FACULTAD DE RECURSOS NATURALES RENOVABLES

INGENIERIA EN CONSERVACION DE SUELOS Y AGUA

PRCTICA 3: ANLISIS EXPERIMENTAL DE LA

ESTADSTICA DE UNA MEDICIN

CURSO : fsica general

PROFESOR : Diestra Rodrguez, Alexander

ALUMNO : Muriel Arias, jhon William

Pacheco Castillo Pal, Anderson

Ponte Rodrguez, Patricio

Ibarra Porras, Carolina del Carmen

Ventura Jorge, Kelly

Lorea Morales, ngel

 I. INTRODUCCIN

En el sentido ms corriente y elemental, el concepto de medir es

utilizado para significar la asignacin de valores numricos o dimensiones a un
objeto u objetos mediante la utilizacin de determinados procedimientos. En
trminos ms estrictamente metodolgicos, la medicin consiste
sustancialmente en una observacin cuantitativa, atribuyendo un nmero a
determinadas caractersticas o rasgos del hecho o fenmeno observado. Esto
no presenta mayores inconvenientes si se trata de medir aspectos materiales y
morfolgicos de los objetos de estudio; la dificultad aparece cuando se desean
expresar numricamente aspectos ms evanescentes e intangibles.
Cuando un fsico habla acerca de la medicin, se refiere
generalmente a la asignacin de nmeros a observaciones, de modo que los
nmeros sean susceptibles de anlisis por medio de manipulaciones u
operaciones de acuerdo con ciertas reglas. Este anlisis por manipulacin, en el
mejor sentido de la palabra, dar nuevas informaciones de los objetos que se
estn midiendo. En otras palabras, la relacin entre los objetos que se estn
observando y los nmeros, es tan directa que mediante la manipulacin de los
nmeros el fsico obtiene nueva informacin acerca de los objetos. Por ejemplo,
puede determinar el peso de una masa de material homogneo que haya sido
partida por la mitad, dividiendo su peso por dos.
Objetivos:
Comprender la naturaleza fsica de la estadstica de una medicin.
Analizar y representar estadstica y grficamente los valores de un
conjunto de objetos.
 II. REVISIN LITERARIA

En el siglo XVIII Daniel Bernoulli aplica razonamientos estadsticos

para explicar el comportamiento de sistemas de fluidos.
Los aos cincuenta del siglo XIX marcaron un hito en el estudio de los
sistemas trmicos. Por esos aos la termodinmica, que haba crecido
bsicamente mediante el estudio experimental del comportamiento
macroscpico de los sistemas fsicos a partir de los trabajos de Nicolas Lonard
Sadi Carnot, James Prescott Joule, Clausius y Kelvin, era una disciplina estable
de la fsica. Las conclusiones tericas deducidas de las primeras dos leyes de la
termodinmica coincidan con los resultados experimentales.

2.1. Estadstica descriptiva.

Es la rama de las matemticas que recolecta, presenta y caracteriza
un conjunto de datos (por ejemplo, edad de una poblacin, altura de los
estudiantes de una escuela, temperatura en los meses de verano, etc.) con el fin
de describir apropiadamente las diversas caractersticas de ese conjunto.

2.2. Promedio.
El promedio se vincula a la media aritmtica, que consiste en el
resultado que se obtiene al generar una divisin con la sumatoria de diversas
cantidades por el dgito que las represente en total. Claro que esta nocin
tambin se utiliza para nombrar al punto en que algo puede ser dividido por la
mitad o casi por el medio y para referirse al trmino medio de una cosa o
situacin.
El promedio, por lo tanto, es un nmero finito que puede obtenerse
a partir de la sumatoria de diferentes valores dividida entre el nmero de
sumando.
 2.2.1. Desviacin estndar media

La desviacin tpica o desviacin estndar (denotada con el

smbolo o s, dependiendo de la procedencia del conjunto de datos) es
una medida de dispersin para variables de razn (variables cuantitativas o
cantidades racionales) y de intervalo. Se define como la raz cuadrada de
la varianza de la variable.
Para conocer con detalle un conjunto de datos, no basta con conocer
las medidas de tendencia central, sino que necesitamos conocer tambin la
desviacin que presentan los datos en su distribucin respecto de la media
aritmtica de dicha distribucin, con objeto de tener una visin de los mismos
ms acorde con la realidad al momento de describirlos e interpretarlos para la
toma de decisiones.

2.2.2. Interpretacin y aplicacin

La desviacin tpica es una medida del grado de dispersin de los datos
con respecto al valor promedio. Dicho de otra manera, la desviacin estndar es
simplemente el "promedio" o variacin esperada con respecto a la media
aritmtica.
Por ejemplo, las tres muestras (0, 0, 14, 14), (0, 6, 8, 14) y (6, 6, 8,
8) cada una tiene una media de 7. Sus desviaciones estndar poblacionales
son 7, 5 y 1, respectivamente. La tercera muestra tiene una desviacin mucho
menor que las otras dos porque sus valores estn ms cerca de 7.
La desviacin estndar puede ser interpretada como una medida
de incertidumbre. La desviacin estndar de un grupo repetido de medidas nos
da la precisin de stas. Cuando se va a determinar si un grupo de medidas est
de acuerdo con el modelo terico, la desviacin estndar de esas medidas es de
vital importancia: si la media de las medidas est demasiado alejada de
la prediccin (con la distancia medida en desviaciones estndar), entonces
consideramos que las medidas contradicen la teora. Esto es coherente, ya que
las mediciones caen fuera del rango de valores en el cual sera razonable
esperar que ocurrieran si el modelo terico fuera correcto. La desviacin estndar
es uno de tres parmetros de ubicacin central; muestra la agrupacin de los
datos alrededor de un valor central (la media o promedio).

2.3. Mnimos cuadrados

2.3.1. Historia.
El da de Ao Nuevo de 1801, el astrnomo italiano Giuseppe Piazzi descubri el
planeta enano Ceres. Fue capaz de seguir su rbita durante 40 das. Durante el
curso de ese ao, muchos cientficos intentaron estimar su trayectoria con base
en las observaciones de Piazzi (resolver las ecuaciones no lineales de Kepler de
movimiento es muy difcil). La mayora de las evaluaciones fueron intiles; el
nico clculo suficientemente preciso para permitir a Franz Xaver von Zach,
astrnomo alemn, reencontrar a Ceres al final del ao fue el de Carl Friedrich
Gauss, por entonces un joven de 24 aos (los fundamentos de su enfoque ya los
haba planteado en 1795, cuando an tena 18 aos). Sin embargo, su mtodo
de mnimos cuadrados no se public sino hasta 1809, y apareci en el segundo
volumen de su trabajo sobre mecnica celeste, Theoria Motus Corporum
Coelestium in sectionibus conicis solem ambientium. El francs Adrien-Marie
Legendre desarroll el mismo mtodo de forma independiente en 1805.

2.3.2. Definicin.
Mnimos cuadrados es una tcnica de anlisis numrico enmarcada
dentro de la optimizacin matemtica, en la que, dados un conjunto de pares
ordenados: variable independiente, variable dependiente, y una familia de
funciones, se intenta encontrar la funcin continua, dentro de dicha familia, que
mejor se aproxime a los datos (un "mejor ajuste"), de acuerdo con el criterio
de mnimo error cuadrtico.
En su forma ms simple, intenta minimizar la suma de cuadrados de
las diferencias en las ordenadas (llamadas residuos) entre los puntos generados
por la funcin elegida y los correspondientes valores en los datos.
Especficamente, se llama mnimos cuadrados promedio (LMS) cuando el
nmero de datos medidos es 1 y se usa el mtodo de descenso por
gradiente para minimizar el residuo cuadrado. Se puede demostrar que LMS
minimiza el residuo cuadrado esperado, con el mnimo de operaciones (por
iteracin), pero requiere un gran nmero de iteraciones para converger.

Desde un punto de vista estadstico, un requisito implcito para que

funcione el mtodo de mnimos cuadrados es que los errores de cada medida
estn distribuidos de forma aleatoria. El teorema de Gauss-Mrkov prueba que
los estimadores mnimos cuadrticos carecen de sesgo y que el muestreo de
datos no tiene que ajustarse, por ejemplo, a una distribucin normal. Tambin es
importante que los datos a procesar estn bien escogidos, para que permitan
visibilidad en las variables que han de ser resueltas (para dar ms peso a un
dato en particular, vase mnimos cuadrados ponderados).
Formula

2.4. Ajustes de una recta.

Esta recta es la resultante de un ajuste lineal al realizar una
regresin lineal entre un grupo de variables dependientes Y y un grupo de
variables independiente X. En otras palabras es determinar cul es la lnea que
mejor represente la tendencia del comportamiento de las variables dependientes
Y, en relacin a las variables independientes X. Entre ms cercano a 1 es el
ndice de regresin lineal, el comportamiento de las variables independientes Y
se comportan casi como una lnea recta, que en este caso es la recta de mejor
ajuste.
 III. MATERIALES Y PROCEDIMIENTO

3.1. Materiales
Un 1kg de frijol
3.2. Procedimiento
En la prctica realiza se tom 10 muestras que luego fueron
contadas y pesadas para poder Comprender la naturaleza fsica de la estadstica
de una medicin y Analizar y representar estadstica y grficamente los valores
de un conjunto de objetos.

IV. Anlisis

i Xi # de frejoles Yi :(peso kg) |Xi-X| |Xi-X| |Xi-Yi|

1 98 0.02 -3.5 12.25 1.96
2 100 0.019 -1.5 2.25 1.9
3 99 0.02 -2.5 6.25 4.98
4 101 0.02 -0.5 0.25 2.02
5 109 0.022 7.5 56.25 2.398
6 102 0.02 0.5 0.25 1.04
7 98 0.02 -3.5 12.25 1.96
6 108 0.026 6.5 42.25 2.808
9 103 0.021 1.5 2.25 2.163
10 97 0.02 -4.5 20.25 1.94
154.5
 V. RESULTADOS
Yi
n Yi (n)fry peso(kg) xy x (xy x)2 xi-yi yi-y (yi-x (yi-y)
)

1 98 0.02 -3.5 12.25 1.96 0 0

2 100 0.019 -1.5 2.25 1.9 -0.003 -0.0045
3 99 0.02 -2.5 6.25 1.98 0 0
4 101 0.02 0.5 0.25 2.02 0 0
5 109 0.022 7.5 56.25 2.398 -0.003 -0.022
6 102 0.02 0.5 0.25 2.04 0 0
7 98 0.02 -3.5 12.25 1.96 0 0
8 108 0.026 6.5 42.25 2.808 0.006 0.039
9 103 0.021 1.5 2.25 2.163 0.001 0.015
10 97 0.02 -4.5 20.25 1.94 0 0
0.014

x
X=n
1015
X= 10

X = 101.5

1. Desviacin de un promedio

S = xi -x
S = 32
2. Desviacin estndar
()2
=
n1

154.5
=
9

= 4.1432
 n xiyi(yi)( yi)
=
(xi)2 (xi)2
10821.169)211.12
a=
10(1030225)1030225

a = 0.00000000614

b = yi-axi
n
b = 0.208 - 0.00000000614 (1015)
10
b =0.02079

R = (xi-x ) (yi-y)
(xi-x)2 x (yi-y)2

R = 0.014
32(0.013)
R = 0.033
Grafica

Chart Title
120

100

80

60

40

20

0
1 2 3 4 5 6 7 8 9 10
-20

Series1 Series2 Series3 Series4

Series5 Series6 Series7
 VI. CONCLUSIONES

En la prctica realizada se pudo Comprender la naturaleza fsica de

la estadstica de una medicin y Analizar y representar estadstica y grficamente
los valores de un conjunto de objetos.

0.57
=
9272025
= 0.000000614

0.2079
=
10
= 0.02079

0.014
R=
0.1416
= 0.033
 VII. REFERENCIAS BIBLIOGRFICAS

J. Fernndez y E. Galloni, Trabajos prcticos de fsica (Centro de Estudiantes de

Ingeniera, UBA, Buenos Aires, 1963).
B. L. Worsnop y H. T. Flint, Curso superior de fsica prctica (Eudeba, Buenos
Aires, 1964).
https://www.uam.es/personal_pdi/ciencias/josem/static/errores.pdf

http://www.uam.es/departamentos/ciencias/quimica/aimp/luis/Docencia/Lab_C_
Ambientales/Tratamiento_datos_experimentales.pdf