Fis2 Lab1

1 Análisis Gráfico y Numérico
1.1 Preinforme
Programa: Fecha: Grupo:

Nombre(código):
Lea cuidadosamente la descripción completa del laboratorio (incluyendo los Apéndices A

y B) y responda el preinforme virtual correspondiente, en el COES de la Universidad:
http://coes.udenar.edu.co/
Si por alguna razón el profesor aún no implementa los preinformes virtuales en sus prácticas
responda las siguientes preguntas basadas en el contenido de la lectura.
1. Explique brevemente los siguientes métodos y procedimientos:✎
a) Experimento controlado:, b) Extrapolación:, c) Función potencial:
2. Considere las siguientes magnitudes físicas: R : Resistencia, T : Temperatura, M : Masa,

t : Tiempo, P : presión, y V : Volumen. Linealice las siguientes ecuaciones identificando
variables y constantes:✎
√ g
a) R = a eb/T :, b) M = c t + d:, c) P = e + T :, d) P V n = k:
➭
2 Preinforme
3. En el Ejemplo 2 se linealizó la ecuación, x = 21 a t2 ; y en Ejemplo 4 se usó la función po-

tencial para ajustar la misma curva. Pero esta ecuación también recuerda a un polinomio de
grado 2. Use el método ....Fit(“pol2”) para ajustar los datos y compare sus resultados
con los que se obtuvieron en los mencionados ejemplos.✎
Deformación Resorte en Función de la Masa

25
4. Realice una interpolación de la siguien-

Deformación (cm)
20
te gráfica para predecir la deformación del
resorte cuando se coloca una masa de 50 g. 15
✎
10
5
0 10 20 30 40 50 60 70
Masa ( g)
Guía de Laboratorio de Física II. Universidad de Nariño. Departamento de Física Yithsbey, Fredy y James.
Análisis Gráfico y Numérico 3
1.2 Objetivos
Las gráficas se utilizan para estudiar y comprender el mecanismo de un fenómeno observa-

do, y a la vez por medio del análisis de ellas se puede obtener información sobre observa-
ciones experimentales [1]. La finalidad de esta práctica es estudiar el empleo de las gráficas
para la obtención de las relaciones funcionales entre dos magnitudes físicas. En lo posible
también se va a implementar un análisis numérico de los datos.
1.3 Fundamento Teórico
En cualquier experimento, solamente se hace un número limitado de medidas de las can-

tidades físicas (u observables) experimentales. A fin de ver si estos datos primarios están de
acuerdo con la predicción teórica, o para determinar valores de los observables experimen-
tales en situaciones diferentes a las medidas, se necesita a menudo establecer una relación
matemática entre estos observables experimentales. De esto es precisamente lo que trata el
ajuste de curvas [2].
Suponga que hemos hecho un experimento. Se pueden hacer operaciones sobre los datos
primarios tabulados, sugerido por los modelos teóricos que derivan en nuevas cantidades
experimentales (ver Apéndice A). Algunas de estas cantidades físicas corresponden a pará-
metros que permanecen constantes en el fenómeno. La distribución de probabilidad gausia-
na permite estimar su valor y su desviación estándar. Este proceso se conoce como análisis
numérico de los datos experimentales, que puede ser implementado junto con el análisis
gráfico.
Si hacemos un gráfico cuidadoso de los datos (ver Apéndice A). Si los datos describen una
línea recta (ver Apéndice B), podemos afirmar que la relación entre las variables experimen-
tales es lineal. Sinembargo, a menudo, los datos describen una curva. Y queremos encontrar
la función que describe esta curva. Es cuadrática? cúbica? parte de una curva seno? o alguna
otra función? cómo podemos saber?
A manera de ejemplo, hay dos clases de funciones muy importantes. Las funciones exponen-
ciales y leyes de potencia, que en una gráfica semi-log (logy contra x) o log-log (log y contra
log x) transforman los datos a una línea recta, que se reconoce fácilmente. Si este método
funciona, entonces los parámetros de la función (exponencial o potencial) pueden ser esti-
mados por el método de cuadrados mínimos. Otros procedimientos igualmente válidos se
describen en el mismo Apéndice B.
En los ejemplos que daremos a continuación haremos uso del análisis numérico, análisis
gráfico y la minimización chi-cuadrado. Estos métodos no son contradictorios, ¡por el con-
trario!, se complementan, como diferentes alternativas para llegar al mismo resultado. En
ocasiones resulta más fácil aplicar uno que otro. Una posible ventaja del análisis gráfico res-
pecto al numérico es poder trabajar con más de un parámetro libre y poderlos determinar a
través del ajuste gráfico, pero esto exige una mayor toma de datos.
4 Comprobación Experimental de un Modelo Teórico
1.4 Comprobación Experimental de un Modelo Teórico
Demos a continuación ejemplos de cada uno de los casos estudiados en el Apéndice B. En

todos los casos tenemos un modelo teórico sobre el cual basar nuestro análisis.
1.4.1 Relación Lineal
Ejemplo 1. Relación Lineal: Considere el caso de un mó- La variable independiente, t, posee un error despreciable.
vil que se mueve en línea recta a lo largo del eje x con velo- Sólo la variable dependiente, x, presenta incertidumbres ex-
cidad constante. El móvil parte desde el origen y se registra perimentales apreciables. La representación gráfica de los
el tiempo (t) que tarda en recorrer diferentes distancias (x). datos experimentales se da en la Figura 1.1, la cual muestra
Los datos medidos se registran en la Tabla 1.1. El error en la un comportamiento lineal.
variable t es tan pequeño que se considera despreciable. La
teoría dice que la distancia recorrida por el móvil y el tiempo
que tarda en recorrerla están relacionados por la ecuación
Distancia Recorrida en Función del Tiempo para un Móvil
x = v t, 90
χ2 /nd f 18.29/10
es decir, x y t están en proporción directa (x ∝ t), donde 80
P0 0.01515 ± 0.6155
la constante de proporción, v, corresponde a la rapidez del 70 P1 3.467 ± 0.00418
móvil. 60
Distancia x (cm)
50
t (s) x ±1 (cm) x/t (cm/s)*
40
2 8 4
4 15 3.75 30
6 21 3.5 20
8 26 3.25 10
10 34 3.4 0
0 5 10 15 20 25 30
12 41 3.4 Tiempo t (s)
14 49 3.5
16 54 3.375
Figura 1.1: Distancia recorrida, x, en función del tiempo, t, para un
18 63 3.5 móvil (Tabla 1.1). La línea recta es el resultado del ajuste de los
20 68 3.4 datos por el método de los cuadrados mínimos.
22 79 3.5909
24 83 3.4583
Velocidad Móvil: v = 3.51 ± 0.06 cm/s El ajuste a una línea recta, ( P0 + P1 x ), muestra varias
cosas: el valor χ2 /ndf ≈ 1.8, se encuentra dentro del
Tabla 1.1: Distancia recorrida, x, en función del tiempo, t, para un rango de valores de ajuste (0.5 ≤ χ2 /ndf ≤ 2.5) [2],
móvil. *La tercera columna proviene de calcular la razón x/t para que ratifica lo mostrado por la gráfica de que los datos se
determinar la velocidad del móvil; estos resultados parciales se es-
criben al menos con cinco cifras significativas, y de la distribución
ajustan a una línea recta. El intercepto con el eje vertical,
gausiana se determina la velocidad, v, del móvil. P0 = 0.02 ± 0.62 cm = 0, muestra que su valor es igual
a cero, pues el mesurando es menor que su error, cosa que
La predicción teórica sugiere realizar un análisis numérico coincide con la predicción teórica. La pendiente P1 corres-
de los datos, que consiste en calcular la razón xi /ti para ca- ponde a la velocidad del móvil
da par de valores medidos. En valor central de los resultados
se anota en la tercera columna de la Tabla 1.1. Tal como se v = 3.47 ± 0.04 cm/s,
esperaba, esta razón se distribuye en forma gausiana. El va-
lor de la velocidad del móvil y su error estándar se escriben que coincide con el valor obtenido a partir del análisis nu-
en la última fila de la Tabla. mérico de los datos experimentales.
1.4.2 Linealización
Veamos a continuación varios ejemplos de las diferentes maneras de linealizar una ecuación.
Ejemplo 2. Linealización: Considere los datos y la grá- La última columna corresponde al análisis numérico de los
fica dados a continuación para un experimento en el que un datos, pues la teoría sugiere que la razón, 2 x/t2 , permane-
estudiante libera un balín a partir del resposo y éste baja a ce constante en el análisis. La distribución gausiana de esta
lo largo de una pista recta inclinada. El estudiante anota su última columna muestra la constancia de este valor, y co-
posición (x) cada segundo (t) a lo largo de la pista. rresponde a la aceleración, a, adquirida por el cuerpo, cuyo
Como se observa, con los datos primarios de la Tabla 1.2, la valor se escribe en la ultima fila de la Tabla 1.3.
gráfica correspondiente (Fig. 1.2) no es lineal. Más bien se
aprecia que es una curva alejándose del eje temporal. ¡Ésta
luce como una parábola!. Y es así, pues la teoría dice que el Tiempo Posición Tiempo 2
balín rueda con aceleración constante, a, tal que t (s) x ±0.2 (cm) t2 (s2 )* 2 x/t2 (cm/s2 )**
1 2 0 0.0 0 -
at , x= 1 3.1 1 6.2
2 2 12.2 4 6.1
donde el balín parte del resposo desde el origen. 3 27.0 9 6
4 47.9 16 5.9875
5 75.2 25 6.016
Tiempo t (s) Posición x ±0.2 (cm)
6 108.3 36 6.0167
0 0.0 7 146.8 49 5.9918
1 3.1 8 192.1 64 6.0031
2 12.2
Aceleración balín: a = 6.04 ± 0.03 cm/s2
3 27.0
4 47.9 Tabla 1.3: Tabla de datos de un balín que rueda a lo largo de una
5 75.2 pista recta inclinada. Posición x en función del tiempo t.*El tiempo
6 108.3 se eleva al cuadrado.**Se calcula la aceleración por medio de la
7 146.8 fórmula 2x/t2 .
8 192.1
Tabla 1.2: Tabla de datos de un balín que rueda a lo largo de una

pista recta inclinada. Posición x en función del tiempo t.
Ahora, con los datos de la Tabla 1.3, se grafica la posi-
Posición en Función del Tiempo de un Balín que Rueda. ción, x, en función del tiempo al cuadrado, t2 , (Figura 1.3).
200
Como se observa la gráfica describe una línea recta, con
χ2 /ndf = 0.7. El intercepto, P0 = 0.08 ± 0.10 cm = 0,
es nulo, y la pendiente P1 = 3.000 ± 0.003 permite calcu-
150
Posición x (cm)
100
lar la aceleración del balín, a = 6.000 ± 0.006 cm/s2 .
50
Posición en Función del Tiempo al Cuadrado de un Balín que Rueda

0 1 2 3 4 5 6 7 8
Tiempo t (s)
200
χ2 /ndf 4.978/7
P0 0.07705 ± 0.09695
Figura 1.2: Posición x en función del tiempo t de un balín que rueda P1 3 ± 0.003105
a lo largo de una pista recta inclinada, Tabla 1.2. Los datos no se 150
Posición x (cm)
ajustan a una línea recta.

100
Esto sugiere añadir una nueva columna a la Tabla original

elevando el tiempo al cuadrado, t2 , cuyos resultados se indi- 50
can en la tercera columna de la Tabla 1.3, a fin de linealizar

los datos experimentales: 0
0 10 20 30 40 50 60 70

1
x = 2a t2 + 0 Figura 1.3: Posición x en función del tiempo al cuadrado t2 de un
↓ ↓ ↓ ↓ balín que rueda a lo largo de una pista recta inclinada. Los datos,
extraídos de la Tabla 1.3, se ajustan a una línea recta.
y = m x + b
Ejemplo 3. Función Exponencial: Las funciones expo- Si los datos se ajustan a una línea recta, es una buena indi-
nenciales aparecen en muchas aplicaciones tales como el cre- cación de que los datos están descritos por una función ex-
cimiento poblacional, decaimiento radioactivo, intereses en ponencial (Fig. 1.4). Así que se usa el comando “expo” para
préstamos bancarios, entre otros. hacer el ajuste. Como se observa (Fig. 1.5), el ajuste de los
(Constant+Slope×t )
En teoría, los modelos de crecimiento exponencial pueden datos a una curva2 exponencial P(t) = e
ser usados para modelar el crecimiento (o disminución) po- arroja un valor χ /ndf = 1.2 de muy buena calidad. Con,
blacional bajo ciertas circunstancias. Por ejemplo, si el ta- Constant = 15.4200 ± 0.0001 y Slope = −0.5977 ±
0.0001 min −1 .
maño de una población en un tiempo t = 0 es P y la ra-
zón de disminución de la población es r, entonces la pobla-
ción en un tiempo, t, está dado por el modelo exponencial
P(t) = P e−rt . Número de Células en una Muestra en Función del Tiempo
3
×10
Verifique este modelo con algunos datos reales. Si usted em- 5000 r
χ2 /ndf 8.38/7
pieza un experimento en biología con 5 000 000 de células Constant 15.42 ± 9.535e − 05
y el 45 % de las células van muriendo cada minuto, y cuyos 4000 Slope −0.5977 ± 0.000106
datos están expresados en la siguiente Tabla 1.4.
Número de células
3000
r
Tiempo t (min) Población P(t) ± 500 2000

r
0 4 999 000 1000

1 2 750 200
r
r
r
2 1 512 800
r
r r
0
3 832 000
4 457 400
Figura 1.5: Representación gráfica del número de células P en fun-
5 251 800 ción del tiempo t de una muestra biológica, Tabla 1.4. Los datos se
6 138 200 ajustan a una curva exponencial.
7 77 100
8 42 900 Ejemplo 4. Función Potencial: En el ejemplo 2, la ecua-
ción x = a t2 /2 admite incluso una manera alternativa
Tabla 1.4: Número de células P en función del tiempo t de una de linealizarlo. Pues éste recuerda a una función potencial
muestra biológica. y = P0 x P1 (ver Apéndice B).
Gráfica log-log Posición en Función del Tiempo de un Balín que Rueda
De inmediato se hace un gráfico semi-log de los datos. Lo r
cual se implementa fácilmente en el ROOT al introducir

r
2
10
r
una escala logarítmica 1 , en este caso sólo para el eje Y.

Posición x (cm)
Gráfica Semi-Log del Número de Células en una Muestra en Función del Tiempo r
10
r
106
Número de células
1 Tiempo t (s)
r
Figura 1.6: Gráfica log-log de un balín que rueda a lo largo de una
r pista recta inclinada. Posición x en función del tiempo t, Tabla 1.2.
105
r
Los datos describen una línea recta.
r
Se hace una gráfica log-log (Fig. 1.6) de los datos de la
0 1 2 2 4 5 6 7 8 Tabla 1.2 (donde se omite el punto (0,0) pues el logarítmo
Tiempo t (min)
de este valor no existe), que como se ve, los datos se ajustan
Figura 1.4: Representación semilogarítmica del número de células correctamente a una línea recta.
P en función del tiempo t de una muestra biológica, Tabla 1.4. La función potencial no está definida en el ROOT. Pero es-
Observe cómo los datos describen una línea recta. to no es ningún problema, precisamente, se aprovecha este
1 la
opción Log-Scale se habilita en el canvas de la gráfica en la pestaña View → Editor.
2 En
el caso de la función exponencial del Ejemplo 3, y = e( P0 + P1 x ) , la rutina que crea esta función es:
[] TF1 *expo=new TF1("expo","exp([0]+[1]*x)"), donde los parámetros corresponden a: [0] → P0 y [1] → P1 .
momento para definir sus propias funciones de variable x, fica más el entendimiento del gráfico o la interpretación de
conteniendo varios parámetros. los resultados.
[] TF1 *mifun=new TF1("mifun","[0]*x^[1]")
La anterior instrucción crea una función 2 (de variable x), Posición en Función del Tiempo de un Balín que Rueda
la función potencial, que llamamos mifun, con dos párame- 200

χ2 /nd f 5.089/6
tros [0](= P0 ) y [1](= P1 ), a ser determinados con los P0
P1
3.017 ± 0.02118
1.997 ± 0.00361
datos de la Tabla 1.2, ejecutando la siguiente rutina 150
Posición x (cm)
[] curva.Fit(“mifun”)
100
donde “curva“, es el nombre que le dimos a la gráfica
de los datos cuando se usó el método []TGraphErrors
50
curva(”...“).
En la Figura 1.7 se puede apreciar la calidad del ajus-
0
te χ2 /ndf ≈ 0.8, y los valores de los parámetros: P0 =
3.02 ± 0.02 cm/s2 y P1 = 1.997 ± 0.004. Estos resultados 0 1 2 3 4
Tiempo t (s)
5 6 7 8
coinciden plenamente con los valores obtenidos en el Ejem-

Figura 1.7: Gráfica de un balín que rueda a lo largo de una pista
plo 2. recta inclinada. Posición x en función del tiempo t, Tabla 1.2. Los
Muy a menudo hay más de una manera de linealizar una datos se ajustan correctamente a una función potencial.
ecuación, pero por lo general, se prefiere aquella que simpli-
1.4.3 Relación no Lineal

En muchos casos, los métodos de linealización se quedan cortos en el análisis de los datos,
ya sea por la complejidad de los modelos, o que resulta demasido dispendioso su aplica-
ción. En estos casos resulta más conveniente crear nuestras propias funciones incluidos los
parámetros del modelo 3 .
Ejemplo 5. Relación no Lineal: La impedancia
r de un [] TF1 *impe=new TF1("impe","sqrt([0]^2+
1/(x^2*[1]^2))")
circuito en serie RC está dado por: Z = R2 + ω 21C2 .
y así poder determinar las cantidades R y C, al hacer el ajus-
Donde Z es la variable dependiente y la frecuencia angular te con los datos de la Tabla 1.5 extraídos del experimento.
ω es la variable independiente. La resistencia R y la capaci-
tancia C son constantes.
El proceso de linealización podría implementarse para este ω × 102 (rad/s) Z × 102 (Ω)
caso de la siguiente manera: 3.1 ± 0.2 90 ± 4

1 1
6.3 ± 0.3 63 ± 3
Z2 = C2 ω2
+ R2 12.6 ± 0.6 55 ± 3
↓ ↓ ↓ ↓ 18.8 ± 0.9 60 ± 3
y = m x + b 31 ± 2 55 ± 3
50 ± 2 58 ± 3
pero a su vez implicaría tener que hacer cálculos adiciona-
63 ± 3 58 ± 3
les, y añadir columnas a la Tabla de los datos primarios. Es
94 ± 5 57 ± 3
un proceso viable, pero un poco dispendioso. Una alternati-
126 ± 6 55 ± 3
va sería definir su propia función:
3 Nota: En ocasiones, el ROOT no da valores para los parámetros del modelo cuando se hace un ajuste
con nuestras propias funciones de los datos experimentales. En el ROOT aparece la siguiente frase “MIGRAD
TERMINATED WITHOUT CONVERGENCE”. Esto se debe a las condiciones iniciales de los parámetros que
usualmente son puestas a cero, lo que puede conducir a resultados divergentes en las iteraciones del ajuste. Es-
tas cantidades se pueden cambiar, preferiblemente asignando valores físicos cercano a lo esperado. Después de
elegir la opción FitPanel en el canvas, los parámetros iniciales del modelo se pueden cambiar cliqueando en
la opción Set Parameters. Va a observar una mejora del ajuste para variaciones adecuadas de los parámetros.
Oprima OK y luego Fit.
8 Deducción de un Modelo
Tabla 1.5: Frecuencia angular ω e impedancia Z de un circuito RC. De la Figura 1.8 se ve un buen ajuste, donde R = (5.6 ±
0.1)kΩ, y C = (0.48 ± 0.04)µF.
Impedancia en Función de la Frecuencia Angular en un Circuito RC
9000 χ2 /nd f 4.084/7

Impedancia Z (omh) P0 5610 ± 114.4
P1 4.799e − 0.7 ± 4.268e − 08
8000
7000
6000
5000
0 2000 4000 6000 8000 10000 12000 14000
Frecuencia Angular ω rad/s
Figura 1.8: Gráfica impedancia Z en función de la frecuencia angular ω de un circuito RC, Tabla 1.5.
1.5 Deducción de un Modelo
En este caso tenemos los datos de un experimento pero carecemos de un modelo para ajustar.
Aquí, debemos nosotros mismos deducir la fórmula que mejor se ajusta a los datos para su
modelación. Veamos esto con un ejemplo.
Ejemplo 6. Deducción de un modelo: Plantéese el si- ra cada uno de los datos de la muestra. El radio establecido
guiente problema [3]. para cada uno de los días, d, es el resultado del promedio de
dos mediciones del radio, a la que luego se agrega un error,
“Un oleoducto se rompe en el mar, y el derrame de petróleo
se extiende mientras la rotura no se arregla. Desde un avión llamado ∆r.
se toman fotografías cada día. En la Figura 1.9 se muestra
una secuencia de fotografías diarias superpuestas. A usted
lo contratan para que defina cómo varía ”el radio“ de la
mancha en función de los días que transcurren (un día→un
tono).”
Este es un problema bastante complejo que difícilmente dis- r = (radio mayor + radio menor)/2,
pone de un modelo teórico [4]. Además, es de suma impor- ∆r = (radio mayor − radio menor)/2,
tancia conseguir información lo mas pronto posible acerca
de la velocidad de crecimiento de la mancha, de su evolu-
ción, ya que permite saber cuánto tiempo se tiene para solu-
cionar y terminar de conocer el problema. Una forma viable
de obtención de una ley de crecimiento de la mancha de pe-
tróleo, se puede lograr del análisis de los datos provenientes
de la muestra fotográfica.
Los datos de la Tabla 1.6 se tantean con diferentes curvas,
En la medición del radio, r, de la mancha de petróleo en y el valor χ2 /ndf valora la calidad del ajuste. Ninguno
la fotografía, debido a los límites irregulares de la mancha, de los ajustes que incluye curvas como “pol1”, “pol2”,
se considera importante establecer un margen de error pa- “pol3”. . . , “expo”,“gaus” es de buena calidad.
N
d (días) radio r (km)
1 0.110 ± 0.001
2 1.187 ± 0.004
3 4.746 ± 0.009
4 12.66 ± 0.02
5 27.22 ± 0.02
6 50.75 ± 0.04
Tabla 1.6: Radio r de una mancha de petróleo en función de los días

d transcurridos.
Luego, la dispersión del petróleo está dado por: r = P0 d P1 ,

con P0 = 0.1107 ± 0.0004 km, y P1 = 3.420 ± 0.002. Con
esta fórmula y la gráfica, se podría responder preguntas co-
mo ¿qué tanto tardaría el petróleo en llegar a la costa?.
Radio de la Mancha de Petróleo en Función de los Dias Transcurridos
50 χ2 /nd f 2.791/4
P0 0.1107 ± 0.0003577
P1 3.42 ± 0.001996
40
Radio (km) 30
Figura 1.9: Fotografías de la mancha de petróleo en agua. Cada tono 20

indica un día diferente. Extraído de [5]. Los datos de este ejercicio
10
son ficticios.
Pero si se hace una gráfica log-log, los puntos describen
—
—
1 2 3 4 5 6
una línea recta que es una buena indicación de que el petró- d (días)
leo se esparce siguiendo una función potencial: r = P0 d P1 .

Figura 1.10: Gráfica del radio de la mancha de petróleo en función
Usando la función potencial definida en el Ejemplo 4 para de los días transcurridos. Los puntos tienden a una función poten-
hacer el ajuste, se encuentra una buena concordancia (Grá- cial.
fica 1.10).
1.6 Instrucciones de la Práctica: Análisis Gráfico y Numérico
Introducción: Cómo analizar los datos provenientes de un experimento? Cómo compro-

bar un modelo teórico? Cómo calcular los parámetros de dicho modelo? Cómo modelar un
experimento? estas son preguntas que se van a tratar de responder en este laboratorio. Para
tal fin, se le dará datos experimentales a los cuales se le hará un tratamiento gráfico, numéri-
co, un ajuste al modelo teórico; o en los casos que se carece de un modelo, deducir la relación
matemática entre las variables del sistema.
Material: Regla plástica.
Procedimiento: Se realiza un procedimiento donde se analiza los datos de un experimento.
Los Ejemplos 1-6 pueden ayudar.
Linealización de la Ecuación: Se escogen las variables a linealizar. O se puede pasar direc-
tamente a las gráficas lineal, semi-log o log-log.
Modificación de la Tabla de Datos: Se añaden columnas a la Tabla como producto de hacer
operaciones sobre los datos, sugerido por el método de linealización.
Análisis Numérico: En los casos en que se pueda implementar, se puede añadir una colum-
na producto de hacer operaciones sobre los datos. La distribución gausiana debe mostrar
que esta cantidad permanece constante.
10 Instrucciones de la Práctica: Análisis Gráfico y Numérico
Análisis: El análisis de los datos abarca lo siguiente:

Gráfica de datos: Aquí se grafican los datos, usualmente con las variables linealizadas. Se
espera una línea recta.
Calidad del ajuste y Cálculo de parámetros: Se ajustan los datos al modelo matemáti-
co. Un buen ajuste debe dar un valor entre 0.5 ≤ χ2 /ndf ≤ 2.5. Luego se determinan los
parámetros físicos del modelo. Si se carece de un modelo, se puede pasar directamente a
la gráfica de datos con el cual poder hacer un modelamiento del sistema, buscando la cur-
va que mejor se ajuste a los datos. Finalmente puede dar sus conclusiones, incluyendo una
discusión de la consistencia del modelo o del modelamiento realizado por usted.
Análisis Gráfico y Numérico

Autores(código): ,
,
,
Programa: Fecha: Grupo:
1. Procedimiento y Análisis
De manera similar a lo que se hizo en los ejemplos. Haga un análisis de los siguientes expe-
rimentos:
1.1. Linealización. En este experimento va a linealizar el modelo correspondiente a fin de
ajustar los datos a una línea recta. El ejemplo 2 puede ayudarte.
Ondas en un resorte: “Considere un experimento donde estudiantes producen ondas en un resorte
agitándolo a cierta frecuencia, y midiendo la longitud de onda de las ondas resultantes (Tabla 1.7). La
teoría dice que la longitud de onda producida, λ, y la frecuencia, f , son inversamente proporcionales:
λ = kf , donde k es la constante de proporcionalidad [6]. Los datos obtenidos son los siguientes.”
Frecuencia f (Hz) Longitud de Onda λ ± 0.1 (m)

1.98 10.1
1.01 19.7
0.68 29.0
0.49 40.4
0.41 48.4
0.32 61.8
0.29 68.4
0.25 79.1
Tabla 1.7: (Describa la Tabla y sustente sus datos) ✎
Linealice de la ecuación λ = kf . Identifique las variables linealizadas: ✎
Modifique la Tabla de datos 1.7 añadiendo las nuevas variables del proceso de linealización:✎
Análisis Numérico: ¿de acuerdo al modelo qué cantidad permanece constante? Consigne el resul-
tado de la operación en la Tabla 1.7 y su resultado final de la distribución gausiana en la última fila.
Justifique sus razonamientos a continuación.✎
Grafique los datos linealizados, ajuste la curva, discuta la calidad del ajuste, y estime parámetros.
¿Coincide con el resultado numérico?:✎
➭
1.2. Relación no lineal.

En el siguiente experimento no va a linealizar la ecuación, sino que va a crear su propia
función proveniente del modelo a fin de ajustarla a los datos. Siga un proceso similar a los
Ejemplos 4 y 5.
Carga de un capacitor: “La ecuación, V (t) = V0 1 − e −t/RC , describe el voltaje, V, en

función del tiempo, t, durante la carga de un condensador de un circuito RC (Resistencia-

Capacitancia) sometido a un voltaje constante V0 ”.
t (s) 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90
V ± 0.02 (V) 0 4.07 7.30 9.89 11.94 13.58 14.88 15.92 16.75 17.41 17.94 18.36 18.69 19.00 19.17 19.34 19.47 19.58 19.67
Ayuda: de acuerdo a los ejemplos 4 y 5, cree su propia función de ajuste:

[] TF1 *Voltaje=new TF1("Voltaje","[0]*(1-exp(-x/[1]))") , donde los parámetros de la
función son [0] → V0 y [1] → RC y x → t. Ahora, puede ocurrir que no logre un buen ajuste
en el primer intento; la nota de pié de página de la sección 1.4.3 te ilustra que debes cambiar
los parámetros iniciales para lograr un ajuste convergente.
Escriba las instrucciones en el Root para lograr ajustar la función a los datos experimentales:✎
Calidad del ajuste y Cálculo de Parámetros (determine V0 y el producto RC) 4 :✎
➭
4 Nota:
es recomendable que vaya a la página 7, y lea la nota de pié de página para que logre un ajuste
correcto de los datos experimentales. Use el comando exp() para la función exponencial.
1.3. Modelamiento.
Aquí no hay un modelo, usted va a crear el modelo. Tantee ajustando sus datos a funciones
conocidas que se comporten de la manera que lo hace la gráfica. Si el ajuste es bueno sin
duda esa función puede describir el modelo. El ejemplo 6 puede ayudar.
Crecimiento de la hoja de una especie de árbol: a continuación se tiene una muestra en ta-
maño real del crecimiento inicial de las hojas de una especie de árbol en función del número
de días transcurridos. Mida el largo de la hoja, haga una tabla de datos, grafique y ajuste sus
datos. De acuerdo con su modelo ¿qué largo tendrá una hoja en 35 días? (Nota: estos datos
son ficticios y quizás sólo funcionen para los primeros días del crecimiento de la hoja.)
1 cm
0 días
15 días
5 días
10 días
25 días
20 días
Figura 1.11: Mida con una regla el largo de cada hoja y grafique
el largo de los mismos como función de su edad. En la parte
superior se encuentra la escala del valor de un centímetro.
30 días
Descubra la “ley de crecimiento inicial” de las hojas de esta especie [3].✎
➭
2. Discusión y Conclusiones (¿Cómo analizó los datos provenientes del experimento?, ¿Cómo comprobó
el modelo teórico?, ¿Cómo calculó los parámetros de dicho modelo?, ¿Cómo modeló el experimento?, ¿Qué resultados
obtuvo?. Discuta la calidad de los ajustes)✎
A Tabulación y Representación Gráfica
A.1 Diseño de un Experimento Controlado

Cuando los científicos llevan a cabo experimentos lo que a menudo intentan determinar es
cómo afecta una determinada variable otra variable. Esto significa que el experimento se
debe diseñar de tal manera que cuando el experimentador cambia una variable, se pueda
medir el efecto de dicho cambio sobre una segunda variable. Pero el experimentador no
tendría manera de saber qué variable fue la responsable de los resultados si hay un cambio
en cualquier otra variable que afecte a la segunda variable. Por esta razón, los científicos
siempre tratan de llevar a cabo experimentos controlados. Es decir, se elige una variable para
manipular en el experimento, se observa su efecto sobre una segunda variable, manteniendo
constantes todas las demás variables en el experimento.
En resumen, sólo hay dos variables que pueden cambiar en un experimento bien diseñado.
La variable manipulada por el experimentador se llama variable independiente. La variable
dependiente es la que responde a, o depende de la variable que se manipula. Cualquier otra
variable que podría afectar el valor de la variable dependiente debe mantenerse constante.
Podríamos llamar a estas variables las variables controladas. Cuando un experimento se lleva
a cabo con una (y sólo una) variable independiente y una (y sólo una) variable dependiente
mientras se mantiene todas las demás variables constantes, es un experimento controlado.
A.1.1 Ejemplo de un experimento controlado

Suponga que un experimentador quiere conocer cómo el cambio de la masa de un péndulo
afecta su período (tiempo que tarda en dar una oscilación completa). Para ello, debe mante-
ner todas las demás variables constantes. Debe asegurarse de que la longitud de la cuerda
del péndulo no cambie. De que la distancia de donde es soltado el péndulo (su amplitud) no
cambie. La longitud del péndulo y la amplitud son variables que deben mantenerse cons-
tantes a fin de tener un experimento controlado. La única cosa que usted cambia deliberada-
mente es la masa del péndulo. Ésta sería considerada la variable independiente, porque usted
decide qué tanta masa le coloca al péndulo en cada ensayo. Hay tres resultados posibles
en este experimento. 1. si la masa se incrementa, el período se incrementa. 2. Si la masa se
incrementa, el período disminuye. 3. Si la masa se incrementa, el período permanece inalte-
rado. Visto que usted está comprobando el efecto del cambio de la masa sobre el período, y
dado que el período puede depender del valor de la masa, el período se considera la variable
16 Registro de Datos
dependiente.
A.2 Registro de Datos

¿Cómo puede un científico determinar si dos variables están relacionadas entre sí? E n pri-
mer lugar debe registrar datos del experimento. Los datos primarios (o datos que se recogen
directamente en el trabajo experimental) se registran inmediatamente en una tabla de da-
tos tal como fueron medidos en el laboratorio. Es importante hacer una tabla de datos bien
organizada. Se debe anotar los datos primarios con tinta no borrable, a fin de que no borre
accidentalmente porciones de dato que podría necesitar más adelante. Si piensa que algún
dato es erróneo, trace una línea sobre él a fin de mantener registrado el dato. Después, si
usted decide que el dato original era correcto, aún estará disponible para su lectura.
A.2.1 Ejemplo de un registro de datos

Retomemos el ejemplo experi-
Experimento del Péndulo.
mental del péndulo de la Sec- Masa (±0.1) (g) Tiempo para 10 Oscilaciones (s) Período (s)*
ción A.1.1. Los datos del expe- 20.0 15.6 ± 0.2 1.56 ± 0.02
rimento están en la Tabla A.1. 40.0 15.7 ± 0.1 1.57 ± 0.01
La variable independiente, la 60.0 15.6 ± 0.2 1.56 ± 0.02
masa, se encuentra en la pri- 80.0 15.5 ± 0.2 1.55 ± 0.02
100.0 15.41 ± 0.06 1.541 ± 0.006
mera columna. Los científicos
Período = 1.558 ± 0.007 s
han acordado siempre colocar
la variable independiente en la Tabla A.1: Experimento del péndulo, Período en función de la Masa. *El
columna de la izquierda. Cada período se calculó midiendo tres veces el tiempo que tarda una misma
vez que se hace un acuerdo, y masa en dar 10 oscilaciones completas y luego dividiendo el resultado por
10. En el experimento se mantuvo fijo la longitud de la cuerda = 76.2 cm
se establece como norma, se lla- y la amplitud de oscilación = 10◦ .
ma convención. Es convencional,
por lo tanto, colocar la variable independiente en la columna del extremo izquierdo de
la tabla de datos. Los datos de la segunda columna fueron medidas directamente del
experimento, para cada valor de masa. En cada caso, el experimentador hizo tres ensayos 1 ,
y usando la distribución gausiana, determinó la medida y su error del tiempo que tarda
el péndulo en dar diez oscilaciones completas. Así que los datos de la primera y segunda
culumna son primarios, medidos directamente del experimento. Mientras que los datos de
la tercera columna son el resultado de hacer operaciones sobre los datos primarios. Esta
columna se hace después de la toma de datos directos del experimento. Normalmente, las
columnas que provienen de operaciones sobre otros datos se identifican con un “ * ”.
Como se observa en la Tabla, en la cabecera de cada columna se indica el nombre de la
cantidad física medida y/o el símbolo seguido por las unidades. Es conveniente elegir las
unidades (o las potencias de 10 adecuadas) para que los números queden expresados en el
1 Es
importante hacer más de un ensayo, pues si se obtienen valores significativamente diferentes, implica
que hay un error en el método o en la configuración del equipo que causa el problema. En el primer caso, esto
se soluciona repitiendo la medida. Si la medida persiste se necesita hacer más ensayos a fin de determinar el
valor apropiado.
Tabulación y Representación Gráfica 17
rango entre 0.1 y 1000. En el caso de que, como consecuencia de lo indicado, todos los valo-
res de una columna de datos incluyan un mismo factor potencia de 10, se podrá prescindir
del mismo, indicando en la cabecera de la columna la magnitud correspondiente multipli-
cada por el factor del que se ha prescindido en la columna de valores experimentales. Los
errores en la estimación de cada magnitud se pueden poner en la cabecera de la columna
correspondiente, si son comunes a todas las medidas; si no, pueden ponerse enseguida de
cada medida.
El título que aparece encima de la Tabla nos permite identificar el tipo de experimento reali-
zado, o la fase en la que nos encontramos del mismo. Una descripción más completa, resal-
tando los aspectos más importantes del experimento deben ser descritos en la parte inferior
de la Tabla. Explicando, por ejemplo, cómo se obtuvieron las columnas provenientes de ha-
cer cálculos sobre las medidas directas o primarias, u otras.
Una vez los datos son recolectados, se procede a preparar los datos para graficarlos. En mu-
chos experimentos, antes de graficar, se necesita manipular los datos, para que estén listos.
Por ejemplo, el experimento del péndulo está diseñado para mirar el efecto que produce el
cambio de la masa del péndulo sobre su período. El período se define como el tiempo que
tarda en dar una oscilación completa. En un esfuerzo por reducir el error asociado cronome-
trando el tiempo, el experimentador decidió medir el tiempo para 10 oscilaciones en vez de
una, pero esto requiere hacer un cálculo adicional para determinar el período.
A.2.2 Análisis numérico

Algunas de las columnas de tabla de datos están reservadas para calcular constantes, pará-
metros o cantidades físicas que no varían en el experimento. Por ejemplo, en la Tabla A.1,
el período es una constante, pues su distribución gausiana así lo muestra la cual presenta
un error pequeño, valor que se puede apreciar en la última fila. Podemos concluir de este
razonamiento numérico que el período no depende de la masa del péndulo. Este resultado
también puede verse graficando los datos.
A.3 Representación Gráfica de Datos
Una vez los datos estén listos, es necesario determinar la relación entre las dos variables del
experimento. Se debe hacer un gráfico (o a veces una serie de gráficos) con los datos de la
tabla a fin de determinar la relación entre la variable independiente y dependiente. los datos
de la Tabla A.1.
Parte de la investigación de la conexión entre cantidades físicas en un experimento, implica
realizar una gráfica apropiada. En general, las gráficas en física, son del tipo conocido como
gráficas de dispersión. Las gráficas ofrecen un entendimiento conceptual de la relación entre
variables, y es usada usualmente como ayuda en la formulación de enunciados matemáticos
que describan esa relación. Una gráfica correcta debe contener las características dadas a
continuación:
18 Representación Gráfica de Datos
Características de una gráfica bien hecha
1. Título: que describa el experimento. Este título debe ser descriptivo del experimento y
debe indicar la relación entre las variables. Es usual que el título de las gráficas sea de
la forma VARIABLE DEPENDIENTE CONTRA VARIABLE INDEPENDIENTE. Por
ejemplo, si el experimento se diseñó para deducir cómo el cambio de la masa del pén-
dulo afecta su período, la masa del péndulo es la variable independiente y el período
en la variable dependiente. Un buen título podría ser PERÍODO EN FUNCIÓN DE LA
MASA EN UN PÉNDULO.
2. Variables: En un experimento se suele variar una magnitud (variable independien-

te) con el fin de observar el efecto que se produce sobre otra (variable dependiente).
Por convenio se representa la variable independiente en abscisas (eje horizontal) y la
variable dependiente en ordenadas (eje vertical).
3. Ejes y Escalas:
El gráfico debe abarcar todo el espacio asignado. Si se ha reservado toda una hoja
para el gráfico, éste debe ser tan grande como el tamaño de la hoja hasta donde la
escala lo permita.
Como ya hemos dicho, los ejes tienen, por convenio, una función predetermina-
da: sobre el eje horizontal se representa la variable independiente (la que nosotros
variamos) y sobre el vertical la variable dependiente (la que nos muestra el efec-
to). Los ejes deben llevar claramente indicada la magnitud que representan, el
intervalo de medida y las unidades en que se expresan los datos.
La elección de los intervalos que determinan la escala no es arbitraria: el intervalo

representado en el eje debe concordar con el rango de la magnitud representada,
de manera que todos los datos figuren dentro de la gráfica y ocupen la mayor
parte del área de ésta.
Los ejes deben llevar indicaciones del valor de la magnitud a intervalos regulares,
que no tiene por qué coincidir con los valores de los puntos experimentales; es
decir, una misma longitud de eje no puede corresponder a dos intervalos distintos
de valores de la magnitud.
No es necesario marcar el valor de todos y cada uno de los intervalos y sí deben

ser elegidos de forma que el valor de la magnitud se lea con comodidad (por
ejemplo, múltiplos o submúltiplos de 10).
No es necesario que el origen, el punto de coordenadas (0,0), esté incluido en la

gráfica.
Tabulación y Representación Gráfica 19
4. Representación de los datos medidos: Las re-

presentaciones gráficas deben llevar claramente
indicados los datos obtenidos experimentalmen- y0 + ∆y
te; para ello es necesario señalarlos sobre la grá-
( x0 , y0 )
fica con un símbolo cuyo tamaño y forma permi- ∆x
ta apreciarlos (y distinguir unos de otros cuan- y0 b
do correspondan a diferentes conjuntos de me-

∆y
didas, que se suelen denominar series).
Puesto que todos los puntos experimentales van
acompañados de un cierto grado de error, es re-
comendable, siempre que sea posible, hacer la x0 x0 + ∆x
representación de dichos puntos acotando una Figura A.1: Punto típico en la representación
gráfica de datos.
región dentro de la cual cualquier punto puede
representar el valor real de la observación, de acuerdo con la escala empleada (ver
figura A.1).
La no acotación en la representación gráfica de
un punto experimental, se interpreta como la im-
b
posibilidad de representar el error (por ser muy
pequeño). En estos casos es conveniente repre-
Errores
indicados
Región de
observación
Errores no
indicados
sentar los puntos mediante un pequeño círcu-
Figura A.2: Formas de presentar la existen- lo (ver Figura A.2). La gráfica A.3 es un ejemplo
cia o no del error en una gráfica. preparado apropiadamente de los datos de la Ta-
bla A.1 del Período contra la Amplitud del
experimento del péndulo descrito anteriormente. observe que esta gráfica contiene
todas las características de una gráfica bien hecha.
20 Representación Gráfica de Datos
Periodo en Función de la Masa en un Péndulo TITULO
2.0
1.9
1.8
BARRA ERRORES
Periodo(s)
1.7
1.6
1.5
Variable
dependiente 1.4
(con sus PUNTO DE DATOS
unidades) 1.3
1.2 LINEA MEJOR AJUSTE
1.1
1
20 30 40 50 60 70 80 90 100
Masa (kg) Variable independiente (con sus unidades)
Figura A.3: Ejemplo de una gráfica.
B Análisis Gráfico y Modelos Matemáticos
El propósito de hacer un experimento en ciencias es tratar de averiguar cómo se comporta

la naturaleza bajo ciertas restricciones. En la física, esto a menudo se reduce a tratar de
encontrar la relación entre dos variables en un experimento controlado. A veces, la tendencia
de los datos pueden ser fácilmente identificado con sólo mirar los datos primarios. Pero esta
tendencia se hace más clara cuando se observa en un gráfico (las recomendaciones para
tabular y graficar se dan en el apéndice A).
Una vez tabulados los datos así como los valores de las magnitudes provenientes de hacer
operaciones sobre los datos primarios, es conveniente representar los resultados en un grá-
fico. La representación gráfica viene a ser lo más representativo del fenómeno que se está
estudiando y en su interpretación se reflejará el comportamiento límite del fenómeno bajo
las condiciones en que se realizó y además algunas informaciones matemáticas como por
ejemplo la función matemática que mejor lo represente. Además, la representación gráfica
permite obtener valores que aún no han sido obtenidos experimentalmente, es decir, valores
entre puntos. Dicho proceso se llama interpolación. El proceso para obtener valores fuera del
intervalo experimental recibe el nombre de extrapolación.
En general, usted puede enfrentarse a dos tipos de situaciones:
1. Usted tiene una teoría que da la relación funcional entre las variables, pero la teoría
contiene parámetros que es necesario determinar.
2. Usted no tiene ninguna teoría que relacione las dos variables.
Examinemos a continuación cada caso.
B.1 Comprobación Experimental de un Modelo Teórico

En el análisis de un problema físico se puede partir de la teoría que predice una cierta ley
física la cual se expresa con una ecuación cuya forma matemática nos guiará en el análisis
de la forma del gráfico. Es decir, graficando los valores experimentales se tendrá una curva
uniforme que muestra la tendencia de los puntos. Enseguida se compara la forma de la
curva obtenida, con aquello predicho teóricamente. Si concuerdan, ello corresponde a una
comprobación experimental de la ley física considerada.
En los casos más simples, un “modelo” es una función que hace predicciones de los datos
medidos. Muy a menudo, el modelo depende de parámetros. Tal modelo puede ser tan
simple como que “la corriente I es proporcional al voltaje V”, y la tarea del experimentalista
consiste en determinar la resistencia, R, a partir de un conjunto de medidas.
Como primer paso se necesita visualizar los datos. Luego, se hacen manipulaciones típi-
cas, como por ejemplo correcciones o transformaciones de los parámetros. Una de las espe-
cialidades de la física experimental son los inevitables errores que afectan la medida y su
visualización debe ser incluida. Finalmente, las medidas se comparan con el modelo, y los
parámetros libres del modelo
deben ser determinados en este 1.0
proceso. 0.9 b
La Figura B.1 es un ejemplo 0.8 b
de una función (modelo) que b b
y = f (x)
0.7 b
se ajusta a los datos. Se cuen- b
0.6
ta con varios métodos típicos, b
b
las cuales se pueden implemen- 0.5

b
b b
tar usando las diferentes herra- 0.4

b
mientas disponibles para el aná- 0.3 Datos b
lisis de datos. Incluso se dispo- Modelo

b
0.2
ne de medios para cuantificar el 0 1 2 3 4
x
grado de concordancia entre las Figura B.1: Datos medidos con sus errores y la función cuadrática de
medidas y el modelo. ajuste [7].
B.1.1 Relación Lineal

Una relación lineal entre las variables x e y del tipo
y = mx+b (B.1)
es tal vez la más simple de todas. La representación gráfica de (B.1), es decir de y( x ), arro-
ja una línea recta, de pendiente m y que corta al eje vertical en b (ordenada al origen). El
intercepto con el eje vertical da el valor de la variable dependiente cuando la variable inde-
pendiente es zero. La proporción directa ocurre cuando, una variable se incrementa en cierto
factor, la otra variable se incrementa en el mismo factor. Por consiguiente, gráficamente, una
proporción directa no sólo debe ser lineal sino que pasa a través del origen de coordenadas.
Es decir, en una proporción directa b = 0, la ecuación se reduce a y = m x (en otras palabras
y ∝ x y el factor de proporcionalidad es m).
La dependencia de y con x en (B.1) 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. No sería una
exageración afirmar que éste es el único caso en que esta discriminación puede hacerse a
simple vista. Es por ello que tiene gran importancia en el análisis de datos experimentales.
Por lo tanto es útil linealizar la curva cuando ésta no sea una recta.
B.1.2 Linealización de una Ecuación

Muchas veces, como paso intermedio en el análisis de datos, consiste en linealizar una ecua-
ción cuando ésta no se ajusta a una línea recta. La linealización se puede aplicar, en general,
Análisis Gráfico y Modelos Matemáticos 23
para cualquier tipo de ecuación, si bien esto implica tener que añadir columnas adicionales
a la tabla de datos proveniente de manipular los datos primarios.
El truco para linealizar se aprecia mejor a través un ejemplo.
Procedimiento para Linealizar una ecuación

Consideremos la ecuación de estado para un gas ideal,
PV = RT (B.2)
donde P es la presión, V el volumen, T la temperatura y R es la constante del gas ideal.

Realicemos un experimento controlado en el que variamos la presión y medimos el volumen
mientras se mantiene constante la temperatura. Esto significa que la variable independiente (el
valor que controlamos) es la presión P. La variable dependiente sería entonces el volumen V.
R y T son constantes. Se realiza el experimento y se registran los datos de P y V. Antes de
representar gráficamente los datos, debemos asegurarnos de tener una relación lineal entre
la variable independiente y dependiente. En otras palabras, necesitamos ver si la ecuación
es de la forma lineal: y = m x + b. Esto se consigue si reorganizamos la ecuación (B.2) a la
forma
V = RT P1 + 0
↓ ↓ ↓ ↓
y = m x + b
para que ambas ecuaciones coincidan. La variable y (eje y) es equivalente a V, la m (la pen-
diente) es equivalente a RT, la x (eje x) es equivalente a 1/P, y la b (el intercepto con el eje y)
es equivalente a 0.
Así que, para obtener una línea recta debemos hacer una representación gráfica de V en
función de 1/P. Es decir, hemos “forzado” la curva para que sea una línea recta.
Antes de graficar debemos añadir una nueva columna, con el título 1/P, a nuestra tabla de
datos. Se toma cada uno de los datos de presión, incluyendo el error, y es dividido por 1,
registrando este nuevo valor en una columna adicional. Esto nos permitirá hacer una gráfica
de V en función de 1/P, que nos dará una gráfica lineal.
Otra forma de linealizar un modelo es usar escalas logarítmicas, pero es un procedimiento
más restrictivo, pues es válido solamente para un número reducido de ecuaciones. Veamos
a continuación en qué consiste.
Función exponencial
Una función exponencial es de la forma
y = A e Bx (B.3)
donde e es la base de los logarítmos naturales (número de Euler) y, A y B son constantes.

Esta función no es lineal, por tanto su representación gráfica (y en función x) mostrará algún
tipo de curvatura.
Para analizar gráficamente la relación exponencial, se aplica el logarítmo natural a la ecua-

ción (B.3), es decir ln y = ln( Ae Bx ) = ln A + ln e Bx = ln A + Bx, por tanto
ln y = B x + ln A.
Si definimos Y ≡ ln y y C ≡ ln A, la ecuación anterior toma la forma Y = B x + C, que es la
ecuación de una línea recta de pendiente B y de intercepto C. Así que si graficamos Y contra
x (o lo mismo, ln y contra x) y obtenemos una línea recta, de donde podemos inferir que
nuestros datos pueden ser descritos por una función exponencial. Un gráfico de ln y contra
x se le llama usualmente un gráfico semi-log.
Función potencial
Una función potencial (o ley de potencias) corresponde a una ecuación de la forma
y = A xB, (B.4)
donde A y B son constantes. Por ejemplo si B = 2 tenemos una ecuación cuadrática. En
general, una función potencial exhibe una curvatura.
De nuevo, aplicamos el logarítmo natural a la función potencial (B.4). Y como veremos, este
proceso linealiza la ecuación: ln y = ln( Ax B ) = ln A + B ln x, obteniendo el resultado
ln y = B ln x + ln A.
Si definimos dos nuevas variables Y ≡ ln y y X ≡ ln x y una nueva constante C ≡ ln A
entonces la ecuación anterior se transforma en Y = BX + C que corresponde a una línea
recta.
Por consiguiente, para ver si nuestros datos son consistentes con la función potencial, hace-
mos una representación gráfica de Y contra X (es decir, de ln y contra ln x). Esta gráfica es a
menudo llamada gráfica log-log. Si los datos se ajustan a una línea recta en un gráfico log-log,
entonces podemos decir que los datos son consistentes con una ley de potencias.
B.1.3 Relación no lineal

Debido a la disponibilidad de programas computacionales potentes, como por ejemplo el
ROOT 1 , con el se puede ajustar cualquier tipo de curva a los datos experimentales por el
método de cuadrados mínimos, y donde la calidad del ajuste se puede apreciar del valor
χ2 /ν; actualmente, esto resulta más conveniente, que hacer linealizaciones de los modelos
teóricos. Generalmente, lo que se busca en las linealizaciones es hacer ajustes “a ojo“ de los
parámetros del modelo; este método da buenos resultados, pero el método de cuadrados
mínimos implementado en un computador estandariza el proceso. Al no ser necesario li-
nealizar, se evita tener que añadir columnas adicionales en las tablas de datos, agilizando de
esta manera el proceso.
En definitiva, en la comprobación experimental de un modelo teórico se puede usar cual-
quiera de los métodos expuestos previamente, y queda en manos del experimentador usar
el método que más le convenga.
1 Una sencilla guía para su uso básico lo puede encontrar en la Referencia [2]
Análisis Gráfico y Modelos Matemáticos 25
B.2 Deducción de un Modelo Matemático

En muchos casos, ocurre que el experimento carece de un modelo matemático para ajustar
a los datos experimentales. Más bien, lo que se pide en estos casos es que usted mismo, a
partir de sus datos experimentales, encuentre la ley matemática que relaciona las variables
del sistema .
Este es un problema desafiante. Lo primero es hacer una gráfica de sus datos experimenta-
les. A partir de la observación de la gráfica tratar de deducir la regla matemática que siguen
estos datos. Si la gráfica es una línea recta el proceso es fácil, pero si se trata de una curva
el proceso es más difícil y quizás la experiencia y habilidades puedan ser de mucha ayu-
da. El comportamiento de la gráfica puede dar pistas, pues podría tratarse de una función
potencial o exponencial, entre otras.
Un buen comienzo es hacer gráficas semi-log y log-log de sus datos experimentales con el
objetivo de que quizás sus datos se ajusten a una línea recta; y de ser cierto, la función de
ajuste es exponencial o potencial respectivamente. Métodos más elaborados en el análisis
puede incluir el uso de argumentos físicos y algorítmos computacionales.
En general, el proceso por ensayo error, tanteando con diferentes funciones teóricas puede ser-
vir en el modelamiento del problema. En cada caso, el valor χ2 /ν permite aceptar o descartar
la función de ajuste de los datos experimentales por el método de cuadrados mínimos. La
recolección de más medidas puede servir para dar resultados más concluyentes de la inves-
tigación.
26 Deducción de un Modelo Matemático
C Periodo de Oscilación de un Resorte no Ideal
Consideremos la oscilación de un cuerpo unido a un resorte y tomemos en cuenta la masa

del resorte mr , y demostremos la relación (??).
Consideremos un sistema masa-resorte en posición horizontal, despreciemos la fuerza de
rozamiento entre la mesa y el bloque. Sea x la deformación del resorte o la separación de su
posición de equilibrio [8].
El problema se resuelve encontrando la energía mecánica total del sistema y suponiendo que
se conserva. La longitud del resorte cuando la masa m está en equilibrio es l0 , en cualquier
otro instante es l. La posición de un elemento infinitesimal dy del resorte es y y varía entre 0
y l. Sea v la velocidad del bloque, con v = dx/dt. El elemento de masa dmr correspondiente a
dy es dmr = µdy, donde densidad lineal de masa µ = mr /l. La velocidad de dicho elemento
es vy , con vy = dy/dt. Supongamos que vy es proporcional a y, siendo 0 para y = 0 y v para
y = l; lo anterior se expresa como vy = (v/l )y.
La energía cinética de dmr es,
1 1 1 mr v2 y2 1 mr v2 2
dEc,r = (dmr )v2y = (µdy)[(v/l )y ]2 = dy = y dy.
2 2 2 l l2 2 l3
Para hallar la energía cinética del resorte debemos integrar enre 0 y l.
1 mr v2 1 mr v2 l 3
Z l
11
Ec,r = y2 dy = ( )= mr v2 .
2 l3 0 2 l 3 3 23
La energía cinética del bloque es Ec,b = 21 mv2 , la energía potencial elástica del sistema es
E p = 21 kx2 , la energía total sería entonces:
1 2 1 2 11
mv + kx +
E = Ec,b + Ec,r + E p = mr v2 .
2 2 23
Como E se conserva su derivada temporal debe ser cero,
dE 1 dv dx
= 0 = (m + mr )v + kx ,
dt 3 dt dt
donde v = dx/dt y dv/dt = d2 x/dt. Reemplazando los términos,
d2 x k
2
+ mr x = 0. (C.1)
dt m+ 3
28
D Cantidades Físicas
El valor de las cantidades físicas puede variar dependiendo de la presión y temperatura a

las cuales son sometidas. Las cantidades que vamos a dar a continuación son medidas bajo
condiciones ambientales de temperatura y presión.
Cantidad Símbolo Valor (SI)

Densidad del agua - 1000 kg/m3
Densidad del plomo ρ Pb 11340 kg/m3
Densidad del mercurio ρ Hg 13579.04 kg/m3
Densidad gasolina 700 kg/m3
Densidad hielo 900 kg/m3
Densidad aire 1.3 kg/m3
Densidad del etanol (alcohol etílico) - 789 kg/m3
Densidad Aluminio ρ Al 2700 kg/m3
Presión atmosférica 1 atm 1.013 × 105 Pa
Módulo de Young cobre Ycu 12.7 × 1010 N/m2
Módulo de Young acero Yacero 20.0 × 1010 N/m2
Viscosidad del agua - 1.003 × 10−3 Pa s
Viscosidad del aire - 1.83 × 10−5 Pa s
Tensión superficial agua - 72.5 × 10−3 N/m
Aceleración de la gravedad g 9.78 m/s2
Velocidad sonido en el aire - 343 m/s
Tabla D.1: Constantes Físicas.

30
Bibliografía
[1] Universidad de los Andes. Laboratorio de Física I. Núcleo Universitario Rafael Rangel",
2007.
[2] Yithsbey Giraldo and Fredy Santacruz. Guía de Laboratorio de Física I. Editorial Universi-
dad de Nariño, 2012.
[3] S. Gil and E. Rodríguez. Física Recreativa. Prentice Hall, Universidad de Buenos Aires,
2012.
[4] M. F. Filadoro. Introducción a las Ciencias Experimentales. Universidad de San Andrés,

2002.
[5] E. Rodríguez. Phys. Teach., 36(1):435, 1998.
[6] Deborah and Rex Rice. Student Guide to Graphical Analysis. AAPT, 2002.
[7] D. Piparo, G. Quast, and M. Zeise. A Root Guide for Students: Diving Into Root. Institut für
Experimentelle Kernphysik, 2012.
[8] E. Galloni and M. Kohen. Influence of the mass of the spring on its static and dynamics
effects. Am. J. Phys., 47:1078, 1979.
31

Fis2 Lab1

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Fis2 Lab1

Cargado por

Copyright:

Formatos disponibles

1 Análisis Gráfico y Numérico

Programa: Fecha: Grupo:

Lea cuidadosamente la descripción completa del laboratorio (incluyendo los Apéndices A

2. Considere las siguientes magnitudes físicas: R : Resistencia, T : Temperatura, M : Masa,

3. En el Ejemplo 2 se linealizó la ecuación, x = 21 a t2 ; y en Ejemplo 4 se usó la función po-

Deformación Resorte en Función de la Masa

4. Realice una interpolación de la siguien-

Las gráficas se utilizan para estudiar y comprender el mecanismo de un fenómeno observa-

1.3 Fundamento Teórico

En cualquier experimento, solamente se hace un número limitado de medidas de las can-

1.4 Comprobación Experimental de un Modelo Teórico

Demos a continuación ejemplos de cada uno de los casos estudiados en el Apéndice B. En

1.4.1 Relación Lineal

Tabla 1.2: Tabla de datos de un balín que rueda a lo largo de una

Posición en Función del Tiempo al Cuadrado de un Balín que Rueda

ajustan a una línea recta.

Esto sugiere añadir una nueva columna a la Tabla original

can en la tercera columna de la Tabla 1.3, a fin de linealizar

Tiempo t (min) Población P(t) ± 500 2000

0 4 999 000 1000

cual se implementa fácilmente en el ROOT al introducir

una escala logarítmica 1 , en este caso sólo para el eje Y.

la función potencial, que llamamos mifun, con dos párame- 200

coinciden plenamente con los valores obtenidos en el Ejem-

1.4.3 Relación no Lineal

Impedancia en Función de la Frecuencia Angular en un Circuito RC

9000 χ2 /nd f 4.084/7

1.5 Deducción de un Modelo

Tabla 1.6: Radio r de una mancha de petróleo en función de los días

Luego, la dispersión del petróleo está dado por: r = P0 d P1 ,

Radio de la Mancha de Petróleo en Función de los Dias Transcurridos

Figura 1.9: Fotografías de la mancha de petróleo en agua. Cada tono 20

leo se esparce siguiendo una función potencial: r = P0 d P1 .

1.6 Instrucciones de la Práctica: Análisis Gráfico y Numérico

Introducción: Cómo analizar los datos provenientes de un experimento? Cómo compro-

Análisis: El análisis de los datos abarca lo siguiente:

Análisis Gráfico y Numérico

Frecuencia f (Hz) Longitud de Onda λ ± 0.1 (m)

Tabla 1.7: (Describa la Tabla y sustente sus datos) ✎

Linealice de la ecuación λ = kf . Identifique las variables linealizadas: ✎

1.2. Relación no lineal.

función del tiempo, t, durante la carga de un condensador de un circuito RC (Resistencia-

Ayuda: de acuerdo a los ejemplos 4 y 5, cree su propia función de ajuste:

Calidad del ajuste y Cálculo de Parámetros (determine V0 y el producto RC) 4 :✎

A.1 Diseño de un Experimento Controlado

A.1.1 Ejemplo de un experimento controlado

A.2 Registro de Datos

A.2.1 Ejemplo de un registro de datos

A.2.2 Análisis numérico

A.3 Representación Gráfica de Datos

Características de una gráfica bien hecha

2. Variables: En un experimento se suele variar una magnitud (variable independien-

La elección de los intervalos que determinan la escala no es arbitraria: el intervalo

No es necesario marcar el valor de todos y cada uno de los intervalos y sí deben

No es necesario que el origen, el punto de coordenadas (0,0), esté incluido en la

4. Representación de los datos medidos: Las re-

ta apreciarlos (y distinguir unos de otros cuan- y0 b

do correspondan a diferentes conjuntos de me-

Periodo en Función de la Masa en un Péndulo TITULO

Figura A.3: Ejemplo de una gráfica.

El propósito de hacer un experimento en ciencias es tratar de averiguar cómo se comporta

2. Usted no tiene ninguna teoría que relacione las dos variables.

Examinemos a continuación cada caso.