1

Presentazioneorappresentazionedeidatisperimentali
La seguente dispensina chiarisce alcuni dettagli sulla presentazione dei dati sperimentali a
complemento di quanto discusso a lezione, soprattutto per una maggiore chiarezza sui dati utilizzati
per la spiegazione.

Presentazione dei dati per tabelle.
La presentazione dei dati per tabelle pu essere distinta in tre categorie:
1. qualitativa - dal punto di vista fisico poco significativa, in quanto le grandezze vengono
presentate in modo qualitativo, p. e. la forza del vento espressa come il vento si percepisce
sulla pelle, i rami degli alberi si spezzano ecc.;
2. statistica - alcune grandezze sono espresse in modo quantitativo altre solo indicate, p.e.
pubblicazioni di censimenti, risultati elettori e funzionali, la tavola periodica degli elementi);
3. funzionale che riveste interesse sperimentale ed costituita da tabelle che mostrano le
relazioni tra una variabile presa per dipendente y da altre considerate indipendenti ovvero
una grandezza y = y(x) dipendente dalle grandezze x, y e z.

Tabella 1. Esempio di tabella funzionale.
Etichetta della variabile indipendente
[unit di misura]
Etichetta della variabile dipendente
[unit di misura]
x x y y
Valore num. Valore num. Valore num. Valore num.
Valore num. Valore num. Valore num. Valore num.
Valore num. Valore num. Valore num. Valore num.
Valore num. Valore num. Valore num. Valore num.
Valore num. Valore num. Valore num. Valore num.

Diversamente da quanto espresso nella funziona analitica, in laboratorio, fissata una variabile
indipendente, si osserva come cambiano le altre grandezze come variabili dipendenti. Questo
visibile dallinversione dellordine nella tabella. Per semplicit sono riportate eventuali altre
colonne relative ad ulteriori variabile dipendenti, anche per non creare confusione tra
rappresentazione tabulare e relazione funzionale.
Nellorganizzare le tabelle in qualsiasi caso bisogna tener conto sempre di:

1. la scelta dei valori da assegnare alla variabile indipendente: utile scegliere una
variazione costante della mantissa (p.e. 1, 2 o 5) moltiplicato per 10
+n
,
2. individuare correttamente le cifre significative,
3. arrotondare sulla base delle cifre significative i valori numerici.
Sono state presentate a lezione tre serie di misurazioni del periodo di un pendolo, riportiamo
nella tabella 2 tali risultati e partiamo da questi per presentare gli altri modi di rappresentazione dei
dati sperimentali.
Nella prima colonna indicato con i il numero progressivo delle misure. Tale informazione
sembrerebbe superflua, invece risulta necessaria. Se i dati sono pochi, si possono contare
facilmente, diversamente si potrebbe sbagliare. Tale informazione necessaria per gli studi
statistici. Dalla tabella si osserva che alcuni dati si ripetono pi volte, quindi potremmo osservare
quante volte un dato compare pi di un altro, ovvero studiare la frequenza.

2

Tabella 2. Misurazioni del periodo di oscillazione di un pendolo.

i T
i

[s]
T
i

[s]
T
i

[s]
1 1,88 1,86 1,84
2 1,86 1,88 1,92
3 1,88 1,88 1,86
4 1,90 1,92 1,88
5 1,84 1,88 1,9
6 1,88 1,90 1,82
7 1,90 1,90 1,86
8 1,88 1,86 1,92
9 1,86 1,88 1,9
10 1,86 1,8 1,88
11 1,90 1,88
12 1,94 1,84
13 1,86 1,94
14 1,88 1,90
15 1,90 1,88
16 1,82 1,86
17 1,88 1,90
18 1,86 1,84
19 1,90 1,92
20 1,92 1,86
21 1,92
22 1,88
23 1,90
24 1,88
25 1,86
26 1,88
27 1,86
28 1,94
29 1,88
30 1,90
Raggruppiamo quindi i dati per valori e costruiamo una nuova tabella (tab. 3) in cui riportiamo
nella prima colonna il numero di raggruppamenti, indicato con k, relativi al valore T
k
, che sar
riportato nella seconda colonna, nella terza colonna si riporta il numero di volte (n
k
), che abbiamo
ottenuto il valore relativo, e nella quarta colonna si riporta la frequenza (F
k
), ovvero il numero di
volte che si ottenuto il dato diviso il numero di dati rilevati.

Tabella 3. Periodo di oscillazione: n
k
- numero di volte che si ottenuto T
k
, F
k -
frequenza.
Classe
k
Valore centrale
T
k
[s]
1
a
serie (10 dati)
n
k
F
k

2
a
serie (20 dati)
n
k
F
k

3 serie (30 dati)
n
k
F
k

1 1.80 0 0 1 1/20 0 0
2 1.82 0 0 1 1/20 1 1/30
3 1.84 1 1/10 0 0 3 3/30
4 1.86 3 3/10 4 4/20 6 6/30
5 1.88 4 4/10 6 6/20 8 8/30
6 1.90 2 2/10 5 5/20 6 6/30
7 1.92 0 0 2 2/20 4 4/30
8 1.94 0 0 1 1/20 2 2/30
3

I valori riportati nella tabella 3 mostrano come sono distribuiti i dati, si osserva che
F
8
k=1
k
= 1 (eq. 1)
Questa propriet viene detta normalizzazione.

Inoltre immediato presentare la media in unaltra forma
T

=
T
i
n
i=1
n
(eq. 2)
T

=
n
k
T
k
8
k=1
n
= F
k
T
k
8
k=1
(eq. 3)

Si faccia attenzione che nellequazione 2 la sommatoria su tutti i valori T
i
e quindi il pedice i
va da 1 ad n. Nellequazione 3 invece la sommatoria sul prodotto del numero di dati osservati per
classe (n
k
) ed il valore relativo (T
k
) con k da 1 a 8.
Per rendere visibile come sono distribuiti i dati opportuno ricorrere ad un altro strumento:
listogramma.

Rappresentazione mediante I stogrammi.
Listogramma una rappresentazione grafica, che utilizza sullasse delle ascisse i valori misurati
e sullasse delle ordinate il numero di volte che tali valori sono stati rilevati.
Nellistogramma si riporta anche lintervallo della classe, in questo caso utilizziamo, per tale
intervallo, lerrore dovuto alla sensibilit di lettura. Possiamo vedere che i dati sono riportati con
salti di 0.02 s, e quindi, non avendo altre informazioni, sembra che questa sia lunit fondamentale
della scala di lettura o del visualizzatore digitale. Tale informazione espressa come errore di lettura
della scala
x
=0.01 s.
La frequenza proporzionale al numero di dati rilevati in quellintervallo, nei grafici successivi
utilizzeremo quindi per le ordinate la frequenza. Nellistogramma laltezza delle barre indicher la
frequenza relativa alla classe, mentre la larghezza della barra individuer la larghezza della classe.

Figura 1. Istogramma della prima serie di misure di T ( tab. 2 e 3).
0
0,1
0,2
0,3
0,4
0,5
1,8 1,82 1,84 1,86 1,88 1,9 1,92 1,94
frequenzadeidatiserie1
periodo delpendolo[s]
F
k
4

Figura 2. Istogramma della seconda serie di misure T (tab. 2 e 3).

Figura 3. Istogramma della terza serie di misure T (tab. 2 e 3).
Si osserva che, allaumentare del numero di rilevazioni, i dati risultato distribuiti in modo
sempre pi simmetrico intorno ad un valore centrale. Gi da ora potremmo pensare che, al limite
del numero di rilevazioni tendente ad infinito, la distribuzione dei dati approssimer sempre pi una
curva continua. Anticipiamo pertanto alcune informazioni del passaggio da classi discrete a classi
cos risolte da essere quasi continue.
Si osservi che se indichiamo con x
k
la larghezza di ogni rettangolo e con F
k
la sua altezza,
larea di ogni rettangolo risulta F
k
x
k
. Tale area proporzionale alla frazione di misure
nellintervallo k-esimo. Se la larghezza degli intervalli uguale si osserva che
F
k
N
k=1
x
k
= x F
k
N
k=1
= x
Attenzione a non confondere N, il numero di intervalli, in questo caso N=8 per tutte e tre le
serie, con n il numero dei dati rilevati, diverso per ogni serie di dati.
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
1,8 1,82 1,84 1,86 1,88 1,9 1,92 1,94
Series2
periodo delpendolo[s]
F
k
0,00
0,05
0,10
0,15
0,20
0,25
0,30
1,8 1,82 1,84 1,86 1,88 1,9 1,92 1,94
periodo delpendolo[s]
F
k
5

Si osservi che per ottenere la normalizzazione, ovvero avere larea totale data dalla somma di
tutti i rettangoli pari ad 1, si deve dividere per la larghezza dellarea x
k

_
F
k
x
k
]
N
k=1
x
k
= 1

Possiamo etichettare la F
k
/x
k
con f
k
, detta densit di frequenza, dato che per ottenere la
frequenza dobbiamo moltiplicare per x
k
(si pensi alla densit lineare di un filo di massa me
lunghezza l, dalla relazione = m/l, per ottenere la massa di un tratto di filo l si deve moltiplicare
l, nello stesso modo si ottiene la frequenza dei dati F
k
dal prodotto f
k
x
k
.
Se si orientati a trovare una funzione continua, che descriva la distribuzione dei nostri dati
sperimentali, si deve portare la rappresentazione mediante istogrammi, finora espressa per variabili
discrete, ad una rappresentazione per variabili continue, che possono assumere un valore qualsisi
nellintervallo [a,b] del campo dei numeri reali.
Siano x i valori compresi nellintervallo [a,b], dividiamo questo intervallo in [x
1
, x
2
), [x
2
, x
3
), ,
[x
m-1
, x
m
] di ampiezza x.
Assegnamo ad ognuno di questi intervalli un valore n
k
x
k
, che indica il numero di eventi che
hanno il valore compreso nellintervallo. La frequenza comunque ottenuta dalla relazione
F
x
k
=
n
k
x
k
n

dove si ricorda n sono il numero di tutti gli event i n = n
k
x
k
N
1
.
Attenzione si appositamente utilizzato N per indicare il numero di intervalli, la relazione tra N
ed il pedice degli estremi dellintervallo m-1 =N ).
Per N (equivale a dire m ) che la sommatoria di queste quantit tender allarea
sottesa dalla curva ideale ( questo limite si chiama lintegrale di una f(x)).
lim
N-

F
x
k
x
k
x
k
= lim
N-

k
x
k
= _ (x)Jx
b=+
u=-

Si introduce quindi una funzione f(x), che se confrontata f
k
(densit di frequenza), chiameremo
f(x) densit di probabilit e vedremo in seguito, quando definiremo la probabilit perch.
Si osservi che nel caso di un intervallo [a, b] lintegrale ha come estremi i valori dati,
diversamente la funzione di distribuzione calcolata su tutto il campo reale, ma in genere ha un
valore diverso da zero solo in intervalli limitati.
Tale argomento verr ripreso, una volta affrontato lapproccio probabilistico ai dati casuali, per
quantificare quanto bene si avvicinino i dati di una grandezza misurata ad una distribuzione casuale.








6

0,5
1,5
2,5
3,5
4,5
5,5
6,5
7,5
8,5
0 200 400 600 800 1000
y

A
l
l
u
n
g
a
m
e
n
t
o

d
e
l
l
a

m
o
l
l
a

[
c
m
]
x massa [g]
Rappresentazione mediante grafici.
La rappresentazione mediante grafici affrontata anche sul testo proposto (Taylor), qui si
presenter un dettaglio per la stima grossolana della curva di regressione, per un verifica
immediata sullomogeneit dei dati.

Tabella 4. Dilatazione elastica di un corpo in funzione della forza applicata.
Numero misura

Variabile indipendente x Variabile dipendente
Massa [g] Allungamento l [cm]
1 100 +2 1.0 +0.2
2 200 +2 1.9 +0.2
3 300 +2 3.0 +0.2
4 400 +2 4.1 +0.2
5 500 +2 4.9 +0.2
6 600 +2 6.3 +0.2
7 700 +2 7.6 +0.2
8 800 +2 8.5 +0.2

Possiamo riportare i dati
osservati su carta millimetrata.
Sulla carta millimetrata
possiamo tracciare una curva
di massima pendenza ed una di
minima pendenza come
mostrato in figura.
Si otterrebbe per una
curva di massima pendenza y

= A
min +
B
max
x, ovvero la
retta di colore rosso nella
figura 4 ed una curva di
minima pendenza (y

= A
max

+B
min
x) indicata dalla curva di
colore blu. Si possono quindi
ricavare i valori medi di
quanto ottenuto graficamente
e/o mediante calcoli, ed
utilizzare come migliore stima
della curva la relazione y=
A
best
+ B
best
x.
Si osservi che la miglior
stima della pendenza si ricava
dalla media delle due
pendenze calcolate o ricavate
graficamente, ovvero B
best
=
(B
max
+B
min
)/2, mentre come
errore sulla pendenza
utilizziamo la
semidispersione: B

= (B
max
- B
min
)/2.
Figura14.Rappresentazionegraficadeidatiriportatiintabella4.Laretta
chemeglioapprossimaidatisiottienedalledueretteindicatecon
rispettivamenteconcolorerossoeblu.
7

Stessa considerazione sullintercetta A

best
=(A
max
+A
min
)/2 ed lerrore A

=(A
max
- A
min
)/2.
In questo modo potremmo anche interpolare (interpolazione) dati non rilevati, p. e.
lallungamento della molla se appendessimo una massa di 250 g, si potrebbe cos fornire anche
lerrore utilizzando le rispettive leggi di propagazione.
Si potrebbe pensare di estrarre informazioni anche su dati al di fuori dellintervallo delle misure
(estrapolazione) una tecnica non sicura ed attendibile.
Si immagini di caricare la molla oltre il suo limite elastico, quindi si pu rischiare una
deformazione plastica, o se si esagera di pi anche una rottura della stessa, e quindi
successivamente la molla non risponderebbe pi alla legge trovata.
Tale approccio grafico, risulta utile per una prima osservazione dei dati e per verificare se
qualcuno di essi sia troppo diverso dagli altri e controllarlo nel laboratorio. Vedremo che oltre ad un
indagine qualitativa di quanto i dati siano descritti bene dalla relazione utilzzata, dovremmo fornire
un numero anche per questa stima. Vedremo che questo sar fatto mediante il coefficiente di
correlazione ( r ). Si trover anche un metodo analitico per trovare la curva teorica che meglio
approssima i dati sperimentali, ed un metodo statistico di verifica della confidenza che la legge
descriva i risultati osservati.

Linearizzazione
Verificare una proporzionalit lineare come visto per il caso della molla molto immediato,
spesso le relazioni tra le grandezze sono pi complicate. Si pensi per esempio alla relazione tra la
spazio percorso da un grave ed il tempo nel caso del campo gravitazionale terrestre. In questo caso
bisogna trovare il modo di rendere pi accessibile graficamente la relazione funzionale, e dopo
vedremo anche analiticamente. Nel corso di laboratorio spesso avremo una relazione funzionale da
utilizzare per i dati registrati e quindi sar immediata la verifica.
Se non avessimo idea di quale potrebbe essere la relazione, si dovrebbe procedere per tentativi.
In ogni caso se la relazione del tipo g = cost x
n
, opportuno effettuare un cambiamento di
variabile y = x
n
, ovviamente si deve fare uso delle tecniche di propagazione degli errori. Tale
linearizzazione stata utilizzata anche per caso del periodo di un pendolo, ovvero per verificare
quale legge risulti corretta tra
I = 2n_
l
g
o
1
2n
_
l
g
. . . .
Per lesempio suddetto si elevato al quadrato entrambi i membri e quindi risulta una
dipendenza lineare tra T
2
e l.

Nel caso per esempio di andamenti esponenziali del tipo V = V
0
e
-(t/)
opportuno utilizzare
un altro tipo di linearizzazione mediante lutilizzo della funzione logaritmo:
ln(V) = ln(V
0
) + ln(e
-(t/)
) = ln(V) = ln(V
0
) t/.
Ed in questo caso vi chiediamo di fare attenzione agli eventuali problemi dimensionali.

Largomento della linearizzazione ampliamente trattato nel testo consigliato e sar argomento
di studio in seguito, percui si ritiene sufficiente per un primo approccio grossolano quanto riportato.