Laboratorio 1: Tı́tulo del Laboratorio Realizado

grupo ?-? - Carrera

Primer Integrante1 , Segundo Integrante2 , Tercer Integrante3 , Cuarto Integrante4 , and Quinto
Integrante5
1,*
Escuela de Fı́sica, Universidad Pedagógica y Tecnológica de Colombia
2-3
Escuela de Ing. Metalúrgica, Universidad Pedagógica y Tecnológica de Colombia
4-5
Escuela de Quı́mica, Universidad Pedagógica y Tecnológica de Colombia

18 de septiembre de 2023

Resumen
El resumen es una versión condensada de todo el informe escrita en apenas 100 a 200 palabras. Para lograr
este propósito el resumen debe contener una o dos frases introductorias al tema, la descripción del problema
a resolver, el como fue resuelto, la metodologı́a empleada, los principales resultados y/o conclusiones del tra-
bajo. En la practica es mas fácil escribir el resumen al final, cuando las demás secciones estén listas.
Palabras Clave: Perovskite doble; Sr2 MnSbO6 ; semi-Metalicidad; Densidad de estados.

Abstract

El resumen en ingles. Para lograr este propósito el resumen debe contener una o dos frases introductorias al
tema, la descripción del problema a resolver, el como fue resuelto, la metodologı́a empleada, los principales
resultados y/o conclusiones del trabajo. En la practica es mas fácil escribir el resumen al final, cuando las
demás secciones estén listas.
Keywords: Double perovskite; Sr2 MnSbO6 ; Half-Metallicity; Density of States.

1. Introducción
La representación gráfica de datos y la identificación de patrones desempeñan un papel esencial en la investi-
gación cientı́fica. A menudo, nos encontramos con magnitudes fı́sicas y relaciones complejas que no se ajustan a
modelos lineales de manera directa. Por esro se hace necesario emplear técnicas de linealización que transformen
estas relaciones no lineales en formas más manejables y comprensibles. Este proceso matemático, conocido como
linealización, nos permite simplificar la interpretación de datos y extraer información valiosa.
En este contexto, existen varios métodos para linealizar funciones, como el gráfico, que hemos explorado en
laboratorios previos. Sin embargo, en esta ocasión, trataremos el Método de Mı́nimos Cuadrados, una técnica que
minimiza los errores en el ajuste de datos y facilita la creación de modelos más precisos. También existen herra-
mientas que automatizan todo este proceso que se basan en la implementación de paquetes informáticos, como
Excel, Origin, Qtiplot, entre otros, ası́ como las calculadoras programables. Estas herramientas han enriquecido
significativamente la capacidad de analizar datos cuantitativos de manera eficiente y precisa.
Además, exploraremos cómo las funciones logarı́tmicas y polinómicas, a menudo utilizadas para describir
fenómenos complejos, pueden ser transformadas en representaciones lineales para un análisis más efectivo. Com-
prender estas técnicas de linealización es esencial para cualquier cientı́fico o investigador, ya que permiten una

1
mejor comprensión y descripción de las relaciones subyacentes en una variedad de disciplinas cientı́ficas y apli-
cadas.
Es importante recordar que estas herramientas no deben reemplazar la capacidad del autor para analizar y
reflexionar sobre los resultados, este informe de laboratorio tiene como objetivo principal brindar un análisis de
la consistencia de los distintos métodos que se usarán a lo largo del escrito

2. Teorı́a
Como hemos visto en laboratorios pasados, la representación gráfica de nuestros datos tiene una gran impor-
tancia al momento de hacer un analisis detallado. existe una gran variedad de funciones que describen fenómenos
fı́sicos, como por ejemplo la función lineal, potencial o polinomica. Sin embargo, sabemos que es mucho mas
facil analizar una funcion lineal que otras, por esto han surgido metodos para linealizar las funciones no lineales
y poder crear modelos que describan los fenómenos que se pretenden estudiar. Ya hemos visto el método grá-
fico y ahora se pretende comprender metodos como el de minimos cuadrados y la linealizacion con software o
calculadora.

2.1. Método de mı́nimos cuadrados

El Método de Mı́nimos Cuadrados (MCO) es una técnica matemática ampliamente utilizada en diversas
disciplinas cientı́ficas y aplicadas para ajustar modelos a datos experimentales. Su objetivo principal es encontrar
la mejor aproximación lineal a un conjunto de datos, minimizando la suma de los cuadrados de las diferencias
entre los valores observados y los valores predichos por el modelo.
El método se basa en el principio de que, en muchos casos, los datos experimentales pueden contener errores
aleatorios o ruido. Estos errores pueden deberse a diversas fuentes, como instrumentos de medición imperfectos
o fluctuaciones en las condiciones experimentales. El Método de Mı́nimos Cuadrados aborda esta incertidumbre
al encontrar la lı́nea recta (o curva, en caso de ajustes no lineales) que mejor se ajusta a los datos al minimizar
la suma de los cuadrados de las desviaciones verticales entre los puntos de datos y la lı́nea de ajuste[1].
Dada la linea de ajuste Y = A + Bx, las ecuaciones fundamenmentales para el método de mı́nimos cuadados
son las siguientes: P P P
N xy − x y
B= P P (1)
N (X)2 − ( x)2
P P
Dónde B es el valor de la pendiente de nuestra recta de ajuste, N es el número de datos xyP y2 son la suma
de los valores correspondientes a la variable Pindependiente y dependiente respectivamente, (x) es la suma
de cada valor de x elevado al cuadrado y ( x)2 es el resultado de sumar todos los valores de x y elevar este
resultado al cuadrado.

El intercepto A o punto de corte con el eje Y está dado por la siguiente expresión:
P P
y−B x
A= (2)
N
El Método de Mı́nimos Cuadrados también proporciona estimaciones de la incertidumbre asociada con los pa-
rámetros ajustados, lo que permite evaluar la calidad del ajuste y la confiabilidad de los resultados, existe una
incertidumbre tanto para la pendiente B como para el intercepto A, las cuales están dadas por las ecuaciones [3]
y [4] respectivamente.

s P
N (A + Bx − y)2
σB = P P (3)
(N − 2)[N x2 − ( x)2 ]

s P P
x2 (A + Bx − y)2
σA = P P (4)
(N − 2)[N x2 − ( x)2 ]

2
2.2. Coeficiente de correlación
El coeficiente de correlación es una medida estadı́stica que evalúa la fuerza y dirección de la relación lineal
entre dos variables. En el contexto del Método de Mı́nimos Cuadrados, el coeficiente de correlación se utiliza
para determinar cuán bien se ajusta un modelo lineal a un conjunto de datos y proporciona información sobre
la calidad de ese ajuste.

El coeficiente de correlación, comúnmente denotado como r, puede tomar valores en el rango de -1 a 1. Los
valores extremos representan diferentes tipos de relaciones entre las variables: Si r=1, indica una correlación
positiva perfecta, lo que significa que a medida que una variable aumenta, la otra también aumenta en una
relación lineal perfecta. Si r= -1, indica una correlación negativa perfecta, lo que significa que a medida que una
variable aumenta, la otra disminuye en una relación lineal perfecta. Si r=0, indica una falta de correlación lineal
entre las variables; no están relacionadas linealmente. El cálculo del coeficiente de correlación se basa en las
diferencias entre los valores observados y los valores predichos por el modelo de regresión lineal. Un coeficiente de
correlación cercano a 1 o -1 sugiere un ajuste muy bueno del modelo a los datos, mientras que un valor cercano a
0 indica que el modelo no se ajusta bien a los datos.[2]. La siguiente ecuacion determina el coeficiente de regresión
lineal: P P P
N xy − x y
R= p P P p P P (5)
N x2 − ( x)2 N y 2 − ( y)2

Figura 1: Coeficientes de correlación para los ajustes lineales a datos cada vez mas ruidosos. Tomado de [3]

2.3. Método de mı́nimos cuadrados para modelos no lineales

El Método de Mı́nimos Cuadrados (MCO) se utiliza principalmente para ajustar modelos lineales a conjun-
tos de datos. Sin embargo, también se puede aplicar a funciones no lineales, pero en ese caso, se requiere una
transformación adecuada de los datos o del modelo para linealizar la relación. De forma resumida, el proceso
que se debe seguir es que una vez se realice dicha transformación matemática, ya es posible aplicar el MCO para
ajustar una recta a los datos obtenidos, luego revertimos la transformación para obtener los parámetros iniciales
del modelo no lineal, para por último calcular el coeficiente de correlación para evaluar que tan bien se ajusta el
modelo a los datos.

3
 Este proceso es aplicable a una variedad de funciones no lineales, siempre que se pueda encontrar una trans-
formación adecuada que linealice la relación entre las variables. La elección de la transformación dependerá de
la naturaleza especı́fica de los datos y del modelo no lineal que se quiera ajustar. Anteriormente aprendimos
como se linealizan funciones potenciales y exponenciales de manera sencilla para obtener rectas de ajuste lineal
y modelos que describan su naturaleza. Ası́ que ahora discutiremos como se linealizan funciones logarı́tmicas y
polinomicas.

2.3.1. Funciones logarı́tmicas

Dada una función logaritmica de la forma:

Y = A + BLnx (6)

donde A representa el corte con el eje y cuando lnx = 1, al linealizar el comportamiento de los datos en papel
semilogarıtmico, y B representa la pendiente de la lı́nea encontrada, cuyo valor se calcula promediando diferentes
valores obtenidos a partir de la ecuación
y2 − y1
B= (7)
Lnx2 − Lnx1

Figura 2: Función logarı́tmica graficada en papel milimetrado y en papel semilogaritmico

Ahora la relación obtenida es lineal, y podemos determinar los valores de B y A por medio del método MCO y
luego revirtiendo el proceso para describir la función dada originalmente.

2.3.2. Función polinomica

Este tipo de función es el que determina la mayorı́a de los comportamientos de fenómenos fı́sicos Cabe resaltar
que la funcion potencial es un caso particular de la función polinomica (cuando A=B=0). La funcion polinomica
puede tomar distintas formas como las moestradas en la Figura3, en general, un polinomio tiene la siguiente
estructura:

y = a0 + a1 x + a2 x2 + a3 x3 + ... + an xn (8)

4
 Figura 3: Algunos ejemplos de la función polinómica

La forma general de una función polinómica de segundo grado es: y = A + Bx + Cx2 . Donde A,B y C son
coeficientes desconocidos, x es la variable independiente y y la variable dependiente.Para linealizar esta función
polinómica, necesitamos ajustar los datos de manera que obtengamos una ecuación lineal. Una manera común de
hacerlo es introduciendo una nueva variable z y expresando y en función de z y x. La ecuación lineal resultante
serı́a:
z = B + Cx (9)
Donde z = yA. Esta transformación convierte la ecuación original de segundo grado en una ecuación lineal, lo
que facilita el análisis y la obtención de los coeficientes B y C. Al modelo linealizado ya se le puede aplicar el
método de mı́nimos cuadrados, para sı́ determinar la relación entre las variables y al revertir la linealización ver
el comportamiento real de la función original.

2.4. Software de Análisis de Datos

Los programas de software como Excel, Origin, QtiPlot y MATLAB son ampliamente utilizados en la lineali-
zación de datos no lineales. Estos programas permiten la automatización del proceso de ajuste de curvas, facilitan
la gestión de grandes conjuntos de datos y ofrecen una amplia gama de herramientas estadı́sticas y matemáticas
para el análisis.

5
 Una de las ventajas más destacadas de la linealización con software es la capacidad de realizar ajustes precisos
de los datos experimentales. Los programas de software pueden calcular los coeficientes de ajuste con alta preci-
sión, minimizando el error asociado. Además, proporcionan representaciones gráficas claras de los resultados, lo
que facilita la interpretación.

Calculadoras Cientı́ficas Programables

Las calculadoras cientı́ficas programables también son herramientas útiles para linealizar relaciones no linea-
les. Estas calculadoras a menudo tienen funciones incorporadas para realizar cálculos de mı́nimos cuadrados y
generar gráficos de datos. Son portátiles y pueden ser utilizadas en el campo, lo que las convierte en una opción
conveniente para ciertos escenarios.

La elección entre el uso de software y calculadoras cientı́ficas para la linealización depende de varios factores,
incluyendo la complejidad de los datos y la disponibilidad de recursos. Mientras que el software es más adecuado
para análisis exhaustivos y grandes conjuntos de datos, las calculadoras cientı́ficas son una opción práctica para
tareas simples y trabajos de campo. [4]

3. Materiales y Métodos
Se usarán distintos métodos para el cálculo de la ecuación de nuesta recta de regresión, tales como el método
análitico anteriormente mencionado, el uso de la caculadora y de excel.

3.1. Calculadora
Para realizar el calculo de los datos de nuestra regresión lineal se deben seguir una serie de pasos, mostrados
a continuación.

1. Buscar el boton [Mode], el presionarlo, se desplegará la lista que se ve en la Figura 4

, se debe seleccionar la 3 [STAT], este modo sirve para el análisis estádistico de datos.

Figura 4: mode en calculadora

2. Segudamente se desplegará la lista de funciones que podemos analizar, para el caso de funciones lineales o
no lineales, pero cuyos datos fueron linealizados, se selecciona la opción 2 como se ve en la Figura 5

6
 Figura 5: Lista de funciones para el analisis estadistico

3. Después de seleccionar la función lineal, se despegará la tabla en la que pondremos nuestros datos.

Figura 6: tabla para ingresar datos

4. Ahora peresionamos el botón [AC] para salir de la tabla, la calculadora guardará nuestros datos automa-
ticamente.

Figura 7: botón al finalizar

5. Por ultimo usamos la combinacion de botones Shift + 1 que corresponde a la funcion stat, esta es la que
nos brindará todo lo que necesitamos para definir nuestra recta.

7
 Figura 8: combinación de botones para acceder a la información

6. Recordemos que se trata de un modelo de regresión lineal, ası́ que los datos de pendiente, punto de corte
y coeficiente de correlación los podremos buscar en la opción numero 5 que corresponde a Reg.

Figura 9: resultados

3.2. Software(excel)
Como ya se mencionó anteriormente, existen softawares que automatizan el proceso de linealizacion de una
función, ası́ como el modelo de regresión y la recta que mejor se ajusta a los datos, para esta practica usaremos
el programa Excel de Microsoft Office, pues tiene una fomra un intuitiva de utilizarse y es una herramieta a la
que se puede acceder facilmente

Figura 10: presentación de excel

8
 Como vemos en la Figura 10 , excel tiene una estructura en filas y columnas, lo cual permite acomodar de
manera sencilla los datos en tablas para su posterior análisis, Excel puede hacer una gran variedad de operaciones
matemáticas con las cuales podrı́amos calcular nuestro modelo de regresión haciendo uso de las ecuaciones [1],
[??] y [5] del método de mı́nimos cuadrados, sin embargo el programa brinda un analisis directo a los datos que
nosotros pongamos en las tablas.

Figura 11: anotación de datos en la tabla

Una vez anotados nuestros datos en las tablas que creamos entramos en insertar, graficos recomendados, y
ahı́ buscaremos la gráfica de dispersión de datos a la cual le podemos agregar lineas de tendencia en cualquier
función,

Figura 12: Datos obtenidos por excel

Ası́ obtenemos el gfafico de regresión para la función que hayamos querido analizar, en este caso una función
lineal.

9
3.3. Parte 1: Modelo de regresión para una función lineal
Se tomaron los mismos datos de las 20 circunferencias medidas para el laboratorio anterior, en primera
instancia se pretende establecer la relación que hay entre el radio y el perı́metro, los datos se muestran en la
siguiente tabla.

radio (±0,025mm) Perı́metro (±1mm)

5,425 34
6,025 38
7,875 49
8,425 52
8,850 55
10,175 63
10,775 67
11,275 70
11,450 71
11,835 74
12,100 76
12,425 78
12,925 81
13,375 84
14,575 91
16,875 106
22,975 145
24,450 155
36,225 227
37,925 238

Tabla 1: valores de los radios y perı́metros de los 20 onjetos medidos

Anteriormente vimos que la relación entre el diámetro y el perı́metro es linel, análogamente se espera que la
relación entre el radio y el perimetro sea lineal también. Para determinar la recta de ajuste, se usará el método
de mı́nimos cuadrados y el ajuste por medio de excel y calculadora cientifica.

3.4. Parte 2: Modelo de regresión para una función potencial

Ahora vamos a analizar la relación entre el radio y el area, recordando que se trata de una relación potencial,
que deberı́a coincidir o aproximarse bastante a las fórmula A = πr2 . El area y el radio serán calculdos haciendo
uso de las ecuaciones [10] y [11].
P ∗D
A= (10)
4
P ∗D
A= (11)
4
Igualmente calculamos sus incertidumbres teniendo en cuenta la teorı́a del error y usando los valores de diametro
y perimetro promedio para el cálculo de la incertidumbre en el area, esto se mmuestra en las ecuaciones [12] y
[13].
1 0,05mm
∆R = ∆D = = 0,025mm (12)
2 2

P̄ D̄ 92,7mm 29,59mm
∆A = ∆D + ∆P = (0,05mm) + (1mm) = 8,56mm2 (13)
4 4 4 4

10
 Una vez que conocemos el valor de la incertidumbre para cada una de nuestras variables, se realiza el calculo
de las mismas, los resultados obtenidos se muestran en la siguiente tabla.

Radio (±0,025)mm Area (±8,56mm2 )

5,425 92,225
6,025 114,475
7,875 192,938
8,425 219,050
8,850 243,375
10,175 320,513
10,775 360,963
11,275 394,625
11,450 406,475
11,835 437,895
12,100 459,800
12,425 484,575
12,925 523,463
13,375 561,750
14,575 663,163
16,875 894,375
22,975 1665,688
24,450 1894,875
36,225 4111,538
37,925 4513,075

Tabla 2: valores de los radios y areas de los 20 onjetos medidos

Como bien sabemos por el laboratorio pasado, la relación será potencial, por lo cual primero debemos linealizar
nuestros datos, esto se hará calculando los logaritmos para cada valor de nuestars variables, para que con estos
datos lineales, podamos llevar a cabo el método de mı́nimos cuadrados y obtener la recta de regresión lineal, esto
también se hará por medio de la calculadora y de Excel, para al final comparar los resultados obtenidos por cada
método.

4. Resultados y Análisis
4.1. Parte 1: Regresión Lineal
Dados los datos de la Tabla 1, se procedió a encontrar la ecuación que define la relación entre las variables
radio y perimetro, siguiendo la hipótesis de que se trata de una relación lineal, se define el modelo de regresión
aplicando los tres métodos anteriormente explicados (mı́nimos cuadrados-método análitico, calculadora y Excel).

4.1.1. Método analı́tico

Para llevar a cabo el cálculo analı́tico de la ecuación de nuestra recta, usaremos las ecuacioes del método
de mı́nimos cuadrados, obtendremos la pendiente B con la ecuación [1] y el intercepto o punto de corte A
usando la ecuación [2], antes de esto conviene calcular algunas expresiones que luego reemplazaremos en nuestras
ecuaciones, estos se muestran a continuación.

rP (mm2 ) r2 (mm2 ) P 2 (mm2 ) (A + Br − P )2

P P P P P
r(mm) P (mm)
295,96 1854 37109,665 5915,1191 232822 5,73

11
 Una vez conocemos estos valores, podemos empezar a reemplazar para tener los datos que buscamos, para el
caso de la pendiente se tiene:

mm2
P P P
N rP − r P 20(37109,665) − (295,96)(1854)
B= P 2 P 2 = = 6,3003
N (r) − ( r) 20(5915,1191) − (295,96)2 mm2

Ahora encontramos el valor de el intercepto A, para el cual se tiene la siguiente expresión:

P P
P −B r (1854) − (6,3003)(295,96)
A= = = −0,532mm
N 20

Por último debemos clcular la incertidumbre tanto para la pendiente, como para el punto de corte, reempla-
zando en las ecuaciones [3] y [4] se obtienen los siguientes valores.

s P s
N (A + Br − P )2 20(5,73)
σB = P P = = 0,14
(N − 2)[N r2 − ( r)2 ] (18)[20(5915,12) − (295,96)2 ]

s P P s
r2 (A + Br − P )2 (5915,12)(5,73)
σB = P P = = 0,25
(N − 2)[N r2 − ( r)2 ] (18)[20(5915,12) − (295,96)2 ]

Ahora que conocemos los valores de la pendiente y punto de corte, junto con sus respectivas incertidumbres,
podemos escribir la pendiente como B = 6,003 ± 0,14 y el intercepto como −0,532 ± 0,25mm, para finalmente
definir la ecuación de nuestra recta de la siguiente manera:

P = (−0,532 ± 0,25mm) + (6,003 ± 0,14)r

Esta es, la ecuación de nuestra recta de regresión, la cual nos brinda un modelo lineal para predecir con cierto
grado de incertidumbre datos de radio de una circunferencia y su relación con el perimetro de la misma; pues
es la que mejor se ajusta a los datos de las medidas realizadas, como podemos ver, se asemeja bastante a una
fórmula fundamental en matemáticas, esta es: P = 2πr, pues nuestra pendiente B es muy cercana al valor de 2π
y el valor del punto de corte es muy cercano al 0.

Por último debemos calcular el coeficiente de correlación, el cual nos sirve para determinar que tanto se ajusta
nuestro modelo a los datos medidos y si realmente se relacionan de manera lineal, para esto, hacemos uso de la
ecuación [5], reemplazando se obtiene lo siguiente:
P P P
N rP − r P 20(37109,665) − (295,96)(1854)
R= p P P 2p P 2 P 2 =q = 0,999
2
N r − ( r) N P − ( P ) p
20(5915,12) − (295,96)2 20(232822) − (1854)2

Notamos que el valor de R está muy cerca de 1, lo que indica una correlación positiva extremadamente fuerte
y lineal entre las variables P y r. Esto sugiere que l modelo de regresión lineal se ajusta muy bien a los datos
medidos y que la relación entre el perı́metro y el radio es casi perfectamente lineal.

12
4.1.2. Calculadora
Para calcular el moedelo de regresión por medio de la calculadora cientifica, solo debemos seguir los pasos
mostados en la sección de Materiales y Métodos 3.1 para los datos de la Tabla 1, se obtiene lo siguiente

Figura 13: Datos obtenidos por la calculadora

Como se observa en la Figura 13-A, al seleccionar la opción [Reg] se despliega el menú de las variables que
definen nuestra recta, la Figura 13-B muestra la pendiente de la recta B = 6,3003, Figura 13-C Muestra el valor
del punto de corte con el eje Y A = −0,53 y la figura Figura 13-D muestra el valor del coeficiente de correlacióm
lineal R = 0,999, sin embargo no podemos conocer la incertidumbre del intercepto ni de la pendiente, y cuando
seleccionamos la opción 4 o 5, la calculadora da error.

4.1.3. Excel
Por último encontraremos nuestro modelo de regresión lineal haciendo uso del proprama Excel, este es el que
mas facilita el proceso, ya que con solo crear una tabla con los datos de la Tabla 1, seleccionaremos la opción
de insertar gráficos de dispersión y presentar tanto ecuación como valor de R en el gráfico obteniendo lo siguiente;

Como podemos ver en el grafico los puntos de ajustan bastante bien al modelo resultante, encontramos que
el valor de la pendiente es B = 6,3003, el punto de corte es A = −0,53 y que para el coeficiente de correlación se
tiene R2 = 0,999 ≈= 1.

13
 Figura 14: Gráfico de Excel para el perimetro respecto al radio

4.2. Parte 2: Regresión Potencial

Ahora se discutirá la relación entre el radio y el area, recordando que es una función del tipo potencial
(Y = AxB ), se hace necesario linealizar dicha función para poder describir correctamente esta dependencia y
aplicar los métodos anteriormente explicados, entonces, en primera medida se saca logaritmo en base 10 a cada
dato de la Tabla 2 y se registra en la siguiente tabla:

Log(r) Log(A)
0,7344 1,9648
0,7800 2,0587
0,8963 2,2854
0,9256 2,3405
0,9469 2,3863
1,0075 2,5058
1,0324 2,5575
1,0521 2,5962
1,0588 2,6090
1,0732 2,6414
1,0828 2,6626
1,0943 2,6854
1,1114 2,7189
1,1263 2,7495
1,1636 2,8216
1,2272 2,9515
1,3613 3,2216
1,3883 3,2776
1,5590 3,6140
1,5789 3,6545

Tabla 3: Logarı́tmos del radio y area respectivamente

14
 Se debe tener en cuenta que la función obtenida tendrá la forma (LogY = LogA + BLogX por lo que
independientemente del método que se use, se debe revertir dicho proceso para tener la ecuación potencial de la
forma (Y = AxB ), para lo cual en resumidas cuentas, se aplica la operación inversa al logaritmo en base 10, es
decir hacer 10u dondé u es nuestra ecuación linealizada, al final nos damos cuenta de que solo hay que cambiar
el A obtenido, por 10A y eliminar los logaritmos de las variables, la pendiente B se mantendrá igual y pasará a
ser el exponente de la función potencial.

4.2.1. Método analı́tico

Procederemos con el cáculo análitico de nuestra recta de regresión para los datos de la Tabla 3, que represen-
tan los valores linealizados de radio y area. Para llevar a cabo duchas operaciones, primero conviene tener algunos
datos útiles que reemplazaremos en las ecuaciones [1] y [2] para obtener la pendiente y el punto de corte, ası́
como en las ecuaciones [3] y [4] que determinan sus incertidumbres respactivamente, dichos calculos se muestran
en la siguiente tabla.

Log(r)2 Log(A)2 (A + BLog(r) − Log(A))2

P P P P P P
Log(r) Log(A) Log(r)Log(A)
22,2003 54,3028 62,2024 25,6027 151,3016 1, 471x10−4

Ahora podemos reemplazar los valores de la tabla en las ecuaciones de pendiente y punto de corte, para lo
cual se tiene lo siguiente:

mm2
P P P
N Log(r)Log(A) − Log(r) Log(A) 20(62, 2024) − (22, 2003)(54, 3028)
B= P 2
P 2
= 2
= 2,0055
N (Log(r)) − ( Log(r)) 20(25, 6027) − (22, 2003) mm2

P P
Log(A) − B Log(r) (54, 3028) − (2,0055)(22, 2003)
A= = = 0,489mm
N 20

Lo siguiente será calcular la incertidumbre para la pendiente y el intercepto, a continuación se muestra el resul-
tado de dicho cálculo.

s s
20(1, 471x10−4 )
P
N (A + BLog(r) − Log(A))2
σB = P P = = 2,91x10−3
(N − 2)[N (Log(r))2 − ( Log(r))2 ] (18)[20(25, 6027) − (22, 2003)2 ]

sP s
(25, 6027)(1, 471x10−4 )
P
(Log(r))2 (A + BLog(r) − Log(A))2
σA = P 2
P 2
= = 3,30x10−3
(N − 2)[N (Log(r)) − ( Log(r)) ] (18)[20(25, 6027) − (22, 2003)2 ]

En base a lo anterior ya podemos definir la ecuación de la recta linealizada de la forma mas precisa posible,
pues hemos definido el valor de la pendiente y su punto de corte, ası́ como sus respectivas incertidumbres. La
ecuación se muestra a continuación:

Log(A) = (0, 489 ± 3,30x10−3) + (2, 0055 ± 2,91x10−3)Log(r)

15
 Una vez definida la ecuación de los datos linealizados, debemos determinar que tanta relación hay entre
nuestros datos y si nuestro modelo es adecuado para describir su comportamiento, esto lo hacemos por medio
del coeficiente de correlación dado por la ecuación [5], si el modelo lineal se ajusta correctamente a los datos,
entonces al revertir la linealización tendremos la certeza de que este modelo también se ajustará a los datos
originales de Area respecto a radio. El cálculo del coeficiente de correlación se muestra a continuación.

P P P
N Log(r)Log(P ) − Log(r) Log(P )
R= p P P p P P
N (Log(r)2 ) − ( Log(r))2 N (Log(P )2 ) − ( Log(P ))2

20(62,2024) − (22,2003)(54,3028)
R= q p = 1,000001
20(25, 6027) − (22,2003)2 20(151, 3016) − (54, 3028)2

El coeficiente de correlación (R) obtenido, con un valor excepcionalmente cercano a 1 (R ≈ 1,000001), refleja
una relación lineal fuerte entre el logaritmo del área (Log(A)) y el logaritmo del radio (Log(r)). Este resultado
sugiere que el modelo linealizado utilizado para relacionar estas dos variables es altamente preciso y se ajus-
ta de manera sobresaliente a los datos. La correlación tan cercana a 1 indica que, a medida que el logaritmo
del radio de la circunferencia aumenta o disminuye, el logaritmo del área sigue una tendencia lineal práctica-
mente perfecta. En consecuencia, podemos afirmar con confianza que existe una relación altamente predictiva
y coherente entre el logaritmo del radio y el logaritmo del área de las circunferencias en nuestro conjunto de datos.

Sin embargo debemos recordar que inicialmente pretendı́amos determinar una relación potencial entre el radio
y el area, de manera que, lo que sigue será revertir el proceso de linealización aplicado inicialmente, ası́ nuestra
ecuación de la forma LogA = LogA + BLogr pasará a ser una ecuación del tipo A = ArB (no confundir el A la
izquierda de la ecuación que representa al area; con el que está a la derecha que representa al intercepto con el eje
Y), para esto hacemos 10A para lo cual obtenemos 100,489 = 3,083 y eliminamos los logaritmos de las variables.
Finalmente definimos la ecuación potencial como :

A = (3,083)r2,0055

Esta ecuación potencial, A = ArB , nos proporciona una descripción precisa de cómo el área cambia en relación
con el radio, basándose en nuestros datos experimentales. Al comparar esta ecuación con la fórmula estándar
del área de un cı́rculo, A = πr2 , podemos observar que si los valores de A y B se asemejan a π y 2 respecti-
vamente, nuestro modelo se ajusta eficazmente a la fórmula geométrica convencional. Esto sugiere que nuestros
datos experimentales respaldan sólidamente la relación matemática tradicional entre el área y el radio de una
circunferencia. La calidad de nuestro modelo depende, en última instancia, de la precisión y cantidad de los datos
que hemos utilizado en este análisis.

4.2.2. Calculadora
Ahora realizaremos el cálculo de la regresión tanto potencial como lineal haciendo uso de la calculadora
cientı́fica, siguiendo el procedimiento indicado en la sección 3.1, una vez seleccionemos la opción STAT de la
Figura 4, usaremos la opción 7 mostrada en la Figura 5 para los datos de la Tabla 2, es decir la relación potncial
entre radio y area. Luego aplicaremos el mismo procedimiento pero esta vez con la opción 2 de la Figura 5; con
los datos de la Tabla 3, que representan la linealización de los datos anteriores. Luego de obtener los valores
necesarios para ambos tipos de regresión, se realizará la comparación de los resultados obtenidos para la función
potencial y para la función Lineal. A continuación se muestran los resultados para cada caso.

16
 Figura 15: Regresión Potencial Area vs Radio

Como podemos ver, la calculadora nos entrega los valores necesarios para definir nuestra ecuación de regresión
potencial, para este caso obtuvimos A = 3,085 como se muestra en la Figura 15-B, ası́ como B = 2,005 y
R = 0,999, mostrados en Figura 15-C y Figura 15-D respectivamente. Ahora se muestra lo obtenido para la
regresión lineal calculada para los datos de la Tabla 3.

Figura 16: Regresión lineal Log(A) vs Log(r)

5. Conclusiones
+++++++++++++++m

17
6. Referencias
[1]Montgomery, D. C., Peck, E. A., y Vining, G. G. (2012). Introduction to Linear Regression Analysis. Wiley.

[2]Devore, J. L. (2011). Probability and Statistics for Engineering and the Sciences. Cengage Learning.

[3]Ardila,A(2007), Fı́sica experimental, universidad nacional. Bogotá.

[4]Evans, J. R. (2017). Introduction to Calculators and Computers in Experimental Physics. Springer.

7. Anexos

18