Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 9 vistas

    Practica 4

    Cargado por

    Bladi Chacon
    Este documento presenta los resultados de un experimento para analizar la relación entre la intensidad luminosa (I) y la distancia (d) de una fuente de luz a una pantalla. Se registraron valores de I y d y se realizó un ajuste potencial usando logaritmos. El modelo obtuvo valores ajustados para la pendiente e intercepto que describen mejor la relación no lineal entre las variables. El documento concluye que el ajuste potencial es una herramienta útil para modelar fenómenos y hacer predicciones basadas en datos experimentales.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Practica 4

    Cargado por

    Bladi Chacon
    9 vistas9 páginas
    Este documento presenta los resultados de un experimento para analizar la relación entre la intensidad luminosa (I) y la distancia (d) de una fuente de luz a una pantalla. Se registraron valores de I y d y se realizó un ajuste potencial usando logaritmos. El modelo obtuvo valores ajustados para la pendiente e intercepto que describen mejor la relación no lineal entre las variables. El documento concluye que el ajuste potencial es una herramienta útil para modelar fenómenos y hacer predicciones basadas en datos experimentales.

    Título original

    PRACTICA 4

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento presenta los resultados de un experimento para analizar la relación entre la intensidad luminosa (I) y la distancia (d) de una fuente de luz a una pantalla. Se registraron valores de I y d y se realizó un ajuste potencial usando logaritmos. El modelo obtuvo valores ajustados para la pendiente e intercepto que describen mejor la relación no lineal entre las variables. El documento concluye que el ajuste potencial es una herramienta útil para modelar fenómenos y hacer predicciones basadas en datos experimentales.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    9 vistas9 páginas

    Practica 4

    Cargado por

    Bladi Chacon
    Este documento presenta los resultados de un experimento para analizar la relación entre la intensidad luminosa (I) y la distancia (d) de una fuente de luz a una pantalla. Se registraron valores de I y d y se realizó un ajuste potencial usando logaritmos. El modelo obtuvo valores ajustados para la pendiente e intercepto que describen mejor la relación no lineal entre las variables. El documento concluye que el ajuste potencial es una herramienta útil para modelar fenómenos y hacer predicciones basadas en datos experimentales.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 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