TRABAJO COLABORATIVO FISICA I

1. FASE TEORICA: Ajustando el mejor modelo

2. FASE EXPERIMENTAL: Descubriendo el valor de la aceleración

TUTOR: JUAN JIMENEZ

INTEGRANTES:

JHOAN ALEJANDRO HERNANDEZ CONTRERAS COD: 1611020180

HERMES MOLINA HERRAN COD: 1521024976

YASMERY ROCIO FERNANDEZ FERNANDEZ COD: 1421023104

JUAN IGNACIO TOVAR AGUILAR COD: 1711981995

JOSE IGNACIO GALINDO PINEDA COD: 1711981129

GRUPO: G42

NOVIEMBRE 2017

INSTITUCION UNIVERSITARIA POLITECNICO GRANCOLOMBIANO

1. Fase Teórica: Ajustando el mejor Modelo

La física es la ciencia que estudia las propiedades de la materia y de la Energía, estableciendo

las leyes que explican los fenómenos naturales.

Para mayor prueba del conocimiento en ésta materia haremos un breve recorrido sobre lo
mucho o poco que conocemos acerca de ésta ciencia, a través de una serie de preguntas como
las siguientes:

a) ¿Cuáles son los tipos de errores más usuales en la ciencia?

Estos se deben a primera instancia a los errores humanos, a una falta de contemplación hacia los
parámetros externos, como las mediciones, los planteamientos correctos de la solución, a un
procedimiento o finalización de una situación, o simplemente saltarse los pasos del método
científico, no estableciendo una buena hipótesis acerca de lo que se quiere mostrar.

Esto conlleva a clasificarlos de la siguiente manera:

Los errores sistemáticos: son aquellos que se repiten de manera constante en varias
realizaciones de una medida que afecta a todo de un modo definido y es el mismo para todos;
pero que se pueden corregir. Sus posibles causas pueden ser:

- Error Instrumental

- Error de método de medida

Los errores aleatorios: Son aquellos que se producen de modo no regular, si un patrón
predefinido, variando en magnitud y es algo inevitable, imposibles de controlar durante su
proceso de medición. Sus fuentes son difíciles de identificar o sus efectos no pueden corregirse
del todo; son numerosos y pequeños pero su acumulación hace que las medidas fluctúen
alrededor de una medida. Entre sus posibles causas están:

- Problemas de humedad

- Presión

- Campos magnéticos

b) ¿A que hace referencia la frase "Ajuste por mínimos cuadrados"?

Ya sabemos que un mínimo cuadrado, es una técnica de aproximación dentro del análisis
numérico enmarcado en la optimización matemática en la que; dados un conjunto de pares
ordenados:

- variable independiente

- variable dependiente

- serie de funciones a consultar

Se intentan encontrar la función continua, dentro de dicho conjunto y esto hace referencia a
todo el que mejor se aproxime a los datos o un mejor ajuste de acuerdo con el criterio de
mínimo error cuadrático, o en su forma más simple, minimizar la suma de cuadrados de las
diferencias en las ordenadas llamadas residuos entre los puntos generados, la función elegida
y los correspondientes valores en los datos y se puede representar en una gráfica para mejor
apreciación lo podemos ver en el ajuste de curvas.

c) ¿Qué es un polinomio de mínimos cuadrados?

Es el resultado más aproximado a los datos de una información que se desea obtener, es decir;
un método se podría llamar tanto de aproximación o inferencia frente a una matriz de
información, para mayor claridad podemos aplicarlo de la siguiente manera:

La forma de este polinomio es la siguiente: P1(x) = a0 + a1x donde a0 y a1 son incógnitas.

Para hallarlas, se arman dos sistemas de ecuaciones. Cada coeficiente de las incógnitas se
calcula como la suma de todos los valores de x elevados a alguna potencia. Al moverse una
fila o columna hacia abajo o hacia la derecha respectivamente, la potencia aumenta en 1. Para
el término independiente, se toma la suma de todos los valores de y multiplicados por una
potencia de x siguiendo la misma regla anterior.

d) Cuando se calcula una regresión Lineal, ¿Qué es lo que se está haciendo?

La regresión lineal es un modelo que nos permite hallar la relación entre datos, dada entre las
variables dependientes e independientes, permite predecir un valor de Y estimado que se
obtendrá para un valor X que no se encuentre dentro de la distribución. Y cuando se calcula
una regresión lo que se quiere es estimar los parámetros a través del método de mínimos
cuadrados que permite encontrar la recta que mejor se ajusta a un conjunto de datos, que
puede ser observada cuando se grafica un diagrama de puntos dispersos.

El objetivo principal de la regresión es la determinación o estimación de A y B a partir de la

información contenida en las observaciones que se dispone.
 e) ¿Cuál es el significado de los parámetros A, B y r de las regresiones aplicadas en los
datos del documento "experimentos.xlsx"?

Revisamos el documento con los ejercicios presentados, llegamos a la conclusión de que es

una técnica que permite cuantificar la relación que puede ser observada cuando se grafica un
diagrama de puntos dispersos correspondientes en dos variables cuya tendencia general es
rectilínea; el análisis lo resolvemos de esta forma:

y = a + bx

En esta ecuación "y" que representa los valores de la coordenada a lo largo del eje vertical en
el gráfico (de manera ordenada) mientras que "x" indica la magnitud de la coordenada sobre
el eje horizontal (abscisa).

El valor de "a" puede ser negativo, positivo o igual a cero; también es llamado el intercepto.

El valor de "b" que sólo puede ser negativo o positivo; se denomina la pendiente o
coeficiente de regresión.

El valor de "r" es el coeficiente de correlación que se saca con la fórmula de Pearson.

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.

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.

Descubrir, con argumentos estadísticos, cuál de estos tres modelos ajusta mejor los
datos en cada experimento.

Experimento 1 – Interpretación:

Teniendo en cuenta que para el experimento #1, el modelo que más se ajusta según los datos es
el modelo de Ecuación regresión lineal:

Y = 3,1948x + 5,8471
La ecuación lineal se representa como Y= mx +b. donde m representa la recta (X) y b el punto de
corte con el eje y. Podemos observar que los datos de la columna (X), se incrementan o tienen
tendencia creciente, lo mismo sucede con (Y) los datos son positivos y la tendencia de la línea es
constante, la línea naranja se observa muy ajustada y ceñida a la línea azul.

La interpretación respecto R² el coeficiente de correlación de Pearson, nos ilustra el valor 0.9999,

lo que porcentualmente sería el 99.9 % los datos están muy ceñidos y ajustados a la función
lineal, no se observan datos dispersos y si quisiéramos realizar un ejercicio con estas dos
variables para estimaciones o proyecciones este dato sería muy confiable a la hora de tomar
decisiones de proyecciones a futuro.

Experimento 2 – Interpretación:

Teniendo en cuenta que para el experimento #2, el modelo que más se ajusta según los datos es
el modelo de Ecuación regresión potencial:

Y=a

El dominio, gráfica y características de la función potencial depende del número b que aparece
en el exponente D= R – {0}

Y=4,6262x-1,612
R² = 0,9964

Podemos apreciar que a medida que crece la variable (X), es inverso a (y) que decrece, nos
muestra que el signo de b es (-) negativo, por eso la tendencia de la curva que representa.
La línea negra es muy ceñida a la línea de la ecuación, lo que significa la interpretación respecto
R² el coeficiente de correlación de Pearson, nos ilustra el valor 0.9964, lo que porcentualmente
sería el 99.6 % los datos están muy ceñidos y ajustados a la función potencial, es muy
representativo este dato.

a= 4,6262 y b= - 1,612

Experimento 3 – Interpretación:

Teniendo en cuenta que para el experimento #3, el modelo que más se ajusta según los datos es
el modelo de Ecuación regresión exponencial:

y=306,55e-1,195x
R² = 1

El dominio de las funciones exponenciales es R, el valor de la base es quien define la forma de la

gráfica, las funciones más utilizadas tienen la base (e)

Y=a

Podemos apreciar que a medida que crece la variable (X), es inverso a (y) que decrece, lo que
significa que si la variable (X) a medida que aumenta la variable (y) disminuya. Nos muestra que
el signo de b es (-) negativo, por eso la tendencia de la curva que representa.

La línea naranja es muy ceñida lo que significa la interpretación respecto R² el coeficiente de

correlación de Pearson, nos ilustra el valor 1, lo que porcentualmente sería el 100 % los datos
están muy ceñidos y ajustados, es el valor ideal para esta interpretación.