FS-415 REPASO DE MATHEMATICA

Carmen Amanda Girón

1.1 Ajuste de Datos

Suponga que al realizar un experimento tomó 5 datos, obteniendo los valores que se muestran en la tabla.
a) Cree una lista con los valores de xi y yi.

x y(x)
2.0 4.0
3.5 5.0
4.3 5.8
5.2 6.7
6.0 8.3

Datos = {{2.0, 4.0}, {3.5, 5.0}, {4.3, 5.8}, {5.2, 6.7}, {6.0, 8.3}};

Siempre que se realice un ajuste de datos, el primer paso debe ser graficar la nube de datos experimentales para observar el
comportamiento de la nube de puntos. Se deben analizar para que realmente los cálculos que se realicen posteriormente
tengan sentido y comprender lo que se está haciendo.

gdatos = ListPlot[Datos, AxesLabel → {"x", "y(x)"},

PlotLegends → {"Datos Experimentales"}, PlotStyle → {PointSize[Large], Blue},
PlotLabel → "Gráfica No. 1 Datos Experimentales", PlotRange → {3, 8.5}]
Gráfica No. 1 Datos Experimentales
y(x)

6 Datos Experimentales

x
2 3 4 5 6

En este caso puede observarse a simple vista que los datos tienen una tendencia lineal ascendente. Sin embargo, si se
examina con cuidado, notarán que tienen una ligera curvatura, lo cual podría ser indicativo de que si se continuara tomando
datos, estos formarían una parábola o incluso una exponencial.
2 Practica1.nb

b) Encuentre la ecuación de la recta que se ajusta a los datos.

El ajuste de datos puede realizarse de varias maneras, con los mismo resultados.

FindFit[Datos, m x + b, {m, b}, x] (* primera opción *)

{m → 1.03549, b → 1.61094}

MLineal = LinearModelFit[Datos, x, x] (* segunda opción *)

FittedModel 1.61094 + 1.03549 x 

ML[x_] = Normal[MLineal] (* guarda la función

obtenida sin necesidad de digitalizar cada valor manualmente *)
1.61094 + 1.03549 x

Siempre debe calcularse el error absoluto de los resultados obtenidos.

MLineal["ParameterTable"] (* cálculo el error *)

Estimate Standard Error t- Statistic P- Value

1 1.61094 0.606131 2.65774 0.0764861
x 1.03549 0.137065 7.55474 0.00480923

NOTA: Todo resultado debe ser expresado en el formato apropiado que ya se ha visto en cursos anteriores de física. De lo
contrario, hacer los cálculos no tiene sentido.

m = ( 1.0 ± 0.1 ) unidades

b = ( 1.6 ± 0.6 ) unidades

IMPORTANTE: Finalmente, el resultado siempre debe ser interpretado de acuerdo a su contexto físico. Adicionalmente, en el
caso de mediciones indirectas de prácticas de laboratorio, debe ser capaz de evaluar la calidad del resultado obtenido
(precisión). Para mayor información y recordatorios, revise el documento de Incertidumbres y Errores que se le ha subido a la
plataforma. Esa información la han manejado desde asignaturas anteriores y se esperará que la apliquen para este curso
igualmente.

glineal = Plot[ML[x], {x, 2, 7}, PlotLabel → "Modelo Lineal", PlotStyle → Red,

PlotLegends → {"mx+b"}, AxesLabel → {"x", "y(x)"}, PlotRange → {3, 8.5}];
 Practica1.nb 3

Show[gdatos, glineal]
Gráfica No. 1 Datos Experimentales
y(x)

Datos Experimentales
6
mx+b
5

x
2 3 4 5 6

Siempre debe compararse la gráfica resultado del ajuste con la nube de datos experimentales obtenida. En el caso lineal, una
manera de evaluar la calidad del ajuste es utilizando el coeficiente de correlación.

c) Encuentre la ecuación de un polinomio de orden 2 que se ajusta a los datos.

FindFitDatos, a x2 + b x + c, {a, b, c}, x (* primera opción *)

{a → 0.177877, b → - 0.381475, c → 4.08363}

MNoLineal = NonlinearModelFitDatos, a x2 + b x + c, {a, b, c}, x (* segunda opción *)

FittedModel 4.08363 - 0.381475 x + 0.177877 x2 

MNoLineal["ParameterTable"] (* cálculo el error *)

Estimate Standard Error t- Statistic P- Value

a 0.177877 0.0466206 3.81542 0.0623389
b -0.381475 0.375934 -1.01474 0.417018
c 4.08363 0.697547 5.85427 0.02796

a = ( 0.18 ± 0.05 ) unidades

b = ( -0.4 ± 0.4 ) unidades
c = ( 4.1 ± 0.7 ) unidades

MNL[x_] = Normal[MNoLineal]

4.08363 - 0.381475 x + 0.177877 x2

gquad = PlotMNL[x], {x, 2, 7}, PlotStyle → Purple,

PlotLegends → "ax2 +bx+c", AxesLabel → {"x", "y"}, PlotRange → {3, 8.5};
4 Practica1.nb

Show[gdatos, gquad, PlotLabel → "Gráfica No. 2 Modelo no Lineal"]

Gráfica No. 2 Modelo no Lineal
y(x)

Datos Experimentales
6
ax2 +bx+c
5

x
2 3 4 5 6

Vemos que los datos parecen ajustarse más a la fórmula cuadrática. Esta curvatura podría deberse a que el comportamiento de
los datos en realidad no es lineal o a un error en la toma de datos a la hora de realizar el experimento. Ud debe poder concluir
y comentar de acuerdo a su criterio y el fundamento teórico que posee del fenómeno físico y de lo realizado en el laboratorio.

g3 = Show[gdatos, glineal, gquad,

PlotLabel → "Gráfica No. 3 Comparación de Modelos"]
Gráfica No. 3 Comparación de Modelos
y(x)

7 Datos Experimentales

6 mx+b

5
ax2 +bx+c

x
2 3 4 5 6

1.2 Ajuste de Datos

ClearAll["Global`*"]

Se sabe que el número de pulgadas que una estructura recién construida que se hunde en el suelo
está dada por: y=3-3e-αt donde t es el número de meses que lleva construida la estructura. Estime α
con los valores:

t y(t)
2 1.07
 Practica1.nb 5

4 1.88
6 2.26
12 2.78
18 2.97
24 2.99

Datos1 = {{2, 1.07}, {4, 1.88}, {6, 2.26}, {12, 2.78}, {18, 2.97}, {24, 2.99}};

Siempre que se realice un ajuste de datos, el primer paso debe ser graficar la nube de datos experimentales para observar el
comportamiento de la nube de puntos. Se deben analizar para que realmente los cálculos que se realicen posteriormente
tengan sentido y comprender lo que se está haciendo.

gdatos = ListPlot[Datos1, PlotStyle → {PointSize[Large], Blue},

PlotLabel → "Gráfica No. 4 Datos Experimentales",
PlotLegends → {"Datos Experimentales"}, AxesLabel → {"t (meses)", "y (in)"}]
Gráfica No. 4 Datos Experimentales
y (in)

3.0

2.5

2.0
Datos Experimentales
1.5

1.0

0.5

t (meses)
5 10 15 20

En este caso puede observarse a simple vista que los datos no tienen una tendencia lineal, sino que se observa un compor-
tamiento claramente exponencial ascendente. Por lo que el modelo propuesto tiene sentido.

FindFit[Datos1, 3 - 3 Exp[- α x], {α}, x] (* primera opción *)

{α → 0.233784}

AJ = NonlinearModelFit[Datos1, {3 - 3 Exp[- α x]}, {α}, x] (* segunda opción *)

FittedModel 3 - 3 ⅇ-0.233784 x 

AJ["ParameterTable"] (* cálculo el error *)

Estimate Standard Error t- Statistic P- Value

α 0.233784 0.00496572 47.0797 8.16658 × 10-8

α = ( 0.234 ± 0.005 ) meses -1

Las unidades en este caso se pueden determinar por medio de un análisis dimensional de la función de ajuste.

f[x_] = Normal[AJ];
6 Practica1.nb

gajuste = Plot[f[x], {x, 0, 24}, AxesLabel → {"t (meses)", "y (in)"},

PlotLegends → {"Ajuste de Datos"}, PlotStyle → Red];

gtodo = Show[g1, g2, PlotLabel → "Gráfica No. 4 Asentamiento de una Edificación"]

Gráfica No. 4 Asentamiento de una Edificación
y (in)

3.0

2.5

2.0 Ajuste de Datos

1.5 Datos Experimentales

1.0

0.5

t (meses)
5 10 15 20

Pueden crearse gráficas interactivas para mostrar todas las gráficas obtenidas utilizando el comando manipulate.

Manipulate[grafica, {grafica, {gdatos → "Datos Experimentales",

gajuste → "Función de Ajuste", gtodo → "Gráfica Comparativa"}}]

grafica Datos Experimentales Función de Ajuste Gráfica Comparativa

Gráfica No. 4 Asentamiento de una Edificación

y (in)

3.0

2.5

2.0 Ajuste de Datos

1.5 Datos Experimentales

1.0

0.5

t (meses)
5 10 15 20

2.1 Electromagnetismo - Inducción Magnética

En la página 282 de su libro de texto (Wangsness) se encuentra la Inducción Magnética producida
por una corriente recta de longitud finita. Usando la paleta de entradas básicas calcule en Mathe-
matica el siguiente campo B.
 Practica1.nb 7

Aunque no aparece en el enunciado, si se examina la p.282 del libro de texto, notará que se encuenta en dirección de ϕ unitario.

ClearAll["Global`*"]

SetCoordinates[Cylindrical];

μLρ
dB[z_] = 0, 3
, 0; (* Observe que no se utilizó I para la corriente *)
4 π ρ2 + z2  2

Assuming[L ∈ Reals && ρ > 0 && ρ ∈ Reals && L1 > 0 &&

L2 > 0 && L1 ∈ Reals && L2 ∈ Reals , Integrate[dB[z], {z, - L1, L2}]]

L1 L2
Lμ +
L12 +ρ2 L22 +ρ2
0, , 0
4πρ

Compare este resultados con la ecuación (14-15) del libro de texto.

2.2 Electromagnetismo - Inducción Magnética

Aplicando el mismo método anterior encuentre la inducción magnética para un solenoide largo que
se muestra en la página 285 del libro de texto y para un plano infinito de corriente pagina 286 las
ecuaciones se encuentran a continuación.

SOLENOIDE LARGO

ClearAll["Global`*"]

μ L n a2
dB[z_] = 3
;(* Observe que no se utilizó I para la corriente *)
2 a2 + z2  2
8 Practica1.nb

BSolenoide = Assuming[l ∈ Reals && l > 0 && zp ∈ Reals && zp > 0 &&
a ∈ Reals && n ∈ Reals && n > 0 && a > 0 , Integrate[dB[z], {z, l - zp, - zp}]]

1 l 1 1
- Ln + zp - + μ
2
a2 + (l - zp)2 a2 + (l - zp)2 a2 + zp2

Compare este resultados con la ecuación (14-22) del libro de texto.

PLANO INFINITO

μ0 Kp
DB[X_, Y_] = {z, 0, (X - x)}
3/2
4 π (x - X)2 + (y - Y)2 + (z)2 
Kp z μ0 Kp (- x + X) μ0
 , 0, 
3/2 3/2
4 π (x - X)2 + (y - Y)2 + z2  4 π (x - X)2 + (y - Y)2 + z2 

BPlano = AssumingKp ∈ Reals && Kp > 0 && z ∈ Reals && z > 0 &&
∞ ∞
y ∈ Reals && x ∈ Reals && x > 0 && y > 0 ,   DB[X, Y] ⅆ X ⅆ Y
-∞ -∞
Kp μ0
 , 0, 0
2

Compare este resultados con la ecuación (14-26) del libro de texto.