GRAFICACIÓN

Objetivos

• Conocer los diferentes grupos en los cuales se clasifican las gráficas.

• Construir gráficas utilizando papel Microsoft Excel.

• Aplicar el método de mínimos cuadrados con el fin de obtener la ecuación de la recta

de mejor ajuste.

• Analizar el significado del coeficiente de correlación.

• Identificar las gráficas como un mecanismo de análisis de la información experimental.

Introducción
Una gráfica la podemos definir como aquel dibujo en el que mostramos la relación
existente entre dos o más variables, por lo que su principal objetivo es mostrar
información visual. Como mínimo en toda gráfica tenemos dos variables, una que
llamamos independiente, que es aquella que nosotros modificamos a nuestro interés, y
las respuestas que tengamos en nuestro proceso o experimento a dichas modificaciones,
se les conoce como variables dependientes, por ejemplo; la aceleración que experimenta
una partícula depende de las fuerzas externas que estén actuando sobre ella.
La construcción de gráficos tiene como propósito dar una representación visual de
los resultados y por lo tanto deberán realizarse en forma clara.

RECOMENDACIONES GENERALES PARA LA CONSTRUCCIÓN DE UNA GRÁFICA

• Haga uso de la página completa pues una gráfica comprimida reducirá la precisión en
cualquier análisis posterior. La escala en el eje “x” y en el eje “y” son independientes.
Una manera de determinar la escala es dividir la “cantidad de unidades” que debe
colocar en el eje entre en la cantidad de centímetros que tiene la hoja, redondeando el
resultado al entero superior, evitando un múltiplo de tres o de siete.
• Los ejes deben ser rotulados e indicar con claridad las unidades de la magnitud física
representada.
• Use un lápiz de trazo fino para señalar los puntos y la curva de ajuste. Sobre cada
punto haga un círculo pequeño o una cruz de modo que puedan distinguirse de otros
puntos que por casualidad aparezcan en el papel. El uso de un lápiz de trazo grueso
introduciría innecesarias imprecisiones.
• Debe enumerar la gráfica y acompañarla de un título breve y a la vez descriptivo,
ubicado en la parte inferior.

II CUATRIMESTRE 2020 1
• Si al señalar los puntos, estos parecen encontrarse a lo largo de una línea recta, use
una regla transparente para trazar esta línea (es preferible utilizar métodos numéricos
para determinar la ecuación matemática que describe la relación entre las variables,
tal como el método de mínimos cuadrados), de modo que pueda visualizar la ubicación
de todos los puntos, mientras selecciona la mejor posición de la regla.
• Debe colocar la escala utilizada y la ecuación en la gráfica.

TIPO DE RELACIONES GRÁFICAS

Básicamente podemos hacer una clasificación sencilla compuesta por tres familias, a
saber:

RELACIÓN LINEAL

Esta es la más sencilla, y se presenta siempre que por cada incremento

proporcional en la variable independiente se da otro incremento proporcional en la
variable dependiente, de tal forma que se cumplen las siguientes relaciones (tanto para x
como para y).
En este caso la variable x y y están relacionadas matemáticamente por la expresión:

𝑦 = 𝑚𝑥 + 𝑏 Ecuación 2.1

y en una gráfica se ha de mostrar dicha relación como una línea recta.

RELACIÓN POTENCIAL

Estas relaciones se caracterizan por que cada una de las variables crece en forma
desproporcional con respecto a la otra, como los comportamientos mostrados en la figura
1. Todas estas curvas tienen ecuaciones que se expresan de la forma:

𝑦 = 𝐴𝑥 𝐵 Ecuación 2.2

1: 0 < n <1
(1)
2: n <0
3: n >1
Figura 1:
Relaciones potenciales.
(3)

VARIABLE INDEPENDIENTE X
(2)
 Siendo A y B constantes, y y x las variables. Como usted lo observa, obtener el
valor de A y B es un poco difícil, por lo que sí, de alguna forma podemos convertir la
ecuación 2 en una forma lineal, aplicando lo aprendido en las relaciones anteriores
tendremos nuestro problema resuelto, para ello linealizamos la ecuación 2, aplicando
logaritmos a ambos lados de la ecuación, así:
log(𝑦) = log(𝐴𝑥𝐵)

log(𝑦) = log(𝐴) + log(𝑥𝐵)

log(𝑦) = 𝐵 log(𝑥) + log(𝐴) Ecuación 2.3

Por lo que en una nueva redefinición de las variables nos permite observar a
nuestra ecuación 2.2 como una línea recta, pues si compara la ecuación 2.3 con la 2.1,
son prácticamente iguales. Y para representarla existe un papel especial, llamado papel
doblemente logarítmico.

En este tipo de papel, la intersección se debe leer cuando en el eje x se tiene un

valor de 1 (pues log(1) = 0), y dicho valor leído corresponde al valor de b, ya que este
papel nos permite ver toda la información como si esta tuviese aplicado la función
logaritmo, pero toda la información se introduce y lee sin este. La pendiente se determina
como en el caso anterior, bajo la salvedad de que se debe aplicar log a cada dato.

RELACIONES EXPONENCIALES

Esta es nuestra última familia, son un poco más sencillas que las anteriores, ya que
solo una de las variables sé verá afectada por el logaritmo, como veremos más adelante.
Su característica es que solo una de las variables crece (o decrece) en forma
desproporcionada con respecto a la otra, como los comportamientos mostrados en la
figura
2. Todas estas curvas tienen ecuaciones que se expresan de la forma:

𝑦 = 𝐴𝑒 𝛼𝑥 Ecuación 2.4
EJE Y

>1

Figura 2:
Relaciones exponenciales

<1

EJE X
 Para la ecuación 2.4 sabemos que A y α son constantes, cuyos valores numéricos
debemos buscar, para lo que debemos hacer primero una linealización para esta
ecuación:

ln(𝑦) = ln(𝐴𝑒𝛼𝑥)

ln(𝑦) = ln(𝐴) + ln(𝑒𝛼𝑥)

ln(𝑦) = 𝛼𝑥 + ln(𝐴) Ecuación 2.5

Para representar la ecuación 2.5 podemos apoyarnos en el papel especial llamado

semilogaritmico, papel que al igual que el anterior permite introducir (o extraer) la
información en forma normal tal como se tiene ella, este papel nos permite solo ver la
información como si se le aplicase logaritmo.

La intersección la leemos como en el papel milimétrico, cuando x toma el valor de

cero, el valor correspondiente a y es el de b.

PRINCIPIO DE MÍNIMOS CUADRADOS

Todos los procedimientos de obtención de datos en los procesos experimentales en

el laboratorio tienen una característica en común (en lo que se refiere a la obtención
matemática de una ecuación): se basan en el discernimiento visual por parte del
experimentador. Así, aunque los procedimientos se utilicen muy comúnmente y con
provecho, son vulnerables a la crítica de que, aun cuando se apliquen con mucho esmero,
no podemos estar bien seguros de la importancia cuantitativa de los resultados. Sería
muy reconfortante que pudiéramos emplear algún procedimiento matemático para
identificar la “mejor” línea para un conjunto de puntos dado (sea está una recta o una
curva), porque entonces nos liberaríamos dé la inseguridad del juicio personal. Además,
podríamos confiar en llegar a predecir según el valor y de una variable conocido el valor x
de la otra variable. Además de poder evaluar la precisión de tal elección.
El enfoque de la variable proviene de la conciencia que se tiene de que en la mayoría de
los problemas que se estudian, intervienen muchos factores y que por ello el análisis
simultáneo de varias variables produce una mejor descripción y explicación del fenómeno.

En todos esos casos es necesario saber cuál es la correlación existente entre el

conjunto de datos que se han obtenido. Aunque no es fácil hacer una diferencia tajante
entre correlación y regresión, puede decirse que en la correlación las variables se estudian
para descubrir si existe asociación entre ellas y, en caso de que exista, medir su grado o
intensidad. En la regresión por otra parte, se estudia la naturaleza de la relación entre las
variables y se trata de establecer una relación funcional que permite predecir una de ellas
(variable dependiente) conociendo las otras (variables independientes).
 Aquí se hará referencia básicamente a la correlación y regresión lineales simples, es
decir, a métodos y situaciones que involucran únicamente dos variables y en las cuales la
relación que se postula entre las dos variables es lineal (o de alguna forma se puede
linealizar). Sin embargo, los procedimientos que se presentan pueden extenderse
fácilmente, con las modificaciones pertinentes, a situaciones más complicadas, como
aquellas en que se estudian más de dos variables (regresión y correlación múltiples) a
aquellas en que la relación funcional que se supone entre las variables es no lineal.

El procedimiento en cuestión se basa en el principio estadístico de los mínimos

cuadrados. Consideraremos éste en su aplicación restringida para escoger una línea recta
que se ajuste a los valores medidos. Supongamos que tienen un conjunto de n valores de
una variable y, medidos como función de la variable x. Debemos restringirnos al caso
especial de que toda la incertidumbre se limita a la dimensión y: Esto es, los valores de x
se conocen exactamente, o al menos, con una precisión tanto mayor que la de los valores
de y, como para poder despreciar la incertidumbre en la dimensión x. Si no se puede
satisfacer esta condición, el tratamiento sencillo que se aplica a continuación no será
válido.

La pregunta por contestar ahora con nuestro procedimiento matemático es: ¿cuál
de todas las líneas en el plano x-y escogemos la mejor?, y ¿qué queremos decir con “la
mejor”?

Ya que como usted observa en la figura 3, si bien se muestra una tendencia lineal
al iniciar la observación de puntos en A y terminar en B, pero infinita cantidad de líneas
podemos trazar tocando unos o otros puntos manteniendo la condición de linealidad. El
principio de mínimos cuadrados permite hacer esta elección con base en las desviaciones
de los puntos en dirección vertical a partir de las líneas.

Figuras 3:
Distribución lineal de puntos.

Sea
 ̅𝐴
̅𝐵̅ en la figura 3, una candidata a la categoría de “mejor” línea. Consideremos
todos los intervalos verticales entre los puntos y la línea, de los cuales P 2Q2 es típico.
Definiremos como mejor línea aquella que minimiza la suma de los cuadrados de las
desviaciones como P2Q2. Nótese que no tenemos la oportunidad a considerar que un
criterio inventado como éste proporcione algún camino automático a las respuestas
“verdaderas” o “correctas”. Se trata, simplemente, de una opción de criterio para
optimizar la trayectoria de nuestra línea entre los puntos. Hay que reconocer, empero,
que si ofrece algunas ventajas sobre otras posibilidades, como minimizar la tercera
potencia de los intervalos, o la primera, etc. Aunque no hace falta, en general, que nos
ocupemos directamente de la justificación lógica del principio de mínimos cuadrados tal
como lo aplicamos, es interesante darse cuenta de cuál es la base de su validez
propuesta. Se puede probar que el procedimiento de minimizar los cuadrados de las
desviaciones da lugar, en muestreos repetidos, a una menor varianza de los parámetros
resultantes, como por ejemplo la pendiente, que al usar cualquier otro criterio. En
consecuencia, tenemos derecho a confiar más en los resultados obtenidos usando el
principio de mínimos cuadrados, que en el caso de cualquier otro método comparable; de
aquí que el uso de este principio esté muy difundido.

Expresemos ahora el principio de mínimos cuadrados en forma matemática.

Definimos que la mejor línea es aquella que lleva a su valor mínimo la suma:

∑(𝑃𝑖𝑄𝑖)2

Y deseamos obtener los parámetros, pendiente m e intersección b en las ordenadas

al origen, de esa mejor línea.

Sea la ecuación de la mejor línea:

𝑦 = 𝑚𝑥 + 𝑏

La magnitud de la desviación PiQi es el intervalo entre un cierto valor medido yi y el

valor de y en ese punto, para el valor de x. Este valor y se puede calcular a partir del
valor correspondiente de x como mxi + b, de modo que, si le llamamos yi a cada
diferencia, tenemos:
𝛿𝑦𝑖 = 𝑦𝑖 − (𝑚𝑥𝑖 + 𝑏)

El criterio de mínimos cuadrados nos permite obtener los valores deseados de m y b,

a partir de la condición:
∑[𝑦𝑖 − (𝑚𝑥𝑖 + 𝑏)]2 = 𝑚í𝑛𝑖𝑚𝑜
Y escribimos:

∑[𝑦𝑖 − (𝑚𝑥𝑖 + 𝑏)]2 = 𝑀

Luego, la condición para que sea un mínimo es:

𝛿𝑀 𝛿𝑀
𝛿𝑏 =0 𝛿𝑏 =0

Que nos dan como resultado una ecuación para la pendiente y otra para el intercepto,
expresadas así:

𝑛 ∑(𝑥𝑦) − ∑ 𝑥 ∑ 𝑦
𝑚=
2 Ecuación 2.6
𝑛 ∑ 𝑥 2 − (∑ 𝑥)

∑𝑦−𝑚∑
𝑏= 𝑥 Ecuación 2.7
𝑛

De esta forma eliminamos la aplicación del juicio personal, lo hemos sustituido por
métodos matemáticos, que dan resultados de mayor precisión y exactitud, e inclusive
podemos medir la efectividad que tiene nuestro modelo al predecir los datos que le dieron
origen, ello lo hacemos empleando el cálculo del coeficiente de correlación lineal r:

𝑛 ∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦
𝑟= Ecuación 2.8
√(𝑛 ∑ 𝑥2 − (∑ 𝑥)2)(𝑛 ∑ 𝑦2 − (∑ 𝑦)2)

Para interpretar este valor de r y descubrir cuáles valores de r son de esperarse en

los diversos tipos de relaciones entre x y y, se presentan en la figura 4, algunos
diagramas de dispersión con los valores calculados correspondientes de r.

Los primeros cuatro diagramas corresponden a dispersiones con relación lineal cada vez
más acentuada. Con esto se ve que el valor absoluto de r mide la fuerza de la relación
lineal, pero que el signo de r es positivo si y tiende a crecer al aumentar x, y es negativo
si tiende a disminuir al crecer x. En el sexto diagrama x y y están fuertemente
relacionadas, pero la relación no es lineal. Este ejemplo indica bien que r es una medida
útil de lo estrechamente que estén relacionadas 2 variables sólo cuando hay una relación
lineal entre ellas.
 r=0 r=0.5 r=0.8

r=1 r=-0.8

Figura 4: Algunas relaciones y su valor de r correspondiente .

Los diagramas de la figura 4, junto con los valores asociados de r, hacen

convenientes dos propiedades de r, primero, que el valor de r debe satisfacer la
desigualdad:

-1 < r < 1

Y segundo, que el valor de r será igual a +1 o –1 sí y sólo sí todos los puntos del
diagrama se encuentran sobre una línea recta.

INTERPRETACIÓN DEL COEFICIENTE DE CORRELACIÓN

La interpretación de un coeficiente de correlación como medida de grado de relación

lineal entre dos variables es una interpretación matemática pura y está completamente
desprovista de implicaciones de causa y efecto. El hecho de que 2 variables tiendan a
aumentar. El disminuir al mismo tiempo no implica que una tenga algún efecto directo o
indirecto en otra. Ambas pueden estar sometidas a la influencia de otras variables, de
manera que resulten con una estrecha relación matemática. Por ejemplo, en el período de
varios años el coeficiente de correlación entre los sueldos de maestros y el consumo de
licor ha resultado ser de 0,98 (situación puramente hipotética). Durante este lapso se ha
presentado una tendencia ascendente en sueldos y salarios de todo los tipos y una
tendencia general a mayores comodidades de vida. En tales condiciones, los salarios de
los maestros también habrían de aumentar. Además, la tendencia general de aumento de
salarios y poder adquisitivo, así como el aumento de población, se varía reflejada en un
aumento en el consumo de licor. Así pues, la alta correlación refleja sólo el efecto común
de una tendencia ascendente de las dos variables. Los coeficientes de correlación deben
manejarse con cuidado si se va a dar una información sensata respecto a la relación entre
pares de variables. Él utilizarlas correctamente requiere familiarización con el campo de
aplicación, así como con sus propiedades matemáticas.
Los coeficientes de correlación han probado ser muy útiles, por ejemplo, para
pruebas psicológicas y en otros campos en que es importante determinar la interrelación
de algunas variables que se estudian simultáneamente. Así, las correlaciones entre
promedios universitarios, de escuela preparatoria, puntuaciones en pruebas de aptitud o
de vocabulario y otras variables, han permitido evaluar la importancia relativa de estos
factores respecto al éxito en estudios universitarios, o bien cuando se tiene en las
tendencias productivas de un conjunto de trabajadores y las estimulaciones y
reconocimientos personales que se le den a los trabajadores, entre otros.

Trabajo previo

Investigue acerca de la relación matemática que existe entre una partícula que se
mueve a velocidad constante y el tiempo. Escriba la fórmula.

El movimiento rectilíneo uniforme (m.r.u.), es aquel con velocidad constante y cuya

trayectoria es una línea recta. Un ejemplo claro son las puertas correderas de un ascensor,
generalmente se abren y cierran en línea recta y siempre a la misma velocidad.
 Investigue sobre la ley de Boyle, su representación matemática y las unidades físicas
en las que se miden sus variables.

Ley de Boyle

El volumen de una cantidad fija de un gas mantenido a temperatura constante es

inversamente proporcional a la presión de gas.

Matemáticamente se puede expresar :

P x V= k
 Investigue como funciona un circuito RC en corriente constante. Investigue para
este circuito la relación existente entre el voltaje en descarga en el capacitor en función
del tiempo. Explique que es la constante de tiempo para un circuito RC.
Equipo
Para realizar esta práctica usted debe tener a mano varias hojas de papel milimétrico,
logarítmico y semilogarítmico. Es importante que tenga también una calculadora
científica, una regla y goma.

Procedimiento

1. La Tabla 1.1 le muestra el desplazamiento de una avioneta en función del tiempo

cuando vuela en velocidad de crucero.

Tabla 2.1 Distancia recorrida por una avioneta en función del tiempo

Desplazamiento 8 13 1 2 2 3 385 420 500 6

(km) 5 0 6 1 7 3 1
5 2 0 3 0
Tiempo (h) 0. 0. 0 0 1 1. 1.8 2.0 2.4 3
2 4 . . . 5 .
6 9 2 0

2. Construya en Microsoft Excel una gráfica de distancia en función del tiempo.

3. Utilice el método de mínimos cuadrados y obtenga la ecuación de la recta de mejor

ajuste.

4. Determine el valor de la velocidad constante de la avioneta.

5. Utilizando la ecuación de la recta de mejor ajuste sustituya dos valores de tiempo

(uno cerca del valor de 0.2 h y otro cerca de 3 h), encuentre los respectivos valores
de distancia, coloque los dos pares ordenados en la gráfica y con una regla trace la
recta de mejor ajuste.

6. Calcule el coeficiente de correlación e interprete el resultado.

CÁLCULOS
GRÁFICA 2.1
7. En cierto experimento se midió la presión de un gas confinado en un recipiente en
función de su volumen, la información correspondiente se muestra en la Tabla 2.1

Tabla 2.2 Variación de la presión de un gas en función del volumen

Presión 1.2 1.5 2.1 2.5 3.0 5. 10 12. 16 21. 25 33.

(atm) 0 .0 5 .5 0 .0 5
Volumen 41. 32. 23. 19. 16. 9.8 4. 3.9 2. 2.3 1. 1.4
(L) 05 84 46 70 42 5 93 4 99 5 97 7

8. Construya en Microsoft Excel una gráfica de presión en función del volumen.

9. Como puede observar, la relación que se muestra entre la presión y el volumen no es

lineal, por lo tanto, cambie la escala en los ejes por una logarítmica y obtenga
nuevamente la gráfica la presión en función del volumen, ¿Como se observa ahora la
relación?

10. Utilice ahora el método de mínimos cuadrados (debe realizar unos cambios en los
datos) y determine la ecuación de la recta de mejor ajuste.

11. Calcule el coeficiente de correlación e interprete el resultado.

CÁLCULOS
 GRÁFICA 2.2

II CUATRIMESTRE 2020 14
 GRÁFICA 2.3

II CUATRIMESTRE 2020 15
13. La tabla 3.1 le muestra el voltaje de descarga de un capacitor en función del tiempo
para un circuito RC funcionando en corriente directa.

Tabla 3.1 Voltaje de un capacitor en función del tiempo

Voltaje (V) 94 90. 81 74 67 60 36 22, 8,2 4.

.1 5 .8 .1 ,1 ,8 .8 2 9
Tiempo (s) 5 10 20 30 40 50 10 15 25 3
0 0 0 0
0

14. Construya en Microsoft Excel una gráfica del voltaje en función del tiempo.

15. Como puede observar, dicha relación no muestra un comportamiento lineal entre las
variables, por lo tanto, cambie la escala del eje y obtenga la gráfica nuevamente.
¿Cómo se observa ahora la relación entre el voltaje y el tiempo?

16. Utilice ahora el método de mínimos cuadrados (debe realizar unos cambios en los
datos) y determine la ecuación de la recta de mejor ajuste. Calcule también el
coeficiente de correlación e interprete sus resultados.

17. Determine el valor de la constante de tiempo del circuito.

CÁLCULOS

II CUATRIMESTRE 2020 16
 GRÁFICA 2.4

II CUATRIMESTRE 2020 17
 GRÁFICA 2.5

II CUATRIMESTRE 2020 18
 Cuestionario.

1. ¿Por qué es importante linealizar?

2. ¿Por qué es necesario conocer las unidades de medida de la variable dependiente

e independiente? Vincule la respuesta con la pendiente y la intersección.

DISCUSIÓN DE RESULTADOS Y CONCLUSIONES

II CUATRIMESTRE 2020 19