CENTRO DE CIENCIA BÁSICA

CURSO: MÉTODOS EXPERIMENTALES EN FÍSICA

PRÁCTICA DE LABORATORIO-FOTOMETRÍA

MÁS SOBRE TRANSFORMACIÓN DE DATOS Y MÍNIMOS CUADRADOS

Objetivo: Evaluar, mediante un experimento sobre fotometría y el uso de herramientas de la tecnología de

comunicación e información (TIC), los conceptos y procedimientos en el manejo de datos experimentales, en
particular, la transformación de datos para el análisis por mínimos cuadrados y el uso adecuado de los
mínimos cuadrados no ponderados.

Descripción: La radiometría es la parte de la física que trata con la medida de parámetros que caracterizan la
radiación electromagnética. A diferencia de la radiometría, en donde se abarca todo el espectro
electromagnético, en fotometría sólo se tiene en cuenta la parte visible del espectro. Por tanto, la fotometría
tiene en cuenta la respuesta del ojo humano a la radiación óptica. En esta práctica trataremos con un
experimento de fotometría. Para una fuente de luz que puede considerarse como puntual, mediremos la
iluminancia a varias distancias de la fuente (Fig. 1). A partir de los datos obtenidos haremos un análisis
relacionado con la transformación de datos y determinaremos el flujo luminoso de la fuente.

Fig. 1. Fuente puntual de luz. Tomado para efectos didácticos de:

http://www.webs.ulpgc.es/euitt/apuntes%20iva/ondas/ondasweb.html (13/01/2016).

Revisemos algunos conceptos. En fotometría, la iluminancia I se define como la cantidad de flujo luminoso
 que incide sobre una superficie por unidad de área. El flujo luminoso es una medida de la potencia luminosa
que es percibida por el ojo humano. La unidad de flujo luminoso en el sistema internacional es el lumen (lm),
y la unidad de iluminancia es el lux (lx). Para una fuente puntual, ambas cantidades están relacionadas
mediante la expresión,
 
I (1)
4 r 2
donde 4 r 2 representa el área de una esfera imaginaria de radio r centrada en la fuente (Fig. 1). La Ec. (1)
expresa que la iluminancia disminuye a medida que nos alejamos de la fuente y depende del inverso del
cuadrado de la distancia entre la fuente y el detector. Evidentemente, si hiciéramos una gráfica de I vs. r ,
la gráfica no sería una línea recta. Sin embargo, con el fin de obtener el flujo luminoso, podría ser deseable
transformar los datos para que al graficar obtengamos una línea recta. En lo que sigue consideraremos dos
posibles transformaciones de datos.

 
A) Una primera transformación de datos que nos llevaría a una línea recta sería graficar I vs. 1 r 2 . Nótese

que esto es así debido a que la Ec. (1) la podemos escribir en la forma y  mx  b identificando I con y ,
1 r 2 con x , y la pendiente m con  4 . El intercepto b sería cero. De la pendiente de la recta obtenida
podemos entonces estimar el flujo luminoso como   4 m .

B) Una segunda forma de transformar los datos para obtener una gráfica lineal sería tomar sus logaritmos
naturales. Nótese que si tomamos logaritmo natural en ambos lados de la Ec. (1) obtenemos,

1  
ln  I   ln  2   ln   (2)
r   4 

o lo que es lo mismo,

 
ln  I   2ln  r   ln   (3)
 4 

La Ec. (3) también tiene la forma de la ecuación de una línea recta si identificamos ln  I  con y , ln  r  con
x , la pendiente m con 2 y el intercepto b con ln  4  . A partir del intercepto, el flujo luminoso lo
podemos obtener como   4 exp  b  .

Aparentemente, cualquiera de los dos procedimientos de transformación de datos anteriores sería apropiado
para obtener una línea recta y estimar el flujo luminoso bien sea a partir de la pendiente de la recta en el caso
A, o del intercepto en el caso B.

Pero hay que tener cuidado con lo siguiente. Cuando se usa el método de mínimos cuadrados para ajustar
una línea recta a un conjunto de datos, por lo regular se utiliza el método de mínimos cuadrados no
ponderados. Este método asume que no hay incertidumbres en los valores de la variable independiente, es
decir, la que hace las veces de x , y además, que los valores de la variable dependiente, y , son influenciados
por errores aleatorios solamente y su desviación estándar es la misma en cada valor de x , es decir todos los
valores de y tienen la misma incertidumbre. Esta es una de las razones por las que el método se denomina
de mínimos cuadrados no ponderados, porque a todos los valores de la variable dependiente se les da el
mismo peso. Este método sería apropiado para hacer el ajuste en el caso A. En este caso, la transformación
de datos dejó la variable y  I inalterada, por tanto, si la incertidumbre u  I  en I es la misma para todos
los datos, entonces esto también será así después de la transformación. Sin embargo, en el caso B, la
transformación hace que la variable dependiente sea ahora y  ln  I  y la incertidumbre en esta nueva
variable estaría dada por,

y  ln  I  1
u  y  uI   u I   u I  (4)
I I I

Como puede observarse, La expresión en la Ec. (4) indica que si tenemos un conjunto inicial de valores de
iluminancia I y los transformamos tomando el logaritmo natural de dichos valores, entonces la
incertidumbre para los nuevos valores transformados ya no es la misma para cada valor, sino que depende de
cuál sea el valor de I . Como se ha asumido que u  I  es constante para todos los valores de I , entonces la

incertidumbre u  y  en los valores transformados decrecerá a medida que el valor de I aumenta. Esto
quiere decir que en el procedimiento de ajuste por mínimos cuadrados no todos los valores de la variable
dependiente y  ln  I  entrarían con el mismo peso. Por tanto, no sería apropiado usar el método de
mínimos cuadrados no ponderados para hacer el ajuste. En este caso se debería usar el método de mínimos
cuadrados ponderados, el cual tiene en cuenta que las incertidumbres en la variable dependiente no serían
las mismas para todos los valores. Este método es un poco extenso de aplicar e infortunadamente los
paquetes computacionales por lo general traen implementado es el método de mínimos cuadrados no
ponderados. El propósito en esta práctica no es aplicar el método, pero sí tener una idea de cuándo podría
ser necesario usarlo o cuándo estar seguros que podemos aplicar el método de mínimos cuadrados no
ponderados sin mayor problema. Como una ayuda, podemos pensar que, si las incertidumbres en los valores
transformados son pequeñas, entonces no importa mucho si aplicamos el método de mínimos cuadrados
ponderados o no ponderados para ajustar una línea recta, y obviamente, lo más sencillo sería aplicar el de
mínimos cuadrados no ponderados.

Procedimiento.

1) Para un bombillo de flujo luminoso conocido, tome medidas de iluminancia I como función de la distancia
r a la fuente. Supondremos que el bombillo es una fuente puntual, aunque obviamente esto no es muy cierto
para las distancias que consideraremos. Mida la iluminancia a los 5 cm y vaya aumentando de 0,5 en 0,5 cm
hasta llegar a 10 cm. A partir de ahí, tome medidas cada 2 cm hasta llegar a 30 cm de distancia. Haga una
gráfica de I vs. r tomando la iluminancia en lux y la distancia en metros.

2) Transforme los datos en el paso anterior a datos de I vs. 1 r 2  (caso A). El intervalo de resolución del
medidor de iluminancia es de 0,1 klx. ¿Cuál sería la incertidumbre para los valores de iluminancia? Esta
incertidumbre es la misma para todos los valores de iluminancia, es decir, de la variable dependiente, así que,
en principio, podemos usar el método de mínimos cuadrados no ponderados para ajustar los datos
transformados a una línea recta.

Grafique los datos transformados y trace la línea recta que más se ajuste, incluya la ecuación en el gráfico y
también el coeficiente de correlación.

Haga una gráfica de residuos para los datos transformados e indique, de acuerdo con el aspecto de esta gráfica
y el valor del coeficiente de correlación, si el ajuste es apropiado. En caso de que así sea, estime el valor del
flujo luminoso y el correspondiente error porcentual con respecto al valor entregado por el fabricante de la
bombilla.

3) Transforme los datos tomados en el numeral 1 a datos de ln  I  vs. ln  r  (caso B). Calcule, de acuerdo

con la Ec. (4), las incertidumbres u  y  en la variable transformada y  ln  I  y haga una gráfica de estas

incertidumbres como función de I . Si las incertidumbres en y  ln  I  no son constantes y además son

grandes, pondríamos en duda el uso del método de mínimos cuadrados no ponderados para ajustar los datos
transformados a una línea recta y deberíamos mejor usar los mínimos cuadrados ponderados.

¿Cómo se comportan estas incertidumbres cuando el valor de I aumenta? ¿Aumentan, disminuyen o

permanecen constantes? ¿Son pequeñas o grandes con respecto a los valores de ln  I  ? ¿Podríamos, en
principio, usar el método de mínimos cuadrados no ponderados para ajustar los datos transformados? ¿Cómo
justificaría su respuesta a esta última pregunta?

4) Una gráfica de residuos nos ayudará a decidir aún más lo anterior. La Fig. 2 muestra el comportamiento de
un patrón de residuos que sugiere el uso del método de mínimos cuadrados ponderados. En este caso, los
residuos aumentan al aumentar la variable x y esto indica que hay mayor dispersión en la variable y cuando
x aumenta, es decir, la incertidumbre en y no es constante.

Grafique el conjunto de datos transformados y trace la línea recta que más se ajuste, incluyendo la ecuación
en el gráfico y el coeficiente de correlación.

Haga una gráfica de residuos para los datos transformados. ¿Tiene un comportamiento como el de la Fig. 2 o
parecido?

¿Es aceptable hacer un ajuste de los datos transformados ln  I  vs. ln  r  usando los mínimos cuadrados no
ponderados? En caso de que así sea, estime el valor del flujo luminoso y el correspondiente error porcentual
con respecto al valor entregado por el fabricante de la bombilla. Por último, discuta una aplicación de la
radiometría o fotometría en el campo de la ingeniería que usted trabaja y obtenga algunas conclusiones
generales.
Fig. 2. Patrón de residuos que indicaría la necesidad de hacer un ajuste de los datos usando mínimos cuadrados
ponderados. Tomada de: Les Kirkup, Data Analysis for Physical Scientists Featuring Excel Primera Edición, Cambridge
University Press, Cambridge, 2012.

Referencias

Les Kirkup, Data Analysis for Physical Scientists Featuring Excel Primera Edición, Cambridge University Press,
Cambridge, 2012.

Física re-Creativa: Experimentos de Física usando nuevas tecnologías - S. Gil y E. Rodríguez – Ed. Prentice Hall-
Buenos Aires, 2001.

Evaluation of Measurement data-Guide to the Expression of Uncertainty in Measurement, GUM, Documento

producido por Working Group 1 of the Joint Committee for Guides in Metrology, JCGM 2008, en
www.bipm.org, (12/01/2016).

Baird, D. C., Experimentación: Una Introducción a la teoría de Mediciones y al Diseño de Experimentos.

Segunda Edición, Prentice Hall Hispanoamérica S. A., 1991.

Serway R. A., Jewett J. W., Jr., Física para ciencias e ingeniería, Vol. I y II, Séptima edición, Cengage Learning,
México, 2008.

Errores en las medidas, recuperado de http://ocw.unican.es/ensenanzas-tecnicas/mecanica/practicas-

1/Errores%20en%20la%20medidas.pdf, (12/01/2016).

Criterios de calificación.

Todos los puntos tiene el mismo valor.

Es necesaria una clara y ordenada presentación de los datos y procedimientos realizados.

Guía preparada para efectos docentes por el Prof. Ángel Salazar Martínez, Centro de Ciencia
Básica, Universidad Pontificia Bolivariana, Medellín-Colombia.