UNIVERSIDAD NACIONAL AGRARIA DE LA SELVA

FACULTAD DE RECURSOSNATURALES RENOVABLES

INGENIERIA EN CONSERVACION DE SUELOS Y AGUA

PRÁCTICA 4
ANALISIS EXPERIMENTAL DEL MOVIMIENTO DE UNA
DIMENSION

CURSO : FISICA

ALUMNA : HERRERA DOMINGUEZ THALIA MILENI

DOCENTE : DIESTRA RODRIGUEZ Alexander

SEMESTRE : 2017 I

TINGO MARIA - 2017

 I. INTRODUCCION

En la vida diaria comprendemos de manera media lo que es el

movimiento, decimos que algo está en movimiento si algo cambia de
posición, es decir si se mueve de un lugar a otro en un tiempo determinado.
Pero, si dejamos caer un vaso ¿Cuánto tiempo tenemos para atraparlo
antes de que choque con el piso? O si lanzamos una pelota ¿cómo
sabemos cuánto sube? Existen métodos generales útiles para describir
este tipo de movimientos y los vamos a estudiar a continuación. En física,
el movimiento es estudiado por dos de sus ramas, la cinemática estudia el
movimiento en sí, sin enfocarse en las causas del mismo, entonces estudia
la distancia, la velocidad, la aceleración de dicho movimiento entre otras.
Por otro lado, la dinámica si estudia las causas del movimiento, lo que lo
provoca.

II. OBJETIVOS

 Comprender el comportamiento de un cuerpo en movimiento.

 Aplicar la prueba de hipótesis para determinar el tipo de movimiento que

posee un cuerpo (MRU o MRUV) y hallar sus variables fundamentales.
 III. MARCO TEORICO

CINEMATICA

La palabra cinemática proviene del griego “kineema”, que significa

movimiento. La cinética comprende una rama de la física que estudia el
movimiento de los cuerpos en el espacio, independientemente de las
causas que lo producen. Por lo tanto se encarga del estudio de la
trayectoria en función del tiempo. En el estudio de la cinemática los
primeros en describir el movimiento fueron los astrónomos y filósofos
griegos, los primeros escritos de la cinemática lo encontramos hacia los
años 1605 donde se menciona a Galileo Galilei por su reconocido estudio
del movimiento de caída libre y esfera de planos inclinados. Después de
varios siglos este concepto fue ampliado por una serie de físicos hasta
desarrollarse y adquirir una estructura propia.

MOVIMIENTO RECTILÍNEO UNIFORME (MRU)

El Movimiento Rectilíneo Uniforme es una trayectoria recta, su velocidad es

constante y su aceleración es nula.

Un movimiento es rectilíneo cuando un objeto describe una trayectoria recta, y

es uniforme cuando su velocidad es constante en el tiempo, dado que
su aceleración es nula. Es indicado mediante el acrónimo MRU, aunque en
algunos países es MRC, que significa Movimiento Rectilíneo Constante.

El MRU se caracteriza por:

 Movimiento que se realiza sobre una línea recta.

 Velocidad constante; implica magnitud y dirección constantes.

La magnitud de la velocidad recibe el nombre de celeridad o rapidez.

 Aceleración nula.
Propiedades y características

La distancia recorrida se calcula multiplicando la magnitud de la velocidad por el

tiempo transcurrido. Esta relación también es aplicable si la trayectoria no es
rectilínea, con tal que la rapidez o módulo de la velocidad sea constante. Por lo
tanto el movimiento puede considerarse en dos sentidos; una velocidad negativa
representa un movimiento en dirección contraria al sentido que
convencionalmente hayamos adoptado como positivo.

De acuerdo con la Primera Ley de Newton, toda partícula permanece en reposo

o en movimiento rectilíneo uniforme cuando no hay una fuerza externa que actúe
sobre el cuerpo, dado que las fuerzas actuales están en equilibrio, por lo cual su
estado es de reposo o de movimiento rectilíneo uniforme. Esta es una situación
ideal, ya que siempre existen fuerzas que tienden a alterar el movimiento de las
partículas, por lo que en el movimiento rectilíneo uniforme (M.R.U) es difícil
encontrar la fuerza amplificada.

Ecuaciones del movimiento

Sabemos que la velocidad es constante; esto significa que no existe

aceleración.

La posición en cualquier instante viene dada por

Para una posición inicial y un tiempo , ambos distintos de cero, la

posición para cualquier tiempo está dada por

MOVIMIENTO RECTILÍNEO UNIFORMEMENTE ACELERADO (MRUV)

Evolución respecto del tiempo de la posición, de la velocidad y de

la aceleración de un cuerpo sometido a un movimiento rectilíneo uniformemente
acelerado, en un sistema de coordenadas cartesianas, según la mecánica
clásica.

El movimiento rectilíneo uniformemente acelerado (MRUA), también conocido

como movimiento rectilíneo uniformemente variado (MRUV), es aquel en el que
un móvil se desplaza sobre una trayectoria recta estando sometido a
una aceleración constante.

Un ejemplo de este tipo de movimiento es el de caída libre vertical, en el cual la

aceleración interviniente, y considerada constante, es la que corresponde a la
gravedad.

También puede definirse como el movimiento que realiza una partícula que
partiendo del reposo es acelerada por una fuerza constante. El movimiento
rectilíneo uniformemente acelerado (MRUA) es un caso particular
del movimiento uniformemente acelerado (MUA).

Movimiento rectilíneo uniformemente acelerado en mecánica newtoniana

En mecánica clásica el movimiento rectilíneo uniformemente acelerado (MRUA)

presenta tres características fundamentales:

1. La aceleración y la fuerza resultante sobre la partícula son constantes.

2. La velocidad varía linealmente respecto del tiempo.

3. La posición varía según una relación cuadrática respecto del tiempo.

La figura muestra las relaciones, respecto del tiempo, del desplazamiento

(parábola), velocidad (recta con pendiente) y aceleración (constante, recta
horizontal) en el caso concreto de la caída libre (con velocidad inicial nula).

El MRUA, como su propio nombre indica, tiene una aceleración constante, cuyas
relaciones dinámicas y cinemáticas, respectivamente, son:
En el movimiento rectilíneo acelerado, la
aceleración instantánea es representada
como la pendiente de la recta tangente a la
curva que representa gráficamente la
función (t).

La velocidad v para un instante t dado es:

Siendo la velocidad inicial.

Finalmente la posición x en función del tiempo se expresa por:

Donde es la posición inicial.

Además de las relaciones básicas anteriores, existe una ecuación que relaciona
entre sí el desplazamiento y la rapidez del móvil. Ésta se obtiene despejando el
tiempo de (2a) y sustituyendo el resultado en (3):

Derivación de las ecuaciones de movimiento.

Movimiento acelerado en mecánica relativista

Movimiento relativista bajo fuerza

constante: aceleración (azul),
velocidad (verde) y desplazamiento
(rojo).

En mecánica relativista no existe un

equivalente exacto del movimiento rectilíneo uniformemente acelerado, ya que
la aceleración depende de la velocidad y mantener una aceleración constante
requeriría una fuerza progresivamente creciente. Lo más cercano que se tiene
es el movimiento de una partícula bajo una fuerza constante, que comparte
muchas de las características del MUA de la mecánica clásica.

La ecuación de movimiento relativista para el movimiento bajo una fuerza

constante partiendo del reposo es:

Donde w es una constante que, para valores pequeños de la velocidad

comparados con la velocidad de la luz, es aproximadamente igual a la
aceleración (para velocidades cercanas a la de la luz la aceleración es mucho
más pequeña que el cociente entre la fuerza y la masa). De hecho, la aceleración
bajo una fuerza constante viene dada en el caso relativista.

Movimiento acelerado en mecánica cuántica

En mecánica cuántica no se puede hablar de trayectorias ya que la posición de

la partícula no puede determinarse con precisión arbitraria, por lo que sólo
existen análogos cuánticos imperfectos del movimiento rectilíneo clásico. El
equivalente cuántico más simple de movimiento uniformemente acelerado es el
de una partícula cuántica (no relativista y sin espín) en un campo de fuerzas
conservativo en el que la energía potencial es una función lineal de la
coordenada.

La solución general de esta ecuación puede escribirse como transformada de

Fourier del conjunto de soluciones de la ecuación estacionaria:

Donde la amplitud es una función de la energía que debe escogerse para

satisfacer las condiciones iniciales y la función en el integrando debe ser
solución de la ecuación de Schrödinger estacionaria:
Donde:

es la constante de Planck racionalizada.

es la masa de la partícula.

es la fuerza que se ejerce sobre la partícula.

es la energía de un estado estacionario del hamiltoniano cuántico.

Haciendo el cambio de variable:

Entonces la ecuación (*) equivale a la ecuación:

Que es la ecuación de Airy, por lo que la solución general de la ecuación de

Schrödinger queda en términos de funciones Airy:

Por consideraciones físicas B = 0, ya que en caso contrario la anterior función

no sería acotada.

Nótese que la ecuación anterior tiene solución para cualquier valor de E y por
tanto los estados energéticos posibles de una partícula tienen un espectro
continuo (a diferencia de lo que pasa para otros sistemas cuánticos con niveles
de energía discretos).
REGRESION LINEAL

La primera forma de regresión lineal documentada fue el método de los mínimos

cuadrados que fue publicada por Legendre en 1805, Gauss publicó un trabajo
en donde desarrollaba de manera más profunda el método de los mínimos
cuadrados,1 y en dónde se incluía una versión del teorema de Gauss-Márkov.

El término regresión se utilizó por primera vez en el estudio

de variables antropométricas: al comparar la estatura de padres e hijos, donde
resultó que los hijos cuyos padres tenían una estatura muy superior al valor
medio, tendían a igualarse a éste, mientras que aquellos cuyos padres eran muy
bajos tendían a reducir su diferencia respecto a la estatura media; es decir PE
NE, "regresaban" al promedio.2 La constatación empírica de esta propiedad se
vio reforzada más tarde con la justificación teórica de ese fenómeno.

El término lineal se emplea para distinguirlo del resto de técnicas de regresión,

que emplean modelos basados en cualquier clase de función matemática. Los
modelos lineales son una explicación simplificada de la realidad, mucho más
ágiles y con un soporte teórico mucho más extenso por parte de la matemática y
la estadística.

Pero bien, como se ha dicho, se puede usar el término lineal para distinguir
modelos basados en cualquier clase de aplicación.

El modelo de regresión lineal

El modelo lineal relaciona la variable dependiente Y con K variables

explícitas (k = 1,...K), o cualquier transformación de éstas que generen
un hiperplano de parámetros desconocidos:

donde es la perturbación aleatoria que recoge todos aquellos factores de la

realidad no controlables u observables y que por tanto se asocian con el azar, y
es la que confiere al modelo su carácter estocástico. En el caso más sencillo,
con una sola variable explícita, el hiperplano es una recta:
El problema de la regresión consiste en elegir unos valores determinados para
los parámetros , de modo que la ecuación quede
completamente especificada. Para ello se necesita un conjunto de
observaciones. En una observación i-ésima (i= 1,... I) cualquiera, se registra el
comportamiento simultáneo de la variable dependiente y las variables explícitas
(las perturbaciones aleatorias se suponen no observables).

Los valores escogidos como estimadores de los , son

los coeficientes de regresión sin que se pueda garantizar que coincida n con
parámetros reales del proceso generador. Por tanto, en

Los valores son por su parte estimaciones o errores de la perturbación

aleatoria.

Hipótesis del modelo de regresión lineal clásico

1. Esperanza matemática nula: . Para cada valor de X la

perturbación tomará distintos valores de forma aleatoria, pero no tomará

Sistemáticamente valores positivos o negativos, sino que se supone

tomará algunos valores mayores que cero y otros menores que cero, de
tal forma que su valor esperado sea cero.

2. Homocedasticidad: para todo t. Todos los términos de la perturbación

tienen la misma varianza que es desconocida. La dispersión de cada en
torno a su valor esperado es siempre la misma.

3. Incorrelación o independencia:

para
todo t,s con t distinto de s. Las covarianzas entre las distintas
pertubaciones son nulas, lo que quiere decir que no están
correlacionadas. Esto implica que el valor de la perturbación para
 cualquier observación muestral no viene influenciado por los valores de
las perturbaciones correspondientes a otras observaciones muestrales.

4. Represores no estocásticos.

5. Independencia lineal: No existen relaciones lineales exactas entre los

represores.

6. . Suponemos que no existen errores de especificación en el

modelo, ni errores de medida en las variables explicativas.

7. Normalidad de las perturbaciones:

Tipos de modelos de regresión lineal

Existen diferentes tipos de regresión lineal que se clasifican de acuerdo a sus

parámetros:

 Regresión lineal simple

Sólo se maneja una variable independiente, por lo que sólo cuenta con
dos parámetros. Son de la forma:4

donde es el error asociado a la medición del valor y siguen los supuestos

de modo que (media cero, varianza constante e igual a

un y con ).

Dado el modelo de regresión simple anterior, si se calcula la esperanza (valor

esperado) del valor Y, se obtiene:5

Derivando respecto a y e igualando a cero, se obtiene:

Obteniendo dos ecuaciones denominadas ecuaciones normales que generan la
siguiente solución para ambos parámetros:4

La interpretación del parámetro medio es que un incremento en Xi de una

unidad, Yi incrementará en

 Regresión lineal múltiple

La regresión lineal permite trabajar con una variable a nivel de intervalo o razón.
De la misma manera, es posible analizar la relación entre dos o más variables a
través de ecuaciones, lo que se denomina regresión múltiple o regresión lineal
múltiple.

Constantemente en la práctica de la investigación estadística, se encuentran

variables que de alguna manera están relacionadas entre sí, por lo que es
posible que una de las variables puedan relacionarse matemáticamente en
función de otra u otras variables.

Maneja varias variables independientes. Cuenta con varios parámetros. Se

expresan de la forma:6

donde es el error asociado a la medición del valor y siguen los

supuestos de modo que (media cero, varianza constante e igual

a un y con ).
  Rectas de regresión

Las rectas de regresión son las rectas que mejor se ajustan a la nube de puntos
(o también llamado diagrama de dispersión) generada por una distribución
binomial. Matemáticamente, son posibles dos rectas de máximo ajuste:7

 La recta de regresión de Y sobre X:

 La recta de regresión de X sobre Y:

La correlación ("r") de las rectas determinará la calidad del ajuste. Si r es cercano

o igual a 1, el ajuste será bueno y las predicciones realizadas a partir del modelo
obtenido serán muy fiables (el modelo obtenido resulta verdaderamente
representativo); si r es cercano o igual a 0, se tratará de un ajuste malo en el que
las predicciones que se realicen a partir del modelo obtenido no serán fiables (el
modelo obtenido no resulta representativo de la realidad). Ambas rectas de
regresión se intersecan en un punto llamado centro de gravedad de
la distribución.

 Aplicaciones de la regresión lineal

Una línea de tendencia representa una tendencia en una serie de datos

obtenidos a través de un largo período. Este tipo de líneas puede decirnos si un
conjunto de datos en particular (como por ejemplo, el PBI, el precio del petróleo o
el valor de las acciones) han aumentado o excrementado en un determinado
período.8 Se puede dibujar una línea de tendencia a simple vista fácilmente a
partir de un grupo de puntos, pero su posición y pendiente se calcula de manera
más precisa utilizando técnicas estadísticas como las regresiones lineales. Las
líneas de tendencia son generalmente líneas rectas, aunque algunas variaciones
utilizan polinomios de mayor grado dependiendo de la curvatura deseada en la
línea.
REGRESION CUADRATICA O NO LINEAL

En estadística, la regresión no lineal es un problema de inferencia para un

modelo tipo:

Basado en datos multidimensionales , , donde es alguna función no

lineal respecto a algunos parámetros desconocidos θ. Como mínimo, se
pretende obtener los valores de los parámetros asociados con la mejor curva de
ajuste (habitualmente, con el método de los mínimos cuadrados). Con el fin de
determinar si el modelo es adecuado, puede ser necesario utilizar conceptos de
inferencia estadística tales como intervalos de confianza para los parámetros así
como pruebas de bondad de ajuste.

El objetivo de la regresión no lineal se puede clarificar al considerar el caso de

la regresión polinomial, la cual es mejor no tratar como un caso de regresión no
lineal. Cuando la función toma la forma:

la función es no lineal en función de pero lineal en función de los parámetros

desconocidos , , y . Este es el sentido del término "lineal" en el contexto de
la regresión estadística. Los procedimientos computacionales para la regresión
polinomial son procedimientos de regresión lineal (múltiple), en este caso con
dos variables predictores y . Sin embargo, en ocasiones se sugiere que la
regresión no lineal es necesaria para ajustar polinomios. Las consecuencias
prácticas de esta mala interpretación conducen a que un procedimiento de
optimización no lineal sea usado cuando en realidad hay una solución disponible
en términos de regresión lineal. Paquetes (software) estadísticos consideran, por
lo general, más alternativas de regresión lineal que de regresión no lineal en sus
procedimientos.
Linealización:

Algunos problemas de regresión no lineal pueden lineal izarse mediante una

transformación en la formulación del modelo. Por ejemplo, consideremos el
problema de regresión no lineal (ignorando el término de error):

Aplicando logaritmos a ambos lados de la ecuación, se obtiene:

lo cual sugiere una estimación de los parámetros desconocidos a través de un

modelo de regresión lineal de ln(y) con respecto a x, un cálculo que no requiere
procedimientos de optimización iterativa. De todas formas, la linealización debe
usarse con cuidado ya que la influencia de los datos en el modelo cambia, así
como la estructura del error del modelo y la interpretación e inferencia de los
resultados. Estos pueden ser resultados no muy convenientes.

Hay que distinguir entre la "linealización" usada en los párrafos anteriores y la

"linealización local" que se adopta para algoritmos clásicos como el de Gauss-
Newton. De igual forma, la metodología de modelos lineales generalizados no
use linealización para la estimación de parámetros.

 Mínimos cuadrados ordinarios y ponderados

La mejor curva de ajuste se considera como aquella que minimiza la suma de

las desviaciones (residuales) al cuadrado (SRC). Este es la aproximación por el
método demínimos cuadrados (MMC). Sin embargo, en aquellos casos donde
se tienen diferentes varianzas de error para diferentes errores, es necesario
minimizar la suma de los residuales al cuadrado ponderados (SRCP) (método
de mínimos cuadrados ponderados). En la práctica, la varianza puede depender
del valor promedio ajustado. Así que los pesos son recalculados para cada
iteración en un algoritmo de mínimos cuadrados ponderados iterativo.

En general, no hay una expresión de forma cerrada para los parámetros de mejor
ajuste, como sucede en el caso de la regresión lineal. Métodos numéricos
de optimización son aplicados con el fin de determinar los parámetros de mejor
ajuste. Otra vez, en contraste con la regresión lineal, podría haber
varios máximos locales de la función a ser optimizada. En la práctica, se
suponen algunos valores iniciales los cuales junto con el algoritmo de
optimización conducen a encontrar el máximo global.

 Estimación de los parámetros usando Métodos de Montecarlo

Si el error de cada observación es conocido, entonces la precisión y confiabilidad

de los parámetros puede ser estimada mediante simulación de Montecarlo. Cada
observación es aleatorizada de acuerdo a su media y su desviación estándar.
Con el nuevo conjunto de datos, una nueva curva es ajustada y las estimaciones
de los parámetros registradas. Las observaciones son entonces aleatorizadas y
nuevos valores de los parámetros son obtenidos. Al final, varios conjuntos de
parámetros son generados y su media y desviación estándar pueden ser
calculados.

 Regresión Exponencial

En determinados experimentos, en su mayoría biológicos, la dependencia entre

las variables X e Y es de forma exponencial, en cuyo caso interesa ajustar a la
nube de puntos una función del tipo:

Mediante una transformación lineal, tomando logaritmos neperianos, se

convierte el problema en una cuestión de regresión lineal. Es decir, tomando
logaritmos neperianos:

 Regresión polinomial:

Algunas veces cuando la relación entre las variables dependientes e

independientes es no lineal, es útil incluir términos polinomiales para ayudar a
explicar la variación de nuestra variable dependiente.
 IV. MATERIALES

- PASCO GLX EXPLORER

- CARRILES PASCO

- FOTOPUERTAS DE TIEMPO
 V. PROCEDIMIENTO

- Colocamos la regla
graduada
horizontalmente y
sobre ella un carrito

- Colocamos y
graduamos
los dos
sensores
conforme sea
dado.

- Medimos el tiempo
según la distancia de
las fotos puertas
avanzaban en 7.5 cm.
 VI. ANÁLISIS

n 𝒕𝒊(s) 𝒙i 𝒕𝒊.𝒙𝒊

1 0.218 0. 075 -0.709

2 0.389 0.15 -0.538

3 0.574 0.225 -0.353

4 0.694 0.3 -0.233

5 0.942 0.375 0.015

6 1.058 0.45 0.131

7 1.168 0.525 0.241

8 1.285 0.6 0.358

9 1.445 0.675 0.518

1 1.501 0.75 0.574

0

∑ 𝑡𝑖
𝑡=
𝑛

0.218 + 0.389 + 0.574 + ⋯ + 1.501

𝑡=
10

𝑡 = 0.927

∑ 𝑥𝑖
𝑥=
𝑛

7.5 + 15 + 22.5 + ⋯ + 75
𝑥=
10

𝑥 = 0.4125
 caso 1 : regresion lineal
0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1

0
0.218 0.389 0.574 0.694 0.942 1.058 1.168 1.285 1.445 1.501

Caso 2: regresión cuadrática

0.8
0.389 0.15
0.70.574
0.225
0.60.694 0.3
0.50.942 0.375
0.41.058 0.45
0.3
1.168 0.525
1.285 0.6
0.2
1.445 0.675
0.1
1.501 0.75
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6
 ∑(𝑥𝑖.𝑥)(𝑦𝑖−𝑦)
𝑟=
√∑(𝑥𝑖− 𝑥)2√∑(𝑦𝑖 −𝑦)2

90.2325
𝑟=
√1.772√4640.63

90.2325
𝑟=
(1.331)(68.12)

𝑟 = 0.995

Hallando R

∑𝒚−𝒃∗∑𝒙−𝒄∗∑𝒙
𝐧
9.274 − (0.02754757046 ∗ 412.5) − (−9.851862059 ∗ 10−5)
𝑎=
10

9.274 − 11.36337281 + 9.851862059 ∗ 10−5

𝑎=
10

= −0.2089274291

∑ (∑ 𝒙𝟐)𝟐 (∑ 𝟐 )(∑𝒚) (∑ 𝒙𝟐 )(∑𝒙)

[∑𝒙𝒚 − (∑ 𝒙)( 𝒚) 𝒙
] ∗ [∑𝒙𝟒 − ] − [∑ 𝒙𝟐𝒚− ] ∗ [∑𝒙𝟐 − ]
= 𝒏 𝒏 𝒏 𝟐 𝒏
(∑𝒙)𝟐 (∑ 𝒙𝟐 )𝟐 (∑ 𝒙𝟐 )(∑𝒙)
[∑ 𝒙𝟐 − ] ∗ [∑𝒙𝟒 − ] − [∑𝒙𝟑 −
𝒏 ]
𝒏
𝒏

(472.67 − 382.55) ∗ (80155195.3 − 46899316.41) − [(27354.3188 − 20084.00625) ∗ (127617.88 − 893320.3125)]

=
7752738300

2997019806 − 278345070
𝑏=
7752738300
213569104.6
=
7752738300

= 0.02754757046
 𝟐 (∑ 𝒙𝟐 )(∑𝒙)
[∑𝒙𝟐 − (∑ 𝒙) ] ∗ [∑𝒙𝟐𝒚 − (∑ 𝒙 )(∑𝒚) (∑𝒙)(∑𝒚)
𝟐

𝒏 𝟑
] − [∑𝒙 − ]∗[∑𝒙𝒚 − ]
𝒄= 𝒏 𝒏 𝟐 𝒏
(∑𝒙)𝟐 (∑𝒙𝟐)𝟐 (∑𝒙𝟐)(∑𝒙)
𝟐
[∑𝒙 − 𝟒
]∗ [∑𝒙 − 𝟑
]−[∑𝒙 −
𝒏 ]
𝒏
𝒏

[(21656.25 − 17015.625) ∗ (27354.3188 − 20084.00625)] − [(1276171.88 − 893320.3125) ∗ (472.6725 − 382.5525)]

=
7752738300

−763789.083
𝑐=
7752738300

= −9.851862059 ∗ 10−5

[𝑜. 02754757046 ∗ (472.6725 − 382.55)] + [−9.851862059 ∗ 10−5 ∗ (27354 .3188 − 20084 .0625)]
=
1.7724524

1.766400297
𝑟2 = 1.7724524

𝑟2 = 0.9965854637
 VII. CONCLUSIONES

Los resultados obtuvimos son considerablemente aceptados ya que el

factor tiempo es el que incide mayormente en este experimento, ya que
este es el que representa la dispersión en los datos obtenidos comparados
con los experimentales.

Conocimos los diferentes instrumentos que podemos encontrar en un

laboratorio. Además de saber su uso y las aplicaciones.

.
Teniendo en cuenta tanto el tiempo como el desplazamiento podemos
concluir que la velocidad es igual a desplazamiento/tiempo y a su vez en
el sistema internacional cm/s.

Concluimos además que en el ejercicio realizado la variable dependiente

era el tiempo y la independiente era el desplazamiento pues por cada
desplazamiento que teníamos de referencia teníamos que sacar el tiempo
que había durado.
 VII. BIBLIOGRAFÍA

 CARDENAS, Fidel A, y colaboradores, Cinemática, Editorial

McGraw Hill, Publicado 2002, Colombia, p. 40-43.
 P. SOLER y A. NEGRO 1973 Medidas de L y T, Editorial Alhambra
S.A. Madrid, España, p. 35 - 40.
 ROSSOTTI, Hazel, Introducción a la Cinemática, Salvat Editores,
Publicado 1986, Barcelona, p.30 – 35