UNIVERSIDAD NACIONAL DE COLOMBIA SEDE MANIZALES

Física: Oscilaciones y ondas

LABORATORIO 2: Métodos de linealización

Luisa Fernanda Franco Celín, Cod 416520

Miguel Angel Martinez Castañeda, Cod:0817535

Yeison Andrés Buriticá Quitián, Cod o CC: 1005753709

OBJETIVO GENERAL

● Analizar los diferentes métodos de ajuste a partir de datos experimentales

MARCO TEÓRICO.

Regresión :

La regresión examina la relación entre dos variables, pero restringiendo una de ellas con el
objeto de estudiar las variaciones de una variable cuando la otra permanece constante. En
otras palabras, la regresión es un método que se emplea para predecir el valor de una
variable en función de valores dados a la otra variable.

Método de mínimos cuadrado:

Su modelo es la de una recta y viene dada por y=a +bx también vista como:

y = mx + b

Donde

m= pendiente

b=punto de corte

y vienen expresadas de la siguiente manera:

Método Exponencial:
El modelo exponencial es aquel donde la variable independiente se encuentra en el
exponente

De la forma

𝑘𝑥
𝑦 = 𝐴𝑒

Aplicando logaritmo natural Ln

𝑙𝑛(𝑦) = 𝐿𝑛(𝐴) + 𝐾𝑥

Reorganizando

𝑉 = 𝑚𝑥 + 𝑇

Donde

𝑉 = 𝑙𝑛(𝑦), 𝑚𝑥 = 𝐾𝑥, 𝑇 = 𝑙𝑛(𝐴)

Para m y T se utiliza lo siguiente:

Σ𝑦 = 𝑏Σ𝑥 + 𝑁 * 𝑎 𝐷𝑜𝑛𝑑𝑒 𝑎 𝑒𝑠 𝑒𝑙 𝑖𝑛𝑡𝑒𝑟𝑐𝑒𝑝𝑡𝑜.

2
Σ𝑦 * 𝑥 = 𝑏Σ𝑥 + 𝑁 * 𝑎Σ𝑥 𝐷𝑜𝑛𝑑𝑒 𝑏 𝑒𝑠 𝑙𝑎 𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒.
 De la forma y = a+bx

Reemplazando los símbolos:

Σ𝑉 = 𝑘Σ𝑥 + 𝑁 * 𝑇

Con N=1,

2
Σ𝑉 * 𝑥 = 𝑘Σ𝑥 + 𝑇 * Σ𝑥

Y al resolver estos, se tiene como dos ecuaciones con dos incógnitas

Método Logarítmico:

El modelo logarítmico es aquel donde la variable independiente se ve afectada por una

función logaritmo.

𝑦 = 𝑎 + 𝑏𝐿𝑛(𝑥)

Para linealizarla por mínimos cuadrados se reemplaza 𝐿𝑛(𝑥) = 𝑥´ y, consecuentemente,

se tiene:

𝑦 = 𝑎 + 𝑏𝑥´

Se aplica mínimos cuadrados:

Σ𝑦 = 𝑏Σ𝑥' + 𝑁 * 𝑎 𝐷𝑜𝑛𝑑𝑒 𝑎 𝑒𝑠 𝑒𝑙 𝑖𝑛𝑡𝑒𝑟𝑐𝑒𝑝𝑡𝑜.

'2
Σ𝑦 * 𝑥' = 𝑏Σ𝑥 + 𝑁 * 𝑎Σ𝑥' 𝐷𝑜𝑛𝑑𝑒 𝑏 𝑒𝑠 𝑙𝑎 𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒.

Con lo cual, quedan dos ecuación de dos incógnitas por despejar.

Hipótesis.

Se hipotetiza que los datos, al ser practicados un modelo lineal a ellos, mostraran a)unos
patrones de acuerdo al modelo correspondiente que se utilice y b) un patrón que
relacione los datos a una ecuación de una línea, su comportamiento y cuan fiable va a
ser en el futuro que los datos se encuentren en esta línea.

PROCEDIMIENTO.

Se procede a afianzar y poner en practica los metodos de lianizalecion previamente

hablados en los siguientes ejercicios:

Desarrollo

A.

1. Aplica el método de mínimos cuadrados para los siguientes datos, hallar la pendiente,
intercepto y graficar

2. luego Grafique los datos en Excel y vs X en Excel u otro graficador, la pendiente e

intercepto de la gráfica se tomarán como teóricos compara con los hallados en el
numeral 1

3. Analizar

x y
2 100

5 95

9 80

11 70

15 65

21 60

29 55

31 50
 35 35

37 10

R/:

1)
Se dispone a tabular los datos [1] necesarios para hacer el primer punto:

Datos 𝑥 𝑦 𝑥*𝑦 2
𝑥

(1) 2 100 200 4

(2) 5 95 475 25

(3) 9 80 720 81

(4) 11 70 770 121

(5) 15 65 975 225

(6) 21 60 1260 441

(7) 29 55 1595 841

(8) 31 50 1550 961

(9) 35 35 1225 1225

(10) 37 10 370 1369

Sumatoria(Σ) 195 620 9140 5293

Se procede a utilizar la siguientes formula para encontrar la ecuación:

 (10)(9140)−(195)(620)
𝑚= 2 =− 1. 979
(10)(5293)−(195)

(620)(5293)−(195)(9140)
𝑏= 2 = 100. 5944
(10)(5293)−(195)
O, consecuentemente, se puede utilizar una ecuación más directa para hallar el intercepto a
partir del valor de la pendiente:

Σ𝑦 Σ𝑥
𝑏 = 𝑦 − 𝑚𝑥 = 𝑛
− (− 1. 979) 𝑛
= 100. 5905

Con lo que nos dan un resultado prácticamente igual para hallar el intercepto 𝑏.

2)
Se puede observar que los datos teóricos(i.e los tomados a partir del uso de Excel) son prácticamente
iguales a los obtenidos usando las ecuaciones de mínimos cuadrados, lo que confirma la eficiencia
del uso de estas fórmulas.

3) Análisis:

Se puede observar, a través de la ecuación de linealización, como las dos variables tienden a seguir
un patrón de ser inversamente proporcionales: entre una aumenta, la otra disminuye. Además, se
puede observar el coeficiente de determinación para saber cuán confiable es el modelo empleado
para predecir futuros datos.

Con lo cual se que el modelo empleado tiene buena confiabilidad ya que el valor del coeficiente de
determinación es de casi 1.

B.

1. Aplica el método exponencial para los siguientes datos, hallar la pendiente, intercepto
y graficar
2. luego Grafique los datos en Excel Ln(y) vs X en Excel u otro graficador, la pendiente e
intercepto de la gráfica se tomarán como teóricos compara con los hallados en el
numeral 1
3. Analizar
 x y
1 0.56

2 0.65

3 0.3

4 1.6

5 1.8

6 2.15

7 3.5

8 4.8

9 7.2

10 10.1

R/:

Se anotan los datos y se procede[2]:

Datos x y V=Ln(y)

(1) 1 0.56 -0.579818495

(2) 2 0.65 -0.430782916

(3) 3 0.3 -1.203972804

(4) 4 1.6 0.470003629

(5) 5 1.8 0.587786665

(6) 6 2.15 0.765467842

(7) 7 3.5 1.252762968

 (8) 8 4.8 1.568615918

(9) 9 7.2 1.974081026

(10) 10 10.1 2.312535424

Sumatoria(Σ) 55 29.66 6.716679257

Se procede, a continuación, a encontrar las siguientes dos ecuaciones para formar un

sistema y encontrar las dos incógnitas: pendiente e intercepto.

Σ𝑉 = 𝑘Σ𝑥 + 𝑁 * 𝑇

2
Σ𝑉 * 𝑥 = 𝑘Σ𝑥 + 𝑇 * Σ𝑥

Datos Σ𝑉 = 𝑘Σ𝑥 + 𝑁 * 𝑇 2
Σ(𝑉 * 𝑥) = 𝑘Σ𝑥 + 𝑇 * Σ𝑥

(1) − 0. 579818495 = (1)𝑘 + − 0. 579818495 = 𝑘(1) + 𝑇(1

(2) − 0. 430782916 = (2)𝑘 + − 0. 861565832 = 𝑘(4) + 𝑇(2

(3) − 1. 203972804 = (3)𝑘 + − 3. 611918413 = 𝑘(9) + 𝑇(3

(4) 0. 470003629 = (4)𝑘 + 𝑇 1. 880014517 = 𝑘(16) + 𝑇(4)

(5) 0. 587786665 = (5)𝑘 + 𝑇 2. 938933325 = 𝑘(25) + 𝑇(5)

(6) 0. 765467842 = (6)𝑘 + 𝑇 4. 592807053 = 𝑘(36) + 𝑇(6)

 (7) 1. 252762968 = (7)𝑘 + 𝑇 8. 769340779 = 𝑘(49) + 𝑇(7)

(8) 1. 568615918 = (8)𝑘 + 𝑇 12. 54892734 = 𝑘(64) + 𝑇(8)

(9) 1. 974081026 = (9)𝑘 + 𝑇 17. 76672923 = 𝑘(81) + 𝑇(9)

(10) 2. 312535424 = (10)𝑘 + 𝑇 23. 12535424 = 𝑘(100) + 𝑇(1

Sumatoria(Σ) 6. 716679257 = 55𝑘 + 10𝑇 66. 56880375 = 385𝑘 + 55𝑇

Con lo que el sistema de ecuaciones quedaría como:

6. 716679257 = 55𝑘 + 10𝑇
66. 56880375 = 385𝑘 + 55𝑇
Con lo cual la solución sería:

Entonces, la ecuacion en su forma lineal se vería:

𝑉 = 0. 359118𝑥 − 1. 30347
En su versión exponencial, se tomaría:

−1.30347
𝑇 = 𝐿𝑛(𝐴) ⇒ 𝐴 = 𝑒 = 0. 2715

Con lo que la ecuación en forma exponencial sería:

𝑘𝑥 0.359118𝑥
𝑦 = 𝐴𝑒 ⇒ 𝑦 = 0. 2715 * 𝑒
2)
Graficando x y Ln(y), sacando pendiente e intercepto a través de excel, se tiene:
Se puede observar que los datos teóricos(i.e los tomados a partir del uso de Excel) son
prácticamente iguales a los obtenidos usando las ecuaciones de mínimos cuadrados o los
calculados, lo que confirma la eficiencia del uso de estas fórmulas.

3) Análisis:

Se puede observar, a través de la ecuación de linealización, como las dos variables tienden a seguir
un patrón de ser directamente proporcionales: entre una aumenta, la otra también lo hace. Además,
se puede observar el coeficiente de determinación para saber cuán confiable es el modelo empleado
para predecir futuros datos.

Con lo cual se que el modelo empleado tiene buena confiabilidad ya que el valor del coeficiente de
determinación es de casi 1.

Nota: Se calcula intercepto, pendiente y gráfica con excel para tambien ver la versión exponencial:
Con lo cual también se aprecia como los resultados Teóricos de Excel concuerdan con los resultados
calculados.
C.

1. Aplica el método Logarítmico y vs X para los siguientes datos, hallar la pendiente,

intercepto y graficar
2. luego Grafique los datos en Excel y vs Ln(X) en Excel u otro graficador, la pendiente e
intercepto de la gráfica se tomarán como teóricos compara con los hallados en el
numeral 1
3. Analizar
x y
1 2

2 3

3 3.5

4 4

5 4.1

6 4.5

7 5.1

8 5.6

9 5.9

10 6.3
 R/:

1) Se procede a tabular los datos para realizar los cálculos [3]:

Datos 𝑥 𝑦 𝑥' = 𝐿𝑛(𝑥) 𝑥' * 𝑦 𝑥'

2

(1) 1 2 0 0 0

(2) 2 3 0.693 2.079 0.480

(3) 3 3.5 1.1 3.85 1.210

(4) 4 4 1.4 5.6 1.960

(5) 5 4.1 1.61 6.601 2.592

(6) 6 4.5 1.791 8.06 3.208

(7) 7 5.1 1.945 9.915 3.783

(8) 8 5.6 2.079 44.8 4.322

(9) 9 5.9 2.197 12.96 4.827

(10) 10 6.3 2.302 14.503 5.299

Sumatoria(Σ) 55 44 15.117 108.368 27.681

Se procede, a continuación, a encontrar los datos que satisfagan la ecuación de

linealización tipo:

𝑦 = 𝑎 + 𝑏𝑥' ⇒ 𝑦 = 𝑎 + 𝑏𝐿𝑛(𝑥)

Utilizando metodo de minimos cuadrados se tiene que:

Σ𝑦 = 𝑏Σ𝑥' + 𝑁 * 𝑎 𝐷𝑜𝑛𝑑𝑒 𝑎 𝑒𝑠 𝑒𝑙 𝑖𝑛𝑡𝑒𝑟𝑐𝑒𝑝𝑡𝑜.

'2
Σ𝑦 * 𝑥' = 𝑏Σ𝑥 + 𝑁 * 𝑎Σ𝑥'
𝐷𝑜𝑛𝑑𝑒 𝑏 𝑒𝑠 𝑙𝑎 𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒.
 Datos Σ𝑦 = 𝑏𝑥' + 𝑁 * 𝑎 '2
Σ(𝑦 * 𝑥') = 𝑏Σ𝑥 + 𝑁 * 𝑎Σ𝑥'

(1) 2 = 𝑏(0) + 𝑎 0 = 𝑏(1) + 𝑎(0)

(2) 3 = 𝑏(0. 693147181) + 𝑎 0. 450545667 = 𝑏(0. 480453014) + 𝑎(0. 6931471

(3) 3. 5 = 𝑏(1. 098612289) + 𝑎 0. 329583687 = 𝑏(1. 206948961) + 𝑎(1. 0986122

(4) 4 = 𝑏(1. 386294361) + 𝑎 2. 218070978 = 𝑏(1. 921812056) + 𝑎(1. 3862943

(5) 4. 1 = 𝑏(1. 609437912) + 𝑎 2. 896988242 = 𝑏(2. 590290394) + 𝑎(1. 6094379

(6) 4. 5 = 𝑏(1. 791759469) + 𝑎 3. 852282859 = 𝑏(3. 210401996) + 𝑎(1. 7917594

(7) 5. 1 = 𝑏(1. 945910149) + 𝑎 6. 810685522 = 𝑏(3. 786566308) + 𝑎(1. 9459101

(8) 5. 6 = 𝑏(2. 079441542) + 𝑎 9. 9813194 = 𝑏(4. 324077125) + 𝑎(2. 079441542

(9) 5. 9 = 𝑏(2. 197224577) + 𝑎 15. 82001696 = 𝑏(4. 827795843) + 𝑎(2. 1972245

(10) 6. 3 = 𝑏(2. 302585093) + 𝑎 23. 25610944 = 𝑏(5. 30189811) + 𝑎(2. 30258509

Sumatoria(Σ) 44 = 𝑏(15. 10441257) + 10 65. 61560275 = 𝑏(27. 65024381) + 𝑎(15. 104412

Con lo que el sistema de ecuaciones quedaría como:

44 = 𝑏(15. 10441257) + 10𝑎

65. 61560275 = 𝑏(27. 65024381) + 𝑎(15. 10441257)

Con lo cual la solución sería:

𝑎 = 1. 68, 𝑏 = 1. 801

Por lo que la ecuación linealizada se vería así:

 𝑦 = 𝑎 + 𝑏𝐿𝑛(𝑥) ⇒ 𝑦 = 1. 68 + 1. 801 * 𝑥'

2)
Graficando Ln(x) vs y, sacando pendiente e intercepto a través de excel, se tiene:

Se puede observar que los datos teóricos(i.e los tomados a partir del uso de Excel) son
prácticamente iguales a los obtenidos usando las ecuaciones de mínimos cuadrados o los
calculados, lo que confirma la eficiencia del uso de estas fórmulas.

3) Análisis:

Se puede observar, a través de la ecuación de linealización, como las dos variables tienden a seguir
un patrón de ser directamente proporcionales: entre una aumenta, la otra también lo hace. Además,
se puede observar el coeficiente de determinación para saber cuán confiable es el modelo empleado
para predecir futuros datos.

Con lo cual se que el modelo empleado tiene buena confiabilidad ya que el valor del coeficiente de
determinación es de casi 1.

Nota: Se calcula intercepto, pendiente y gráfica con excel para también ver la versión logarítmica:
Con lo cual también se aprecia como los resultados Teóricos de Excel concuerdan con los resultados
calculados.

ANÁLISIS DE RESULTADOS.

A partir de los resultados dados en cada numeral se puede decir que los resultados
calculados concuerdan en gran medida con los resultados teóricos (Excel), lo que respalda
lo dicho en la hipótesis y va acorde también con el objetivo de la práctica: el uso de modelos
lineales.

CONCLUSIONES:

● Se puede apreciar cuán relevante es el uso de estos elementos de regresión para la

creación de modelos que ayuden al análisis de diferentes bancos de datos, no solo
físicos, sino también en muchas áreas de la ciencia.
● Se pudo identificar como las herramientas e información proveída por estas
regresiones sirven o son de gran utilidad para las predicciones hechas sobre cómo
se comportan y comportarán dos variables entre sí.
● Se pudo observar de una forma calculada y una forma simulada-Teórica (excel)
cómo se manejan estos métodos, como se deducen sus fórmulas y el uso de estos
de forma casi instantánea con ayuda de software.

ANEXO

Hubo un pequeño incidente donde no nos daba la regresión logarítmica en Ln(x) vs y,

ignorantes de que se le estaba sacando un log a un log y que no era posible usar esto
debido a que el primer dato de Ln(x) era un cero.
BIBLIOGRAFÍA.

[1] Educatina, Método de Mínimos cuadrados, Sep. 02, 2015. Tomado en:

Abril. 04, 2021. Disponible

en:https://www.youtube.com/watch?v=gUdU6BgnJ2c

[2] Sergio Esteves Rebollo, Ajuste de curva exponencial tipo y=ae^kx, Jul.16,2017.

Tomado en: Abril. 04, 2021. Disponible en:

https://www.youtube.com/watch?v=zNsyy120PYw

[3] carlos velazco, Ecuación de regresion logaritmica, May.11,2013. Tomado en: Abril. 04, 2021.
Disponible en:
https://youtu.be/0dq3Hok7e-M