.38 1.28 54

7.75%

0.0541

0.0010

99.98% 0.00670 0.00022

3.74 0.07 51

100.00%

0.0624

0.0023

75.16% 0.01269 0.00018 57.73 1.18 49


18.38% 0.0648
Fm5_r2 41.97 0.86 49
Tabella3.Riassuntodelleanalisidatideimassimi.Tuttiiterminisonogistatispiegatiperletabelleprecedenti.
97.42
1.99
49
0.00%
0.01242
0.00016
70.51
1.44
49
2.37% 0.0613
Fm5_r3
99.48% 0.00673 0.00016 19.98 0.24 82
100.00% 0.0882
Fm5_r4 52.89 0.65 82

0.0013

0.0011

0.0025

Fm5_r6

73.11 1.28 57

7.39% 0.00806 0.00026

45.01 0.79 57

87.48%

0.0903

0.0034

Fm6_r2

28.38 0.56 51

99.57% 0.01175 0.00016

11.45 0.22 51

100.00%

0.0675

0.0013

Fm6_r3

30.96 0.61 51

98.80% 0.01051 0.00019

12.45 0.24 51

100.00%

0.0657

0.0015

0.00% 0.01033 0.00018 338.86 7.37 46

0.00%

0.0628

0.0014

Fm6_r4 113.23 2.46 46


Fm6_r5 23.70 0.46 52

99.97% 0.01199 0.00012

6.80 0.13 52

100.00%

0.1180

0.0014

23.61 0.47 50

99.95% 0.00953 0.00021

6.56 0.13 50

100.00%

0.0717

0.0019

Fm6_r6

Tabella4.Tabellariassuntivadelleanalisideiminimi.

interessantenotarecomeirunsalvatidaimassimiperchprividisovraoscillazioni,equellisalvatidai
minimisonolontanidallessereglistessi.Nonsospiegarmiquestofattomalipotesichefacciovienedaunal
traosservazione:neirunconminoremassatendonoadesserepipulitiimassimi,mentreneirunconmag
gioremassaiminimi.Puesserechelemollesianonelprimocasopistabiliincontrazione,nelsecondoin
estensione,anchesenonnevedolaragione.
9

NicolCavalleri

Relazionemolle2&3

settembre2016

Quantoairisultatidellesperimentoinvecedireicheidatiparlinodasoli:su26casivenesono19incuial
livellodisignificativitdel5%accettabilelacurvaiperbolicaedanchelapiprobabile,1incuiaccettabile
epiprobabilelacurvaesponenzialee6incuinessunadelleduecurveaccettabile.Allivellodisignificativit
dell1%inumerisonosimili:20,1,5.Possiamoquindiconcludere,anchesenonconcertezzaassoluta(inu
merilascianospazioaldubbio),chelacurvachemegliointerpolaidatiliperbole.Quantoalcalcolodella
costante ,nonessendolemisurespessocompatibili,nonpossibilefareunamediapesata,checomunque
nonavrebbesensopoichnonessendostatospiegatoiltipodiattrito,nonstatodettodacosadipendala
variabileepotrebbeavereavutovariazioninelcorsodellesperimento(cosaccadrebbeseperesempiodi
pendessedallamassa,dallatemperaturadellaria,dallareadeldiscoinfondoallemasseosimili).Perilsuo
valore, che fornisco comunque per completezza qualora fosse necessario per la valutazione (0.06407
0.00031

),consigliodiguardareseparatamenteaisingolirun.Perconcluderevorreimostraregiustoper

curiositqualchecasosignificativodigraficoincuilacurvaiperbolicanonunaperfettadescrizionedeidati.
Lasciopercheparlinoigraficisenzacommento,neltimorediaverparlatogitroppo.

Fm4_r5
0,055

Posizione(m)

0,045

0,035

0,025

0,015

0,005
0

10

15

20

25

30

35

Tempo(s)
Dati

Iperbole

Esponenziale

Grafico5.AnalisidatideiminimidiFm4_r5:lacurvaiperbolicaappenaaccettabile.Quasivedechiaramentecheidatihannoun
proprioandamentoleggermentediversodaquellodellacurvaiperbolica.

10

NicolCavalleri

Relazionemolle2&3

settembre2016

Fm5_r2
0,05
0,045
0,04

Posizione(m)

0,035
0,03
0,025
0,02
0,015
0,01
0,005
1

11

16

21

26

31

36

Tempo(s)
Dati

Iperbole

Esponenziale

Grafico6.AnalisidatideiminimidiFm5_r2:unicocasoincuiunacurvaesponenzialeaccettabileinterpolimeglioidatidelliperbole.
Lalimitatachiarezzaepuliziadeidatinelasciaamioparereintuireilmotivo.

Appendice
Valoridellemasse
Numero
Massamolla
Massabase
Massa1
Massa2
Massa3
Massa4
Massa5
Massa6
Massaeffettiva

Massa(g)
25.8
34.9
19.8
19.7
20.1
19.9
20.1
19.8
162.9

(g)
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1

Materialeaggiuntivo
Ilcodicedelprogrammautilizzatoperlanalisipuesseretrovatoalseguentelink(cuiconsigliodidare
unocchiata):https://dl.dropboxusercontent.com/u/32694875/Analisi%20dati%20molle%202.015.cpp
Illinkconidatigrezzi:https://dl.dropboxusercontent.com/u/32694875/Dati%20molle%202.xlsx
Il link con i risultati delle analisi dei massimi: https://dl.dropboxusercontent.com/u/32694875/Risul
tati_pos.xlsx
Il link con i risultati delle analisi dei minimi: https://dl.dropboxusercontent.com/u/32694875/Risul
tati_neg.xlsx

11

NicolCavalleri

Relazionemolle2&3

settembre2016

Datinumericidelcasodiesempio
Quellinellatabellaquidiseguitosonoimassimicalcolatidallalgoritmomostratoperilcasodiesempio,il
runFm2_r3.

Tempo
0.4875
0.9875
1.5125
2.0375
2.5375
3.0625
3.5875
4.0875
4.6125
5.1375
5.6375
6.1625
6.6875
7.1875
7.7125
8.2375
8.7375
9.2625
9.7875
10.2875
10.8125
11.3375
11.8375
12.3625
12.8875
13.3875
13.9125
14.4375
14.9375
15.4625
15.9875
16.4875
17.0125
17.5375
18.0375
18.5625
19.0625
19.5875
20.1125
20.6125
21.1375
21.6375
22.1625

Erroretempo
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125

Spazio

Errorespazio

0.02970
0.02884
0.02768
0.02645
0.02537
0.02432
0.02366
0.02258
0.02185
0.02107
0.02024
0.01969
0.01877
0.01807
0.01766
0.01703
0.01653
0.01599
0.01566
0.01493
0.01449
0.01407
0.01369
0.01343
0.01287
0.01236
0.01225
0.01167
0.01148
0.01120
0.01090
0.01077
0.01057
0.01039
0.01011
0.00988
0.00971
0.00962
0.00934
0.00906
0.00883
0.00864
0.00856

0.00125
0.00118
0.00091
0.00108
0.00116
0.00122
0.00105
0.00114
0.00119
0.00105
0.00105
0.00115
0.00099
0.00097
0.00112
0.00099
0.00097
0.00110
0.00099
0.00093
0.00099
0.00096
0.00090
0.00097
0.00096
0.00095
0.00099
0.00098
0.00093
0.00097
0.00088
0.00091
0.00091
0.00088
0.00093
0.00091
0.00089
0.00095
0.00087
0.00092
0.00089
0.00085
0.00093

12

Errore%tempo
2.564%
1.266%
0.826%
0.613%
0.493%
0.408%
0.348%
0.306%
0.271%
0.243%
0.222%
0.203%
0.187%
0.174%
0.162%
0.152%
0.143%
0.135%
0.128%
0.122%
0.116%
0.110%
0.106%
0.101%
0.097%
0.093%
0.090%
0.087%
0.084%
0.081%
0.078%
0.076%
0.073%
0.071%
0.069%
0.067%
0.066%
0.064%
0.062%
0.061%
0.059%
0.058%
0.056%

Errore%spazio
4.205%
4.105%
3.300%
4.067%
4.591%
5.017%
4.442%
5.064%
5.425%
5.005%
5.183%
5.838%
5.297%
5.345%
6.331%
5.786%
5.863%
6.852%
6.330%
6.223%
6.810%
6.833%
6.600%
7.210%
7.491%
7.651%
8.109%
8.362%
8.085%
8.666%
8.051%
8.438%
8.611%
8.459%
9.214%
9.216%
9.142%
9.907%
9.328%
10.207%
10.076%
9.840%
10.897%

NicolCavalleri
22.6875
23.1875
23.7125
24.2125
24.7375
25.2625
25.7625
26.2875
26.8125
27.3125
27.8375
28.3375
28.8625
29.3875
29.8875
30.4125
30.9125
31.4375
31.9625
32.4625
32.9875
33.4875
34.0125
34.5375
35.0375
35.5625
36.0625
36.5875
37.1125

Relazionemolle2&3
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125
0.0125

0.00823
0.00814
0.00803
0.00790
0.00780
0.00774
0.00759
0.00743
0.00740
0.00726
0.00728
0.00706
0.00697
0.00691
0.00689
0.00674
0.00651
0.00659
0.00637
0.00635
0.00625
0.00620
0.00605
0.00603
0.00600
0.00603
0.00582
0.00568
0.00586

0.00080
0.00087
0.00091
0.00081
0.00087
0.00082
0.00085
0.00087
0.00083
0.00085
0.00089
0.00083
0.00089
0.00087
0.00083
0.00087
0.00080
0.00087
0.00084
0.00081
0.00086
0.00083
0.00085
0.00084
0.00081
0.00084
0.00080
0.00083
0.00084

13

settembre2016
0.055%
0.054%
0.053%
0.052%
0.051%
0.049%
0.049%
0.048%
0.047%
0.046%
0.045%
0.044%
0.043%
0.043%
0.042%
0.041%
0.040%
0.040%
0.039%
0.039%
0.038%
0.037%
0.037%
0.036%
0.036%
0.035%
0.035%
0.034%
0.034%

9.728%
10.686%
11.288%
10.220%
11.107%
10.630%
11.135%
11.690%
11.173%
11.692%
12.247%
11.735%
12.793%
12.523%
11.986%
12.882%
12.340%
13.211%
13.238%
12.697%
13.799%
13.385%
14.040%
13.993%
13.444%
13.937%
13.799%
14.597%
14.421%

NicolCavalleri

Relazionemolle2&3

settembre2016

Relazione dellesperimento Molle 3


AcuradiNicolCavalleri(#M867167),annoscolastico2015/2016,gruppo1B

Introduzione
Obbiettivoedesposizionedellesperimento
Lobbiettivodiquestoesperimentosarebbequellodiverificarechedataunamollaoscillantesiaperviadi
unoscillazioneinnescatainizialmentesiaperviadiunaforzanteeosservatalasuaampiezzadioscillazione
dopountemposufficientementegrande,siriscontriunampiezzamaggioretantopilapulsazionedellafor
zantesiavviciniaquellapropriadelsistemamassamolla.Piprecisamentesidovrebberiscontrarechele
ampiezzedioscillazionemisuratedopotempilunghisonoinfunzionedellafrequenzadellaforzanteecheil
quadratoditalefunzionesiaunaLorentzianacentratasullapulsazionepropriadellamolla.Matematicamente
lapresenzadiunaforzante,cheinquestoesperimentohaformasinusoidale,siottieneaggiungendounter
mineallequazionedifferenzialedipartenza:

cos

dove
lafunzionedellaposizionedellamassaappesaallamollarispettoaltempo, ilvaloredella
forzantealmomentoinizialee lapulsazionedellaforzante(pertuttiglialtriterminisiguardiallaprima
parte dellesperimento). Hoiniziatoil paragrafoconunafrasealcondizionaleinquanto affinchsucceda
quellochehoappenadescrittosisuppone(comedovrebbeaccadereneicasipicomuni)
0.Lequa
zionedifferenzialeinquestocasosipotrebberiscrivereallaseguentemaniera:

cos

lacuisoluzione

cos

cos

dove

arctan

.Tuttaviaidatisperimentalidellaprimapartedellesperimentononcipermettono

0,
0.Nelnostrocasolequazionedif
diaffidarciaquesticalcoliinquantoabbiamoconclusoche
ferenzialecuicisiportaincasodiforzantediandamentosinusoidalelaseguente:

cos

Questaequazionenonrisolvibilecomelaprecedente.Ciaspettiamoperintuitivamentechecontinuia
valereilfattochelampiezzadioscillazionemassimasihaquandolapulsazionedellaforzantecoincidecon
quellapropriadelsistemamassamolla,ancheselafunzione
nonsarpicaratterizzatadalfattoche
ilquadratounaLorentziana,inquantosoluzionediunequazionedifferenzialedifferente.Vogliamoverifi
caresperimentalmenteentrambequestesupposizioni.Dorainpoi,perevitaregiridiparole,chiamerla
curvailcuiquadratounaLorentzianasimilLorentziana.

14

NicolCavalleri

Relazionemolle2&3

settembre2016

Approssimazioni
Leapprossimazionirimangonoesattamentequelledellaprimapartedellesperimento,conparticolarerilievo
sulfattochepertenerecontodellanonidealitdellamollanellesseresoggettaanchealpropriopesosi
ovviato aggiungendo alla massa appesa un terzo del peso della molla. Senza questa correzione lanalisi
avrebbeunesitooppostoe,comevedremo,questomodello,oltreadesseregistatogiustificato,trover
ulterioreconferma.

Strumentazione
Allastrumentazionedellaprimapartesiaggiungeunoscilloscopioappesotralamollaeilsostegno,capace
digenerareunaforzantesinusoidaleallafrequenzadesiderata(purtroppononterribilmentefine:ipassitra
unafrequenzaelasuccessivaeranodellordinedi0,1 ,ilchnonhapermessodiprendereunnumero
adeguatodimisurequandocomodo).Lerroresullafrequenzatrascurabile.Ilnumerodellemasseinquesto
esperimentononstatovariato,poichcontuttiitempidiattesalesperimentorisultavalungogiconuna
solaconfigurazione.Sonostateusate4massedocumentateinappendice.

Analisi dati, algoritmo e risultati


Infasediesperimento,perprimacosaabbiamoimpostatolapulsazionedellaforzantesulvalorepivicino
possibileallapulsazionepropriadelsistemamassamolla,dopodichabbiamopresoaltridatiaumentandoe
diminuendolafrequenzailmenopossibile(oscilloscopiopermettendo)inmododaavereidatiperfareun
plotdellampiezzainfunzionedellapulsazione.Ancheperlanalisidiquestidatistatoutilizzatounpro
grammascrittoappositamente,ilcuialgoritmosarspiegatomoltobrevemente,inquantopraticamenteuna
copia di quello della prima parte. Vediamo cosa succede per una presa dati. Dopo avere atteso il tempo
necessarioaffinchlattrito,diqualsiasitipoessosia,nascondesseglieffettidelloscillazioneinizialeela
sciasse che lunica oscillazione presente fosse quella dovuta alla forzante (sperimentalmente accade che
lampiezzadioscillazionesistabilizzaerimanecostante),sifacevapartireilsensoreevenivanoregistratele
posizioniaunafrequenzadi50 pertempiconfrontabiliconunminuto.Idatiottenuti,ilcuinumeroha
unordinedigrandezzasulladecinadimigliaia,hannoquestaforma:

Datisperimentali
0,08
0,06

Posizione(m)

0,04
0,02
0,00
0

20

40

60

80

100

120

0,02
0,04
0,06
0,08

Tempo(s)

Grafico7.Posizionidellamassaappesaallamollanellarcodi120s,sottolazionedellaforzantedifrequenzanotadadiversiminuti.

Suquestidatiintervieneilmedesimoalgoritmodellaprimapartedellesperimento(chechiaramentenonsto
arispiegare),inmodotaledaestrarreimassimieiminimi.Sugliuniesugliatrivienepoieseguitaunamedia
15

NicolCavalleri

Relazionemolle2&3

settembre2016

pesata.Infatticiaspettiamo(elimmaginevisivamenteloconferma)cheimassimiabbianotuttilostesso
valore.Lamediavienefattapesata,poichinbaseacomecapitanoiquattropunti(A,B,CeDnellaspiega
zionedellaprimapartedellalgoritmo)lerettecheliintersecanopossonoesserepiomenoinclinateed
miaintenzionesfruttareicasipifortunatiincui
Andamentodeimassimi
le rette capitino particolarmente bene, che
quindi avranno un errore minore e ci daranno
0,072
0,0715
unindicazione dellampiezza pi precisa. Una
0,071
volta calcolati massimo e minimo, vengono
0,0705
sommati.Lalgoritmoinfatticalcolaimassimi,ri
0,07
balta la curva e calcola i minimi, dunque ven 0,0695
0,069
gonocalcolatientrambiinvaloreassoluto,come
0,0685
numeripositivi.intuitivocheaquestopunto
0,068
lampiezzadioscillazionesarlasommadimas
0 10 20 30 40 50 60 70 80 90 100 110 120
simo medio e minimo medio. Quanto agli
errori, eseguendo una media pesata essi risul Grafico8.Andamentodeimassimiestrattodalcasoinesempio.
tanodidiversiordinidigrandezzapipiccolideivaloridimassimoeminimo.Usereiquestierrorise,volendo
confermareunatendenza,volessimostrarecheancheconerroripiccolissimiil risultaaccettabile,main
questocasovogliamomostrareilcontrarioe,pernonessereattaccabili,vogliamoaverelastimadellerrore
pipessimistapossibile,perdimostrarecheancheimpegnandocinelrendereglierroriilpigrandipossibile
lacurvasperimentalenonsarcompatibileconunasimilLorentziana.

/
Run#
Ampiezza

Inlineaconquestopensierononfacciamointer
Fm4_r19 0.007705 0.001001 1.235
7.76
0.783 venirenessunalgoritmodipulizia(checomun
Fm4_r18 0.009381 0.000973 1.299
8.16
0.824 quenonservirebbepraticamenteaniente:que
Fm4_r17 0.012167 0.000745 1.351
8.49
0.857 stidatisonomoltopiregolarideiprecedentie
Fm4_r16 0.016266 0.000582 1.429
8.98
0.906 suunacosacome100.000datihovistofallireil
Fm4_r15 0.020357 0.000921 1.471
9.24
0.933 mio algoritmo una sola volta) e come errore
Fm4_r14 0.046403 0.001398 1.525
9.58
0.967 consideriamolasemidifferenzatrailmaggioree
Fm4_r1 0.058073 0.001559 1.538
9.66
0.976 il minore dei massimi, intervallo in cui sicura
Fm4_r2 0.122216 0.002147 1.563
9.82
0.991 mentecompresoilmassimorealesucuisista
Fm4_r3 0.139123 0.001123 1.587
9.97
1.007 bilizzerebbelacurvaseproseguisseallinfinito.
Lo stesso errore viene calcolato per i minimi,
Fm4_r4 0.051799 0.001621 1.613 10.13
1.023
dopodich sempre per essere il pi pessimisti
Fm4_r5 0.035969 0.001438 1.639 10.30
1.040
possibileglierrorivengonosommatitradiloro
Fm4_r6 0.023103 0.000752 1.667 10.47
1.057
(non in quadratura). Questo procedimento
Fm4_r7 0.015521 0.001398 1.724 10.83
1.094
vieneripetutoperognipresadatieseguita.Iri
Fm4_r8
0.01151 0.000911 1.786 11.22
1.133
sultatisipossonoleggereintabella5,doveidati
Fm4_r9
0.00958 0.000882 1.818 11.42
1.153
sonoordinatiperfrequenza. stapererrore
Fm4_r10 0.007924 0.000716 1.887 11.86
1.197
dellampiezza, lafrequenzadanoisceltada
Fm4_r11 0.006879 0.000617 1.923 12.08
1.220
impartire alla forzante (come stata scelta si
Fm4_r12 0.004984 0.000726 2.083 13.09
1.321
pu leggere allinizio del paragrafo). La pulsa
Tabella5.Risultatidellanalisidatiordinatiperfrequenza.
zione direttamente calcolabile dalla fre
quenza:
2
.Lultimacolonna, / ,costituirlassedelleascissedelgraficofinale,ossialapulsa
zionedellaforzante(lanostravariabile)divisaperunacostante:lapulsazionepropriadelsistemamassa
molla.Questoperchinquestomodopisemplicevedereseilmassimodellacurvacorrisponderalla
:bastercheilcentrodellacurvagiacciainprossimitdelvalore1.Giciaspettiamoche
condizione
questoavvenga,inquantointabellasipugivederecheilvalorepivicinoad ,chenelnostrocasovale

16

NicolCavalleri
9.905

0.096

Relazionemolle2&3

settembre2016

,proprioquellodellesempio,cuicorrispondelamassimaoscillazione.

nutoconlasolitaformulagigiustificata

statootte

,eilsuoerrorestatoottenutoconlapro

pagazioneassociata(checomealsolitonontrascrivo).Perilgraficodeidatisiguardidirettamentealgrafico
finale,doveidatiintabellasonoplottatiinsiemeadunasimilLorentziana.
Passiamooraallaparteconclusivaverificandochelattritononabbiaoriginedaltermineproprozionalea
echequindilacurvadelleampiezzeperilmotosmorzatoforzatononunasimilLorentziana.Perfare
questoragioniamoperassurdoesupponiamochelattritoabbiaoriginepropriodaqueltermine.Inquesto
casolacurvadenominatacon
nellaprimapartedellesperimentohaformaesponenziale.Percalcolare
consideriamotuttelecurvedellaprimapartedellesperimentochesonocompatibiliconunesponenziale
alivellosignificativodell1%,anchequelleconleggereoscillazionisovrapposte,altrimentinonavremmoab
bastanzadati.
Percalcolare ,chedipendedallamassaedunquevariaperognicurva,facciamounamediapesatadelle
costanti

dopodichcalcoliamo nelnostrocasoconlaformula

.Ivaloridi

nonsonosempre

compatibilitradiloroconunCLdel95%manonsononeanchevaloridiversissimi.Verrannousaticomunque
in quanto necessari solamente come stima e non per fare un calcolo preciso di una costante; per essere
coerenticonlaprimapartedellarelazionenonabbiamoaltrasceltacheestrarre daidati.Giustificher
meglioquestamiasceltaunavoltaarrivatiallaconclusione.Inoltre,dalmomentocheciservirsolamente
comeparametrodellasimilLorentzianamanonlouseremoperestrarrenessundato,possiamorisparmiarci
il calcolo degli errori con la
propagazione annessa (non ci
Curvasperimentale
0,18
sar occasione per utilizzare
Datisperimentali
l'errore). Il valore di otte
0,16
nuto
dalla
media

SimilLorentziana
0.000042

0,14

da
Ampiezza(m)

0.009722

0,12

cuiricaviamounvaloredi di
0,1
0.03965 . A questo punto
0,08
abbiamo tutti i parametri per
0,06
calcolarelanostrasimilLoren
tziana men che . In realt
0,04
nonneabbiamobisogno:pos
0,02
f/0
siamo calcolare la curva la
0
sciandoalnumeratore1epoi
0,75 0,8 0,85 0,9 0,95 1 1,05 1,1 1,15 1,2 1,25 1,3 1,35
normalizzarla moltiplicandola
Grafico9.AndamentodellacurvasperimentaledelleampiezzeinconfrontoallasimilLo
per una costante che otte rentzianacalcolatateoricamente.
niamo dalla formula suggerita
dailucidi(con indichiamolasimilLorentziana,mentrecon lacurvamisurata)

Irisultatisonovisibilisulgrafico.Sivedechiaramenteadocchiochelanostraipotesiriguardoalmassimo
dioscillazionecorretta:essosiverificaquasiperfettamenteincorrispondenzadellascissa1.Comeprova
definitivaverifichiamoche e corrispondenteallafrequenza1.587(quelladanoiipotizzatacomepunto
dimassimoapriori)sianocompatibili.Difatti,

0.35.
,

17

NicolCavalleri

Relazionemolle2&3

settembre2016

QuantoallacompatibilitdeidaticonlasimilLorentziana,confermiamocoinumericichegisivedea
occhio:quellotestatononunbuonmodelloperidati.Essendo e parametricalcolatiapriori,lunico
parametrocalcolatodaidatirimanelacostantedinormalizzazione,dunquecomegradidilibertavremo
1.32 10 .Indifesadaqualcuno
120.356,
7.080e
1 17.Abbiamoche
chevogliaobbiettarelamiasceltadicalcolare daidatidelprimoesperimento,benchgigiustificata,voglio
dellasimilLorentzianatrascu
dareunaprovanumerica.Datalapiccolezzanumericadi ,iltermine4
nonlo.Giperilpuntodipulsazione9.66adesempioilterminecon
rabilementreiltermine
.Vogliamofarvederenumericamentecheancheomettendo
vale0.587 mentrelaltrovale22.390
iterminipercui conta(quellidipulsazione9.82e9.97)elasciandotuttiglialtri,percuilastimadi non
cambia irisultati dellanalisi,siottiene lostessorisultato. Ripetendola normalizzazionedellasimilLoren
tzianasenzaiduesuddettipuntisiottengonoiseguentirisultati:
51.702,
3.447e
15.Nessunodeiduemodelliaccettabileaqualchelivellosignificativo.
6.33 10 ,dove

Curvasperimentale
0,2
Datisperimentali

0,18

SimilLorentziana

0,16

Ampiezza(m)

0,14
0,12
0,1
0,08
0,06
0,04

f/0

0,02
0
0,75

0,8

0,85

0,9

0,95

1,05

1,1

1,15

1,2

1,25

1,3

1,35

Grafico9.AndamentodeidatiinconfrontoadunasimilLorentziananormalizzatasenzatenerecontodeiduedaticentrali.

Appendice
Valoridellemasse
Numero
Massamolla
Massabase
Massa1
Massa2
Massa3
Massa4
Massaeffettiva

Massa(g)
25.8
34.9
19.7
19.7
19.9
19.8
122.6

(g)
0.1
0.1
0.1
0.1
0.1
0.1
0.1

Ritengopocosignificativoriportareivalorinumericideimassimiinesempio,inquantoriportereisolouna
lungalistadivalorituttisimilitraloro.

18