FISICA I Trabajo Colaborativo

DIEGO LEONARDO BERMUDEZ BAHAMON

Código Estudiantil: 1511021850

FERNANDO GUASCA DIMATE

Código Estudiantil: 1421026972

VICTOR HUGO RESTREPO AGUDELO

Código Estudiantil: 1621020234
1. Fase teórica: Ajustando el mejor modelo.

¿Cuáles son los tipos de errores más usuales ciencias?

En ciencias es común hacer mediciones para corroborar o refutar teorías científicas, también en el
entendimiento de teoremas fundamentales de física química, matemáticas, etc. Estas mediciones
siempre se verán afectadas por un sesgo o error que dependerá de las condiciones en que se realizó
el experimento y del número de mediciones. Estos errores se pueden definir como la diferencia con
respecto al valor verdadero ocasionado por imperfección de los sentidos de la persona que realiza
el experimento, también pueden ocurrir por imperfección de los instrumentos utilizados o por
efectos del medio ambiente. Un error puede ser absoluto y es igual a la precisión que acompaña a
la medida, este da nociones sobre lo cuidadosas que han sido las mediciones o de la sensibilidad del
aparato, este tipo de error puede ser positivo o negativo, dependiendo de si el valor de la medida
es superior o inferior al valor real además tiene las mismas unidades de la medida. (Walpole y Myers,
2007)

Otro tipo de error es el relativo que se define como cociente entre el error absoluto y el valor que
se considera como exacto. Al igual que el error absoluto puede ser positivo o negativo porque puede
se puede producir por exceso o por defecto y a diferencia del error absoluto no tiene unidades,
mientras el error porcentual hace referencia al error relativo pero expresado en porcentaje. (Díaz,
2009).

El error de exactitud, es la desviación existente entre la media de los valores observados y el valor
real. Es un error sistemático que puede ser positivo o negativo, equivaliendo al valor que hay que
corregir para calibrar el equipo, o sea ajustarlo a su valor verdadero.
El error de precisión, se calcula partiendo de la realización de un número de mediciones en una
misma pieza o patrón, las cuales variarán entre ellas, siendo por tanto este error de tipo aleatorio.
Esta dispersión es inherente a todos los equipos de medida, debido a las holguras de sus
mecanismos, variaciones en la fuente de alimentación de un circuito eléctrico, etc. Se suele dar en
función de la desviación típica, por lo cual se necesita efectuar un mínimo de mediciones para que
tenga un nivel de confianza

¿A Qué hace referencia la frase “ajuste por mínimos cuadrados”?

Consiste en un análisis numérico el cual se destaca por la optimización matemática en la cual

tenemos una serie de datos comenzando por variables independientes, variables dependientes y un
grupo de funciones con los cuales se busca identificar una función continua dentro de los datos
informados con el fin de determinar un mejor ajuste a la problemática.

Siendo así el método de mínimos cuadrados permite tener una apreciación de un muestreo
realizado para así predecir una tendencia debido al ajuste lineal que se ofrece

Referencia: Wikipedia https://es.wikipedia.org/wiki/M%C3%ADnimos_cuadrados

¿Qué es un polinomio de mínimos cuadrados?

En el análisis de datos generalmente se dispone de un conjunto de variables previamente

establecidas, en los que se debe hallar los valores adecuados de unos parámetros para estas
fórmulas.

Existen varios modelos de funciones que se pueden usar para proponer un modelo matemático,
basado en la situación física que se esté estudiando y que determina la forma de la función que por
lo general es un polinomio que se obtienen al hacer un ajuste de datos mediante regresión y que
dependiendo del tipo de datos puede ser lineal, exponencial, potencial, y se presenta mediante las
ecuaciones:

Para la regresión lineal es y=Ax+B

Para la regresión exponencial es y= A*eBX

Para la regresión potencial es: y = AxB. (Devore, 2008).

¿Cuándo se calcula una regresión lineal que es lo que se está haciendo?

La regresión lineal es una técnica estadística utilizada para analizar la relación entre dos variables,
en este caso para ajustar un conjunto de datos, para esto es necesario saber el tipo de relación
existente entre las dos variables por lo que es de gran utilidad un diagrama de dispersión, que es un
forma de cuantificar el grado de relación lineal entre variables mirando la forma en que la nube de
puntos se ajusta a una línea recta, el grado de dispersión define que tan correlacionados están el
conjunto de datos.

En la regresión lineal se determinan los datos correspondientes a una gráfica con ecuación de la
forma y = ax+b, los coeficientes a y b siempre van a variar y por consiguiente tendrán una
interpretación diferente de acuerdo al fenómeno que se esté estudiando.

Referencia: (Vila, Sedano y López, 2004).

¿Cuál es el significado de los parámetros A, B, R de las regresiones aplicadas a los datos del
documento experimentos.xlsx?

Para los tres experimentos se realizan regresiones para determinar el tipo de ajuste que representa
mejor el conjunto de datos los datos.

Para una regresión lineal con una gráfica de la forma y=Ax+B se tiene que

B: Es la ordenada en el origen, es decir, es la altura a la que la recta corta al eje Y. Se denomina

también término independiente.

A: Denominada pendiente es la inclinación de la recta, es decir, es el incremento que se produce en

la variable Y cuando la variable X aumenta una unidad.

R: Es el coeficiente de correlación que determina el grado de relación y dispersión de las variables,

si el valor de este coeficiente se acerca a 1 quiere decir que los datos objeto de estudio están fuerte
relacionados. (Vila, Sedano y López, 2004).

Referencias Bibliográficas:
Probabilidad y estadística para ingenierías y ciencias.

Cengage Learning Editores. Recuperado de:

http://portales.puj.edu.co/objetosdeaprendizaje/Online/OA10/capitulo3/3.6.htm (Enlaces a un
sitio externo.)

Vila, A., Sedano, M., López, A., & Juan, A. (2004). Correlación lineal y análisis de regresión. Barcelona:
Universidad Oberta de Catalunya. Recuperado de:

https://s3.amazonaws.com/academia.edu.documents/34840793/RegresionLine al.pdf

Walpole, R. E., Myers, R. H., Myers, S. L., & Ye, K. (2007). Probabilidad y estadística para ingeniería
y ciencias (No. TA430. P76 2012.). Pearson Educación.

Para cada uno de los datos del archivo “experimentos.xlsx”:

Evalúe cuál modelo (lineal, potencial o exponencial) se ajusta mejor a los datos de la tabla. En el
archivo encontrará cuatro pestañas, en las tres primeras, los datos de los experimentos. En la última,
un ejemplo, que sigue las siguientes indicaciones:

1. Modelo lineal: y = A + Bx, y R^2 el coeficiente de correlación de Pearson.

2. Modelo potencial: y = Ax^B, R^2 el coeficiente de correlación de Pearson.
3. Modelo exponencial: y = Ae^(Bx), R^2 el coeficiente de correlación de Pearson.

El objetivo es que se descubra, con argumentos estadísticos, cuál de estos tres modelos ajusta mejor
los datos en cada experimento. Importante: No copiar la teoría física ni extensos procedimientos
estadísticos, los valores de A, B y r de las regresiones se deben obtener con Excel o una calculadora
científica, lo importante es la interpretación física de estos coeficientes.
Experimento 1

Experimento 2

Experimento 3
Interpretación:

Para el caso del primer experimento, es evidente que se trata de una línea con cifras ascendentes
que se comporta de forma lineal, por este motivo quien mejor la describe es la regresión lineal ya
que la exponencial y potencial presentan una variabilidad en su línea de tendencia que haría
tomar información que no corresponde a los datos estadísticos.

A comparación, los datos estadísticos que no presentan una linealidad gráfica de su información,
una tendencia lineal es quien peor describe, debido que no permite una interpretación con similitud
de los datos, además que no es posible observar las curvas de cambio de la misma; de este modo, se
evidencia que en el caso de datos que presenten una tendencia curva por la no linealidad de sus
cifras, quien mejor describe es en el caso del segundo experimento es la tendencia potencial,
mientras para el tercero es la exponencial, así dejando ver, que la potencial se adapta mejor a
cambios más bruscos respecto a la exponencial.

2. Fase experimental: Descubriendo el valor de la aceleración

Como se indica en la guía se realiza una simulación para una partícula que se mueve aleatoria mente
y donde se obtienen gráficas de posición vs tiempo y velocidad vs tiempo, cambiando datos de
posición y velocidad y de donde se obtiene un archivo con datos de posición velocidad y tiempo.
Con los datos obtenidos se realizan gráficas de posición versus tiempo y de velocidad versus tiempo
para las cuales se realizan los respectivos ajustes mediante regresiones.

Como se puede observar en la gráfica obtenida para posición vs tiempo el mejor ajuste es mediante
una regresión lineal, el valor físico de A corresponde al cambio de la velocidad de la partícula V=
0,05477m/s, el valor de B corresponde al punto de corte con la ordenada.
Para el comportamiento de la partícula se obtiene una gráfica en donde la regresión que representa
el mejor ajuste es la de tipo lineal y se verifica de acuerdo al coeficiente de determinación es 1, lo
que indica una correlación perfecta entre las variables.

El valor físico de A para la gráfica de velocidad versus tiempo corresponde al cambio de la

aceleración, durante el tiempo que se analiza el comportamiento de la partícula.

Se puede ver que el valor del cambio de la aceleración es negativo -0,40597m/s2, lo que indica que
la partícula va hacia adelante pero la velocidad va disminuyendo y obtiene un valor mínimo en el
último dato estudiado, esto se verifica en el conjunto de datos obtenido después de la simulación.

Conclusiones

Los modelos de regresión son de gran importancia en el análisis de conjuntos de datos ya que es
gracias a estos que se pueden organizar y analizar fenómenos o comportamientos.

Mediante los ajustes por regresión se pueden determinar los coeficientes de correlación entre dos
variables, estos coeficientes son los que indican si los datos analizados están relacionados.

Los diagramas de dispersión representan el paso más importante al realizar un análisis de regresión
ya que estos nos indican que modelo se ajustaría mejor al conjunto de puntos dependiendo de la
distribución de estos.

Para la simulación se obtuvo un modelo regresión para el comportamiento de una partícula,

obteniendo datos de posición velocidad y tiempo en donde a partir del ajuste de los datos se
obtuvieron datos de regresiones, y se observó que el valor del cambio de la aceleración es negativo
-0,4059 m/s2 esto indicó que la partícula avanzó hacia adelante, pero su velocidad disminuyó.

Datos de Simulación formato .txt adjunto en foro

Bibliografía
Chapra, S. C. C., Chapra, R. P. S. C., & Canale, R. P. (2007). Métodos numéricos para ingenieros.
McGraw-Hill.

Devore, J. L. (2008). Probabilidad y estadística para ingenierías y ciencias. Cengage Learning Editores.
Recuperado de: http://portales.puj.edu.co/objetosdeaprendizaje/Online/OA10/capitulo3/3.6.htm

Díaz, A. (2009). Diseño estadístico de experimentos 2a Ed. Universidad de Antioquia.

Vila, A., Sedano, M., López, A., & Juan, A. (2004). Correlación lineal y análisis de regresión. Barcelona:
Universidad Oberta de Catalunya. Recuperado de:

https://s3.amazonaws.com/academia.edu.documents/34840793/RegresionLineal.pdf

Walpole, R. E., Myers, R. H., Myers, S. L., & Ye, K. (2007). Probabilidad y estadística para ingeniería
y ciencias (No. TA430. P76 2012.). Pearson Educación.