Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Practica 0 PDF
Practica 0 PDF
Las personas que de una u otro manera dedican gran parte de su tiempo estudio de las
ciencias, se encuentra constantemente relacionando con lo que se conoce como trabajo
experimental. Existen muchas razones para ello, y entre ellas sobresale que los
experimentos permiten poner a prueba nuevas teorías. Esto no siempre es fácil, pero lo
cierto es que hasta que un experimento confirma los resultados predichos por una teoría,
ésta no suele ser completamente aceptada.
De este modo es indispensable en la formación de estudiantes de ciencia e ingeniería el
estudio y análisis de datos experimentales que permitan observar directamente cómo
funciona el mundo real.
Unidades de medida:
Estas unidades son denominadas fundamentales, por que cualquier otra unidad se puede
expresar en términos de ellas. Existe caso en los cuales las variables a estudiar arrojan
resultados numéricos demasiado grande o demasiado pequeños de modo que es
conveniente utilizar múltiplos o submúltiplos de dichas unidades para representarlas de
manera adecuada. Con los siguientes prefijos:
1. Redondeo: si la última cifra significativa (la que está más a la derecha) se aumentará en
una unidad si la primera no significativa a su derecha es 5 o mayor de 5, y se dejará igual si
dicha cifra es menor que 5.
Ejemplos:
3. Cifras significativas y cálculos. Cuando se opera con dos números, el resultado debe
tener tantas cifras significativas como el que menos tuviera de los números originales.
Ejemplo: Al multiplicar 3
Ejemplos:
Número En notación científica
1
12.65 1
−4
0.00023
342.5
c m· s
6. Órdenes de magnitud. Es muy importante, siempre que sea posible, tener una idea
aproximada del valor de una medida antes de llevarla a cabo, ya que evita situaciones
embarazosas.
Toma de datos:
Toda medida en física va acompañada de una incertidumbre inherente a la medida. Por muy
fino que haya sido el método experimental, el aparato que se haya utilizado tiene una
precisión dada, que no es posible superar.
Representación gráfica
Cuando los datos experimentales se representan en una gráfica, se obtiene más información
que leyendo una tabla, especialmente cuando el número de datos de los que se dispone es
muy grande.
Una gráfica es especialmente importante como ayuda visual para apreciar la presencia de
algún tipo de comportamiento en los datos .En particular, permite apreciar si los datos
ajustan a un curva teórica, previamente representada en el mismo gráfico. Así mismo, nos
informa de la existencia de algunos datos que no comparten la característica general
exhibida por la mayoría de datos.
Elección de la escala
Normalmente los datos se representan en escala lineal. Para ello se usa un gráfico
cartesiano o gráfico x-y, donde la primera coordenada corresponde a la variable
independiente, mientras que la segunda corresponde a la variable dependiente.
También se pueden representar los datos en escala semi-logarítmica (se representa ln(y)
frente a x). Útil cuando existe una relación de tipo exponencial o logarítmico entre los
datos.
Así mismo, se puede utilizar la escala logarítmica (se representa ln(y) frente a ln(x)). Útil
cuando entre los datos existe una relación del tipo y xn.
Líneas
Los puntos experimentales no deben unirse con líneas. Es mucho más realista suponer que
la relación entre las variables x e y es suave. En general se dibujará una curva que sirva
como ayuda para el ojo y que de alguna manera represente la dependencia funcional entre
ambas variables, tal y como se muestra en la figura 1.
1,5
0,5
d/mm
0
0 2 4 6 8
-0,5
-1
-1,5
X/m
Figura 1: Forma correcta de dibujar una línea que ajusta una nube de puntos.
Barras de error
Tratamiento de errores
Todo valor experimental posee una cierta imprecisión que es inherente a cualquier proceso
de medida. Esta imprecisión se denomina también error experimental o incertidumbre. Por
incertidumbre (o error) se entiende que si se hacen varias mediciones, se encontrará una
variación en los valores observados. No importa lo sofisticado que sea un método
experimental, el error nunca se puede eliminar completamente.
La validez de los resultados experimentales, así como las conclusiones que se quieran
extraer de los mismos, dependen del grado de imprecisión del que vienen afectados. Un
error grande hace inútil una medida, y por tanto, es muy importante acotar tal imprecisión.
Varias medidas
Un ejemplo ayudará a entender como se calcula el error asociado a un conjunto de
mediciones.
Gracias a un cronómetro se mide el periodo T de un péndulo y se obtienen los siguientes
resultados:
T(ms) 980 956 889 945 960 901 943 888 850 950
1. Paso: Desechando medidas. A veces se obtienen medidas extremadamente diferentes
al resto. Estas medidas se conocen como medidas espúreas o outliers. Si se está seguro
de que un valor no refleja un efecto físico no previsto, se puede desechar y trabajar con el
resto. Cuando se hace ésto, siempre debe escribirse qué puntos han sido eliminados y
por qué.
2. Paso: Cálculo de la media. La mejor aproximación al valor real del periodo del péndulo
(Que es desconocido) es la media de los valores obtenidos. Se calcula así:
1 n
T Ti
n i 1
3. Paso : Estimación de la desviación típica de los datos. La dispersión de los datos
alrededor de la media se mide por su desviación típica. Se calcula del modo siguiente:
Ti T
n
2
S i 1
n 1
4. Paso: Estimación del error de la media. Viene dado por la siguiente expresión:
3S
T
n
El error así definido se interpreta del modo siguiente: la probabilidad de que el valor
real del periodo del péndulo (que por supuesto, no conocemos) esté en el intervalo [T − T,
T +T de hacer 10
medidas del periodo del péndulo, sólo en 3 casos de los 1000, el valor medio del periodo
(T) que se obtuviera sería diferente de en más de T.
En la mayoría de los casos las magnitudes medidas directamente no son el objetivo final de
un experimento, sino un paso necesario para obtener otras magnitudes relacionadas
(medidas indirectas) con ellas mediante alguna dependencia funcional.
Si se supone que una magnitud z depende de las magnitudes q1, q2,..., qn, el cálculo del
error z a partir de los errores directos q1, q2, ..., qn se denomina propagación de
errores.
La propagación del error se calcula con la siguiente fórmula:
z z z
z q1 q2 ...... qn
q1 q2 qn
Algunos casos prácticos, suponiendo que la función z depende de otras dos magnitudes q1
y q2, son los siguientes:
Regresión lineal
Supongamos que tenemos un conjunto de puntos con coordenadas (xi yi) y que a simple
vista parece existir una relación lineal entre las variables x e y, es decir, que existe entre
ellas una dependencia del tipo yi mxi c errori
Entonces cabe preguntarse:
-¿Cómo se pueden calcular los valores de m y c?
-¿La recta obtenida es una buena descripción de los puntos?, esto es, ¿los términos que
hemos llamado errori son pequeños?
-Puesto que no hay un único errori, sino tantos como puntos, ¿cómo se comparan dos
conjuntos de valores de errori para decidir cuál es mejor?
Para responder a estas preguntas se necesita conocer el método de los mínimos cuadrados.
Método de los mínimos cuadrados
En la figura se puede ver que para cada valor xi tenemos dos valores: yi que
corresponde al valor medido experimentalmente de yi(p) que corresponde al valor
calculado usando la ecuación de una recta con pendiente m y ordenada en el origen c:
yi( p ) mxi c
Figura : Gráfica que muestra el ajuste por mínimos cuadrados a un conjunto de puntos. También se
muestran las barras de error, así como la forma correcta de escribir el título y las etiquetas de los ejes.
Obsérvese que el origen está situado en (0,0.2) y no en (0,0) porque así se gana en claridad.
Para encontrar la recta que mejor ajusta a los datos hay que fijar un criterio. El más
utilizado es el criterio de los mínimos cuadrados, que dice: la mejor recta es aquella
cuyos parámetros m y c minimizan la suma de los cuadrados de los yi, siendo yip la
diferencia entre el valor experimental yi y el dado por la recta y(p) :
yi yi yi( p )
Es decir, si llamamos ZZ a esa suma de cuadrados, hay que minimizar:
n
ZZ yi mxi c ,
2
i 1
Donde n es el número de datos experimentales que estamos considerando para el ajuste.
El criterio anterior no es arbitrario, sino que tiene una justificación intuitiva. Es evidente
que yi depende de la recta que se tome (i.e. de los parámetros m y c). Si los datos se
hallan en una recta, se verifica que yi = 0 para todos los puntos. Por tanto, cuanto más
grande sean los valores yi peor será el ajuste de la recta a los datos, pero, ¿cómo se
comparan las yi obtenidas con diferentes rectas?. La solución que da el método de los
mínimos cuadrados consiste en calcular el cuadrado (así sólo tenemos números
positivos) y sumarlos, eso da un número que nos permite comparar la bondad del ajuste
para diferentes rectas. El resultado que se obtiene de minimizar ZZ es que la recta de
error cuadrático mínimo:
y ( p ) mx c
m
x x y y
i i
x x
2
i
c y mx
Donde x e y son los valores medios de las xi y de las yi respectivamente, y donde para
no recargar la notación, hemos eliminado los índices de las sumas (que se extienden al
conjunto de n datos experimentales).
Nota: es recomendable utilizar software de estadísticas o en su defecto utilizar
herramientas como Excel que facilitan la realización de los cálculos.
El método de los mínimos cuadrados nos da una recta que mejor se ajusta a los datos.
Pero queda la cuestión de cuantificar la que tan bueno es el ajuste lineal. Una forma de
medir si x e y están relacionadas linealmente es calculando el coeficiente de correlación
lineal r, que se obtiene de aplicar la siguiente fórmula:
x x
2
rm i
y y
2
i
Elaboración de informes
El propósito del informe