Trabajo Colaborativo Fisica

TRABAJO COLABORATIVO
LANZAMIENTO DE PROYECTIL
GRUPO 39
Bejarano Martínez Ariel Fernando
Osorio Carrasco Brallan Fernando
Gutiérrez Guzmán Dayana Paola
Prado Ceballos Daniela
INSTITUCIÓN UNIVERSITARIA POLITÉCNICO GRANCOLOMBIANO

FACULTAD DE INGENIERÍA Y CIENCIAS BÁSICAS
FISICA I
MODALIDAD VIRTUAL
2018
MARCO TEÓRICO 1: MOVIMIENTO DE PROYECTILES.
Cuando un objeto es lanzado al aire, éste sufre una aceleración debida al efecto del campo
gravitacional.
El movimiento más sencillo de éste tipo es la caída libre; pero cuando un cuerpo, además
de desplazarse verticalmente, se desplaza horizontalmente, se dice que tiene un movimiento
de proyectil, también conocido como movimiento parabólico, que es un caso más general
de un cuerpo que se lanza libremente al campo gravitacional, y se trata de un
movimiento bidimensional.
Un objeto que se lanza al espacio sin fuerza de propulsión propia recibe el nombre de
proyectil*.
En éste movimiento, se desprecia el efecto de la resistencia del aire; entonces, el único
efecto que un proyectil sufre en su movimiento es su peso, lo que le produce una
aceleración constante igual al valor de la gravedad. [1].
Marco teórico 2: Consulten los tipos de ajuste lineal, potencial, exponencial
Lineal.
Se basa en modelos lineales con la fórmula general:
Donde:
 a = punto de corte en el eje de ordenadas

 b = pendiente o gradiente de la recta, que son los coeficientes de regresión
 ϵi corresponde al término de residuos, que representa la diferencia entre el valor
observado y el estimado para el individuo i.
Los coeficientes de regresión los tenemos que estimar de los datos, usando el método de
mínimos cuadrados, basado en las siguientes fórmulas, y el criterio de optimización
de máxima verosimilitud.
Lo que hemos visto hasta ahora es sólo la “mitad de la historia”. Además de los
parámetros a y b, necesitamos calcular la incertidumbre asociada a cada una de estas
estimas. Es decir, necesitamos calcular el error estándar de cada parámetro de nuestro
modelo de regresión.
El error estándar (SESE) es la desviación estándar de la distribución de muestreo de un
estadístico. Para un estadístico (p.ej. la media), nos indica cuánta variación existe
entre muestras de la misma población. Por tanto valores grandes de SESE indican que el
estadístico no representa adecuadamente a la población de la que procede la muestra.
Para determinar la bondad del ajuste de un modelo necesitamos compararlo con un modelo
nulo, el más simple de todos, la media, que es un “modelo de no relación entre variables”.
Cuantitativamente la determinamos usamos la siguiente ecuación general: [2]
El coeficiente de correlación es otra técnica de estudiar la distribución bidimensional, que

nos indica la intensidad o grado de dependencia entre las variables X e Y. El coeficiente de
correlación r es un número que se obtiene mediante la fórmula.
El numerador es el producto de las desviaciones de los valores X e Y respecto de sus
valores medios. En el denominador tenemos las desviaciones cuadráticas medias de X y de
Y.
El coeficiente de correlación puede valer cualquier número comprendido entre -1 y +1.
· Cuando r=1, la correlación lineal es perfecta, directa.
· Cuando r=-1, la correlación lineal es perfecta, inversa
· Cuando r=0, no existe correlación alguna, independencia total de los valores X e Y
VARIANTES DE LA REGRESIÓN LINEAL.
Función potencial.
y=c·xa
Se puede trasformar en
Si usamos las nuevas variables X=log x e Y=log y, obtenemos la relación lineal

Y=aX+b.
Donde b=log c
Función exponencial.
y=c·eax
Tomando logaritmos neperianos en los dos miembros resulta ln y=ax+ln c
Si ponemos ahora X=x, e Y=ln y, obtenemos la relación lineal Y=aX+b
Donde b=ln c [3].
REGRESIÓN NO LINEAL.
La regresión no lineal es un problema de inferencia para un modelo tipo:
Basado en datos multidimensionales x,y, donde f es alguna función no lineal respecto a

algunos parámetros desconocidos θ. Como mínimo, se pretende obtener los valores de los
parámetros asociados con la mejor curva de ajuste (habitualmente, con el método de
los mínimos cuadrados). Con el fin de determinar si el modelo es adecuado, puede ser
necesario utilizar conceptos de inferencia estadística tales como intervalos de confianza
para los parámetros, así como pruebas de bondad de ajuste.
El objetivo de la regresión no lineal se puede clarificar al considerar el caso de la regresión
polinomial, la cual es mejor no tratar como un caso de regresión no lineal. Cuando la
función f toma la forma:
La función f es no lineal en función de x pero lineal en función de los parámetros

desconocidos a, b, y c.
REGRESIÓN POLINÓMICA.
Algunas veces cuando la relación entre las variables dependientes e independientes es no

lineal, es útil incluir términos polinomiales para ayudar a explicar la variación de nuestra
variable dependiente.
Las regresiones polinomiales se pueden ajustar la variable independiente con varios
términos.
Que, derivando respecto a cada uno de los coeficientes nos da el planteamiento un sistema
de ecuaciones de la siguiente forma (donde m es el número de pares de datos):
Así, la ecuación matricial que permite obtener los coeficientes polinómicos se muestra a
continuación: [4]
 El grupo debe repetir el experimento de la anterior fase, eligiendo valores de
rapidez, ángulo de disparo, masa y diámetro del proyectil (no se deben cambiar
durante el experimento) y variar la altura del cañón desde 1 m hasta 15 metros y
medir la correspondiente distancia horizontal. Los datos se deben registrar en una
tabla que ahora tiene 15 entradas.
LANZAMIENTO DE PROYECTIL
Datos:
Rapidez: 9m/s
Angulo: 27°
Masa: 10.57 kg
Diámetro: 0.30m
Altura y(m) Distancia x (m)

1m 8.27m
2m 9.46m
3m 10.45m
4m 11.23m
5m 12.11m
6m 12.83m
7m 13.49m
8m 14.12m
9m 14.71m
10m 15.28m
11m 15.81m
12m 16.33m
13m 16.83m
14m 17.3m
15m 17.77m
 Análisis de datos: Aplique cada uno de los ajustes mencionados arriba a la tabla de
15 datos. En el trabajo final los análisis deben ir acompañados de la correspondiente
interpretación con el fin de determinar cuál tipo de regresión (lineal, potencial,
experimental o polinomica) se ajusta mejor a los datos con su correspondiente
justificación. Nota: no exponer todo el proceso de obtener los coeficientes, es
suficiente con escribir su valor.
AJUSTE POTENCIAL
AJUSTE LINEAL
AJUSTE EXPONENCIAL
AJUSTE POLINOMICA
Análisis de datos
Según las gráficas el mejor ajuste que aplica al experimento del lanzamiento de proyectil es
el polinomio ya que el lanzamiento de proyectiles esta descrito por un movimiento
parabólico el cual se describe por medio de una ecuación de segundo grado y por lo que
hemos investigado el ajuste polinomio se caracteriza por tener ecuaciones de varios grados.
Además si tenemos en cuenta el coeficiente de correlación de Pearson notamos lo siguiente:
Ajuste potencial R2: 0,9861
Ajuste lineal R2: 0,9824
Ajuste potencial R2: 0,9517
Ajuste polinomio R2: 1
En vista de lo anterior notamos que del ajuste citado el que mejor describe la relación de las
variables del experimento es el polinomio ya que su coeficiente es 1 determinando este que
existe una correlación positiva perfecta. Indicando una dependencia total entre las dos
variables denominada relación directa: cuando una de ellas aumenta, la otra también lo hace
en proporción constante. Lo cual nos permite realizar análisis y pronósticos ya que se ajusta
adecuadamente a los datos reales.
 Análisis de datos y cumplimiento del objetivo: Con la selección del mejor ajuste y
la interpretación física de los parámetros, determinar el valor de g en su
experimento y comparar con el teórico, es decir, calcular el error relativo
porcentual. Nota: tome como valor teórico el que aparece por defecto en la
simulación, es decir, g = 9:81 m/s2.
X= (1)
Y= (2)
Despejando en (1) el tiempo
t=
Remplazando en (2)
Y= ( )
Y= ( )
Ahora se compara con lo que se encontró experimentalmente
Se tiene en cuenta los datos del experimento
Rapidez:9m/s
Angulo: 27°
Y= 0,0756x² - 0,4954x -0,0622
Por tanto
= 0,0756
g=2 ( )
g=2(9m/s)² (cos27°)²(0,0756)
g=9,722961771
Calculamos el error relativo porcentual.

(9.8 - 9,722961771 / 9.8) x 100 = 0.78%
Conclusiones
 El análisis de regresión y correlación lineal constituyen métodos que se emplean

para conocer las relaciones y significación entre series de datos. Lo anterior, es de
suma importancia para la industria ya que es aquí en donde se presentan variables
de respuesta e independientes las cuales interactúan para originar las características
de un proceso en particular y por ende; analizar, predecir valores de la variable
dependiente y examinar el grado de fuerza con que se relacionan dichas variables.
 Por otro lado, Al ajustar un modelo de regresión simple o múltiple a una nube de
observaciones es importante disponer de alguna medida que permita medir la
bondad del ajuste. Esto se consigue con los coeficientes de correlación. Si el modelo
que se ajusta es un modelo de regresión lineal, a R se le denomina coeficiente de
correlación y representa el porcentaje de variabilidad de la Y que explica el modelo
de regresión.
 Estas técnicas estadísticas constituyen una herramienta útil para el análisis de las
variables de un proceso ya que a través de la aplicación de éstas, es posible conocer
el modelo que siguen y la fuerza con que se encuentran relacionadas. Asimismo, es
posible explicar la relación que guardan dos o más causas de un posible defecto.
 Los ajustes lineales sirven para ver la relación o dependencia que hay entre las
variables estudiadas en un determinado experimento o fenómeno los cuales se
aplican mucho en el área investigativa también se utiliza en las áreas de ingeniería y
ciencias entre otras. Su utilidad y mayor fortaleza es que permite producir
resultados futuros
 El movimiento de proyectiles es un movimiento de caída libre donde se desprecia la
masa y se tiene en cuenta la gravedad.
 La aplicación de los ajustes lineales nos permite realizar análisis y pronósticos de un
experimento dependiendo del coeficiente de correlación
Bibliografía web
[1]Tomado de: http://www.aulafacil.com/cursos/l10319/ciencia/fisica/fisica-general-

ii/movimiento-de-proyectiles
[2]Tomado de:
http://www.ccg.unam.mx/~vinuesa/R4biosciences/docs/Tema9_regresion.html
[3]Tomado de:
http://www.sc.ehu.es/sbweb/fisica/cursoJava/numerico/regresion/regresion.htm
[4]Tomado de: https://es.wikipedia.org/wiki/Regresi%C3%B3n_no_lineal

Trabajo Colaborativo Fisica

Cargado por

Copyright:

Formatos disponibles

Trabajo Colaborativo Fisica

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Trabajo Colaborativo Fisica

Cargado por

Copyright:

Formatos disponibles

TRABAJO COLABORATIVO

Bejarano Martínez Ariel Fernando

Osorio Carrasco Brallan Fernando

Gutiérrez Guzmán Dayana Paola

Prado Ceballos Daniela

INSTITUCIÓN UNIVERSITARIA POLITÉCNICO GRANCOLOMBIANO

 a = punto de corte en el eje de ordenadas

El coeficiente de correlación es otra técnica de estudiar la distribución bidimensional, que

VARIANTES DE LA REGRESIÓN LINEAL.

Si usamos las nuevas variables X=log x e Y=log y, obtenemos la relación lineal

Tomando logaritmos neperianos en los dos miembros resulta ln y=ax+ln c

Si ponemos ahora X=x, e Y=ln y, obtenemos la relación lineal Y=aX+b

Donde b=ln c [3].

La regresión no lineal es un problema de inferencia para un modelo tipo:

Basado en datos multidimensionales x,y, donde f es alguna función no lineal respecto a

La función f es no lineal en función de x pero lineal en función de los parámetros

Algunas veces cuando la relación entre las variables dependientes e independientes es no

Altura y(m) Distancia x (m)

Y= 0,0756x² - 0,4954x -0,0622

Calculamos el error relativo porcentual.

 El análisis de regresión y correlación lineal constituyen métodos que se emplean

[1]Tomado de: http://www.aulafacil.com/cursos/l10319/ciencia/fisica/fisica-general-

[4]Tomado de: https://es.wikipedia.org/wiki/Regresi%C3%B3n_no_lineal

También podría gustarte