Pre-Informe de Laboratorio 1

Tratamiento de Datos Experimentales.

Conceptos:
Cantidades Físicas: Es la característica de un objeto o fenómeno físico capas de ser medido.
También son conocidas como magnitudes y pueden ser escalares o vectoriales.
Medida: Es el resultado de la comparación de una cantidad desconocida mediante un
referente conocido de la misma magnitud que será elegida como unidad.
Magnitud fundamental: Son las magnitudes que no pueden ser expresadas de otra forma, ni
tampoco capaces de expresarse entre sí. Ejemplo: longitud, masa, temperatura, etc.
Cantidad escalar: Es una medida que solo refleja un atributo (magnitud). Ejemplo: el
tiempo es una cantidad escalar.
Cantidad vectorial: El vector expresa no solo la magnitud, sino la dirección y sus
componentes dimensionales. A veces es ciertas medidas necesitan ser expresadas como
cantidad vectorial para ser entendidas.
2. cifras significativas: Son los dígitos que expresan una medida y que aportan alguna
información. Además, son dependientes de su instrumento de medida.
Se rigen o manejan por tres reglas:

1. Los dígitos diferentes de cero siempre son cifras significativas.

2. Los ceros entre dos cifras significativas también son cifras significativas.
3. Los ceros al final de la parte decimal son cifras significativas.

3. Se diferencia en lo que son referentes. La precisión se usa cuando se habla de la

dispersión de datos de una magnitud medida repetidas veces. Entre menor la dispersión,
mayor la precisión. Una forma de medir esto es mediante la desviación estándar.

La exactitud en cambio hace referencia a la cercanía que hay entre el valor medido y el
valor real.

4. Los errores experimentales se pueden dividir en distintos:

Error de escala: se debe a la capacidad finita de medición de los instrumentos de medida,

por ende, el valor se ve redondeado. En instrumentos análogos el error es la mitad de la
precisión, y en digitales es igual a la precisión.
Error aleatorio: Se considera complicado medir directamente, se asume que la influencia de
las medidas es aleatorio y susceptible al tratamiento estadístico. Por ello es conveniente
hacer repetidos experimentos para detectar este error.

Error sistemático: Se debe a mala realización de los procesos experimentales o problemas

con los instrumentos de medida. Los más comunes de este tipo, son los de calibrado y
paralaje.

5. Método de los Mínimos Cuadrados: Para empezar con los mínimos cuadrados se ha de
organizar en la información en una tabla donde habrá dos operaciones. Un producto entre
los datos recogidos ( x∗y ) y ( x 2 ¿

x y x*y x2

I(A) V(v) I(A)*V(v) I (A )2

3 4.5 13.5 9
3.2 4.9 15.68 10.24
3.8 5.6 21.28 14.44
4.1 6.2 25.42 16.81
4.5 6.8 30.6 20.25
5.3 8.1 41.31 28.09
6 8.9 53.4 36

Posterior a la conformación de la tabla se hace la sumatoria de cada una de las columnas

∑ ¿=29.9
¿
¿ ∑ ¿=45
¿
¿ ∑ ¿=2 ¿01.19 ¿ ∑ ¿=134.83
¿
¿

Ahora con estos datos se haya la fórmula de pendiente y=mx+b , pero para ello será
necesario calcular tanto la m como la b.
La m o pendiente se calcula mediante la fórmula:

m=
∑ xy− ( ∑ x∗∑
n
y
)
∑ x 2− ( )
∑ x2
n

Reemplazamos los valores:

 m=
201.19− ( 29.9∗45
7 ) =0.0 125
29.92− ( ) 29.92
7

Ahora con respecto a b, se usa:

b=
∑y
n
−m
∑x
n ( )
Reemplazando:

b=
45
7
−0.0125
29.9
7 ( )
=6.375

Por lo que la recta ajustada sería:

y=0.0125 x +6.375

6. El coeficiente de correlación determina que tan buena es la relación lineal entre dos
variables, o, en otras palabras, que tan conveniente sería hacer un ajuste lineal para explicar
una variable a partir de otra.
σxy
R=
σx σy
Si el coeficiente tiende a cero, la relación lineal de las variables será muy baja o nula. Si por
el contrario tiene a 1 o -1 (dependiendo de la dirección), hay una alta relación lineal.
El coeficiente de determinación, por su parte, dictamina la calidad del modelo para replicar
los resultados, y la proporción de variación de los resultados que puede explicarse por el
modelo.

Entre más cercano a 1 mejor el modelo.

7. El error mínimo cuadrado se define como la diferencia entre el valor real ( y °) y la
estimación de la recta y.
Para calcular el error se usa:

√
2
Σ( y °− y)
S xy=
n−2
8. Linealización: cuando la relación funcional de un dato no coincide con el modelo se ha
de hacer un tipo de arreglo para hacer que el dato cuadre dentro del modelo.