Practica 4

Descargar como pdf o txt
Descargar como pdf o txt
Está en la página 1de 9

UNIVERSIDAD NACIONAL AGRARIA DE LA SELVA

PRACTICA N°4
TEMA : ANÁLISIS DE DATOS EXPERIMENTALES- AJUSTE POTENCIAL
CURSO : Física I
DOCENTE : ING. MERMA JARA, MARCO ANTONIO
INTEGRANTES:
• Chacon Osorio, Blademir

• Iturri Pio, Miguel Angel

• Lopez Villacorta, Alexis Felipe

• Panduro Puyo, Cristhofer Hernando

• Sinarahua Sarmiento, Jarley

FECHA DE ENTREGA: 28/01/2024

TINGO MARÍA – 2024


I. HOJAS DE DATOS

04: ANALISIS DE DATOS EXPERIMENTALES- Ajuste potencial

Nro Apellidos Nombres


1 Chacon Osorio Blademir
2 Iturri Pio Miguel Angel
3 Lopez Villacorta Alexis Felipe
4 Panduro Puyo Cristhofer Hernando
5 Sinarahua Sarmiento Jarley

1. Teoría
Ajuste por mínimos cuadrados 𝒚 = 𝒎𝒙 + 𝒃, para N datos experimentales. 2. Montaje
N Σ xy −Σ x Σ y Σ x 2 Σ y −Σ xy Σ x
m = N Σ x 2 −(Σ x )2 b= N Σ x 2 −(Σ x )2

experimental
𝑑
Un foco (lámpara eléctrica) que emite luz en todas las direcciones, al interceptar el haz con una
pantalla colocada a una distancia d del foco, se tendrá una cierta intensidad luminosa, al colocar
el foco a diversas distancias desde la pantalla se han registrado los resultados mostrados en la
Tabla 1

3. Resultados
La tabla 2, da una relación NO LINEAL
Tabla 1
𝑌 𝐼 72 18 8 4,5
𝑋 d(𝑐𝑚) 10 20 30 40

Haciendo la transformación de las variables a través del logaritmo, la Tabla 2 da una relación
lineal
Tabla 2
log 𝑌 log 𝐼 log (72) log (18) log (8) log (4,5)
log 𝑋 log 𝑑 log (10) log (20) log (30) log (40)
Los valores de la pendiente e intercepto en esta tabla 3, se obtiene cambiando

Tabla 3
𝑥 = log 𝑑 𝑦 = log 𝐼 𝑥𝑦 = log 𝑑 log 𝐼 𝑥2 = 𝑙𝑜𝑔2𝑑
1 1,85 (1) (1,85) 12
1,30 1,25 (1,30) (1,25) 1,302
1,47 0,90 (1,47) (0,90) 1,472
1,60 0,65 (1,60) (0,65) 1,602
∑ log 𝑑 = 5,37 ∑ log 𝐼 = 4,65 ∑ log 𝑑 log 𝐼 = 5.838 ∑𝑙𝑜𝑔2d = 7,4109

la ecuación línea es de la forma


log 𝐼 = 𝑚 log 𝑑 + log 𝐼𝑜
Pero nos interesa la ecuación potencial que es de la forma
𝐼 = 𝐼 𝑜 𝑑𝑚

4. Actividades

1. Usando papel milimétrico represente para la Tabla 1, I vs d

2. Usando papel milimétrico represente para la Tabla 2, log 𝐼 vs log 𝑑

3. Usando el método de mínimos cuadrados con la Tabla 3, determine la ecuación

experimental, use las ecuaciones para 𝑚 y 𝑏 adaptadas a las nuevas variables

4. Discutir los resultados

5. Anotar sus conclusiones


II. OBJETIVOS

• Identificar la fórmula que mejor explica la relación entre las variables en los datos
experimentales.

• Utilizar la ecuación ajustada para hacer predicciones fiables sobre posibles resultados en
situaciones no observadas.

• Identificar qué parámetros en la ecuación ajustada son más influyentes en los resultados
experimentales.

• Comprobar si el modelo seleccionado es válido y puede generalizarse a datos adicionales


fuera del conjunto original, asegurando su utilidad en diferentes escenarios.
III. REVISIÓN DE LITERATURA

3.2.1 Análisis De Datos Experimentales- Ajuste Potencial

El análisis de datos experimentales en el contexto del ajuste potencial implica examinar

cuidadosamente los resultados obtenidos en experimentos para evaluar la capacidad de un modelo

de ajuste potencial para explicar las observaciones. Se busca determinar la correspondencia entre

los datos reales y las predicciones del modelo, identificando posibles desviaciones o inconsisten-

cias.

3.2.2 Importancia del Ajuste Lineal

La importancia del ajuste potencial radica en su capacidad para mejorar la precisión y va-

lidez de los resultados obtenidos en diversos campos de estudio. Al proporcionar un marco que se

adapta mejor a los datos observados, el ajuste potencial ayuda a modelar de manera más efectiva

fenómenos complejos, lo que puede tener implicaciones significativas en la toma de decisiones y

el diseño experimental.

3.2.3 Métodos para el Ajuste Lineal

Existen diversos métodos para llevar a cabo el ajuste potencial, desde enfoques estadísticos

hasta técnicas de aprendizaje automático. Los métodos clásicos como los mínimos cuadrados o

máxima verosimilitud se combinan con enfoques más modernos, como regresiones no paramétri-

cas o redes neuronales, proporcionando opciones adaptadas a la naturaleza específica de los datos

y el problema en cuestión.

3.2.4 Aplicaciones del Ajuste Lineal


El ajuste potencial encuentra aplicaciones en una amplia variedad de campos, desde la

ciencia y la ingeniería hasta la medicina y la economía. En investigación científica, puede utilizarse

para modelar fenómenos físicos, mientras que en la industria puede emplearse para optimizar pro-

cesos y predecir resultados en función de variables clave.

3.2.5 Ejemplo Práctico

Para ilustrar el ajuste potencial en la práctica, consideremos un estudio de ecología que

investiga la relación entre la biomasa de un tipo específico de planta (variable dependiente) y la

cantidad de luz solar recibida (variable independiente). La hipótesis es que la biomasa de la planta

podría estar relacionada de manera potencial con la cantidad de luz solar disponible.

La fórmula del ajuste potencial podría expresarse como:

𝐵𝑖𝑜𝑚𝑎𝑠𝑎 = 𝑎 . (𝐿𝑢𝑧 𝑆𝑜𝑙𝑎𝑟)𝑏

Donde:
- Biomasa es la cantidad de masa de la planta,
- Luz Solar es la cantidad de luz solar recibida,
- \(a\) es el coeficiente de escala,
- \(b\) es el exponente que determina cómo la biomasa responde al aumento de luz solar.

El ajuste potencial se realizaría utilizando datos de campo, donde se mide la biomasa de


las plantas en diferentes ubicaciones con diferentes niveles de exposición a la luz solar. La optimi-
zación de los parámetros \(a\) y \(b\) se llevaría a cabo para minimizar la diferencia entre los valo-
res predichos por el modelo y los datos observados.

Este ejemplo práctico ilustra cómo el ajuste potencial puede aplicarse en el contexto de la
ecología para modelar relaciones no lineales entre variables, proporcionando insights valiosos para
entender el crecimiento de plantas en diferentes condiciones de luz solar.
IV. RESULTADOS
Tabla1
𝑌 𝐼 72 18 8 4.5
𝑋 d(𝑐𝑚) 10 20 30 40

Tabla2

X log Y log X*Y log I *Log l X^2 Log^2


1.00 1.9 1.86 1.00
1.30 1.3 1.63 1.69
1.48 0.9 1.33 2.18
1.60 0.7 1.05 2.57
5.38 4.7 5.87 7.44

Gráfico 1
45
40
35
30
25
20
15
10
5
0
0 20 40 60 80

Gráfico 2
V. CÁLCULOS

VI. CONCLUSIONES
• Se logró identificar la fórmula experimental y cuantificar los factores que influyen en las
colisiones.
• La ecuación ajustada demostró ser una herramienta eficaz para realizar predicciones fia-
bles, permitiendo la anticipación y planificación.
• Se logro identificar un impacto significativo en los resultados experimentales de colisiones
en tema de políticas de seguridad vial.
• Se comprobó que los modelos seleccionados son consistentes y aplicables en diferentes
escenarios de manera confiable para abordar la problemática de las colisiones.
VII. BIBLIOGRAFÍA

Bevington, P. R., & Robinson, D. K. (2003). "Data Reduction and Error Analysis for the
Physical Sciences." McGraw-Hill.

Press, W. H., Teukolsky, S. A., Vetterling, W. T., & Flannery, B. P. (2007). "Numerical
Recipes: The Art of Scientific Computing." Cambridge University Press.

Taylor, J. R. (1997). "An Introduction to Error Analysis: The Study of Uncertainties in


Physical Measurements." University Science Books.

Montgomery, D. C., Peck, E. A., & Vining, G. G. (2012). "Introduction to Linear


Regression Analysis." John Wiley & Sons.

Draper, N. R., & Smith, H. (1998). "Applied Regression Analysis." John Wiley & Sons.

Beale, E. M. L., & Critchley, F. (2003). "Numerical Methods for Experimental


Mechanics." Oxford University Press.

Walpole, R. E., Myers, R. H., Myers, S. L., & Ye, K. (2011). "Probability & Statistics for
Engineers & Scientists." Pearson.

También podría gustarte