LABORATORIO 1
TRATAMIENTO DE DATOS EXPERIMENTALES
OBJETIVOS
1. Cuantificar el error en las medidas de datos experimentalmente.
2. Modelar fenómenos físicos mediante la correlación de datos experimentales
empleando el método de mínimos cuadrados.
3. Linealizar funciones teniendo en cuenta el tipo de gráfica que relaciona sus variables
físicas.
4. Obtener los errores presentes al emplear el método de los mínimos cuadrados, en el
caso particular de la regresión lineal.
PRE INFORME
1. Definir los siguientes conceptos: Cantidad física, medida, magnitud fundamental,
cantidad escalar y cantidad vectorial.
2. ¿Qué son cifras significativas y cómo se manejan?
3. ¿Cuál es la diferencia entre precisión y exactitud?
4. ¿Cuáles son los errores más comunes en la toma de datos experimentales?
5. Consultar en qué consiste el método de los mínimos cuadrados y usarlo, mostrando
todo el proceso (empleando las fórmulas), para obtener la relación lineal que existe
entre las variables Voltaje (V) contra corriente (I), v = f(I), cuyos datos se muestran
a continuación:
I(A) 3.0 3.2 3.8 4.1 4.5 5.3 6.0
V(v) 4.5 4.9 5.6 6.2 6.8 8.1 8.9
6. Consultar lo que significa el coeficiente de determinación (r2) y el coeficiente de
correlación (r) en el modelo de regresión.
7. Explique en qué consisten los errores en el método de mínimo cuadrados y cómo
calcularlos. Use esta información para calcular dichos errores en el problema del
punto anterior.
8. Realizar una breve descripción acerca de lo que trata la linealización y mostrar un
ejemplo. Revisar los ejemplos del marco teórico.
MATERIALES
Calculadora
Regla
Lápiz
4 hojas de papel milimetrado
MARCO TEÓRICO
1. Definiciones Fundamentales:
Errores en la medición
Algo de lo cual se tiene certeza es que cada vez que realizamos una medida existe una
gran probabilidad de cometer algún tipo de error que nos ofrezca un resultado más o
menos alejado del que realmente deberíamos obtener. De entre los errores más comunes
se pueden distinguir dos grandes grupos:
Errores sistemáticos. relacionados con la forma en la que se utiliza el instrumento
de medida. Dentro de estos se pueden distinguir:
o Error de calibrado. Es uno de los más frecuentes y está ligado directamente al
instrumento. Muchos de ellos deben ser configurados de forma apropiada antes
de ser utilizados (calibrado), si esto no se hace correctamente todas las medidas
realizadas tendrán añadidas un sesgo.
o Error de paralaje. Es propio de instrumentos de medida analógicos como por
ejemplo aquellos que poseen agujas para marcar los valores. Dos observadores
situados en posiciones oblicuas a la aguja pueden leer valores diferentes.
Errores aleatorios o accidentales. Se tratan de errores que se producen debido a
causas que no se pueden controlar. Para intentar reducir el efecto de este tipo de
errores se suele medir varias veces en las mismas condiciones y se considera como
valor final más probable la media aritmética de los datos obtenidos.
Dado que todas las medidas están afectadas por un error experimental, en el mundo
científico es común hacer constar cada resultado obtenido en una medición junto con la
incertidumbre sobre esa medida. La incertidumbre es un valor numérico que se obtiene
por medio de dos nuevos conceptos denominados error absoluto y error relativo.
Longitud 3.624 0.002 metros
magnitud valor incertidumbre unidad
1.1 Media aritmética o valor promedio una medida:
Sea X la cantidad a medir, si se repite la medición en las mismas condiciones n veces,
se obtienen n resultados para x (x1,x2,x3,x4,…xn), y se puede calcular el promedio
aritmético x de los xi medidos, así:
x1 x2 x3 ..... xn
x (1)
n
x
x i
2
1.2 Desviación media absoluta y desviación típica (Errores absolutos y Errores
relativos):
Cada valor xi presenta una variación con respecto al valor medio x , conocida como
error absoluto y está dado por:
xi x xi
La media de estos errores absolutos permite obtener la desviación media absoluta o el
error absoluto medio así:
x xi
DAM (2)
n
El error relativo, ε, de cada medida xi , se define como el error absoluto dividido por la
media x . El error relativo medio se acostumbra escribir en porcentaje y se obtiene al
multiplicar por 100:
%
DAM
100
x
Los experimentos que se hacen en este nivel deberían arrojar resultados con errores
relativos menores al 10%. Un resultado de un experimento significativo en un
laboratorio de investigación debe tener un error del 1% o menos.
Para concluir con base en el error absoluto medio y el error relativo se debe tener mucho
cuidado: Si se afirma que la longitud L se mide con un error de 1 cm, no se puede
concluir nada sobre la calidad de la medida ya que no se sabe cuál era la cantidad a
medir; pero si L es 50 cm y se tiene un error relativo de 1/50 = 0,02 = 2%, entonces se
puede afirmar que es aceptable; mientras que si la cantidad a medir es de 5 m y el error
relativo es ahora 1/500 = 0,002 = 0,2%, implica que es excelente.
En conclusión, el error absoluto es un indicador de la imprecisión que tiene una
determinada media y el error relativo tiene la misión de servir de indicador de la calidad
de una medida.
1.3 Valor real de una magnitud:
El valor real de una magnitud medida puede expresarse empleando las ecuaciones (1)
y (2) es decir, X = valor promedio ± error absoluto medio
X x DAM
1.4 Porcentaje de error relativo:
Cuando se tiene un valor medido experimentalmente y se tiene un valor teórico con el
cual comparar, se puede hallar el porcentaje de error relativo de la siguiente forma:
3
Valor teórico Valor exp erimental
% 100
Valor teórico
Ejercicio 1: Con un flexómetro mida una altura mínima de 2,00 m, posteriormente
tome un objeto (balín) y déjelo caer desde dicha altura y anote en la tabla el tiempo que
tarda en recorrer dicha distancia (medida que debe realizar otro estudiante); repita dicho
proceso cuatro veces más. Después de realizadas las medidas calcule el promedio, la
DAM y la desviación estándar.
t1 = t2 = t3 = t4 = t5 =
x1 x2 x3 x4 x5
Valor medio: x
5
Error absoluto:
x1 x x1
x2 x x2
x3 x x3
x4 x x4
x5 x x5
Error absoluto medio:
x1 x2 x3 x4 x5
DAM
5
Error relativo medio de las medidas:
DAM
en porcentaje es:
x
El resultado en la medida del tiempo es:
xx DAM
La desviación estándar es: =
¿Qué puede concluir de los resultados anteriores?:
4
2. Método de los Mínimos Cuadrados:
Surge con frecuencia a nivel práctico la necesidad de resolver problemas que involucren
un conjunto de variables que se relacionan entre sí; variables que tienen una relación
inherente, y es necesario explorar la naturaleza de la misma. El análisis de regresión es
una técnica estadística para modelar e investigar la relación entre dos o más variables, y
utiliza el método de mínimos cuadrados, el cual es procedimiento más preciso que se
utiliza para buscar la curva de ajuste óptimo que minimiza la suma de los cuadrados de
los errores, de un conjunto de datos experimentales (ver figura 1).
x y ˆ
y i
x1 y1 ŷ1
x2 y1 ŷ 2
. . .
. . .
xn yn yˆ n
Figura 1.1. Gráfica datos experimentales y ajuste teórico
Desde un punto de vista estadístico, un requisito implícito para que funcione el método
de mínimos cuadrados es que los errores de cada medida estén distribuidos de forma
aleatoria.
A continuación se muestran algunos modelos de regresión simple utilizados en las
calculadoras comunes, Excel y Geogebra.
Regresión lineal: y Bx A
Regresión cuadrática: y Cx 2
Bx A
Regresión logarítmica: y A B ln x
Regresión Exponencial: y Ae Bx
Regresión potencia: y Ax B
Regresión Inversa: B
y A
x
Crecimiento y A.B x
Seno (en Geogebra) y A B sin(Cx D)
Logística (en Geogebra) A
y
1 Be Cx
5
Una condición importante de los modelos de regresión anterior es poder conocer cuál es
el poder explicativo del modelo de ajuste obtenido. Esto puede hacerse mediante el
coeficiente de determinación (r2) .
Un r2 = 1 indica que el 100% de todos los datos experimentales son explicados por el
modelo de ajuste calculado (en condiciones experimentales jamás dará 1), es decir que
todos los datos pertenecen a la curva del modelo de regresión supuesto. Acá en los
laboratorios de física se aconseja un r2 > 0,9. Valores menores demuestra dos cosas, o
que los datos fueron obtenidos de manera incorrecta y se debería realizar de nuevo la
toma de datos, o que el modelo de ajuste supuesto no es el adecuado.
La raíz cuadrada del resultado anterior se denomina el coeficiente de correlación, e
indica la fuerza de la relación entre x y y. Para que la correlación sea buena, se
recomienda que r esté comprendida entre 0,95 y 1, e incluso, en algunos casos, se
aceptan valores inferiores a 0,95 pero teniendo en cuenta las causas de error y algunas
consideraciones estadísticas.
Ejercicios 2: Para cada una de las siguientes tablas de datos, construya una gráfica de
dispersión para identificar el modelo de regresión que más se ajuste, obteniendo la
relación funcional y el coeficiente de determinación con su respectiva interpretación.
CASO 1: w f ( y)
w 3,0 6,0 10,0 15,9 22,8 27,6 31,2
y 1 2 3 4 5 6 7
CASO 2: x f (t)
t 0 1 2 3 4 5 6 7
x 0 3,9 10,5 19,8 33,6 52,7 74,3 99,7
6
CASO 3: T f (d)
d 0 1 2 3 4 5 6 7
T 0 3,2 4,4 5,1 6,3 6,9 7,4 8,0
Ejercicios 3: Si los datos de la tabla abajo relacionada hacen parte de cierto fenómeno
3 32
cuyo modelo matemático se relaciona mediante la función w f (t ) t , entonces
n
encontrar el valor de n y el coeficiente de determinación, con base en el modelo de
regresión adecuado:
w 12,4 37,5 67,1 103,7 145,1 191,2 240,9
t 1 2 3 4 5 6 7
Suponiendo que el valor teórico de n = 0,81, entonces calcular el porcentaje de error.
Valor teórico Valor exp erimental
% 100
Valor teórico
3. Linealización:
En ciertas ocasiones se tienen datos cuya relación funcional no coincide con alguno de
los modelos de regresión con que se cuenta a la mano, por lo tanto es necesario realizar
alguna modificación a estos datos a través de algún artificio matemático o cambio de
variable para permitir que la suposición se ajuste al modelo simple de regresión lineal.
7
Por ejemplo, y 12 gt 2 es un modelo matemático de un fenómeno físico que relaciona el
tiempo que tarda un objeto en caída libre en recorrer una distancia vertical y. Si se
gráfica y contra t, se obtiene una curva como se muestra en la figura 2.
y t T = t2
y1 t1 (t1)2
y2 t2 (t2)2
y3 t3 (t3)2
. . .
. . .
yn tn (tn)2
Figura 1.2. Altura (y) en función del tiempo (t)
De acuerdo a la forma de la curva se puede pensar en una relación de tipo parabólico lo
cual está corroborado por la ecuación de movimiento. Ahora, si se hace t 2 T , nos da
una ecuación de la forma y 12 g T , la cual representa la ecuación de una recta
(y=f(T) ver figura 1.3), y mediante el método de regresión lineal optimizado con el
método de mínimos cuadrados se obtiene una ecuación de la forma
y Bx A BT A
Figura 1.3. Altura (y) en funcion del tiempo al cuadrado (t2)
Ejemplo 4: En el análisis de un objeto en caída libre en cierto planeta se obtuvieron los
datos de la tabla 1.1:
Tabla 1.1. Datos desplazamiento contra tiempo (caída libre)
t (s) 0 1 2 3 4 5 6 7
y (m) 0 11,9 48,8 111,2 197,6 308,9 446,9 609,1
8
Con base en dicha información, halle la ecuación que relaciona las variables y la
aceleración del movimiento. ¿En qué planeta considera que se realizó dicho
experimento?
Solución:
Primero se gráfica x vs t para suponer con base en ella algún tipo de relación.
La gráfica tiene la forma de una parábola con concavidad positiva, entonces puede
suponerse en primera instancia que: x mt b , donde probablemente b sea muy
2
cercano a cero ya que de acuerdo a los datos experimentales el vértice de la parábola
debe estar en el origen. Grafique ahora x vs t2.
Se crea una nueva Variable T = t2 y se busca ahora la recta x f (T ) BT A,
esto se hace por mínimos cuadrados de acuerdo a los ejercicios anteriores.
De donde se obtienen A, B y r:
B A r2 r
9
Por lo tanto, la ecuación de la recta que relaciona las variables iniciales es:
x
Como la función que relaciona las variables en cuestión, para un objeto en caída, está
dada por:
1 2
y vot gt
2
1
Y cuando se suelta o parte del reposo vo 0 , entonces se tiene que: y gt 2
2
m
Lo cual indica que la aceleración del movimiento es:
g
s2
¿En qué planeta considera que se realizó dicho experimento? _____________. Con base
en dicha suposición, entonces el porcentaje de error en la medida experimental es:
%
Ejemplo 5: Para el círculo dibujado en la hoja siguiente, marque un punto P dentro de
él (que no sea su centro); trace por este punto un segmento (A9a9), luego otro segmento
perpendicular a este y que pase por P (A0a0), por último trace otros ocho segmentos
que pasen por P y que estén contenidos entre los dos segmentos anteriores como se
observa en la figura.
10
Figura 1.4. Círculo para segmentarlo
1. Mida los segmentos AP y aP en el que el punto P divide los segmentos, anote los
resultados en la tabla 1.4.
Tabla 1.4. Datos de los segmentos del círculo
AP (cm) aP(cm)
2. Haga una gráfica de aP = f(AP). ¿Qué tipo de gráfico obtuvo?. Con ayuda de su
gráfica. ¿Qué relación existirá entre AP y aP?
11
3. Realice una gráfica de las nuevas variables, de acuerdo a la suposición que hizo.
12
4. Emplee la calculadora para obtener la pendiente, el intercepto y el coeficiente de
determinación y el de correlación para establecer la relación entre estas variables.
Pendiente =
Intercepto =
Coeficiente de determinación =
Ecuación que relaciona las variables:
5. Empelando la ecuación que relaciona las variables, obtenida en el paso anterior,
halle el valor de aP si AP fuera 3.0 cm.
CONCLUSIONES
13
