Análisis Grafico y Numérico: Informe

Programa: Lic. Ciencias Naturales Fecha: Grupo: 2

Nombre (código): Juan Sebastian Arcos Yela 218122011

Yovana Marcela Bastidas Moreno 218122017
Yamileth Katerine Ramirez Gutierrez 218122229
Profesor: Jaime Betancourt

1. Práctica virtual: “Análisis Grafico y Numérico”.

Los objetivos de esta práctica son;

1. Entender el método de mínimos cuadrados
2. Entender el método de ajuste de curvas.
3. Identificar qué tan bueno puede ser un ajuste.
4. Estudiar el empleo de las gráficas para análisis de datos.
5. Estudiar el empleo de tablas para el análisis de datos

Ajuste de Datos

Cuando se evalúa la relación entre dos variables, es importante determinar cómo se

relacionan las variables. Las relaciones lineales son muy comunes, pero las variables
también pueden tener una relación no lineal o monótona, como se muestra a
continuación. También es posible que no haya relación entre las variables. Usted debería
comenzar por crear una gráfica de dispersión de las variables para evaluar la relación.

Una relación lineal es una tendencia en los datos que se puede modelar mediante una
línea recta.

Cuando ambas variables aumentan o disminuyen simultáneamente a un ritmo constante,

existe una relación lineal positiva. Los puntos de la figura 1 siguen la línea muy de cerca,
lo que sugiere que la relación entre las variables es fuerte.

1
 Figura1: Relación lineal positiva (pendiente positiva)

Cuando una variable aumenta mientras la otra variable disminuye, existe una relación
lineal negativa. Los puntos de la figura 2 siguen la línea muy de cerca, lo que sugiere que
la relación entre las variables es fuerte.

Figura 2: Relación lineal Negativa (pendiente negativa)

Los puntos de los datos de la figura 3 parecen estar distribuidos de manera aleatoria. No
se encuentran cerca de la línea, lo que indica una relación muy débil, si existe alguna.

Figura 3: Relación lineal Débil o muy dispersos

Si una relación entre dos variables no es lineal, la tasa de aumento o descenso puede
cambiar a medida que una variable cambia, causando un "patrón de curva" en los datos.
Esta tendencia en forma de curva se podría modelar mejor mediante una función no
lineal, como una función cuadrática o cúbica, o se podría transformar para convertirla en
lineal. La figura 4 muestra una relación fuerte entre dos variables.

2
 Figura 4: Relación No lineal

En una relación monótona, las variables tienden a moverse en la misma dirección relativa,
pero no necesariamente a un ritmo constante. En una relación lineal, las variables se
mueven en la misma dirección a un ritmo constante. La figura 5 revela que ambas
variables aumentan al mismo tiempo, pero no al mismo ritmo. Esta relación es monótona,
pero no lineal.

Figura 5: Relación Monótona

Correlación lineal y Regresión lineal simple

Introducción
La correlación lineal y la regresión lineal simple son métodos estadísticos que estudian
la relación lineal existente entre dos variables. Antes de profundizar en cada uno de
ellos, conviene destacar algunas diferencias:
 La correlación cuantifica como de relacionadas están dos variables, mientras que
la regresión lineal consiste en generar una ecuación (modelo) que, basándose en
la relación existente entre ambas variables, permita predecir el valor de una a
partir de la otra.
 El cálculo de la correlación entre dos variables es independiente del orden o
asignación de cada variable a X e Y, mide únicamente la relación entre ambas sin
considerar dependencias. En el caso de la regresión lineal, el modelo varía según
qué variable se considere dependiente de la otra (lo cual no implica causa-
efecto).
 A nivel experimental, la correlación se suele emplear cuando ninguna de las
variables se ha controlado, simplemente se han medido ambas y se desea saber
si están relacionadas. En el caso de estudios de regresión lineal, es más común
que una de las variables se controle (tiempo, concentración de reactivo,
temperatura…) y se mida la otra.
 Por norma general, los estudios de correlación lineal preceden a la generación de
modelos de regresión lineal. Primero se analiza si ambas variables están
correlacionadas y, en caso de estarlo, se procede a generar el modelo de
regresión.

3
Correlación lineal
Para estudiar la relación lineal existente entre dos variables continuas es necesario
disponer de parámetros que permitan cuantificar dicha relación. Uno de estos
parámetros es la covarianza, que indica el grado de variación conjunta de dos variables
aleatorias.

n
2
s =cov ( xy )=∑ ( x i−x́ ) ¿¿ ¿
i=1

Siendo x́ y ý la media de cada variable y  x i e  y i el valor de las variables para la

observación i.

La covarianza depende de las escalas en que se miden las variables estudiadas, por lo
tanto, no es comparable entre distintos pares de variables. Para poder hacer
comparaciones se estandariza la covarianza, generando lo que se conoce
como coeficientes de correlación. Existen diferentes tipos, de entre los que destacan
el coeficiente de Pearson, Rho de Spearman y Tau de Kendall.
 Todos ellos varían entre +1 y -1. Siendo +1 una correlación positiva perfecta y -1
una correlación negativa perfecta.
 Se emplean como medida de fuerza de asociación (tamaño del efecto):
o 0: asociación nula.w
o 0.1: asociación pequeña.
o 0.3: asociación mediana.
o 0.5: asociación moderada.
o 0.7: asociación alta.
o 0.9: asociación muy alta.

Las principales diferencias entre estos tres coeficientes de asociación son:

 La correlación de Pearson funciona bien con variables cuantitativas que tienen
una distribución normal. En el libro Handbook of Biological Statatistics se
menciona que sigue siendo bastante robusto a pesar de la falta de normalidad . Es
más sensible a los valores extremos que las otras dos alternativas.
 La correlación de Spearman se emplea cuando los datos son ordinales, de
intervalo, o bien cuando no se satisface la condición de normalidad para variables
continuas y los datos se pueden transformar a rangos. Es un método no
paramétrico.
 La correlación de Kendall es otra alternativa no paramétrica para el estudio de la
correlación que trabaja con rangos. Se emplea cuando se dispone de pocos datos
y muchos de ellos ocupan la misma posición en el rango, es decir, cuando hay
muchas ligaduras.

4
Además del valor obtenido para el coeficiente de correlación, es necesario calcular su
significancia. Solo si el p-value es significativo se puede aceptar que existe correlación,
y esta será de la magnitud que indique el coeficiente. Por muy cercano que sea el valor
del coeficiente de correlación a +1 o −1, si no es significativo, se ha de interpretar que la
correlación de ambas variables es 0, ya que el valor observado puede deberse a simple
aleatoriedad.

La correlación lineal entre dos variables, además del valor del coeficiente de correlación
y de sus significancia, también tiene un tamaño de efecto asociado. Se conoce
como coeficiente de determinación R2. Se interpreta como la cantidad de varianza de Y
explicada por X. En el caso del coeficiente de Pearson y el de Spearman, R2 se obtiene
elevando al cuadrado el coeficiente de correlación.

Coeficiente de Pearson
El coeficiente de correlación de Pearson es la covarianza estandarizada, y su ecuación
difiere dependiendo de si se aplica a una muestra, Coeficiente de Pearson muestral (r),
o si se aplica la población Coeficiente de Pearson poblacional (ρ).

Cov ( xy)
ρ=
σxσ y

∑ ( x i− x́ ) ( y i− ý )
i=1
r xy = n n

√∑ (
i=1
2
x i− x́ ) ∑ ( y i− ý )2
i=1

Condiciones
 La relación que se quiere estudiar entre ambas variables es lineal (de lo contrario,
el coeficiente de Pearson no la puede detectar).
 Las dos variables deben de ser cuantitativas.
 Normalidad: ambas variables se tienen que distribuir de forma normal. Varios
textos defienden su robustez cuando las variables se alejan moderadamente de
la normal.
 Homocedasticidad: La varianza de Y debe ser constante a lo largo de la
variable X. Esto se puede identificar si en el scatterplot los puntos mantienen la
misma dispersión en las distintas zonas de la variable X. Esta condición no la he
encontrado mencionada en todos los libros.

Características

5
  Toma valores entre [-1, +1], siendo +1 una correlación lineal positiva perfecta y -1
una correlación lineal negativa perfecta.
 Es una medida independiente de las escalas en las que se midan las variables.
 No varía si se aplican transformaciones a las variables.
 No tiene en consideración que las variables sean dependientes o independientes.
 El coeficiente de correlación de Pearson no equivale a la pendiente de la recta de
regresión.

Interpretación
Además del valor obtenido para el coeficiente, es necesario calcular su significancia.
Solo si el p-value es significativo se puede aceptar que existe correlación y esta será de
la magnitud que indique el coeficiente. Por muy cercano que sea el valor del coeficiente
de correlación a +1 o -1, si no es significativo, se ha de interpretar que la correlación de
ambas variables es 0 ya que el valor observado se puede deber al azar. (Ver más
adelante como calcular la significancia).

Practica

Comprobación Experimental de un Modelo Teórico

Considere los siguientes ejemplos para indicar el proceso de ajuste de un conjunto de

datos a una línea recta.

Ejemplo 1(Ajuste a una línea recta): Considere los siguientes datos (Tabla 1) de un
experimento cualquiera, vamos ajustar los datos a una línea recta ( y=bx+ a, siendo b la
pendiente y a intercepto) y veremos qué tan bueno es el ajuste.

6
 Fuerza VS Longitud
180

160
f(x) = 4.39 x − 59.69
140 R² = 1
120

100
Fuerza (Dn)

80

60

40

20

0
15 20 25 30 35 40 45 50 55
Longitud (cm)

Análisis Grafico. Gráfica, fuerza vs longitud, experimenta una línea recta, con ajuste 0.994, lo
que demuestra que es un ajuste moderado, es por ello que la variable longitud depende de la fuerza,
puesto que la relación entre las variables es fuerte.

Datos x y ∆y
Experimental
es
1 0 0, 0,
9 5
2 1 4 1
3 2 9, 0,
8 8
4 3 14 1
5 4 17 1
6 5 22 2

x(cm) F(Dn) x X.Y X"2

103
18 20 360 324
22,5 40 900 506,25
28,5 60 1.710 812,25
31 80 2.480 961
36,5 100 3.650 1.332,25
41 120 4.920 1.681
45,5 140 6.370 2.070,25
50 160 8.000 2.500
A ∆a b ∆b
Total 273 720 1,287.13 10.187
Ji-cuadrado 2,135488
3
ndf 5

7
    
N. Datos Exp 8
N. 2
Parámetros
   
Ji- 0,59
cuadrado/nd
f

Tabla1: Datos Experiméntales

Usaremos el método de los mínimos cuadrados visto en la guía Ajuste de Curvas del
laboratorio de Física 1 como se anexa a los documentos.

En esta guía debemos revisar los temas de “Fundamento Teórico” y “Ajuste de una línea
recta” en los temas extraídos de la guía de laboratorio 2 de física 1, que están detallados
en la próxima página.

s sx sy sxx sxy ∆
4,00 0 3,6 0 0 186,141
1,00 1 4 1 4
1,56 3,125 15,3125 6,25 30,625
1,00 3 14 9 42
1,00 4 17 16 68
0,25 1,25 5,5 6,25 27,5
8,812
5 12,375 59,4125 38,5 172,125

a ∆a b ∆b
0,217
0,8452 0,4548 4,1991 6
Tabla2: Datos de los mínimos cuadrados y pendiente e intercepto

Los anteriores datos son ejecutados en el Excel, de las ecuaciones 1.3 a 1.12 de las
páginas ya mencionadas (Tabla 2).

8
 Ajuste Linea Recta
25

20 f(x) = 4.25 x + 0.66

R² = 0.99

15
y

10

0
0 1 2 3 4 5 6
x

Figura 1: Grafica en Excel de los datos realizado en Excel.

Luego con los mismos datos buscamos la calidad del ajuste (Tabla 3) usando la definición
de la ecuación 1.4 para determinar el termino ji-cuadrado ( χ 2). Primero determinamos los
datos observados (yo) que corresponden a los datos obtenidos para los valores de y
medidos.

Luego determinamos los datos esperados (y e) aquellos se obtienen multiplicando el valor

de la pendiente (b=4,1991) a cada valor de x de la tabla de datos experimentales y a este
resultado se le suma el intercepto (a=0,8452), aplicando la ecuación siguiente;

y ( esperado )=bx +a=4,1991 x+ 0.8452

Para cada valor de x, obtenemos la siguiente tabla 3:

X Datos ob. Datos Esp. (Yo-Ye)^2

0,0029981
0 0,9 0,8 4
1 4 5,0 1,0906421
0,3097684
2 9,8 9,2 4
0,3107784
3 14 13,4 1
0,4116741
4 17 17,6 7
0,0253727
5 22 21,8 2
2,1512339
Ji-cuadrado 9
ndf 4
   
N. Datos Exp 6
N. Parámetros 2

9
    
Ji-cuadrado/ndf 0,54

Tabla3: Datos observados, datos esperados, cálculo del ji-cuadrado y ji-cuadrado

reducido

10
11
12
13
Practica de ajuste a una línea recta: Un estudiante cuelga masas de un resorte y mide
la longitud x (cm) en función de la fuerza en (Dn), para hallar la constante del resorte (k).
Sus medidas están en la tabla 3.

x(cm) ∆x(cm) F(Dn) x 103

18 0,5 20
22,5 0,5 40
28,5 0,5 60
31 0,5 80
36,5 0,5 100
41 0,5 120
45,5 0,5 140
50 0,5 160
Tabla 4: Datos medidos de elongación y fuerza (Dn)

Use estos datos, el Excel y el método de los mínimos cuadrados, para determinar la
constante del resorte.

Linealización

Existen datos que al graficarlos no muestran una relación lineal, mientras que su relación
puede ser polinómica de orden dos ( y= p 0+ p1 x+ p 2 x 2). Entonces tras un cambio de
variables la anterior ecuación se puede transformar en una relación lineal, a este proceso
se le llama linealización.

Ejemplo 2 (Relación potencial): Considere a continuación un experimento donde un

estudiante libera un balín desde el reposos por una rampa inclinada, el estudiante anota la
posición x (cm) cada segundo t (s). Los datos se encuentran registrados en la tabla 4:

14
 Dato
s Tiempo (s) Posición x(cm) ∆x (cm)
1 0 0 10
2 1 3,1 2
3 2 12,2 2
4 3 27 2
5 4 47,9 2
6 5 75,2 2
7 6 108,3 2
8 7 146,8 2
9 8 192,1 2

Tabla 5: Datos medidos de tiempo, posición y error en la posición de un balín que

rueda

Los anteriores datos indican que el comportamiento de las variables es del tipo polinómico
1 2
( )
de grado dos x= a t . Ajustando una curva polinómica con el Excel se obtiene una
2
curva con los datos de ajuste siguientes:

Posición de un Función del Tiempo de Un Balin que Rueda

250

200

150
Posición x(cm)

100

50

0
0 1 2 3 4 5 6 7 8 9
Tiempo (s)

Figura 2: Grafica en Excel de Posición vs tiempo.

Como se observa la relación entre la posición y el tiempo es de tipo cuadrática ( x= p2 t 2).

Se busca linealizar la relación anterior con los siguientes cambios:

Cambiamos t 2 por x.
Cambiamos x por y.

1
La ecuación quedaría y=mx, donde m= a con el intercepto cero. De los datos de la
2
medición cambiamos al tiempo al cuadrado y nos queda una nueva tabla, como la que se
muestra en la tabla 5

15
 Tiempo (s) T2 (s2) Posición x(cm) ∆x (cm)
0 0 0 2
1 1 3,1 2
2 4 12,2 2
3 9 27 2
4 16 47,9 2
5 25 75,2 2
6 36 108,3 2
7 49 146,8 2
8 64 192,1 2

Tabla 6: Datos del tiempo al cuadrado, posición y error en la posición

Graficamos los datos de posición vs tiempo al cuadrado y obtenemos la siguiente grafica

(figura 3).

Posición de un Función del Tiempo al Cuadrado de Un Balin

que Rueda
250

200
f(x) = 3 x + 0.08
R² = 1
150
Posicion (cm)

100

50

0
0 10 20 30 40 50 60 70
t^2(s^2)

Figura 3: Grafica en Excel Posición vs t2.

Claramente se observa un comportamiento lineal entre los datos. De la tabla anterior se

calculan los elementos de los mínimos cuadrados y se obtiene la tabla 6.

s sx sy sxx sxy
0,25 0 0 0 0
0,25 0,25 0,775 0,25 0,775
0,25 1 3,05 4 12,2
0,25 2,25 6,75 20,25 60,75
0,25 4 11,975 64 191,6
0,25 6,25 18,8 156,25 470
0,25 9 27,075 324 974,7
0,25 12,25 36,7 600,25 1798,3
0,25 16 48,025 1024 3073,6 Δ
2,25 51 153,15 2193 6581,925 2333,25

16
 a ∆a b ∆b
0,077 0,97 3,000 0,0311

Tabla 7: Elementos de los mínimos cuadrados para determinar pendiente (b) e

intercepto (a)

Una vez calculados la pendiente y el intercepto, recalculamos los valores que deberían
esperarse si los datos se ajustan a una línea recta con la siguiente ecuación y=3 x +0.97.

Después con estos nuevos datos esperados se calcula el Ji-cuadrado, utilizando la

n 2
2 ( y observado− y esperado )
siguiente expresión: χ =∑ . Luego se procede a calcular el número de
i=1 Δ y2
grados de libertad (ndf), mediante la siguiente expresión: ndf =n−υ, donde n correponde
al numero de datos y aquí n=9 y ν corresponde al numero de parámetros que calcularon
dela función modelo, aquí ν=2 (pendiente e intercepto). De tal manera que ndf =9−2=7,
χ2
apartir de ahí calculamos el Ji-cuadrado reducido χ 2¿ = =0,7
ndf

∆x (cm) T2(s2) Y observados Yesperados (Ye-Yo) 2

2 0 0 0,1 0,001
2 1 3,1 3,1 0,000
2 4 12,2 12,1 0,004
2 9 27 27,1 0,001
2 16 47,9 48,1 0,007
2 25 75,2 75,1 0,005
2 36 108,3 108,1 0,014
2 49 146,8 147,1 0,016
2 64 192,1 192,0 0,001
Ji-cuadrado 4,97
Ndf 7,00
   
N. Datos Exp 9,00
N. Parámetros 2
   
Ji-cuadrado/ndf 0,7
Tabla 8: Determinación de Ji-cuadrado.

Practica de linealización de una relación polinómica: Se deja caer un objeto desde

una altura inicial de 20 m ( y 0=20 m ). Se mide el tiempo cada 0,25 segundos y su
respectiva altura. Con los datos anteriores realizar una linealización en el Excel de
acuerdo al procedimiento anterior y calcular la aceleración de la gravedad, con los datos
de la tabla 8.

17
Datos Tiempo (s) Altura (m) Diferencia Error
h(m) h(m)
h1 0,25 49,3 0,8 0,6
h2 0,5 48,0 2,0 0,6
h3 0,75 46,6 3,4 0,5
h4 1 45,1 4,9 1,2
h5 1,25 41,7 8,3 0,5
h6 1,5 38,4 11,7 0,5
h7 1,75 34,3 15,7 0,5
h8 2 29,8 20,3 0,6
h9 2,25 24,7 25,4 0,5
h10 2,5 18,7 31,3 0,6
h11 2,75 12,6 37,4 0,5
h12 3 5,4 44,7 0,5

Tabla 9: Datos de altura en función del tiempo.

Altura (m) vs Tiempo(s)

60

50
f(x) = − 4.9 x + 49.46
R² = 1
40
Altura (m)

30

20

10

0
0 1 2 3 4 5 6 7 8 9 10
Tíempo(s)

18
 x(cm) F(Dn) x 103 X.Y
23 65 360
24,5 45 900
12,5 62 1.710
81 80 2.480
6,5 134 3.540
41 126 4.950
44,5 155 6.350
80 160 8.050
A ∆a b
263 724 1,284
Ji-cuadrado 2,135488
3
ndf 23
   
N. Datos Exp 12
N. 4
Parámetros
   4
Ji- 0,63
cuadrado/nd
f
Altura (m) vs Tiempo(s)
60

Tiempo (s)2 Altura (m) 50

0,0625 49,3 40

0,25 48
Altura (m)

30
0,5625 46,6 20
1 45,1 10
1,5625 41,7
0
2,25 38,4 0 1 2 3 4 5 6 7 8 9 10
Tíempo(s)
3,0625 34,3
4 29,8
5,0625 24,7 Análisis Grafico. Gráfica, Altura Vs Tiempo, experimenta
6,25 18,7 una línea con relación polinómica, con ajuste 4.8977, lo que
7,5625 12,6 demuestra que es un ajuste no muy bueno, es por ello que los
9 5,4 puntos de los datos, parecen estar distribuidos de manera
aleatoria. No se encuentran cerca de la línea, lo que
indica una relación muy débil.

19
Ejemplo 3 (Función exponencial): En muchas ocasiones existen funciones del tipo
exponencial por ejemplo como el caso de crecimiento poblacional ( P ( t ) =P 0 e−γt). También
este tipo de relaciones se pueden linealizar, realizando los cambios de variables
pertinentes.

Normalmente los cambios de variables se expresan de la siguiente forma,

P ( t ) =P 0 e−γt
A partir de esta relación, aplicamos logaritmo natural a ambos lados de la relación:

LnP ( t ) =ln ( P0 e−γt ) =ln P0 +ln ( e− γt )=ln P0 −γt

Con la anterior relación podemos ver que si llamamos:

y=LnP(t): Variable dependiente

b=−γ: Pendiente

a=ln P0 : Intercepto

x=t : Variable independiente

La anterior relación se convierte en: y=bx+ a

Consideremos, los siguientes datos tomados de una medición de crecimiento poblacional

Vamos a verificar:
Tiempo t(s) Población P(t) ΔP(t)
0 4999000 500
1 2750200 500
2 1512800 500
3 832000 500
4 457400 500
5 251800 500
6 138200 500
7 77100 500
8 42900 500
Tabla 10: Determinación de Ji-cuadrado.

Se grafican los datos en una escala lineal y se obtiene la siguiente gráfica (figura 4). La
grafica representa una curva de dispersión y se ve que los datos muestran una tendencia
exponencial:

20
 Crecimiento de Población
6000000

5000000

4000000
Población (p)

3000000

2000000

1000000

0
0 1 2 3 4 5 6 7 8 9
Tiempo (s)

Figura 4: Grafica de dispersión en Excel de Población vs t.

Se aplica el respectivo ajuste en Excel a una función tipo exponencial y los resultados del
ajuste fueron:

P0=5 x 106

γ =0,596

Como lo indica la figura 5.

Crecimiento de Población
6000000

5000000
f(x) = 4975680.58 exp( − 0.6 x )
R² = 1
4000000
Población (p)

3000000

2000000

1000000

0
0 1 2 3 4 5 6 7 8 9
Tiempo (min)

Figura 5: Grafica de ajuste en Excel de Población vs t

Lo anterior también se puede obtener aplicando escala logarítmica al eje de las abscisas
(y), se obtendría una gráfica como la figura 6.

21
 Crecimiento de Población
10000000

1000000
Población (p)

100000

10000
0 1 2 3 4 5 6 7 8 9
Tiempo (min)

Figura 6: Grafica de dispersión en Excel de Población vs t en escala

semilogaritmica

Pero es más fácil cambiar los datos en las abscisas por el logaritmo natural de las
abscisas y se obtiene la tabla 9:

Tiempo t(s) Población P(t) ΔP(t) Ln(P(t)) Ln(ΔP(t))

0 4999000 500 15,42 6,21
1 2750200 500 14,83 6,21
2 1512800 500 14,23 6,21
3 832000 500 13,63 6,21
4 457400 500 13,03 6,21
5 251800 500 12,44 6,21
6 138200 500 11,84 6,21
7 77100 500 11,25 6,21
8 42900 500 10,67 6,21

Tabla 11: El logaritmo natural de las abscisas.

Con estos datos graficamos y obtenemos, la figura 7, con su respectivo ajuste a una línea
recta.

22
 Crecimiento de Población
18.00
16.00
14.00 f(x) = − 0.6 x + 15.42

Población (Lnp)
R² = 1
12.00
10.00
8.00
6.00
4.00
2.00
0.00
0 1 2 3 4 5 6 7 8 9

Tiempo (min)

Figura 7: Grafica de ajuste en Excel del Logaritmo natural de la Población vs t.

Aquí nos podemos dar cuenta que la pendiente es la misma: b=0,596, para el valor del
intercepto debemos realizar el siguiente cambio. Aplicar la función exponencial al valor
obtenido en el ajuste ln ( 15,42 )=4975318,766 ≈5 x 106 .

Practica de linealización de una relación exponencial: En una muestra radiactiva se

mide el número de núcleos que quedan N en función del tiempo (días). Considere T como
la variable independiente y N como la variable dependiente. Los datos se muestran en la
tabla 12.

Encuentre la ecuación (N ( t ) =N 0 e−λt ) de los datos usando el método anterior. Determine

el valor de la constante lambda (λ).

Tiempo VS Logaritmo
35
f(x) = 33.6 x^-0.65
R² = 0.71
30

25

20
N(106)

15

10

0
0 5 10 15 20 25 30 35 40 45 50
T(dias)

23
T(días) N(106) ∆N(106)
Análisis Grafico. Gráfica, fuerza vs longitud, experimenta
0,2 32 0,7
una línea curva de relación exponencial, con ajuste 0.7123, lo
2,2 25 0,8 que demuestra que es un ajuste moderado, Esta relación es
4 22 0,8 monótona, pero no lineal. Además el valor obtenido
5 19 0,8 para el coeficiente es muy cercano al coeficiente de
6 17 0,8 correlación a +1 o -1, por tanto no es significativo.
8 14 0,8
11 12,4 0,7
12 10,3 0,7
15 7,5 0,7
18 4,9 0,7
26 4 0,7
33 2,4 0,7
39 1,4 0,7
45 1,1 0,7 Tabla 12: Numero de núcleos por día.

x(cm) F(Dn) x X.Y X"2

103
18 20 360 324
22,5 40 900 506,25
28,5 60 1.710 812,25
31 80 2.480 961
36,5 100 3.650 1.332,25
41 120 4.920 1.681
45,5 140 6.370 2.070,25
50 160 8.000 2.500
A ∆a b ∆b
Total 273 720 1,287.13 10.187
Ji-cuadrado 2,135488

24
 3
ndf 5
   
N. Datos 8
Exp
N. 2
Parámetros
   
Ji- 0,59
cuadrado/n
df

Ejemplo 4 (Función potencial): Existen ejemplos como el realizado en el ejemplo 2.

Considere a continuación un experimento donde un estudiante libera un balín desde el
reposos por una rampa inclinada, el estudiante anota la posición x (cm) cada segundo t
(s). Los datos se encuentran registrados en la tabla 4:

Dato
s Tiempo (s) Posición x(cm) ∆x (cm)
1 0 0 10
2 1 3,1 2
3 2 12,2 2
4 3 27 2
5 4 47,9 2
6 5 75,2 2
7 6 108,3 2
8 7 146,8 2
9 8 192,1 2

Tabla 13: Datos medidos de tiempo, posición y error en la posición de un balín que
rueda

Aquí existe un tratamiento alternativo de los datos. Aplicamos logaritmos a ambos lados
1
( 2
de la ecuación x= a ace t , así:
2 )
log 10 ( x )=log 10 ( 12 a t )=log ( 12 a )+2 log
ace
2
10 ace 10 (t)

Aquí las nuevas variables son; log 10 (x )= y , log 10 ( t ) =x , b=2 , a=log 10 ( 12 a ). La relación
ace

viene ahora a ser lineal, es decir; y=bx+ a. Por lo tanto los datos quedarían;

Tiempo (s) Posición x(cm) ∆x (cm) log(t) log(x)

0 0 2 Inf inf
1 3,1 2 0,00 0,49

25
 2 12,2 2 0,30 1,09
3 27 2 0,48 1,43
4 47,9 2 0,60 1,68
5 75,2 2 0,70 1,88
6 108,3 2 0,78 2,03
7 146,8 2 0,85 2,17
8 192,1 2 0,90 2,28
Tabla 14: Datos medidos de tiempo, posición, en escala logarítmica de un balín que
rueda

En este caso la gráfica y el ajuste queda representado por la figura 8. Según los
1
resultados del ajuste vemos que la pendiente b=2, el intercepto a=log 10 a ace . De lo
2 ( )
a 0.4887
anterior despejamos la aceleración y tendríamos a ace =2 x 10 =2 x 10 =6.16, que sería la
aceleración del balín.

Posición de un Función del Tiempo de Un Balin

que Rueda
2.50

2.00 f(x) = 1.98 x + 0.49

R² = 1
1.50
log(x)

1.00

0.50

0.00
0.00 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90 1.00
log(t)

Figura 8: Grafica de ajuste en Excel del Logaritmo del tiempo y la posición de un

balín que rueda.

Practica de linealización de una relación potencial: La presión (P) y el volumen (V) en

un tipo de gas están ligados por una ecuación del tipo P V −b=a, es decir si consideramos
la presión como variable dependiente y el volumen como variable independiente, la
relación se escribe como:

P=aV b
Donde a y b son dos parámetros totalmente desconocidos. Utilice el método anterior para
determinar los parámetros a y b. Para lo anterior utilice los siguientes datos.

P(kg/cm3
N ) Vol.(Litros)
1 0,5 1,65
2 1 1,03

26
 3 1,5 0,74
4 2 0,61
5 2,5 0,53
6 3 0,45

Tabla 15: Datos de presión y volumen

s sx sy sxx sxy ∆
0,5 1,65 2,72 0,83 5,141
1 1,03 1,06 1,02
1,5 0,74 0,55 1,11
2 0,61 0,37 1,22
2,5 0,53 0,28 1,33
3 0,45 0,2 1,35
10,5 5,01 5,18 6,86

A ∆a b ∆b
10,5 5,01 6,86 5,18

X Datos ob. Datos Esp. (Yo-Ye)^2

1 0,22 0,21 0,0001
2 0,01 0 0,0001
3 -0,13 0,12 0,0625
4 -0,21 -0,21 0.0000
5 -0,28 -0,29 0,0001
6 -0,35 -0,35 0,0001
Ji-cuadrado 0,0629
ndf 6.7
   
N. Datos Exp 6
N. 2
Parámetros
   
Ji- 0,00059
cuadrado/ndf

P(kg/cm3) Vol.(Litros)
0,5 1,65
1 1,03
1,5 0,74

27
 2 0,61
2,5 0,53
3 0,45

1.8
Volumen en funcion de la precion
1.6

1.4
f(x) = 1.8 exp( − 0.5 x )
1.2 R² = 0.94

0.8

0.6

0.4

0.2

0
0 0.5 1 1.5 2 2.5 3 3.5

P(kg/cm3) Vol. log(p) log(vol)

(Litros)
0,5 1,65 -0,3 0,22
1 1,03 0 0,01
1,5 0,74 0,17 -0,13
2 0,61 0,3 -0,21
2,5 0,53 0,4 -0,28
3 0,45 0,48 -0,35

28
 log(vol) en funcion de (log) precion
0.3

f(x) = − 0.73 x + 0 0.2

R² = 1
0.1
log(vol)
0 Linear (log(vol))
-0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5 0.6
-0.1

-0.2

-0.3

-0.4

En todos los anteriores ejercicios determine la calidad del ajuste usando el método
del Ji-cuadrado junto con el coeficiente de correlación.

29