Data Studio

Fsica
Anlisis De Una Experiencia Con Data Studio

En estos tiempos, el uso de la computadora para realizar grficas sobre datos recogidos de una
observacin, facilita el proceso de anlisis; sin embargo, es importante que los alumnos domine
las tcnicas para escoger la ms conveniente segn los resultados buscados.
Con la ayuda principal de Data Studio, es el nico software que necesitaremos para adquirir y
manipular datos tomados, y de los interfaces a utilizar.
Con Data Studio podremos usar la interface y mostrar las mediciones en una cantidad de
maneras diferentes, analizar los resultados con poderosas herramientas computacionales y an
redactar sus informes incluyendo los datos experimentales de manera automtica.

Fsica
El objeto de esta sesin es proporcionar las herramientas necesarias para obtener conclusiones
respecto al comportamiento de los procesos bajo investigacin, utilizando para ello herramientas
de anlisis computacional; se planea alcanzar los siguientes objetivos:

Verificar los resultados proporcionados por el software con modelos matemticos
conocidos y establecer diferencias.
Determinar las relaciones matemticas entre las variables fsicas que intervienen en un
experimento.
Analizar usando el software DataStudio los resultados que se obtienen de mediciones y
observaciones, para predecir comportamientos posteriores a la toma de datos, junto con
la verificacin de parmetros estadsticos.
Realizar mediciones con mayor grado de precisin.
Manejar correctamente el Vernier para mediciones de longitud y profundidad.

Fsica
Funciones, tipos y representacin

o TIPOS DE FUNCIONES:

Existen muchos tipos de funciones utilizadas para describir fenmenos, sin embargo nos
centraremos en las tres ms importantes:

FUNCION LINEAL: La funcin lineal tiene por ecuacin f(x)=mx+b donde, m y b
son nmeros reales llamados pendiente (m) y ordenada al origen (b).

Pendiente:

FUNCION POTENCIAL: Es aquella en que la variable de pendiente esta relacionada
con la variable independiente, mediante un potencia de esta. Muchas leyes en
fsica trabaja con este tipo de funciones, cuya ecuacin matemtica es:

Y = kxn

P(x) = x
2

Fsica

FUNCIN EXPONENCIAL: Es aquella en que la variable dependiente se relaciona
exponencialmente con la variable independiente .La ecuacin matemtica que
rige en esta funcin es:
y= kanx

Representacin de funciones

Fsica
Para representar una funcin existen tres mtodos:
El mtodo analtico, consiste en representar la funcin mediante una formula o ecuacin
matemtica
El mtodo de la tabulacin, consiste en obtener valores numricos de la funcin para ciertos
valores del argumento, realizando luego de un proceso llamado tabulacin (ordenar valores
en una tabla).
Mtodo grafico, este mtodo consisten representar una funcin por medio de la construccin
de una grafica, para lo cual se puede usar un computados papel especial (milimetrado.
Polar, logartmico, etc.). Una grafica es la representacin geomtrica que permite visualizar el
carcter de la variacin de la funcin

o AJUSTE LINEAL (mtodo de los mnimos cuadrados)

Mnimos cuadrados es una tcnica de anlisis numrico encuadrada dentro de la
optimizacin matemtica, en la que, dados un conjunto de pares (o ternas, etc), se
intenta encontrar la funcin que mejor se aproxime a los datos (un "mejor ajuste"), de
acuerdo con el criterio de mnimo error cuadrtico.
En su forma ms simple, intenta minimizar la suma de cuadrados de las diferencias
ordenadas (llamadas residuos) entre los puntos generados por la funcin y los
correspondientes en los datos. Especficamente, se llama mnimos cuadrados
promedio (LMS) cuando el nmero de datos medidos es 1 y se usa el mtodo de
descenso por gradiente para minimizar el residuo cuadrado. Se puede demostrar que
LMS minimiza el residuo cuadrado esperado, con el mnimo de operaciones (por
iteracin), pero requiere un gran nmero de iteraciones para converger.
Desde un punto de vista estadstico, un requisito implcito para que funcione el
mtodo de mnimos cuadrados es que los errores de cada medida estn distribuidos
de forma aleatoria. El teorema de Gauss-Mrkov prueba que los estimadores mnimos
cuadrticos carecen de sesgo y que el muestreo de datos no tiene que ajustarse, por
ejemplo, a una distribucin normal. Tambin es importante que los datos recogidos
estn bien escogidos, para que permitan visibilidad en las variables que han de ser
resueltas (para dar ms peso a un dato en particular, vase mnimos cuadrados
ponderados).
La tcnica de mnimos cuadrados se usa comnmente en el ajuste de curvas. Muchos
otros problemas de optimizacin pueden expresarse tambin en forma de mnimos
cuadrados, minimizando la energa o maximizando la entropa.
Formulacin formal del problema bidimensional
Supngase el conjunto de puntos (xk,yk), siendo . Sea fj(x), con
una base de m funciones linealmente independientes. Queremos
encontrar una funcin combinacin lineal de las funciones base tal que
, esto es:

Fsica
Se trata de hallar los m coeficientes cj que hagan que la funcin aproximante f(x) sea
la mejor aproximacin a los puntos (xk,yk). El criterio de mejor aproximacin puede
variar, pero en general se basa en aqul que d un menor error en la aproximacin. El
error en un punto (xk,yk) se podra definir como:

En este caso se trata de medir y minimizar el error en el conjunto de la aproximacin.
En matemticas, existen diversas formas de definir el error, sobre todo cuando ste se
aplica a un conjunto de puntos (y no slo a uno), a una funcin, etc. Dicho error podr
ser:
Error Mximo:
Error Medio:
Error Cuadrtico Medio:
La aproximacin mnimo cuadrada se basa en la minimizacin del error cuadrtico
medio, o, equivalentemente, en la minimizacin del radicando de dicho error, el
llamado error cuadrtico, definido como:

Para alcanzar este objetivo, suponemos que la funcin f es de una forma particular
que contenga algunos parmetros que necesitamos determinar. Por ejemplo,
supongamos que es cuadrtica, lo que quiere decir que ,
donde no conocemos an , y . Ahora buscamos los valores de , y que
minimicen la suma de los cuadrados de los residuos (S):

Esto explica el nombre de mnimos cuadrados. A las funciones que multiplican a los
coeficientes buscados, esto es, a x2, x y 1, se les conoce con el nombre de funciones
base de la aproximacin. Dichas funciones base pueden ser cualesquiera funciones, y
para ese caso se deduce a continuacin la frmula general en el caso de que la
aproximacin sea discreta y lineal.
La aproximacin de mnimos cuadrados es la mejor aproximacin al conjunto de
puntos (xk,yk), segn el criterio del error cuadrtico medio. Es posible generar otro
tipo de aproximaciones si se toman los errores mximo o medio, pero la dificultad que
entraa operar con ellos debido al valor absoluto de su expresin hace que apenas se
usen.
-Solucin del problema de los mnimos cuadrados
La aproximacin mnimo cuadrado tiene solucin general para el caso de un problema
de aproximacin lineal en sus coeficientes cj cualesquiera sean las funciones base fj(x)
antes expuestas. Por lineal se entiende f(x) es una combinacin lineal de dichas

Fsica
funciones base. Para hallar la expresin de la frmula general, es posible o bien
minimizar el error cuadrtico arriba expuesto, para lo cual se hara uso del clculo
multivariable (se tratara de un problema de optimizacin en cj), o alternativamente
hacer uso del lgebra lineal en la llamada deduccin geomtrica. Para los Modelos
estticos uniecuacionales, el mtodo de mnimos cuadrados no ha sido superado, a
pesar de diversos intentos para ello, desde principios del Siglo XIX. Se puede
demostrar que, en su gnero, es el que proporciona la mejor aproximacin.
Deduccin analtica de la aproximacin discreta mnimo cuadrtica lineal
Sean n pares con abscisas distintas, y sean m funciones cualesquiera
linealmente independientes , que se llamarn funciones base. Se desea
encontrar una funcin f(x) combinacin lineal de dichas funciones base, tomando por
ello la forma:
.

Ello
equivale por tanto a hallar los m coeficientes . En concreto, se desea que tal
funcin f(x) sea la mejor aproximacin a los n pares empleando el criterio
de mnimo error cuadrtico medio de la funcin f(x) con respecto a los puntos
.
E
l
error cuadrtico medio ser para tal caso:

Minimizar el error cuadrtico medio es equivalente a minimizar el error cuadrtico,
definido como el radicando del error cuadrtico medio, esto es:

As, los cj que minimizan Ecm tambin minimizan Ec, y podrn ser calculados
derivando e
igualando a
cero este ltimo:

Siendo i=1,2, . . .,m.
Se obtiene un sistema de m ecuaciones con m incgnitas, que recibe el nombre de
"Ecuaciones Normales de Gauss". Operando con ellas:

Fsica

Si se desarrolla el sumatorio, se visualiza la ecuacin "i" del sistema de ecuaciones
normales: .
En forma matricial, se obtiene que:

Siendo (a,b)d el producto escalar discreto, definido para dos funciones dadas h(x) y
g(x) como:
,
y para una funcin h(x) y vector cualquiera u, como:

La resolucin de dicho sistema permite obtener,para el saber de ellos para cualquier
base de funciones derivables localmente, la mejor aproximacin mnimo cuadrtica
f(x) al conjunto de puntos antes mencionado. La solucin es ptima esto es,
proporciona la mejor aproximacin siguiendo el criterio de mnimo error cuadrtico,
puesto que se obtiene al optimizar el problema.
Deduccin geomtrica del problema discreto
La mejor aproximacin deber tender a interpolar la funcin de la que proviene el
conjunto de pares (xk,yk), esto es, deber tender a pasar exactamente por todos los
puntos. Eso supone que se debera cumplir que:

Sustituyendo f(x) por su expresin:

Esto es, se tendra que verificar exactamente un sistema de n ecuaciones y m
incgnitas, pero como en general n>m, dicho sistema est sobredeterminado, no
tiene solucin general. De ah surge la necesidad de aproximarlo.
Dicho sistema podra expresarse en forma matricial como:

Esto es:

Fsica

La aproximacin trata de hallar el vector c aproximante que mejor aproxime el
sistema Ac = b.
Con dicho vector c aproximante, es posible definir el vector residuo como:

De manera que el mnimo error cuadrtico supone minimizar el residuo, definiendo su
tamao en base a la norma eucldea o usual del residuo, que equivale al error
cuadrtico:

Siendo (r,r)2 el producto interior o escalar del vector residuo sobre s mismo.
Si atendemos al sistema Ac = b, entonces se ve claramente que al multiplicar A y c, lo
que se realiza es una combinacin lineal de las columnas de A:

El problema de aproximacin ser hallar aquella combinacin lineal de columnas de A
lo ms cercana posible al vector b. Se comprueba que el conjunto de las columnas de
A engendran un Span lineal: span(A1,A2,...,Am), al que el vector b no tiene porqu
pertenecer (si lo hiciera, el sistema Ac=b tendra solucin).
Entonces, de los infinitos vectores del span(A1,A2,...,Am) que son combinacin lineal
de los vectores de la base, se tratar de hallar el ms cercano al vector b.
De entre todos ellos, el que cumple esto con respecto a la norma eucldea es la
proyeccin ortogonal del b sobre span(A1,A2,...,Am), y que por tanto hace que el
tamao del vector r, que ser el vector que una los extremos de los vectores b y
proyeccin ortogonal de b sobre el span, sea mnimo, esto es, que minimiza su norma
eucldea.
Es inmediato ver que si el residuo une b con su proyeccin ortogonal, entonces es a su
vez ortogonal al span(A1,A2,...,Am), y a cada uno de los vectores de la base, esto es,
ortogonal a cada columna de A.
La condicin de minimizacin del residuo ser:

Esto solo es cierto si:

A su vez, cada una de las m condiciones de perpendicularidad se puede agrupar en
una sola:

Sustituyendo el residuo por su expresin:

Fsica
Por tanto, la mejor aproximacin mnimo cuadrada lineal para un conjunto de puntos
discretos, sean cuales sean las funciones base, se obtiene al resolver el sistema
cuadrado:
.
A esta ecuacin se le llama ecuacin normal de Gauss, y es vlida para cualquier
conjunto de funciones base. Si estas son la unidad y la funcin x, entonces la
aproximacin se llama regresin lineal.
Mnimos cuadrados y anlisis de regresin
En el anlisis de regresin, se sustituye la relacin

por

siendo el trmino de perturbacin una variable aleatoria con media cero. Obervese
que estamos asumiendo que los valores x son exactos, y que todos los errores estn
en los valores y. De nuevo, distinguimos entre regresin lineal, en cuyo caso la funcin
f es lineal para los parmetros a ser determinados (ej., f(x) = ax2 + bx + c), y regresin
no lineal. Como antes, la regresin lineal es mucho ms sencilla que la no lineal. (Es
tentador pensar que la razn del nombre regresin lineal es que la grfica de la
funcin f(x) = ax + b es una lnea. Ajustar una curva f(x) = ax2 + bx + c, estimando a, b y
c por mnimos cuadrados es un ejemplo de regresin lineal porque el vector de
estimadores mnimos cuadrticos de a, b y c es una transformacin lineal del vector
cuyos componentes son f(xi) + i).
Los parmetros (a, b y c en el ejemplo anterior) se estiman con frecuencia mediante
mnimos cuadrados: se toman aquellos valores que minimicen la suma S. El teorema
de Gauss-Mrkov establece que los estimadores mnimos cuadrticos son ptimos en
el sentido de que son los estimadores lineales insesgados de menor varianza, y por
tanto de menor error cuadrtico medio, si tomamos f(x) = ax + b estando a y b por
determinar y con los trminos de perturbacin independientes y distribuidos
idnticamente (vase el artculo si desea una explicacin ms detallada y con
condiciones menos restrictivas sobre los trminos de perturbacin).
La estimacin de mnimos cuadrados para modelos lineales es notoria por su falta de
robustez frente a valores atpicos (outliers). Si la distribucin de los atpicos es
asimtrica, los estimadores pueden estar sesgados. En presencia de cualquier valor
atpico, los estimadores mnimos cuadrticos son ineficientes y pueden serlo en
extremo. Si aparecen valores atpicos en los datos, son ms apropiados los mtodos
de regresin robusta.
DGITOS SIGNIFICATIVOS

Nmero de dgitos utilizado para indicar qu tan precisa es una medicin. El nmero
de dgitos significativos depende de la exactitud del dispositivo de medicin, es decir,
la unidad de medida provista por ese dispositivo.
Por ejemplo, 1.2300 significa que el verdadero valor est entre 1.22995 y 1.23005. Por
lo tanto, 1.2300 tiene cinco dgitos significativos, en donde los ceros que siguen a la
derecha del punto decimal son significativos.

Fsica
Sin embargo, los ceros que siguen a la izquierda del punto decimal pueden no ser
significativos. El nmero 123,000 significa que el verdadero valor de la medicin
podra estar entre 122,500 y 123,500. Por lo tanto, 123,000 contiene slo tres dgitos
significativos.
El resultado de un clculo no puede tener mas dgitos significativos que los que los
que aparecen en cualquiera de los nmeros empleados

ERRORES EN LA MEDICIN.
Al hacer mediciones, las lecturas que se obtienen nunca son exactamente iguales, aun
cuando las efecte la misma persona, sobre la misma pieza, con el mismo
instrumento, el mismo mtodo y en el mismo ambiente (repetibilidad). Los errores
surgen debido a la imperfeccin de los sentidos, de los medios, de la observacin, de
las teoras que se aplican, de los aparatos de medicin, de las condiciones ambientales
y de otras causas.
Medida del error: En una serie de lecturas sobre una misma dimensin constante, la
inexactitud o incertidumbre es la diferencia entre los valores mximo y mnimo
obtenidos.
Incertidumbre = valor mximo - valor mnimo
El error absoluto es la diferencia entre el valor ledo y el valor convencionalmente
verdadero correspondiente.
Error absoluto = valor ledo - valor convencionalmente verdadero
El error absoluto tiene las mismas unidades de la lectura.
El error relativo es el error absoluto entre el valor convencionalmente verdadero.
Error relativo = error absoluto
Y como el error absoluto es igual a la lectura menos el valor convencionalmente
verdadero, entonces:
Error relativo = valor ledo -valor convencionalmente verdadero
Con frecuencia, el error relativo se expresa en porcentaje multiplicndolo por cien.
Clasificacin de errores en cuanto a su origen.
Errores por el instrumento o equipo de medicin: Las causas de errores atribuibles al
instrumento, pueden deberse a defectos de fabricacin (dado que es imposible
construir aparatos perfectos). Estos pueden ser deformaciones, falta de linealidad,
imperfecciones mecnicas, falta de paralelismo, etctera.
El error instrumental tiene valores mximos permisibles, establecidos en normas o
informacin tcnica de fabricantes de instrumentos, y puede determinarse mediante
calibracin.
Errores del operador o por el modo de medicin: Muchas de las causas del error
aleatorio se deben al operador, por ejemplo: falta de agudeza visual, descuido,
cansancio, alteraciones emocionales, etctera. Para reducir este tipo de errores es
necesario adiestrar al operador:
Error por el uso de instrumentos no calibrados: instrumentos no calibrados o cuya
fecha de calibracin est vencida, as como instrumentos sospechosos de presentar
alguna anormalidad en su funcionamiento no deben utilizarse para realizar
mediciones hasta que no sean calibrados y autorizados para su uso.

Fsica
Error por la fuerza ejercida al efectuar mediciones: La fuerza ejercida al efectuar
mediciones puede provocar deformaciones en la pieza por medir, el instrumento o
ambos.
Error por instrumento inadecuado: Antes de realizar cualquier medicin es necesario
determinar cul es el instrumento o equipo de medicin ms adecuado para la
aplicacin de que se trate.
Adems de la fuerza de medicin, deben tenerse presente otros factores tales como:
- Cantidad de piezas por medir
- Tipo de medicin (externa, interna, altura, profundidad, etctera.)
- Tamao de la pieza y exactitud deseada.
Se recomienda que la razn de tolerancia de una pieza de trabajo a la resolucin,
legibilidad o valor de minima divisin de un instrumento sea de 10 a 1 para un caso
ideal y de 5 a 1 en el peor de los casos. Si no es as la tolerancia se combina con el
error de medicin y por lo tanto un elemento bueno puede diagnosticarse como
defectuoso y viceversa.
Errores por puntos de apoyo: Especialmente en los instrumentos de gran longitud la
manera como se apoya el instrumento provoca errores de lectura. En estos casos
deben utilizarse puntos de apoyo especiales, como los puntos Airy o los puntos Bessel
Errores por mtodo de sujecin del instrumento: El mtodo de sujecin del
instrumento puede causar errores un indicador de cartula esta sujeto a una distancia
muy grande del soporte y al hacer la medicin, la fuerza ejercida provoca una
desviacin del brazo.
La mayor parte del error se debe a la deflexin del brazo, no del soporte; para
minizarlo se debe colocar siempre el eje de medicin lo ms cerca posible al eje del
soporte.
Error por distorsin: Gran parte de la inexactitud que causa la distorsin de un
instrument puede evitarse manteniendo en mente la ley de Abbe: la mxima
exactitud de medicin es obtenida si el eje de medicin es el mismo del eje del
instrumento.
Error de paralaje: Este error ocurre debido a la posicin incorrecta del operador con
respecto a la escala graduada del instrumento de medicin, la cual est en un plano
diferente El error de paralaje es ms comn de lo que se cree. Este defecto se corrige
mirando perpendicularmente el plano de medicin a partir del punto de lectura.
Error de posicin: Este error lo provoca la colocacin incorrecta de las caras de
medicin de los instrumentos, con respecto de las piezas por medir.
Error por desgaste: Los instrumentos de medicin, como cualquier otro objeto, son
susceptibles de desgaste, natural o provocado por el mal uso.
Error por condiciones ambientales: Entre las causas de errores se encuentran las
condiciones ambientales en que se hace la medicin; entre las principales destacan la
temperatura, la humedad, el polvo y las vibraciones o interferencias (ruido)
electromagnticas extraas.
1. Humedad
2. Polvo
3. Tempereratura

Fsica
Todos los materiales que componen tanto las piezas por medir como los instrumentos
de medicin, estn sujetos a variaciones longitudinales debido a cambios de
temperatura. Para minimizar estos errores se estableci internacionalmente, desde
1932, como norma una temperature de 20C para efectuar las mediciones. En general,
al aumentar la temperature crecen las dimensiones de las piezas y cuando disminuye
la temperature las dimensiones de las piezas se reducen.

MTODO EMPLEADO PARA EL CLCULO DE ERRORES
El mtodo seguido bsicamente podemos resumirlo en las siguientes lneas:
1.- Conceptos previos: Incertidumbre Absoluta y Relativa.
La incertidumbre es una expresin del margen de incerteza asociada a una medicin.
Si la incertidumbre estimada en la lectura de un voltmetro perfectamente calibrado
es de 0.01 voltios, a esta cantidad se denomina incertidumbre absoluta de la lectura.
La incertidumbre relativa es una expresin que compara la magnitud de la
incertidumbre con la magnitud de la mediacin que le corresponde. La incertidumbre
relativa de una lectura de 0.01 voltios en un voltmetro es:
La incertidumbre relativa porcentual (expresada como porcentaje) es simplemente:
Incertidumbre relativa porcentual = 100 x incertidumbre relativa (2)
2.- Propagacin de la incertidumbre
Suele ser posible estimar o medir el error aleatorio asociado a una medicin
particular, como la longitud de un objeto o la temperatura de una solucin. La
incertidumbre puede basarse en una estimacin de la capacidad que se tiene para
efectuar lecturas con un instrumento, o en la experiencia adquirida con un mtodo
particular. Cuando es posible, la incertidumbre se expresa habitualmente como la
desviacin estndar de una serie de mediciones repetida. La que sigue slo se aplica a
los errores aleatorios; se supone que cualquier error sistemtico fue detectado
escogido antes.
En la mayora de los experimentos es necesario efectuar operaciones aritmtica con
diversos nmeros, cada uno de los cuales tiene un error aleatorio asociado. La
incertidumbre ms probable en el resultado no es simplemente la suma de los errores
individuales, debido a que algunos de ellos son probablemente positivos, y otros,
negativos. Puede esperarse que estos errores se cancelen en cierto grado.
2.1.- Adicin y sustraccin
Supongamos que se quiere efectuar el siguiente clculo aritmtico en el que las
incertidumbres se indican entre parntesis:
El resultado aritmtico es 3.06. Pero, cul es la incertidumbre asociada a este
resultado?
Llamemos a las tres incertidumbres e1, e2 y e3 respectivamente. Para la adicin y la
sustraccin, la incertidumbre en el resultado se obtiene a partir de las incertidumbres
absolutas de los trminos individuales:
Para la suma de la ecuacin 3 es posible escribir:
La incertidumbre absoluta asociada a la suma Estados 0.04, y el resultado puede
expresarse como 3.06 0.04. Aunque la incertidumbre slo tiene una cifra
significativa, se escribi inicialmente como 0.04, con la primera cifra no significativa
como su ndice. La razn de conservar una o ms cifras no significativas estudios evitar

Fsica
errores de redondeado en clculos ulteriores con el nmero 0.04 suburbio. La cifra no
significativa se indica cmo suprimirse para no olvidara la posicin de la ltima cifra
significativa al concluir todos los clculos.
La incertidumbre relativa porcentual en la suma de la ecuacin 3 es:
Incertidumbre relativa porcentual = (0.041 / 3.06) x 100 = 1.3% (6)
2.2.- Multiplicacin y divisin
En el caso de la multiplicacin y la divisin, primero se convierten todas las
incertidumbres en incertidumbres relativos puntuales (o bien en infernales relativos).
Luego, el error del producto o el cociente se calcula como sigue:
Consideremos por ejemplo las operaciones siguientes:
Primero, todas las incertidumbres absolutas se convierten en incertidumbres relativas
porcentuales:
Luego se halla la incertidumbre relativa en el resultado mediante la ecuacin 7.El
resultado porcentual es 5.64 ( 4%); y el error absoluto es 5.64 ( 0.023). Finalmente
se descartan todas las cifras no significativas. El resultado puede expresarse como :
5.6 ( 0.2) (incertidumbre absoluta)
5.6 ( 4%) (incertidumbre relativa)
Slo se tienen dos cifras significativas puesto que la limitante es el denominador,0.59,
en el planteamiento inicial.

EL CALIBRADOR DE VERNIER :
El calibrador de tipo vernier, tambin conocido como vernier o pie de rey, es un
instrumento muy difundido en la industria, con l se miden caractersticas de longitud:
exteriores, interiores o de profundidad. Esto lo hace un instrumento muy empleado
para mediciones preliminares y, si las tolerancias lo permiten, para el control de
ciertas longitudes.
Para calibrar el calibrador tipo vernier, se emplean bloques patrn(BP), individuales o
en conjuntos adheridos, con longitudes nominales tales que calibren tanto la escala
principal como la escala vernier.

a) descripcin del sistema de medicin:
el vernier consta de : una estructura soporte en forma de L, que cuenta en su lado
mayor con superficies de gua donde desliza un cursor, este cuenta con puntas para
mediciones externas e internas, y en l esta, adems, el sistema de lectura, ste
puede ser una escala vernier, un indicador de cartula o pantalla digital. Existen gran
nmero de variaciones a
este diseo, ofrecidas por
los distintos fabricantes de
instrumentos.

Fsica

b) el error ABBE:
se considera que entre el cursor y la superficies guas existe un huelgo que permite
deslizamiento y adems un error, se supone un ajuste H7/g6(4) con un juego mximo
de 36,3 m, tal que conociendo la dimensin del cursor que apoya en la superficie
gua (W) se puede estimar el error (E) sobre la lnea de medicin.

Fsica

o Procedimiento para configuracin de equipos y accesorios.
o Verificar la conexin y estado de la fuente de alimentacin de la interface, luego proceda a
encenderla.
o Encender en computador (CPU y monitor).
o Ingresar al software Data Studio haciendo doble clic en el icono ubicado en el escritorio.

PRIMERA ACTIVIDAD (ajuste lineal):

o Usando Data Studio con la actividad para edicin de tablas, ingresar los datos de la tabla
(2), obtenidos de la medicin de la velocidad v (m/s) en funcin del tiempo t(s), para un
mvil.

Tiempo(s) Velocidad(v)
0.000 1.000
0.250 1.900
0.500 1.800
0.750 2.350
1.000 2.300
1.250 2.500
1.500 2.550
1.750 3.150
2.000 2.750
2.250 3.900
2.500 3.300

Fsica

o Digite los datos de la tabla (2) en el block de notas de Windows y guarde un archivo con el
nombre de exper1.txt, en la carpeta mis documentos.
o Ingrese al software Data Studio y seleccione introducir datos, luego elija en el men archivo la
opcin importar datos.
o Genere un grfico para la tabla creada y elimine el grafico y la tabla vaca creada por defecto.
o En la ventana resumen, active la opcin para introducir los encabezados apropiados (para el x,
nombre de la variable = tiempo, para l y, nombre de la variable = velocidad; unidades x = s, y
= m/s).
o En el formato para presentacin de grficos desactive la unin de puntos con lneas.
o Escoja del men de ajustes el tipo ms apropiado segn la configuracin de nube de puntos
observada (en este caso lineal).
o Usando la ecuaciones dadas en clase verifique los resultados proporcionados por el sistema
para la recta de regresin promedio (parmetro m y b).
o Analice los valores obtenidos y determine lo siguiente:

Valor de la velocidad inicial =
Aceleracin del mvil =
Valor mximo y mnimo de velocidad =
Desviacin estndar en datos ingresados=

2.750 3.820
3.000 3.450
3.250 4.310
3.500 3.910
3.750 4.635
4.000 3.830
4.250 5.140
4.500 4.960
4.750 5.850
5.000 5.100
5.250 5.700
5.500 5.900
5.750 6.430
6.000 6.000
6.250 6.350
6.500 6.702
6.750 6.588
7.000 7.600
7.250 7.300
7.500 7.450
7.750 7.555
7.800 8.678
7.850 9.767

Fsica

Datos de velocidad vs. Tiempo (PRIMERA ACTIVIDAD)

Fsica

PRIMERA ACTIVIDAD:

Fsica

o Desactivada la unin de puntos:

o Ajuste lineal:

Fsica

Segunda Actividad

Fsica

Fsica

Fsica

Analizando los valores obtenidos y con ayuda de DATA STUDIO, determinamos lo siguiente:
Valor de la velocidad inicial =
Aceleracin del mvil =
Valor mximo y mnimo de velocidad =
Desviacin estndar en datos ingresados=

Fsica

1.- Es posible determinar la funcin que relaciona las variables X
e Y sin realizar un ajuste?

Si es posible calcular la ecuacin que tiene la forma Y=mx + b por lo que es necesario solo hallar
m y b a travs del mtodo de los mnimos cuadrados (primera, segunda recta de regresin y recta
promedio de ajuste)

2.- Es posible aplicar el mtodo de mnimos cuadrados para ajustar
polinomios?

Fsica
Mnimos cuadrados es una tcnica de Anlisis numrico encuadrada dentro de la optimizacin
matemtica, en la que, dados un conjunto de pares (o ternas, etc), se intenta encontrar la funcin
que mejor se aproxime a los datos (un "mejor ajuste"), de acuerdo con el criterio de mnimo error
cuadrtico.
En su forma ms simple, intenta minimizar la suma de cuadrados de las diferencias ordenadas
(llamadas residuos) entre los puntos generados por la funcin y los correspondientes en los
datos. Especficamente, se llama mnimos cuadrados promedio (LMS) cuando el nmero de datos
medidos es 1 y se usa el mtodo de descenso por gradiente para minimizar el residuo cuadrado.
Se puede demostrar que LMS minimiza el residuo cuadrado esperado, con el mnimo de
operaciones (por iteracin), pero requiere un gran nmero de iteraciones para converger.
Desde un punto de vista estadstico, un requisito implcito para que funcione el mtodo de
mnimos cuadrados es que los errores de cada medida estn distribuidos de forma aleatoria. El
teorema de Gauss-Mrkov prueba que los estimadores mnimos cuadrticos carecen de sesgo y
que el muestreo de datos no tiene que ajustarse, por ejemplo, a una distribucin normal.
Tambin es importante que los datos recogidos estn bien escogidos, para que permitan
visibilidad en las variables que han de ser resueltas (para dar ms peso a un dato en particular,
vase mnimos cuadrados ponderados).
La tcnica de mnimos cuadrados se usa comnmente en el ajuste de curvas. Muchos
otros problemas de optimizacin pueden expresarse tambin en forma de mnimos
cuadrados, minimizando la energa o maximizando la entropa.
Uno de los tipos ms comunes e interesantes de experimento involucra la medicin de
varios valores de dos diferentes variables fsicas a fines de investigar la relacin
matemtica entre las dos variables. Ud. mismo ha realizado experimentos de esta clase
en este curso. Sin embargo, en dichos experimentos el ajuste de los datos a una funcin
propuesta, tal como una lnea recta, fue realizado en forma cualitativa, es decir, a ojo.
Existen formas cuantitativas de encontrar el valor de los parmetros que mejor
representan a un conjunto de datos, y es precisamente este tema el que trataremos en
esta Seccin. Le recomendamos nuevamente que, adems del breve desarrollo incluido
en este apunte, consulte la bibliografa recomendada por la Ctedra.
Probablemente, los experimentos ms comunes del tipo descripto ms arriba son
aquellos para los cuales la relacin esperada entre las variables es lineal. Por ejemplo, si
creemos que un cuerpo est cayendo con aceleracin constante g, entonces su velocidad
v debera ser una funcin lineal del tiempo t,
v = v
0
+ gt.
En forma ms general, consideraremos un par cualquiera de variables fsicas x e y de las
cuales sospechemos que estn relacionadas por una relacin lineal de la forma

Fsica

y = A + Bx,
onde A y B son constantes. Si las dos variables y y x estn relacionadas de esta manera,
entonces un grfico de y versus x debiera resultar en una lnea recta de pendiente B, que
intersecta al eje y en y = A. Si medimos N diferentes valores de x y los correspondientes
valores de y, y si nuestras mediciones no estn sujetas a incerteza alguna, entonces cada
uno de los puntos (xi, yi) caera exactamente sobre la lnea y = A + Bx. En la prctica,
existen incertezas, y lo mejor que podemos esperar es que la distancia entre cada punto
y la recta sea razonable comparada con las incertezas, tal como en el caso de la siguiente
figura:

Las inevitables incertezas experimentales se muestran a travs de las barras de
error, y slo podemos esperar que los puntos estn razonablemente cerca de la recta. En
este caso, slo la variable y est sujeta a incertezas apreciables.

Fsica

Cuando realizamos una serie de mediciones de este tipo, podemos hacernos dos
preguntas. En primer lugar, si tomamos por garantido que y y x estn relacionadas
linealmente, entonces el problema es encontrar la recta y = A + Bx que mejor se ajusta a
las mediciones, es decir, las mejores estimaciones para los valores de A y B. Este
problema puede tratarse grfica o analticamente. El mtodo analtico de encontrar la
mejor recta que se ajusta a una serie de datos experimentales es llamado regresin
lineal, o ajuste de mnimos cuadrados para una recta.
La segunda pregunta que surge es si los valores medidos realmente llenan nuestras
expectativas acerca de la linealidad entre y y x. Para contestar a esta pregunta,
deberamos primero encontrar la recta que mejor se ajusta a los datos, y adems
encontrar alguna forma de medir qu tan bien esta lnea se ajusta a los datos. Si
conocemos las incertezas asociadas a los datos, como en el caso de la figura 5, podemos
evaluar el ajuste visualmente. Si no tenemos una estimacin confiable de las incertezas,
entonces tenemos que analizar la bondad del ajuste examinando la distribucin de los
puntos mismos. Este problema, relacionado con los conceptos de covarianza y
correlacin, no ser tratado en esta Seccin.
Vayamos a la cuestin de encontrar la recta y = A + Bx que mejor se ajusta a un conjunto
de puntos (x1, y1),..., (xN, yN). Para simplificar nuestra discusin, supondremos que slo
las incertezas de la variable y son apreciables. Esta suposicin es frecuentemente muy
razonable, porque es comn el caso en que las incertezas en una variable son muchos
ms grandes que en la otra. Supondremos adems que todas las incertezas en y tiene la
misma magnitud. (Esta suposicin es tambin razonable en muchos experimentos. Si las
incertezas fueran diferentes, existen formas de generalizar el anlisis dndole un peso
adecuado a las distintas mediciones).
Si conociramos las constantes A y B, entonces, para cualquier valor xi podramos
calcular el verdadero valor yi que le corresponde:
(verdadero valor de yi) = A + B xi.
La desviacin de esta magnitud respecto al valor medido se puede escribir entonces
como:
dyi = yi (A + B xi).
Intuitivamente, vemos que un criterio razonable para elegir la recta que mejor se ajusta
a los puntos experimentales es elegir aquella que minimice la suma de los cuadrados de

Fsica
las desviaciones individuales d yi. Esto significa que el valor de los parmetros A y B
estar dado por las siguientes dos condiciones:
A) [S(dyi)2] = -2 S (yi - A - B xi)2 = 0
B) [S(dyi)2] = -2 Sxi (yi - A - B xi)2 = 0.
La resolucin simultnea de estas ecuaciones resulta en las expresiones siguientes
(demustrelo!):
A = ( Sxi2 Syi - Sxi Sxi yi )/D ,
B = ( N Sxi yi - Sxi Syi )/D

donde
D = N Sxi2 - (Sxi )2 .
Como vemos, la aplicacin del criterio de minimizacin de la suma de los cuadrados de
las desviaciones resulta en la obtencin de resultados objetivos para los parmetros A y
B. Adems de que este criterio es intuitivamente razonable, se puede demostrar que si la
medicin de cada yi est gobernada por una distribucin Gaussiana, entonces la mejor
estimacin de los parmetros A y B es aquella que minimiza la suma S(dyi)2.
La desviacin estndard de la pendiente y la ordenada al origen se calculan en trminos
de la desviacin estndard s y de la distribucin de valores de dyi alrededor de la mejor
recta (en el sentido de los cuadrados mnimos). Esta desviacin estndard est dada por
sy = [S(dyi)2 / (N 2)]1/2.
El factor (N 2) obedece a razones que no demostraremos aqu, y que estn ligadas al
nmero de grados de libertad disponibles. (Para una justificacin estadstica ms
profunda refirase a la bibliografa sugerida). Usando esta expresin para la incerteza de
los valores medidos yi , podemos usar propagacin de errores para escribir las incertezas
en las cantidades A y B:
sA = sy (Sxi2 /D )1/2
sB = sy (N /D )1/2.

Fsica
De esta forma, la aplicacin del criterio de cuadrados mnimos nos ha permitido
encontrar la mejor estimacin de los parmetros A y B, as como tambin su incerteza. Es
fcil demostrar que si por alguna razn tenemos motivos para suponer que la mejor recta
debe pasar por el origen de coordenadas, o sea que es de la forma y = Bx, entonces la
mejor estimacin para la constante B es:
B = Sxi yi / Sxi2.
La incerteza en B est dada en este caso por:
sB = sy / (Sxi2 )1/2 = [S(yi - Bxi)2 / (N 1)]1/2 / (Sxi2)1/2.
3. En qu consiste el procedimiento de linealizacin?
Debido a que la mayora de herramientas para el anlisis de sistemas y diseo de
sistemas de control requieren que el modelo sea lineal, es necesario entonces disponer
de mtodos para linealizar modelos.
La linealizacin generalmente consiste en una expansin en series de Taylor de la
ecuacin de estado (no-lineal) alrededor de un punto de operacin denido
naturalmente por el sistema o seleccionado arbitrariamente para satisfacer alguna
necesidad de control.
La linealizacion es un procedimiento que permite aproximar un modelo no lineal, por
otro que si lo es y que cumple pop r lo tanto las propiedades de los sistemas lineales, en
particular el principio superposicin. Esta aproximacin no tiene validez universal sino
nicamente en el entorno del punto de funcionamiento elegido, por lo que su aplicacin
esta indicara aquellos sistemas cuyas seales sufren pequeas variaciones alrededor de
sus valores de equilibrio.
Dada la funcin de una sola variable:

Y un punto de funcionamiento definido por
al desarrollar en serie de Taylor la

funcin alrededor de dicho punto se obtiene:

Fsica

Donde K es la derivada de la funcin con respecto a la variable particularizada para el
punto de funcionamiento elegido.
En la figura se ve la interpretacin grafica de la linealizacion que consiste que consiste en
llevar los ejes al punto de funcionamiento, sustituir la funcin y la variable por sus
incrementos respecto a dicho punto, y sustituir la funcin por su tangente en dicho
punto.

De esta grafica se deducen fcilmente las consecuencias ms importantes del proceso de
linealizacion:
El valor de la constante (la derivada) depende del punto de funcionamiento elegido, y,
por lo tanto el modelo linealizado depende tambin de dicho punto.

Fsica
La aproximacin entre la curva original y la recta es tanto ms exacta cuanto ms cerca
estemos del punto elegido, o, lo que es lo mismo, la linealizacion es vlida en el entorno
de un punto de funcionamiento.
Una vez linealizado el modelo, las variables originales se sustituyen por las variables
incrementales respecto del punto de funcionamiento elegido.

En general:
En el caso de que la funcin a linealizar dependa de n variables, bastara para desarrollar
en serie, sustituir las derivadas por las derivadas parciales con respecto a cada una de las
variables.
Dada

, que cumple

Desarrollando en serie y eliminando los trminos de segundo orden, se obtiene:
4) Con los resultados obtenidos de la primera actividad
calcule la velocidad del mvil luego de 1hora de iniciado su
recorrido.

V= 0.857X36001.32
V=3086.52 m/s

Fsica
5. Indique algn fenmeno natural cuyo comportamiento
pueda ser descrito una ecuacin exponencial.
Aplicaciones en acstica
El decibelio es la unidad de medida utilizada para el nivel de potencia y el nivel de
intensidad del ruido
Se utiliza una escala logartmica porque la sensibilidad que presenta el odo humano a las
variaciones de intensidad sonora sigue una escala aproximadamente logartmica, no
lineal. Por ello el belio (B) y su submltiplo el decibelio (dB), resultan adecuados para
valorar la percepcin de los sonidos por un oyente. Se define como la comparacin o
relacin entre dos sonidos porque en los estudios sobre acstica fisiolgica se vio que un
oyente, al que se le hace escuchar un solo sonido, no puede dar una indicacin fiable de
su intensidad, mientras que, si se le hace escuchar dos sonidos diferentes, es capaz de
distinguir la diferencia de intensidad.
Como el decibelio es una unidad relativa, para las aplicaciones acsticas, se ha tomado
como convencin, un umbral de audicin de 0 dB equivalente a un sonido con una
presin de 20 micropascales, algo as como un aumento de la presin atmosfrica normal
de 1/5.000.000.000. Aun as, el verdadero umbral de audicin vara entre distintas
personas y dentro de la misma persona, para distintas frecuencias. Se considera el
umbral del dolor para el humano a partir de los 140 dB. Esta suele ser,
aproximadamente, la medida mxima considerada en aplicaciones de acstica.
Para el clculo de la sensacin recibida por un oyente, a partir de las unidades fsicas
medibles de una fuente sonora, se define el nivel de potencia, LW, en decibelios, y para
ello se relaciona la potencia de la fuente del sonido a estudiar con la potencia de otra
fuente cuyo sonido est en el umbral de audicin, por la frmula siguiente:

En donde W1 es la potencia a estudiar, en vatios (variable), W0 es el valor de referencia,
igual a 10 12 vatios y log10 es el logaritmo en base 10 de la relacin entre estas dos
potencias. Este valor de referencia se aproxima al umbral de audicin en el aire. Notar
que si W1 es mayor que la potencia de referencia W0 de una antena ideal isotrpica el
valor en decibelios es positivo. Y si W1 es menor que la referencia W0 el resultado es
negativo. Tambin observar que un aumento de 10 veces de la potencia W1 con respecto

Fsica
a la referencia significa un aumento de 10 dB. Y que al aumentar al doble la potencia W1
con respecto a W0 significa un aumento de 3 dB.
Las ondas de sonido- producen un aumento de presin en el aire, luego otra manera de
medir fsicamente el sonido es en unidades de presin (pascales). Y puede definirse el
Nivel de presin, LP, que tambin se mide en decibelios.

En donde P1 es la presin del sonido a estudiar, y P0 es el valor de referencia, que para
sonido en el aire es igual a Pa. Este valor de referencia se aproxima al umbral
de audicin en el aire.

Data Studio

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Data Studio

Загружено:

Авторское право:

Доступные форматы

Fsica

Anlisis De Una Experiencia Con Data Studio

al desarrollar en serie de Taylor la

Вам также может понравиться