UNIVERSIDAD TÉCNICA FEDERICO SANTA MARÍA

CAMPUS SANTIAGO
LABORATORIO FÍSICA

ANÁLISIS Y TEORÍA DEL ERROR EXPERIMENTAL:

ANEXO C: INTRODUCCIÓN GRÁFICA
Laboratorios de Física, Universidad Técnica Federico Santa María Campus Santiago

Introducción

Un experimento es una forma usualmente utilizada para

comprender la naturaleza de un fenómeno y validar o comprobar lo
que teóricamente se plantea.

Es necesario entonces, seguir una metodología científica para

poder medir y analizar los datos que permitan construir un modelo
experimental o empírico, para luego compararlo con el modelo
teórico.

El análisis y los resultados obtenidos deben proporcionar

conclusiones claras y concretas que permitan entender el fenómeno
en análisis, así también, es importante que todo esto quede
reflejado en un documento de carácter científico, que permita
transmitir el conocimiento adquirido al resto de la comunidad
científica.
Para cumplir con lo anterior se debe tener un conocimiento
base sobre los métodos de medición, representación de cifras,
generación de hipótesis y modelos empíricos, tratamiento y
análisis de datos y por supuesto generación de conclusiones.
Para disminuir el grado de dificultad del análisis en el
laboratorio se opta por realizar un modelamiento a través de la
representación gráfica, apoyado por un software de planilla de
cálculo con opciones de análisis de tendencias.
Figura 1: Esfuerzo en función de la deformación sobre un material.
El tercer uso de las gráficas en el trabajo experimental es dar una
relación empírica entre dos magnitudes. Ejemplo de esto es la
calibración de instrumentos. Se compara el instrumento a calibrar
contra un patrón determinado. Es posible corregir lecturas
observando este tipo de gráfico.
Plan de Trabajo
El punto de partida entonces es definir las variables a
manipular, el rango dentro del cual se pueden variar y la cantidad
de datos a cuantificar.

Para efectos prácticos, entonces se tratará de ocupar el rango

Uso de Gráficas
En física experimental, las gráficas tienen tres aplicaciones
principales. La primera es para determinar el valor de alguna
magnitud, por lo general la pendiente o intersección de una línea
recta, que representa la relación entre dos variables.
El segundo uso de las gráficas es el más importante. Sirven de
ayuda visual. Por ejemplo, supóngase que se mide el esfuerzo que
se ejerce a un material con respecto a la deformación que se
produce en él, con el objetivo de determinar el límite elástico y el
comienzo de la deformación plástica (Ver figura 1). Mientras la
deformación es elástica, el esfuerzo es proporcional a su
deformación. Viendo una tabla de datos es difícil definir cuándo se
rompe esta proporcionalidad. Sin embargo, al dibujar los datos en
una gráfica, el punto de ruptura aparece de inmediato.
de valores lo más grande posible, la cantidad de datos dependerá
del conocimiento previo teórico del fenómeno en estudio, si se
espera una relación lineal quizás baste con pocos datos. Sin
embargo, esto también involucra una alta posibilidad de obtener un
error grande, es mejor, tomar una cantidad considerable de datos y
aplicar algunas técnicas para minimizar los errores.
Cuando la función no es lineal o no se conoce con certeza el
fenómeno, es recomendable ir graficando a medida que se van
tomando datos y decidiendo a tiempo real dónde conviene tomar el
siguiente dato, por supuesto hay que ocupar todo el rango posible y
tomar aún más datos que en el caso anterior.
Todos estos valores van ingresando a una tabla de datos, la
cual debe generarse teniendo en cuenta las cifras significativas y
las incertidumbres propias del experimento además de las unidades
utilizadas.

Otro ejemplo visual es la comparación de resultados
experimentales con una curva teórica, cuando ambos se
representan sobre la misma gráfica. En general, un despliegue
gráfico de me mediciones de valor incalculable para mostrar que
ocurre en el experimento
Se debe recordar que estos valores están dados principalmente
por el método experimental y por los instrumentos de medición
utilizados, un análisis de esto en profundidad se puede ver en el
capítulo Mediciones del texto ocupado en Física 100.

1

Existen criterios para trabajar con cifras significativas, el
experimentador debe ser fiel a estos criterios, manteniéndolos
siempre en todos los valores que exprese.
Una vez recogido los datos experimentales en una tabla, es
necesario encontrar una ecuación que los relacione, para esto
existen dos métodos; matemático y gráfico. Sin embargo,
necesitamos determinar si los puntos obtenidos corresponden a una
relación lineal o no, antes de proceder con el análisis y la
obtención de la ecuación.
La linealización es una forma de transformar datos que
describen una tendencia no lineal a datos con tendencial lineal,
existen varias formas para realizar esta conversión, pero el más
general es aplicando logaritmo a los datos experimentales. Esto nos
permite obtener una relación de tipo lineal entre los logaritmos de
las variables en estudio.
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 a tiempo real nos podrá dar una idea de cómo es la
función, siendo una potente herramienta para ir verificando si los
datos que se toman concuerdan con lo esperado, y así, asegurar que
la medición realizada no presenta errores graves. Para lo anterior,
es necesario tener claro que al generar el gráfico se debe considerar
en el rango todas las celdas en que se ingresarán los datos (esto
permitirá que al ir ingresando cada uno de los datos se genere
automáticamente el nuevo punto en el gráfico, auto escalándose
los ejes), cuando se tengan 2 datos a lo menos se podrá generar la
línea de tendencia y pegar la ecuación y coeficiente de correlación,
la cual también se auto ajustará a medida que se va completando la
tabla. Es importante destacar que si no se sigue este procedimiento
se corre el riesgo de errar en la toma de datos (y errar es humano)
y perder valioso tiempo.
En un gráfico se debe depositar la mayor cantidad de
información que sea relevante permitiendo una correcta lectura de
éste. 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.
Una vez clarificada la relación existente se puede graficar las
variables originales y ajustar la tendencia que corresponda para así
comparar la ecuación empírica obtenida con la ecuación teórica
esperada, tanto los exponentes como las constantes involucradas a
través de un medidor llamado error porcentual el cual entrega una
comparación entre un valor y otro.
UNIVERSIDAD TÉCNICA FEDERICO SANTA MARÍA
CAMPUS SANTIAGO
LABORATORIO FÍSICA
Por lo general el error porcentual se tomará como:
| |
( )
En muchas ocasiones se encuentran algunos datos importantes
(constantes físicas) inmersas en las ecuaciones empíricas, como la
aceleración de gravedad, la constante de elasticidad de un cuerpo,
etc. Estos valores deben ser despejados y comparados con los
teóricos de igual forma.
Una vez hecha las comparaciones se debe realizar un
profundo análisis cualitativo tanto de los gráficos como de los
resultados, además de una descripción y análisis detallados de los
fenómenos físicos visualizados durante la experimentación, las
consideraciones para realizar la toma de datos y un profundo
análisis de las fuentes de error o discrepancias presentes en la
experimentación.
Posteriormente se debe profundizar en un análisis cuantitativo
de los resultados encontrados y los errores porcentuales, para
finalizar con un análisis global del experimento.
Es importante entregar dentro del análisis las ecuaciones y
constantes encontradas de forma clara y con las incertidumbres,
unidades y cifras adecuadas, esto es la base del análisis.
Del análisis realizado se deben desprender las conclusiones,
las cuales deben estar referidas a los objetivos de la experiencia, y
deben contener toda la información relevante del experimento
incluidas las ecuaciones y constantes encontradas.
También se pueden extraer conclusiones de algunos análisis
secundarios que no necesariamente están indicados en la guía, pero
que si se pueden realizar en base a los datos tomados y las
comparaciones con predicciones teóricas o resultados obtenidos
por otros métodos de medición.
Se debe si tener cuidado de no concluir cosas que no se
analizaron o que simplemente no se midieron como podría ser por
ejemplo una dependencia respecto a la posición geográfica de los
datos tomados.
Por cierto, si de un experimento se puede, por ejemplo,
desprender 2 ó 3 valores de la aceleración de gravedad (g), éstos
deben entregarse claramente en el análisis y posteriormente en la
conclusión se entregará un solo valor experimental de g, basado en
el estudio realizado en el análisis.
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 2 representa esquemáticamente un sistema
bajo estudio.
2

Figura 2: 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.
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. En la mayoría de los casos un gráfico es más útil que una
tabla de valores, especialmente en los casos en que:
 Los experimentos se llevan a cabo midiendo una variable
Y en función de otra X que se varía independientemente y se quiere
interpretar la relación funcional entre ellas. Por ejemplo: medición
del período de un péndulo en función de su longitud, medición de
la caída de potencial en un alambre en función de la corriente
aplicada, etc.
 Interesa estudiar si dos variables mantienen una
correlación (causal o no) y cómo es esta vinculación o grado de
interdependencia. Por ejemplo: estudio de la relación entre el peso
y la altura de personas, relación entre la velocidad máxima que
alcanza un velero y su extensión desde proa a popa, etc.
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
UNIVERSIDAD TÉCNICA FEDERICO SANTA MARÍA
CAMPUS SANTIAGO
LABORATORIO FÍSICA
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.
Diseño de Gráficos
Además de la correcta elección de las variables y de las
escalas, un gráfico adquirirá una mejor presentación si se cuidan
algunos detalles:
Identificación de los ejes con rótulos bien ubicados que
digan qué variables se representan y en qué unidades se miden.
Además, los ejes deben incluir la incertidumbre.

La curva debe cubrir la mayor parte del gráfico, pero no
debe mostrar más exactitud que la incertidumbre de las
mediciones.

Las escalas deben estar numeradas claramente para
facilitar la lectura.

El punto de intercepción se debe escoger por
conveniencia y no necesariamente debe ser cero.

Uso de símbolos que ubiquen los datos (cuadrados,
círculos, rombos, etc.), en lo posible con sus incertidumbres
(barras); que haya una diferenciación de distintas series de datos
cuando se presenten varios resultados, para lo que es recomendable
el uso de diferentes símbolos.

Inclusión de un epígrafe, que es un texto descriptivo de lo
que está representado en el gráfico y que además puede manifestar
información adicional importante.

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.

Una clara diferenciación entre lo que es propio del
resultado experimental del trabajo y lo que corresponde a una
comparación con una teoría o modelo propuesto (por ejemplo, usar
líneas continuas) o a resultados extraídos de otras fuentes.
A continuación se muestra un ejemplo de un gráfico y su
epígrafe. En la Figura 3 se mide el campo magnético en un
solenoide con un instrumento digital en función de la distancia
usando una huincha métrica.
3
 UNIVERSIDAD TÉCNICA FEDERICO SANTA MARÍA
CAMPUS SANTIAGO
LABORATORIO FÍSICA
recta y definir los valores de la pendiente y la ordenada al origen, o
usar métodos numéricos más generales para encontrarlos.
Campo Magnético ± 0.001 [T]

3,000
B = -0,1368d + 3,248
2,500 R² = 0,9932
Funciones Potenciales
2,000

1,500
Exp. Se miden pares de valores (X,Y) teniendo conocimiento que la
Teóricos relación funcional que los vincula es del tipo:
1,000
( )
0,500
0,0000 5,0000 10,0000 15,0000
Distancia ± 0.0005 [m]
donde a y n son constantes. Esta forma funcional potencial es muy
común en las ciencias puesto que sirve como aproximación del
Figura 3: Magnitud del campo magnético en un solenoide de largo fijo en comportamiento en una gran variedad de casos.
función de la distancia, en donde se comparan las gráficas teórica y
experimental.
La constante n suele llamarse “exponente de escala” y define
la escala de variación de Y según varía X. Esto es, si X se
Relaciones Lineales multiplica por un factor q, Y cambiará consecuentemente qn veces.

Una relación entre las variables X e Y del tipo: 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.

es tal vez la más simple de todas. La representación gráfica de la

ecuación (2) arrojaría una línea recta, de pendiente a y que corta al Linealización a través de la Transformación
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 de Variables
simple en dos dimensiones. Al mismo tiempo, una relación lineal
entre dos variables cualesquiera es más fácil de ser identificada a Si en la ecuación (3) transformamos las variables haciendo el
simple vista. Entre una recta y una curva nuestro ojo siempre siguiente cambio:
notará la diferencia, pero no discriminará a la función que define la
curva. Se puede probar esto con la ayuda de la Figura 4

oda vez que conozcamos el exponente ny representamos

las nuevas variables ( ) ( ), 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 ( )
⁄
( ).

Está claro que lo anterior es inmediato de realizar si

Figura 4: Representación de dos series de datos. ¿Cuál serie aproxima conocemos el valor del exponente n. Además, observamos que un
mejor una relación lineal entre las variables X e Y? gráfico linealizado nos da el valor de la constante a.

En el Gráfico 2 están representadas dos series de datos. Se Por otra parte si no conocemos el exponente es recomendable
inferirá cualitativamente cuál de las series puede aproximarse por usar la función logaritmo y representar ( ) en función de
una relación lineal entre las variables X e Y. Para esto se usa un ( ). Esto queda claro si transformamos la ecuación (3),
método práctico: se lleva el papel hasta el nivel de los ojos (se calculando el logaritmo para ambos miembros se obtiene:
puede cerrar uno como cuando se hace puntería) y se ve si los
puntos se encuentran alineados. Este tipo de toma de decisión no ( ) ( ) ( ) (4)
debe desdeñarse en el momento de analizar datos experimentales.
La decisión de aceptar o no una relación lineal entre las variables Al comparar esta expresión con la ecuación de la recta
debe ser tomada por el experimentador, ya sea se espere o no una podremos determinar la pendiente como n y el intercepto como
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
4

Regresión Lineal a través de Mínimos
Cuadrados
Hemos enfatizado sobre la importancia de las
representaciones gráficas y hemos visto la utilidad de las versiones
linealizadas de los gráficos (X,Y) junto a las distintas maneras de
llevar a cabo la linealización. A menudo nos confrontamos con
situaciones en las que existe o suponemos que existe una relación
lineal entre las variables X e Y. Surge de modo natural la pregunta:
¿cuál es la relación analítica que mejor se ajusta a nuestros datos?
El método de mínimos cuadrados es un procedimiento general que
nos permite responder esta pregunta. Cuando la relación entre las
variables X e Y es lineal, el método de ajuste por mínimos
cuadrados se denomina también método de regresión lineal.
La Figura 5 ilustra el caso lineal. La dispersión de los valores
está asociada a la fluctuación de los valores de cada variable.
Observamos o suponemos una tendencia lineal entre las variables y
nos preguntamos sobre cuál es la mejor recta.
Figura 5: Datos asociados a un modelo lineal. La cantidad ( )
representa la desviación de cada observación de respecto del valor
predicho por el modelo ( )
Suponga que se han medido N pares de valores ( ), y que
se formula la hipótesis de que la función ( ) es lineal, es
decir, de la forma , donde a y b son valores que se
desean determinar. Necesitamos un método que permita:
 Indicar qué tan buena es la hipótesis de que la función
( ) es lineal.
 Calcular los valores de las constantes a y b que mejor
representan al conjunto de datos experimentales ( ).
 Calcular el error de las constantes a y b obtenidas.
Se define el error del punto i-ésimo, como la diferencia
entre el valor medido y el valor teórico dado por la ecuación de
la recta.
( )
El método de los mínimos cuadrados, consiste en elegir los
valores de a y b tales que la suma de los cuadrados de los errores,
∑ , sea mínima. A partir de esta condición es posible encontrar
un algoritmo, que permite calcular los valores más probables de a
y b, los respectivos errores y , y una constante llamada
UNIVERSIDAD TÉCNICA FEDERICO SANTA MARÍA
CAMPUS SANTIAGO
LABORATORIO FÍSICA
coeficiente de regresión lineal r, que indica qué tan buena es la
hipótesis de que la relación entre las variables es lineal.
Detección de Errores Sistemáticos
Toda vez que se mide una magnitud con un error sistemático,
los valores medidos difieren de los “reales” en una cantidad fija.
La pericia del experimentador es clave para evaluar las
correcciones necesarias de estos datos afectados sistemáticamente
por un error de medición. Un ejemplo común es el error de cero de
los instrumentos de aguja.
El ejemplo más familiar es el de una balanza de farmacia que,
dado su desgaste, indica 1 kg. aun cuando nadie está de pie en la
plataforma (a veces, este error de medición aporta consuelo cuando
nos pesamos en una buena balanza). En el laboratorio, el error de
cero suele aparecer en instrumentos de mediciones eléctricas o
cronómetros de aguja.
Si con uno de estos instrumentos defectuosos se mide la
variable Y en función de otra X, un gráfico Y(X) resultará
desplazado en la vertical una cantidad igual al error sistemático
de cada punto Y. Si la relación entre estas variables fuese lineal,
ecuación (2), la presencia de tal desplazamiento sistemático llevará
a que aparezca una ordenada al origen falsa. Es decir, cuando
, tenemos , en vez de .
En un gráfico log-log de Y(X) la desviación de la curva
resultante de la recta esperada sin ordenada al origen se descubre
con facilidad y ayuda a la corrección de los datos. En ese sentido
es interesante notar que si tenemos una relación entre las variables
X e Y de la forma , si representamos X en función de
Y en escala log-log esta vez no se obtiene una recta.
Coeficiente de Correlación
El coeficiente de correlación puede tomar valores entre 0 y 1
(para rectas de pendiente positiva). El valor significa que las
variables no están relacionadas entre sí, entonces, cualquier
tendencia a estar en la función hipótesis es puramente por azar. Un
valor , 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 , 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.
Bibliografía
5
 UNIVERSIDAD TÉCNICA FEDERICO SANTA MARÍA
CAMPUS SANTIAGO
LABORATORIO FÍSICA

 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.