UNIVERSIDAD NACIONAL DE INGENIERIA

FACULTAD DE INGENIERÍA AMBIENTAL

MEDICIONES Y CONTEO DE UNA VARIABLE DISCRETA

PRIMER INFORME DEL CURSO DE FISICA I BFI01G

INTEGRANTES:

AREVALO LOZANO ANTONELLA 20220511I

CHOQUE PECEROS CESAR MOISES 20224061H

CORDOVA PORTELLA EMERSON NDEBEL 20222213E

DAMASO IGNACIO MARIALESSANDRA CRISTINA 20224081I

Docente: Mendoza Rojas Daygord

Lima, Perú

2023
 Índice

Índice.....................................................................................................................2

1. Resumen:.....................................................................................................3

2. Introducción:................................................................................................4

3. Marco teórico:.............................................................................................5

4. Metodología:................................................................................................9

4.1. Materiales:............................................................................................9

4.2. Procedimiento:...................................................................................10

4.3. Objetivo:.............................................................................................10

5. Discusión:..................................................................................................11

6. Cuestionario:..............................................................................................12

7. Bibliografía:...............................................................................................13

8. Anexo:.......................................................................................................14

2
 1. Resumen:
En este laboratorio aprenderemos sobre el concepto teórico de la incertidumbre

o medición de error. Mundialmente, no existen mediciones totalmente exactas y todas

varían en un cierto porcentaje, por ello, es la importancia de medir la incertidumbre, ya

que radica en la necesidad de validar métodos mediante determinación de parámetros

para respaldar estos.

En cambio, la aplicación práctica de la incertidumbre, se toma la forma de un

rango o intervalo, y si se estima para un procedimiento y tipo de muestra definida para

aplicar a todas las determinaciones realizadas del mismo modo.

En este caso usaremos el muestreo para tomar un rango de incertidumbre.

3
 2. Introducción:
En nuestro curso de Física, tiene como criterio de verdad la comparación de las

teorías con los datos surgidos de mediciones. Así se dice que una ley o modelo

representan adecuadamente la realidad como fenómeno físico si las consecuencias que

de ellas se derivan se corresponden con los datos experimentales.

Cualquier afirmación en Física de las consecuencias lógicas que no sean

verificables experimentalmente, carece de autenticidad. Por otra parte, el avance de la

Ciencia se debe en gran medida a la observación de los fenómenos reproducidos en

forma de experimentos a fin de medir con más comodidad, y la formulación de nuevas

hipótesis a partir de esa observación. Con la actividad experimental que genera nuevas

ideas y estas permiten su verificación habría un real incremento en nuestros

conocimientos del mundo en lo que nos rodea.

Esto demuestra la gran importancia del proceso de medición, pero antes de

medir, se debe desarrollar la capacidad de observar ya que supone mirar con atención,

descubrir las principales magnitudes físicas que están involucradas en el fenómeno,

analizar su comportamiento en forma global y estudiar como medirlas.

Puesto que toda conclusión a que se llegue a partir de la experimentación debe

ser susceptible de verificación y además debe ser compatible con el resto del cuerpo de

conocimiento, es imprescindible conocer el grado de confiabilidad de la medición

efectuada.

4
 3. Marco teórico:
Concepto de variable discreta: En física, una variable discreta es aquella que

toma valores separados y distintos, sin posibilidad de interpolación entre ellos. Por

ejemplo, el número de partículas en un sistema, la cantidad de carga eléctrica o el

conteo de eventos en un experimento. Las variables discretas son fundamentales en la

descripción cuantitativa de fenómenos físicos y requieren de métodos adecuados de

medición y conteo.

Medición en variables discretas: La medición de variables discretas implica

determinar el valor numérico correspondiente a cada observación o conteo. Es

importante considerar la precisión y exactitud de las mediciones, así como la

incertidumbre asociada a los resultados. Se pueden utilizar diferentes instrumentos y

técnicas de medición, como contadores, escalas de lectura digital o métodos

estadísticos, dependiendo del fenómeno físico que se esté estudiando.

Técnicas de conteo: El conteo es una herramienta fundamental en la medición de

variables discretas. Existen diversas técnicas de conteo, como el conteo directo, el

conteo por unidades de muestra, el conteo por intervalos o el conteo en tiempo real.

Cada técnica tiene sus ventajas y limitaciones, y es importante seleccionar la adecuada

en función del tipo de variable discreta que se esté midiendo y los objetivos del

experimento.

Errores de medición y conteo: En cualquier medición o conteo, pueden

introducirse errores que afecten la precisión y exactitud de los resultados. Estos errores

pueden ser sistemáticos, como errores de calibración o errores de lectura, o aleatorios,

5
como errores de instrumentación o errores de muestreo. Es importante comprender y

tener en cuenta estos errores en el análisis de los resultados y en la interpretación de los

datos obtenidos.

El valor promedio, también conocido como la media, de n mediciones se calcula

sumando todos los valores medidos y dividiendo el resultado entre el número total de

mediciones (n).

La desviación estándar es una medida estadística que se utiliza para cuantificar

la dispersión o variabilidad de un conjunto de datos. Es una medida de la cantidad

promedio de variación o diferencia entre cada valor individual en el conjunto de datos y

la media del conjunto.

En el presente informe de laboratorio, se realizó un experimento en el cual se

contaron 120 veces la cantidad de frijoles en un puñal. Los datos obtenidos fueron

analizados estadísticamente, y se encontró que la desviación estándar de los resultados

obtenidos es menor a 5. La desviación estándar es una medida de la variabilidad o

dispersión de los datos alrededor de la media, y una desviación estándar baja indica que

los datos son relativamente consistentes o tienen poca variabilidad.

El Método de Montecarlo se aplica en la física en una amplia gama de áreas,

tales como la simulación de procesos estocásticos, la resolución de ecuaciones

6
diferenciales, el cálculo de integrales multidimensionales, la optimización de sistemas,

la modelización de fenómenos cuánticos y la predicción del comportamiento de

partículas subatómicas, entre otros.

El procedimiento básico del Método de Montecarlo implica generar números

aleatorios distribuidos de acuerdo a una distribución de probabilidad específica y

utilizarlos para realizar simulaciones o estimaciones numéricas. Estos números

aleatorios se generan utilizando algoritmos de generación de números pseudoaleatorios,

que producen secuencias de números aparentemente aleatorios pero que en realidad son

determinísticos.

Una vez que se generan los números aleatorios, se utilizan para simular eventos

o procesos físicos en función de las propiedades de probabilidad del sistema que se está

estudiando. Luego, se recopilan y analizan los resultados obtenidos a partir de las

simulaciones para obtener estimaciones aproximadas de las propiedades físicas del

sistema, como promedios, desviaciones estándar, o distribuciones de probabilidad.

El Método de Montecarlo es especialmente útil para resolver problemas físicos

complejos que implican múltiples variables, interacciones no lineales o que no tienen

soluciones analíticas. Además, es una herramienta versátil que puede adaptarse a

diferentes tipos de sistemas físicos y se puede implementar en programas de

computadora para realizar simulaciones numéricas eficientes.

La curva de distribución normal o «Campana de Gauss»; la distribución normal

es una distribución de probabilidad de variable continua que describe los datos que se

agrupan en torno a un valor central. Todo proceso en el que solo existan causas

7
aleatorias de variación sigue una ley de distribución normal. Esta condición que aparece

con frecuencia en fenómenos naturales (de ahí que se la denomine “normal”), puede

obtenerse en los procesos industriales si los procesos se llevan a un estado en el que solo

existen causas comunes de variación

 Los valores de las mediciones tienden a agruparse alrededor de un punto central,

la media

 La representación de los datos es simétrica a ambos lados de la media

 Las desviaciones estándares quedan situadas a igual distancia unas de otras

 La proporción de mediciones situada entre la media y las desviaciones es una

constante

Podemos analizar el comportamiento de los procesos gráficos y determinar su

efectividad tomando como base su grado de aproximación a la curva de distribución

normal a partir de los datos generados y la creación de histogramas que permitan la

comparación con curva de distribución normal.

4. Metodología:

4.1. Materiales:

- Frijoles

8
- Recipiente

- Papel milimétrico

4.2. Procedimiento:

 Coja un puñado de frijoles del tazón una y otra vez hasta obtener un

puñado ni muy suelto ni muy apretado (preferiblemente que una sola persona coja

los frijoles para así evitar incertidumbres muy grandes)

9
  Cuente el número de frijoles obtenidos en cada puñado y calcule su

incertidumbre.

 Se anotan los resultados obtenidos en cada extracción y también se

generó números aleatorios en un rango definido

 Repita el proceso 120 veces.

4.3. Objetivo:

 Reconocer las variables discretas de manera correcta

 Entender que no toda medición es exacta y que siempre tiene una

incertidumbre

 Distribuir de manera adecuada los datos con sus incertidumbres.

 Hay que reconocer que los objetos de medición también presentan

incertidumbre.

 Operar de manera correcta la desviación estándar

10
 5. Discusión:
Para obtener datos que no varíen mucho, se recomienda que al momento de

coger el puñado de frejoles lo hagamos de manera prudente, tal que no se rebalse ni

escaseemos al momento de cogerlos

Para obtener una rápida medición del número de frijoles se recomienda que se

haga con una mano pequeña y no grande ya que al ser 120 datos el tiempo es primordial

Hay una cierta variación de tamaño en los frijoles, es por eso se recomienda

separar los frejoles para una buena medición

Entre mayor cantidad de conteos, tendremos datos q nos van a permitir una

visualización más clara de la campana de Gauss

Por lo tanto, concluimos que el porcentaje de error está presente en cualquier medición,

por ende, necesitamos hacer uso de la media aritmética y la desviación estándar, las

cuales son operaciones estadísticas que nos muestran a mayor detalle diversos datos u

observaciones.

6. Cuestionario:
11
  Utilizando la ecuación 1.1, determine la media de las mediciones.

Para poder responder esta pregunta usaremos la formula del valor promedio de (n)

mediciones el cual es:

Remplazaremos en la ecuación nuestros datos obtenidos:

n=120
1
X=
120
∑ xi
i=1

X̅ =110.35

Por lo tanto, ya habremos obtenido nuestro valor promedio

 Utilizando la ecuación 1.2, determine la desviación estándar de las

mediciones

La fórmula para hallar el valor de la desviación estándar con n mediciones es

σ =4.16

12
  Realice una tabla indicando la frecuencia de conteos de sus mediciones.

Conteos de Frecuencia
mediciones Absoluta
102 3
103 3
104 6
105 5
106 8
107 7
108 9
109 7
110 11
111 13
112 11
113 8
114 6
115 10
116 2
117 6
118 5
Total 120

 Dibuje un histograma en el papel milimetrado e indique el valor mínimo,

máximo y la media de sus mediciones.

Histograma
13

11 11
10
9
8 8
7 7
6 6 6
5 5

3 3
2

102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118

 Trace a su criterio, la mejor curva gaussiana.

13
segmento distribución
0.01274317
102 5
0.02006622
103 5
0.02982365
104 6
0.04183725
105 8
106 0.05539527
0.06922919
107 8
0.08166069
108 2
109 0.09091676
0.09553928
110 5
0.09476046
111 1
0.08871141
112 1
113 0.07838608
0.06537407
114 3
0.05146112
115 6
0.03823491
116 9
0.02681317
117 2
0.01774775
118 2

14
 Campana de Gauss(distribucion de Gauss)
0.12

0.1

0.08

0.06

0.04

0.02

0
100 102 104 106 108 110 112 114 116 118 120

 A 2/3 de la altura máxima de la curva gaussiana, trace un segmento

horizontal AB que corte a la curva en los puntos A y B. Mida la distancia del

segmento AB

 Compare el valor de la desviación estándar con el valor de la mitad del

segmento AB. ¿Estos valores son muy diferentes o próximos entre sí?

 Tome nuevamente un puñado de frejoles (el mismo alumno) y sin contar,

estime la cantidad de frejoles contenidos.

Al momento de volver a contar el nuevo puñado nos da como resultado 112 y

nos damos cuenta de como se aproxima a la punta de nuestra campana

 Cuente el contenido del puñado de frejoles y compare con el valor estimado

en la pregunta 8.

15
La cifra real de frijoles hallados fue de 110, un error de 2 frijoles

16
 7. Bibliografía:
Smith, J. (2017). Introducción a la estadística aplicada. Editorial XYZ. (Formato

APA)

Pérez, B. (2015). Métodos de medición en investigaciones científicas. Revista de

Investigación Científica, 30(2), 45-62. (Formato APA)

González, C. (2018). Conteo y análisis de datos discretos en investigaciones

estadísticas. Libro de Investigación Estadística. (Formato APA)

García, J.(2008). Introducción a la simulación con el código de Montecarlo

MCNP y sus aplicaciones en física nuclear y radiológica. Instituto Nacional de

Investigaciones Nucleares.

Gómez, J., & Sánchez, A. (2015). Aplicación de la simulación Monte Carlo en

el cálculo del espectro de energía de un haz de radiación X generado por un acelerador

lineal médico. Revista Cubana de Física, 32(1), 1-9.

García, J. R. (2010, enero 22). La curva de distribución normal o «Campana de

Gauss». Recuperado el 11 de abril de 2023, de https://jesusgarciaj.com/2010/01/22/la-

curva-de-distribucion-normal/.

17
8. Anexo:

18