UNIVERSIDAD TÉCNICA FEDERICO SANTA MARÍA
LABORATORIOS DE FÍSICA
Linealización
La linealización es una forma de transformar datos que
describen una tendencia no lineal a datos con tendencial lineal,
para extraer información de ellos. Si sus datos describen una
tendencia lineal, entonces claramente no es necesario aplicar técnica
de linealización. Existen varias formas para realizar esta conversión,
pero el más aplicado sobre todo en ingeniería, es usando la función
logaritmo en los datos experimentales. Esto nos permite obtener una
relación de tipo lineal entre los logaritmos de las variables en estudio
como se mencionó anteriormente.
De esta relación logarítmica de las variables es factible obtener
los parámetros de la función origen y el coeficiente de correlación
que nos permitirán dilucidar la relación que existe entre las
variables.
Al generar un gráfico de los logaritmos de las variables
deberíamos observar una tendencia lineal a simple vista, al realizar
este grafico en un software de planilla de cálculo esta nos permitirá
ajustar una tendencia a los puntos y obtener la ecuación del ajuste
realizado (simplificándonos los cálculos matemáticos que
deberíamos hacer para obtener la regresión lineal por el método de
mínimos cuadrados).
Un gráfico debe explicarse por sí sólo, en él se debe incluir la
ecuación empírica y el coeficiente de correlación, el cual entrega
que tanto se acerca la función hipótesis que se prueba a los datos
experimentales, mientras más cerca del valor 1 mejor es la hipótesis,
ciertamente esto permite despejar dudas cuando no está clara la
tendencia que presentan los puntos o no se tiene certeza de la
relación teórica que relacionan las variables en estudio.
Elección de las Variables
De una manera muy general, cuando se estudia un sistema
cualquiera, se trata de obtener las variaciones o respuestas del
sistema ante ciertas perturbaciones que se aplican de manera
controlada. La Figura 1 representa esquemáticamente un sistema
bajo estudio.
Figura 1. Representación esquemática de un sistema al que se estudia las
respuestas Yi cuando se varía el conjunto de variables Xi.
Se designan como Xi a las “variables de entrada” o “variables
independientes” que se pueden controlar y variar. Ante los cambios
de Xi, el sistema revela sus características o comportamientos a
través de los cambios que sufren las variables Yi, que pueden
llamarse las “variables de salida” o “variables dependientes”. Por
simplicidad, toda vez que se estudia un sistema, será más útil
concentrarse en la respuesta de una de las variables de salida ante
las variaciones de sólo una de las variables de entrada, lo que
es una situación muy común en un experimento.
Es importante mantener el resto de las posibles variables
constantes, y sólo trabajar con dos a la vez, una de salida y otra de
entrada.
Funciones Potenciales
Se miden pares de valores (X,Y) teniendo conocimiento que la
relación funcional que los vincula es del tipo:
𝑌 = 𝑎𝑋 𝑛 (2)
donde a y n son constantes. Esta forma funcional potencial es muy
común en las ciencias puesto que sirve como aproximación del
comportamiento en una gran variedad de casos.
La constante n suele llamarse “exponente de escala” y define
la escala de variación de Y según varía X. Esto es, si X se multiplica
por un factor q, Y cambiará consecuentemente qn veces.
El significado físico de la constante a es el de representar el
valor que toma Y cuando X vale la unidad. La dimensión de a es tal
que da homogeneidad dimensional a la ecuación.
Transformación de Variables
Si en la ecuación (2) transformamos las variables haciendo el
siguiente cambio:
𝑋∗ = 𝑋𝑛
𝑌∗ = 𝑌
toda vez que conozcamos el exponente ny representamos las
nuevas variables (𝑋 ∗ , 𝑌 ∗ ) = (𝑋 𝑛 , 𝑌), lo que obtenemos es una
relación lineal entre las variables transformadas y decimos que
hemos linealizado la representación gráfica. En este caso se
transforma la variable X, pero bien se podría haber optado por el
cambio en la variable dependiente Y, obteniendo también una
relación lineal entre las nuevas variables representadas (𝑋 ∗ , 𝑌 ∗ ) =
(𝑋, 𝑌 1⁄𝑛 ).
Está claro que lo anterior es inmediato de realizar si conocemos
el valor del exponente n. Además, observamos que un gráfico
linealizado nos da el valor de la constante a.
Por otra parte si no conocemos el exponente es recomendable
usar la función logaritmo y representar log(𝑌) en función de log(𝑋).
Esto queda claro si transformamos la ecuación (2), calculando el
logaritmo para ambos miembros se obtiene:
log(𝑌) = 𝑛 log(𝑋) + log(𝑎) (3)
Al comparar esta expresión con la ecuación de la recta
podremos determinar la pendiente como n y el intercepto como
log(𝑎).
1
 UNIVERSIDAD TÉCNICA FEDERICO SANTA MARÍA
LABORATORIOS DE FÍSICA
Relaciones Lineales
Una relación entre las variables X e Y del tipo:
𝑌 = 𝑚𝑋 + 𝑏 (1)
es tal vez la más simple de todas. La representación gráfica de la
ecuación (1) arrojaría una línea recta, de pendiente m y que corta al
eje vertical en b. Esta dependencia de Y con X se llama una relación
lineal entre X e Y. La recta es la forma geométrica más simple en dos
dimensiones. Al mismo tiempo, una relación lineal entre dos
variables cualesquiera es más fácil de ser identificada a simple vista.
Entre una recta y una curva nuestro ojo siempre notará la diferencia,
pero no discriminará a la función que define la curva.
Figura 2. Representación de dos series de datos. ¿Cuál serie aproxima
mejor una relación lineal entre las variables X e Y?
En el Gráfico 2 están representadas dos series de datos. Se
inferirá cualitativamente cuál de las series puede aproximarse por
una relación lineal entre las variables X e Y. Para esto se usa un
método práctico: se lleva el papel hasta el nivel de los ojos (se puede
cerrar uno como cuando se hace puntería) y se ve si los puntos se
encuentran alineados. Este tipo de toma de decisión no debe
desdeñarse en el momento de analizar datos experimentales. La
decisión de aceptar o no una relación lineal entre las variables debe
ser tomada por el experimentador, ya sea se espere o no una
vinculación lineal entre las variables en juego.
Una vez que decidimos que los datos “caen sobre una recta”,
recién se puede estimar los parámetros (pendiente y ordenada al
origen) de la mejor recta que aproxime la relación funcional. Para
encontrar esta mejor recta se puede dibujar criteriosamente esa recta
y definir los valores de la pendiente y la ordenada al origen, o usar
métodos numéricos más generales para encontrarlos.
Representación Gráfica de Datos
Al analizar los datos, difícilmente de la observación de la tabla
de valores, se podrá establecer el tipo de relación que existe entre
las variables. Un método poderoso para estudiarlo es la
representación gráfica. A veces ella permite obtener o predecir un
modelo matemático para la relación entre las variables
inmediatamente. El gráfico permite observar todos los datos de un
vistazo incluyendo los puntos de máximo y mínima inflexión y el
tipo general de la curva.
La presentación y análisis de los resultados experimentales
debe considerarse como parte integral de los experimentos. Es
realmente útil que los datos obtenidos se presenten en un gráfico,
donde quede resumida la información para su apreciación y análisis.
Se trata, en primera instancia, de que la información que se
quiere representar quede expuesta de una manera lo suficientemente
clara y explícita como para que la representación gráfica “hable por
sí sola”. Lo importante es que un gráfico debe servir para un
posterior tratamiento de los datos, que lleve a inferir las leyes
subyacentes en ellos y ahondar así en las posibles implicaciones y
generalizaciones de los resultados obtenidos en los experimentos.
Como elemento ordenador de la información recolectada en un
experimento, un gráfico debe construirse sobre la base de una
elección adecuada tanto de las variables como de las escalas.
Además de la correcta elección de las variables y de las escalas,
un gráfico adquirirá una mejor presentación si se cuidan algunos
detalles:
Inclusión de un título adecuado e identificación de los ejes
con rótulos bien ubicados que digan qué variables se representan y
en qué unidades se miden.

La curva debe cubrir la mayor parte del gráfico, pero no
debe mostrar más exactitud que la incertidumbre de las mediciones.

Uso de símbolos que ubiquen los datos (cuadrados,
círculos, rombos, etc.), en que haya una diferenciación de distintas
series de datos, para lo que es recomendable el uso de diferentes
símbolos.

Carteles interiores al gráfico, con información
complementaria relevante (ecuaciones, coeficiente correlación) para
entender en qué contexto se muestran los datos o sobre las
condiciones experimentales particulares bajo las que se los han
obtenido.
Ajuste por Mínimos Cuadrados
En laboratorio será usual ver que dos magnitudes se relacionan
de manera lineal, y de no ser así, vimos anteriormente que se
deberán ajustar a una función lineal. Esto significa que se pueden
representar mediante la fórmula:
𝑦 = 𝑚𝑥 + 𝑏 (4)
esto se denomina un ajuste por mínimos cuadrados o regresión
lineal. Veamos el ejemplo como se observa en la figura 3, donde x
es el tiempo y la magnitud que depende de él es la distancia, y(x).
En este ejemplo podemos apreciar que no todos los puntos
pasan por la recta del ajuste, así podemos inferir que el ajuste de
mínimos cuadrados busca la mejor recta que pase por todos los
puntos del gráfico.
2
 UNIVERSIDAD TÉCNICA FEDERICO SANTA MARÍA
LABORATORIOS DE FÍSICA
variabilidad explicada por la regresión y la variabilidad total, va
desde 0 hasta 1. Cuando R2 es 1, el modelo explica toda la realidad.

Funciones útiles de Excel

 Para calcular el promedio y desviación estándar se escribe el
símbolo = para denotar una formula y luego se escribe la
ecuación, en este caso:

• = PROMEDIO(valores_x)
Figura 3. La representación gráfica de una ecuación lineal. Los puntos • = DESVEST(valores_x)
discontinuos siempre serán los datos experimentales y la recta continua es
el ajuste lineal por mínimos cuadrados.
 Si se realiza un ajuste lineal, para obtener los valores básicos
Como decíamos anteriormente, si la ecuación a representar no
de pendiente, error de la pendiente, intercepto y error del
es lineal (por ejemplo, una potencia) se debe linealizar para luego
graficar y obtener información de la ecuación. intercepto, se pueden usar las opciones que se presentan a
continuación:
Ejemplo: 𝑌 = 𝑎𝑋 𝑛  log(𝑌) = 𝑛 log(𝑋) + log(𝑎)
Opción 1:
De esta manera si graficamos en el eje y(x), log(y) e igualmente Escribir en cada celda de Excel en forma independiente las
en el eje x graficamos log(x), podemos obtener la potencia n como siguientes funciones:
la pendiente y log(a) es el intercepto.
• Para obtener la PENDIENTE:
Coeficiente de Correlación R: Para medir la calidad del ajuste =INDICE(ESTIMACION.LINEAL(valores_y;valores_x;VER
de nuestro modelo en estudio, es decir, si la recta de regresión es una DADERO;VERDADERO);1;1)
buena descripción estadística del conjunto de puntos, se utiliza el
coeficiente de correlación lineal R, el cual mide si existe una • Para obtener el ERROR PENDIENTE:
relación del tipo lineal entre las variables de estudio. Los valores =INDICE(ESTIMACION.LINEAL(valores_y;valores_x;VER
numéricos de R van desde −1 hasta 1. Cuando su valor es −1 indica DADERO;VERDADERO);2;1)
que existe una relación perfectamente inversa entre las variables,
cuando es 1 indica que existe una relación directa entre las variables, • Para obtener el INTERCEPTO:
y cuando es 0 no existe ninguna relación entre las variables (Fig. 4). =INDICE(ESTIMACION.LINEAL(valores_y;valores_x;VER
DADERO;VERDADERO);1;2)

• Para obtener el ERROR INTERCEPTO:

=INDICE(ESTIMACION.LINEAL(valores_y;valores_x;VER
DADERO;VERDADERO);2;2)
Figure 4. Diferentes valores del coeficiente de correlación lineal, desde −1
hasta 1. Las funciones pueden variar en cada programa debido al
idioma en que este instalado o la versión de Microsoft Office que se
El coeficiente de correlación puede tomar valores entre -1 a 1. tenga, pero si es así, se puede realizar una búsqueda en el comando
El valor 𝑅 = 0 significa que las variables no están relacionadas entre de ayuda de Excel para que rápidamente se localice la función.
sí, entonces, cualquier tendencia a estar en la función hipótesis es
puramente por azar. Un valor 𝑅 = 1 o 𝑅 = −1, significaría que los
puntos están todos exactamente sobre la función hipótesis, entonces,
hay 100% de certeza de que corresponde a la función esperada.
En un experimento nunca obtendremos 𝑅 = 0, porque siempre
puede haber algún grado de correlación, simplemente por
casualidad.
El coeficiente de correlación es un indicador de cuan bueno es
el ajuste de la mejor curva de ajuste de todas las curvas de
aproximación a una serie de datos puntuales y no del planteamiento
teórico.

Coeficiente de determinación R2: Es el valor de R = r (valido

solo para modelos lineales) pero al cuadrado, que mide la capacidad
predictiva del modelo ajustado y se define como el cociente entre la

3
 UNIVERSIDAD TÉCNICA FEDERICO SANTA MARÍA
LABORATORIOS DE FÍSICA

Opción 2:
Una vez tomados todos los datos, grafíquelos estableciendo una 3) Seleccione los párametros. En “conocido y”
adecuada relación entre ellos. Recuerde siempre mostrar en su
gráfico la ecuación que representa la relación entre las variables y el agregue toda la columna de datos de y, que
coeficiente de determinación. No olvide rotular de forma correcta en este ejemplo corresponde al cuadrado del
los ejes del gráfico, incluyendo el error de los datos en caso de
corresponder y sus unidades. tiempo.

Para obtener la pendiente con su error e intercepto con su error,

utilice en Excel la función Estimación Lineal siguiendo estos pasos
que se muestran a continuación en las imágenes a modo de ejemplo:

1) Seleccione cuatro celdas al mismo tiempo:

2) Vaya a la parte superior y agregue la función estimación

lineal:

4) Seleccione los párametros. En “conocido x”

agregue toda la columna de datos de x, que
en este ejemplo seria la altura.

Puede buscarla en la opciones “estadísticas”:

4
 UNIVERSIDAD TÉCNICA FEDERICO SANTA MARÍA
LABORATORIOS DE FÍSICA

7) Con esto obtendrá la pendiente con su error,

e intercepto con su error, en cada celda según
se muestra en el ejemplo:

5) Seleccione los párametros. En “const” y

“stats” agregue un 1.

Errores de comparación
Existen algunas fórmulas que nos serán de mucha utilidad para
poder comparar cuantitativamente nuestros resultados
experimentales. Les llamaremos errores de comparación, aunque
técnicamente no son errores experimentales de mediciones
realizadas ya que no poseen unidades.

6) Finalmente en su teclado seleccione al mismo Error relativo: Es una medida de la precisión con que fue
realizada la medición. Para su cálculo se utiliza el error absoluto, el
tiempo “Crtl + Shift + Enter”: error de nuestro valor.
∆𝑋
𝜀𝑟 = (4)
𝑋

Este error es una manera de estimar con que precisión se pudo

llegar a un valor. Si multiplicamos este valor por 100, es llamado
error relativo porcentual.

Error comparativo: Es una comparación entre el resultado

obtenido con la teoría y está relacionado con la exactitud.

|𝑉𝑒𝑥𝑝 −𝑉𝑡𝑒𝑜 |
𝜀𝑐 = (5)
𝑉𝑡𝑒𝑜

En esta fórmula, 𝑉𝑒𝑥𝑝 se refiere a la magnitud experimental

obtenida y 𝑉𝑡𝑒𝑜 es la magnitud teórica con el que se compara.
Si multiplicamos este valor por 100, es llamado error
comparativo porcentual. Este error es muy útil para comparar
resultados entre los obtenidos en laboratorio y la literatura existente.

5
 UNIVERSIDAD TÉCNICA FEDERICO SANTA MARÍA
LABORATORIOS DE FÍSICA

Bibliografía
 Gil, Rodríguez. Física re-Creativa Experimentos de Física
usando nuevas tecnologías. Primera Edición.
 Oda–Noda. Introducción al análisis gráfico de datos
experimentales.
 Laroze, Porras, Muzzio. Conceptos y Magnitudes en
Física.
 ” Introducción a la Física”, Luis Rodríguez.
Departamento de Física, Universidad de Santiago de
Chile.