UNIVERSIDAD NACIONAL AGRARIA DE LA SELVA

ANÁLISIS DE DATOS EXPERIMENTALES- Ajuste lineal

CURSO : FÍSICA 1

PRACTICA : 3

DOCENTE : ING. MERMA JARA, MARCO ANTONIO

INTEGRANTES:

 Chacon Osorio, Blademir

 Iturri Pio, Miguel Angel
 Lopez Villacorta, Alexis Felipe
 Sinarahua Sarmiento, Jarley

FECHA DE ENTREGA: 24/01/2024

Tingo maría – 2024

 I. HOJA DE DATOS

Experimento 03: ANÁLISIS DE DATOS EXPERIMENTALES- Ajuste lineal

No Apellidos Nombres
1 Chacon Osorio Blademir
2 Iturri Pio Miguel ángel
3 Lopez Villacorta Alexis Felipe
4 Sinarahua Sarmiento Jarley

1. Teoría
Ajuste por mínimos cuadrados 𝒚=𝒎𝒙+𝒃, para N datos experimentales.

Tabla 1
𝑥 𝑦 𝑥𝑦 𝑥2

∑𝑥 = ∑𝑦 = ∑𝑥𝑦 = ∑𝑥2 =

2. Montaje experimental
Se ha utilizado un resorte cuya longitud sin deformar es 6 cm. El resorte se fija
verticalmente y en su extremo libre se coloca una masa M, su longitud L aumenta. La tabla
2 muestra los valores de L para diversos valores de M obtenidos en el mismo experimento.
3. Resultados
Tabla 2
𝑌 𝑀(𝑔) 0 100 200 300 400
𝑋 𝐿(𝑐𝑚) 6 9 12 15 18

4. Actividades
1. Usando papel milimétrico represente para la Tabla 2, 𝑀 =𝑀(𝐿)
2. Usando el método de mínimos cuadrados ajuste los datos y encuentre la ecuación
experimental.
3. Discutir los resultados
4. Anotar sus conclusiones

II. OBJETIVOS
1. Evaluar la relación entre dos variables
2. Comprender el concepto de ajuste lineal y su importancia en el análisis de datos.
3. Aprender a identificar si un conjunto de datos sigue una tendencia lineal.
4. Dominar el cálculo de la recta de regresión lineal utilizando el método de los
mínimos cuadrados
III. REVISIÓN DE LITERATURA

3.21 Análisis De Datos Experimentales- Ajuste Lineal

El análisis de datos experimentales juega un papel crucial en la obtención de
conclusiones significativas a partir de observaciones empíricas. Un método comúnmente
empleado en este contexto es el ajuste lineal, el cual modela la relación entre dos variables
mediante una línea recta. Este informe se enfoca en la aplicación del ajuste lineal en el
análisis de datos experimentales, explorando su importancia, métodos y diversas
aplicaciones.

3.22 Importancia del Ajuste Lineal

La relevancia del ajuste lineal radica en su simplicidad y versatilidad al interpretar
datos experimentales. Permite la identificación de patrones lineales en datos dispersos,
ofreciendo un enfoque cuantitativo para entender la relación entre variables. La ecuación de
la línea recta (y=mx+b) facilita la predicción y extrapolación, convirtiéndose en una
herramienta valiosa en la modelización de fenómenos en distintas disciplinas científicas.

3.23 Métodos para el Ajuste Lineal

Diversos métodos se emplean para realizar el ajuste lineal, siendo el método de mínimos
cuadrados el más prevalente. Este enfoque minimiza la suma de los cuadrados de las
diferencias entre los valores observados y los predichos por la línea de ajuste. La
determinación de la pendiente (m) y la intersección en el eje y (b) implica el cálculo de
derivadas parciales e igualaciones a cero. La precisión del ajuste se evalúa mediante
estadísticas como el coeficiente de determinación (R^2), que indica la proporción de la
variabilidad en los datos explicada por el modelo.

3.24 Aplicaciones del Ajuste Lineal

El ajuste lineal encuentra aplicaciones en diversas disciplinas científicas. En física,
se utiliza para determinar constantes físicas y prever comportamientos futuros. En biología,
se aplica al análisis de relaciones dosis-respuesta o al crecimiento de poblaciones. En
ingeniería, es esencial para la calibración de instrumentos y la modelización de procesos.
En economía, contribuye a comprender las relaciones de oferta y demanda, así como las
tendencias económicas.

3.25 Ejemplo Práctico

Para ilustrar, consideremos un experimento que mide la velocidad de reacción de
una sustancia química en relación con la concentración. Los datos obtenidos se ajustarían
mediante una regresión lineal para modelar la relación entre la velocidad de reacción (y) y
la concentración (x).

y=mx+b

Donde m representa la velocidad inicial y b la velocidad de reacción cuando la

concentración es cero.

IV. RESULTADOS
Tabla 1. Cuadro de datos.

𝑥 𝑦 𝑥𝑦 𝑥2
6 0 0 36
9 100 900 81
12 200 2400 144
15 300 4500 225
18 400 7200 324
∑𝑥 = 60 ∑𝑦 =1000 ∑𝑥𝑦 =15000 ∑𝑥2 =810

Tabla 2. Puntos de coordenadas.

𝑌 𝑀(𝑔) 0 100 200 300 400

𝑋 𝐿(𝑐𝑚) 6 9 12 15 18
 Grafica 1. Representación de los puntos.

450
400
350
300
250
200
150
100
50
0
4 6 8 10 12 14 16 18 20

V. CALCULOS
Escala
X= 10■ < > 20cm
Y= 10■ < > 500g
Metodo de Minimos Cuadrados

N= 5

5 (15000 )−60 ( 1000 )

m= =33 , 33
5 ( 810 )−602
810 ( 1000 )−60 ( 1 5000 )
b= =−200
5 ( 810 )−602
 Ecuacion del Experimento
y = mx + b
m = 33,33L – 200
Interpolacion
L = 10 cm
m = 33,33(10) – 200 = 133,33g
Extrapolacion
L=30cm
m= 33,33(30) – 200 = 799,90g

VI. CONCLUSIONES
 El ajuste lineal es una herramienta fundamental en el análisis de datos, ya que nos
permite modelar y entender las relaciones lineales entre variables.
 A través del análisis de los datos y la identificación de patrones lineales, podemos
tomar decisiones informadas y realizar predicciones precisas en diferentes
contextos.
 El método de los mínimos cuadrados nos permite encontrar la recta de regresión
lineal que mejor se ajusta a nuestros datos, minimizando la distancia entre los
puntos y la recta.
 La recta de regresión lineal nos proporciona información valiosa sobre la relación
entre las variables, como la pendiente y la intersección en el eje y, que pueden ser
interpretadas en el contexto del problema.
VII. BIBLOGRAFIA

Montgomery, D. C., Peck, E. A., & Vining, G. G. (2012). Introduction to Linear Regression
Analysis. John Wiley & Sons.

Draper, N. R., & Smith, H. (2014). Applied Regression Analysis. John Wiley & Sons.

Kutner, M. H., Nachtsheim, C. J., & Neter, J. (2004). Applied Linear Regression Models.
McGraw-Hill.