3 semester

3.1.3/Kotlyarov_M/data/M_vs_n.py

@@ -0,0 +1,42 @@
+import matplotlib.pyplot as plt
+import numpy as np
+
+# Ваши данные
+n_data = np.array([12, 10, 8, 6, 4])
+M_data = np.array([285.45589086, 227.01610218, 214.091918145, 191.0531553, 179.252813355])
+
+# Аппроксимация M = k * n (линейная регрессия без intercept)
+k = np.sum(n_data * M_data) / np.sum(n_data**2)
+print(f"k = {k:.3f}")
+
+# Погрешность k
+N = len(n_data)
+residuals = M_data - k * n_data
+chi2 = np.sum(residuals**2)
+sigma_k = np.sqrt(chi2 / (np.sum(n_data**2) * (N - 1)))
+
+print(f"σ_k = {sigma_k:.3f}")
+print(f"k ± σ_k = {k:.3f} ± {sigma_k:.3f}")
+
+# Диапазон для прямой: от 0 до чуть больше максимального n
+n_line = np.linspace(0, max(n_data) * 1.1, 100)
+M_line = k * n_line
+
+# Построение графика
+plt.figure(figsize=(8, 6))
+plt.plot(n_line, M_line, label=f'M = ({k:.3f} ± {sigma_k:.3f}) * n', color='red', linestyle='-', linewidth=1.5)
+plt.scatter(n_data, M_data, color='blue', s=30, label='Экспериментальные точки', zorder=5)
+
+# Настройки графика
+plt.xlabel('n')
+plt.ylabel('M, дин*см')
+plt.title('Зависимость момента сил от количества шариков')
+plt.legend()
+plt.grid(True, linestyle='--', alpha=0.6)
+plt.xlim(left=0)
+plt.ylim(bottom=0)
+
+# Показать график
+plt.tight_layout()
+plt.savefig('M_vs_n.png', dpi=300)
+plt.show()

3.1.3/Kotlyarov_M/data/T_vs_n.py

@@ -0,0 +1,42 @@
+import matplotlib.pyplot as plt
+import numpy as np
+
+# Ваши данные
+n_data = np.array([12, 10, 8, 6, 4, 3])
+T_data = np.array([3.748, 3.158, 2.696, 1.99, 1.35, 1.059])
+
+# Аппроксимация T = k * n (линейная регрессия без intercept)
+k = np.sum(n_data * T_data) / np.sum(n_data**2)
+print(f"k = {k:.3f}")
+
+# Погрешность k
+N = len(n_data)
+residuals = T_data - k * n_data
+chi2 = np.sum(residuals**2)
+sigma_k = np.sqrt(chi2 / (np.sum(n_data**2) * (N - 1)))
+
+print(f"σ_k = {sigma_k:.3f}")
+print(f"k ± σ_k = {k:.3f} ± {sigma_k:.3f}")
+
+# Диапазон для прямой: от 0 до чуть больше максимального n
+n_line = np.linspace(0, max(n_data) * 1.1, 100)
+T_line = k * n_line
+
+# Построение графика
+plt.figure(figsize=(8, 6))
+plt.plot(n_line, T_line, label=f'T = ({k:.3f} ± {sigma_k:.3f}) * n', color='red', linestyle='-', linewidth=1.5)
+plt.scatter(n_data, T_data, color='blue', s=30, label='Экспериментальные точки', zorder=5)
+
+# Настройки графика
+plt.xlabel('n')
+plt.ylabel('T, с')
+plt.title('Зависимость периода крутильных колебаний от количества шариков')
+plt.legend()
+plt.grid(True, linestyle='--', alpha=0.6)
+plt.xlim(left=0)
+plt.ylim(bottom=0)
+
+# Показать график
+plt.tight_layout()
+plt.savefig('T_vs_n.png', dpi=300)
+plt.show()

3.2.4+3.2.5/Kotlyarov_M/data/Decr_vs_RSigma.py

@@ -0,0 +1,128 @@
+# script2_Decr_vs_RSigma_with_errors.py
+import pandas as pd
+import numpy as np
+import matplotlib
+matplotlib.use('Agg')
+import matplotlib.pyplot as plt
+from scipy import stats
+import os
+
+# Создаем папку для графиков, если её нет
+graphics_folder = "../Graphics"
+os.makedirs(graphics_folder, exist_ok=True)
+
+# --- 1. Чтение данных из Decr_R_1.xlsx ---
+try:
+    df = pd.read_excel('Decr_R_1.xlsx', sheet_name='Sheet1', header=None)
+    if len(df) < 4:
+        print("Ошибка: Не хватает данных в Decr_R_1.xlsx (нужны 4 строки).")
+        exit()
+
+    # Пропускаем первую ячейку в каждой строке (текстовый заголовок)
+    R_sigma_series = df.iloc[0, 1:].dropna()   # R_Sigma, Ом
+    dR_sigma_series = df.iloc[1, 1:].dropna()  # погрешность R_Sigma
+    Theta_series = df.iloc[2, 1:].dropna()     # Theta
+    dTheta_series = df.iloc[3, 1:].dropna()    # погрешность Theta
+
+    R_sigma_data = R_sigma_series.astype(float).to_numpy()
+    dR_sigma_data = dR_sigma_series.astype(float).to_numpy()
+    Theta_data = Theta_series.astype(float).to_numpy()
+    dTheta_data = dTheta_series.astype(float).to_numpy()
+
+    print("Данные успешно загружены из Decr_R_1.xlsx:")
+    print(f"R_Sigma (Ом): {R_sigma_data}")
+    print(f"ΔR_Sigma (Ом): {dR_sigma_data}")
+    print(f"Theta: {Theta_data}")
+    print(f"ΔTheta: {dTheta_data}")
+
+except FileNotFoundError:
+    print("Ошибка: Файл 'Decr_R_1.xlsx' не найден.")
+    exit()
+except Exception as e:
+    print(f"Ошибка при чтении файла Decr_R_1.xlsx: {e}")
+    import traceback
+    traceback.print_exc()
+    exit()
+
+# --- 2. Подготовка данных для графика 1/Theta^2 vs 1/R_Sigma^2 ---
+X_data = 1.0 / (R_sigma_data ** 2)  # X = 1/R_Sigma^2
+Y_data = 1.0 / (Theta_data ** 2)    # Y = 1/Theta^2
+
+# Погрешности для X и Y (по правилу дифференцирования)
+dX = 2 * dR_sigma_data / (R_sigma_data ** 3)      # d(1/R^2)/dR = -2/R^3 → |dX| = 2*dR/R^3
+dY = 2 * dTheta_data / (Theta_data ** 3)          # d(1/Θ^2)/dΘ = -2/Θ^3 → |dY| = 2*dΘ/Θ^3
+
+print(f"\nВычисленные значения для графика:")
+print(f"X = 1/R_Sigma^2: {X_data}")
+print(f"Y = 1/Theta^2: {Y_data}")
+print(f"Погрешность X: {dX}")
+print(f"Погрешность Y: {dY}")
+
+# --- 3. МНК (линейная регрессия y = k*x, через (0,0)) ---
+x_data = X_data  # X = 1/R_Sigma^2 — ось X
+y_data = Y_data  # Y = 1/Theta^2 — ось Y
+
+# Наклон k = (sum(x*y)) / (sum(x^2))
+k = np.sum(x_data * y_data) / np.sum(x_data * x_data)
+
+# Оценка погрешности наклона
+residuals = y_data - k * x_data
+ss_res = np.sum(residuals**2)
+n = len(x_data)
+if n > 1 and np.sum(x_data**2) > 0:
+    std_err_k = np.sqrt(ss_res / (n - 1)) / np.sqrt(np.sum(x_data**2))
+else:
+    std_err_k = np.nan
+
+# Коэффициент детерминации R^2
+ss_tot = np.sum(y_data**2)
+r_squared = 1 - (ss_res / ss_tot) if ss_tot > 0 else np.nan
+
+# Расчет R_cr
+R_cr_exp = 2 * np.pi * np.sqrt(k)  # R_cr = 2π * sqrt(k)
+std_err_R_cr = 2 * np.pi * (std_err_k / (2 * np.sqrt(k))) if k > 0 else np.nan
+
+print(f"\nРезультаты МНК (y = k*x, где x=1/R_Sigma^2, y=1/Theta^2):")
+print(f"Наклон (k): {k:.6f}")
+print(f"Погрешность наклона (σ_k): {std_err_k:.6f}")
+print(f"Коэффициент детерминации (R^2): {r_squared:.6f}")
+print(f"Экспериментальное R_cr: {R_cr_exp:.2f} Ом")
+print(f"Погрешность R_cr: {std_err_R_cr:.2f} Ом")
+
+# --- 4. Построение графика ---
+plt.figure(figsize=(10, 6))
+
+# Линия МНК: y = k*x (начинается с (0,0))
+x_max_plot = max(x_data) * 1.2
+x_fit = np.linspace(0.0, x_max_plot, 100)
+y_fit = k * x_fit
+legend_text = r'$\frac{1}{\Theta^2} = k \cdot \frac{1}{R_{\Sigma}^2}$'
+plt.plot(x_fit, y_fit, 'b-', linewidth=2, label=legend_text)
+
+# Нанесение точек с погрешностями — КРЕСТИКИ!
+plt.errorbar(x_data, y_data,
+             xerr=dX, yerr=dY,
+             fmt='o', ecolor='red', markersize=6,
+             capsize=5, capthick=1,
+             label='Экспериментальные данные')
+
+# Оформление графика
+plt.xlabel(r'$\frac{1}{R_{\Sigma}^2}, \text{Ом}^{-2}$')
+plt.ylabel(r'$\frac{1}{\Theta^2}$')
+plt.title('Зависимость $1/\\Theta^2$ от $1/R_{\\Sigma}^2$ для определения $R_{cr}$')
+plt.legend()
+plt.grid(True, alpha=0.5)
+plt.xlim(0.0, x_max_plot)
+plt.ylim(0.0, max(y_data) * 1.2)
+plt.tight_layout()
+
+# Сохранение графика
+output_filename = 'Decr_vs_RSigma_plot_with_errors.png'
+full_output_path = os.path.join(graphics_folder, output_filename)
+plt.savefig(full_output_path)
+print(f"\nГрафик сохранен в файл: {full_output_path}")
+
+try:
+    plt.show()
+except:
+    pass

3.2.4+3.2.5/Kotlyarov_M/data/Texp_vs_Ttheor.py

@@ -0,0 +1,123 @@
+# script2_Texp_vs_Ttheor_manual_cross_v2.py
+import pandas as pd
+import numpy as np
+import matplotlib
+matplotlib.use('Agg')
+import matplotlib.pyplot as plt
+from scipy import stats
+import os
+
+# Создаем папку для графиков, если её нет
+graphics_folder = "../Graphics"
+os.makedirs(graphics_folder, exist_ok=True)
+
+# --- 1. Чтение данных из C_T.xlsx ---
+try:
+    df = pd.read_excel('C_T.xlsx', sheet_name='Sheet1', header=None)
+    if len(df) < 3:
+        print("Ошибка: Не хватает данных в C_T.xlsx.")
+        exit()
+
+    # Пропускаем первую ячейку в каждой строке (текстовый заголовок)
+    C_series = df.iloc[0, 1:].dropna()
+    T_exp_series = df.iloc[1, 1:].dropna()  # T_эксп — строка 1
+    T_theor_series = df.iloc[2, 1:].dropna()  # T_теор — строка 2
+
+    C_data = C_series.astype(float).to_numpy()  # С в нФ
+    T_exp_data = T_exp_series.astype(float).to_numpy()  # T_эксп в мкс
+    T_theor_data = T_theor_series.astype(float).to_numpy()  # T_теор в мкс
+
+    print("Данные успешно загружены из C_T.xlsx:")
+    print(f"C (нФ): {C_data}")
+    print(f"T_эксп (мкс): {T_exp_data}")
+    print(f"T_теор (мкс): {T_theor_data}")
+
+except FileNotFoundError:
+    print("Ошибка: Файл 'C_T.xlsx' не найден.")
+    exit()
+except Exception as e:
+    print(f"Ошибка при чтении файла C_T.xlsx: {e}")
+    import traceback
+    traceback.print_exc()
+    exit()
+
+# --- 2. Подготовка данных и погрешностей ---
+# Погрешности (новые значения)
+T_exp_err = 0.01 * T_exp_data  # 1% от T_эксп
+T_theor_err = 0.0015 * T_theor_data  # 0.15% от T_теор
+
+print(f"\nВычисленные значения и погрешности:")
+print(f"T_эксп (мкс): {T_exp_data}")
+print(f"Погрешность T_эксп (мкс): {T_exp_err}")
+print(f"T_теор (мкс): {T_theor_data}")
+print(f"Погрешность T_теор (мкс): {T_theor_err}")
+
+# --- 3. МНК (линейная регрессия y = k*x, через (0,0)) ---
+x_data = T_theor_data  # T_теор — ось X
+y_data = T_exp_data    # T_эксп — ось Y
+
+# Наклон k = (sum(x*y)) / (sum(x^2))
+k = np.sum(x_data * y_data) / np.sum(x_data * x_data)
+
+# Оценка погрешности наклона
+residuals = y_data - k * x_data
+ss_res = np.sum(residuals**2)
+n = len(x_data)
+if n > 1 and np.sum(x_data**2) > 0:
+    std_err_k = np.sqrt(ss_res / (n - 1)) / np.sqrt(np.sum(x_data**2))
+else:
+    std_err_k = np.nan
+
+# Коэффициент детерминации R^2
+ss_tot = np.sum(y_data**2)
+r_squared = 1 - (ss_res / ss_tot) if ss_tot > 0 else np.nan
+
+print(f"\nРезультаты МНК (y = k*x, где x=T_теор, y=T_эксп):")
+print(f"Наклон (k): {k:.6f}")
+print(f"Погрешность наклона (σ_k): {std_err_k:.6f}")
+print(f"Коэффициент детерминации (R^2): {r_squared:.6f}")
+
+# --- 4. Построение графика ---
+plt.figure(figsize=(10, 6))
+
+# Линия МНК: y = k*x (начинается с (0,0))
+x_max_plot = max(x_data) * 1.2
+x_fit = np.linspace(0.0, x_max_plot, 100)
+y_fit = k * x_fit
+legend_text = r'$T_{\text{эксп}} = k \cdot T_{\text{теор}}$'
+plt.plot(x_fit, y_fit, 'b-', linewidth=2, label=legend_text)
+
+# --- Нанесение точек как крестиков вручную ---
+# 1. Рисуем линии погрешностей (как раньше)
+# Вертикальные
+plt.errorbar(x_data, y_data - T_exp_err, yerr=[T_exp_err, T_exp_err], fmt='none', ecolor='red', linewidth=1.0)
+# Горизонтальные
+plt.errorbar(x_data - T_theor_err, y_data, xerr=[T_theor_err, T_theor_err], fmt='none', ecolor='red', linewidth=1.0)
+
+# 2. Рисуем чистые крестики (только линии) поверх линий погрешностей
+# Используем plt.plot с маркером '+'
+# markersize - размер крестика
+# markeredgewidth - толщина линии крестика
+# color - цвет крестика
+plt.plot(x_data, y_data, marker='+', markersize=10, markeredgewidth=2, color='red', linestyle='none', label='Экспериментальные данные')
+
+# Оформление графика
+plt.xlabel(r'$T_{\text{теор}}, мкс$')
+plt.ylabel(r'$T_{\text{эксп}}, мкс$')
+plt.title('Зависимость экспериментального периода от теоретического')
+plt.legend()
+plt.grid(True, alpha=0.5)
+plt.xlim(0.0, x_max_plot)
+plt.ylim(0.0, max(y_data) * 1.2)
+plt.tight_layout()
+
+# Сохранение графика
+output_filename = 'Texp_vs_Ttheor_plot.png'
+full_output_path = os.path.join(graphics_folder, output_filename)
+plt.savefig(full_output_path)
+print(f"\nГрафик сохранен в файл: {full_output_path}")
+
+try:
+    plt.show()
+except:
+    pass