Linealizacin para hallar ecuacin matemtica

5,000

10,000

15,000

20,000

25,000

30,000

35,000

40,000

1,200

45,000
1,200

2
LinearFit1

1,000

1,000

800

800

600

600
Y Ax i s Ti tl e

R esi sten ci a
400

400

200

200

0
5,000

0
10,000

15,000

20,000

25,000
30,000
Frecu en ci a

35,000

40,000

45,000

Linear Regression of dataset: Table1_2, using function: A*x+B

Weighting Method: Instrumental, using error bars dataset: Table1_3
From x = 1.000000000000000e+04 to x = 4.000000000000000e+04
B (y-intercept) = -5.931034482758621e+01 +/- 1.687274889199782e+02
A (slope) = 2.604827586206896e-02 6.643638388299198e-03

Hallando el valor de inductancia (L) modelo matemtico

Ecuacin #1.

Ecuacion #2.

Hallando el valor de inductancia (L1) modelo estadstico 1

Ecuacin #3.

Valores obtenidos para los 5 datos de frecuencia

Tabla #1.

f
10
15
20
30
40

R
229
337
421
706
1006

L
3.65E-03
3.58E-03
3.35E-03
3.75E-03
4.00E-03

Promedio/Desviacion
Estandar

3.66E-03

2.39E-04

Incerteza para el valor de ( L1) se obtiene de la desviacin estndar de los valores de L de

la tabla #1.

Hallando el valor de inductancia (L2) modelo estadstico 2

Ecuacin #3.

Valores obtenidos para los 5 datos de frecuencia

Tabla #2.

f
10
15
20
30
40

R
229
337
421
706
1006

L
3.65E-03
3.58E-03
3.35E-03
3.75E-03
4.00E-03

Promedio/Desviacion
Estandar

3.66E-03

2.39E-04

Incerteza para el valor de ( L2) se obtiene de la desviacin estndar de los valores de L de

la tabla #2.

Comparacin grafica de modelo matemtico y estadstico

Como L1 = L2 la comparacin es la misma para cualquiera de los dos datos.

{
3.0887E-3

4.1457E-3

5.2027E-3

3.72E-3

3.8E-3

3.88E-3

3.4056E-3

3.6446E-3

}
3.8836E-3

Conclusin: modelo estadstico mas prximo al valor real.

{
3.4056E-3

{
3.72E-3

3.8E-3

3.88E-3