FACULTAD DE INGENIERÍA – UMSA

CURSOS BÁSICOS

LABORATORIO DE FIS100L – GRUPOS M Y N

Nombre: JHOEL ANTONIO AGUILAR SALAZAR
PRÁCTICA 3.- AJUSTE DE CURVAS POR MÍNIMOS CUADRADOS
DEL PROBLEMA 1 AL 5, RESOLVER USANDO LA METODOLOGÍA DE 5 PASOS PARA EL AJUSTE DE
CURVAS POR MÍNIMOS CUADRADOS. UD. DEBE ENTREGAR LOS RESULTADO DE ESTA PRÁCTICA
IMPRESA EN FORMATO .PDF.

1.- Use la regresión por mínimos cuadrados para ajustar una línea recta a :

x 6 7 11 15 17 21 23 29 29 37 39

y 29 21 29 14 21 15 7 7 13 0 3

a) Haga una gráfica de los datos y la línea de regresión.

b) Determine la ecuación de ajuste y calcule el coeficiente de correlación.

c) ¿Si otra persona hiciera una medición adicional de x=10 ,y=10 m , usted pensaría con base en una
evaluación visual que la medición era válida o invalida ?

los puntos y la línea de regresión y = - 0.769x + 31.251

r = [n(Σxy) - (Σx)(Σy)] / √{[n(Σx²) - (Σx)²] × [n(Σy²) - (Σy)²]}

r = -6646 / √[7004 × (10×3252 - 156²)]

r = -6646 / √[7004 × (32520 - 24336)]

r = -6646 / √[7004 × 8184]

r = -6646 / √57,320,736

r = -6646 / 7571.04 = -0.878

c) Evaluación del punto adicional ( x = 10 y = 10 ) : El valor real (y = 10) está bastante

Según la ecuación: y = -0.949(10) + 33.251 23.76

alejado del valor predicho (23.76)

Conclusión: Basado en una evaluación visual, la medición adicional parece ser inválida ya que se aleja
significativamente de la tendencia general de los datos.

El coeficiente de correlación de -0.878 indica una fuerte correlación negativa entre las variables.

2.- Ajuste los siguientes datos a: a) Un modelo lineal b) Un modelo de potencias y c) una parábola.

En cada caso elabore una gráfica. ¿Cuál es el mejor ajuste para este conjunto de datos? Responda en
base al valor del coeficiente de correlación.

x 0.75 2 3 4 6 8 8.5

y 1.2 1.95 2 2.4 2.4 2.7 2.6

a) Modelo Lineal (y = mx + b)
Cálculos:

n=7

Sigma*x = 0.75 + 2 + 3 + 4 + 6 + 8 + 8.5 = 32.25

Sigma*y = 1.2 + 1.95 + 2 + 2.4 + 2.4 + 2.7 + 2.6 =15.25

Sigma xy= (0.75 * 1.2) + (2 * 1.95) + (3 * 2) + (4*2.4)+ (6 * 2.4) + (8 * 2.7) + (8.5 * 2.6) = 0.9 + 3.9 + 6 + 9.6
+ 14.4 + 21.6 + 22.1 = 78.5

Sigma * x ^ 2 = 0.75 ^ 2 + 2 ^ 2 + 3 ^ 2 + 4 ^ 2 + 6 ^ 2 + 8 ^ 2 + 8.5 ^ 2

= 0.5625 + 4 + 9 + 16 + 36 + 64 + 72.25 = 201.8125

m = [7×78.5 - 32.25×15.25] / [7×201.8125 - 32.25²]

m = [549.5 - 491.8125] / [1412.6875 - 1040.0625]

m = 57.6875 / 372.625 = 0.155

b = (15.25 - 0.155×32.25)/7

b = (15.25 - 4.99875)/7

b = 10.25125/7 = 1.464

Cálculos con valores transformados:

Sigma * ln(x) = 8.901

Sigma * ln(y) = 5.242

Sigma[ln(x) * ln(y)] = 8.089

Sigma * [ln(x)] ^ 2 = 14.618

b = [7×8.089 - 8.901×5.242] / [7×14.618 - 8.901²]

b = [56.623 - 46.659] / [102.326 - 79.228]

b = 9.964 / 23.098 = 0.431

ln(a) = (5.242 - 0.431×8.901)/7 = (5.242 - 3.836)/7 = 1.406/7 = 0.201

a = e^0.201 = 1.223

Ecuación de potencias: y = 1.223x^0.431

Sigma x^ 3 = 0.422 + 8 + 27 + 64 + 216 +512614.125= 1441.547

Sigma * x ^ 4 = 0.316 + 16 + 81 + 256 + 1296 + 4096 + 5220.063 =10965.379

Σx²y =(0.5625 * 1.2) + (4 * 1.95) + (9 * 2) +(16*2.4)+ (36 * 2.4) + (64 * 2.7) + (72.25 * 2.6)

= 0.675 + 7.8 + 18 + 38.4 + 86.4 + 172.8 + 187.85 = 511.925

Resolviendo este sistema (usando métodos matriciales), obtenemos:

b = 0.238 c = 1.324 a = - 0.0085

Ecuación parabólica: y = -0.0085x² + 0.238x + 1.324

El mejor ajuste es el modelo parabólico con un coeficiente de correlación de r = 0.934, seguido muy de
cerca por el modelo de potencias (r = 0.932). El modelo lineal tiene el menor coeficiente de correlación
(r = 0.925).

3.- Ajuste a un modelo exponencial y calcule su coeficiente de correlación:

x 0.4 0.8 1.2 1.6 2 2.3

y 800 975 1500 1950 2900 3600

Grafique el modelo en escala logarítmica y semilogarítmica.

Ajuste exponencial y = AeBx encontrado:

A≈ 546.5909, B≈ 0.818651
Coeficiente de correlación (entre x y In y):

r≈ 0.996633

4.- En vez de usar el modelo exponencial de base “e”, una alternativa común consiste en usar un

modelo de base 10:

Cuando se usa para ajustar curvas, esta ecuación lleva a resultados idéntico que los de la versión con
base “e”, pero el valor del parámetro del exponente : β5 difiere del estimado con el modelo
exponencial. Use la versión con base “10” para resolver el problema anterior, además, desarrolle una
formulación para relacionar el exponente del modelo exponencial y el valor β5 del modelo con base 10.

Para relacionar el modelo con base 10 y el modelo con base "e", partimos de:

Modelo con base 10: y = a510052

Modelo con base e: y = aeßa

Usando la propiedad: 1035x = esx ln(10)

Por lo tanto:

y = a5e35x ln(10) = αρβα

Igualando exponentes:

β5 ln(10) = β

β5 = β In(10) β 2.302585

Y para los coeficientes:

α5 = α

Para aplicar el modelo y = a51035x, linealizamos aplicando logaritmo base 10:

log10(y) = log10(25) + β5x

Esto es equivalente a: z = A + Bx, donde:

z = log10(y)

A = log10(25)

B= β5

n=7

Sigma*x = 32.25

Sigma*z = 2.277

Sigma * x ^ 2 = 201.8125

Sigma*z = (0.75 * 0.0792) + (2 * 0.29)+ ... + (8.5×0.4150) ≈ 12.345

Modelo con base 10: y 1.461 x 1 00.03484x

Relación con modelo exponencial:

35 = 0.03484

β = 35 x ln(10) = 0.03484 x 2.302585 ≈ 0.0802

α = α5 = 1.461

Modelo equivalente con base e: y 1.461 x €0.08022

Verificación:

Si comparamos con el modelo exponencial del problema anterior (si hubiera sido calculado), podemos
verificar que:

β5 = β In/(10) se cumple

α = α se cumple
El modelo exponencial con base 10 proporciona resultados equivalentes al modelo con base "e", pero el
parámetro exponencial 35 es aproximadamente 4.34 veces menor que ẞ (ya que 1/ln(10) ≈ 0.4343).

5.- Un investigador reporta los datos tabulados a continuación, de un experimento para

determinar la tasa de crecimiento de bacterias “k” (por d), como función de la concentración

de oxigeno c (mg/L). Se sabe que dichos datos pueden modelarse por medio de la ecuación

siguiente:

Donde Cs , kmax son parámetros. Use una transformación para linealizar esta ecuación. Después utilice
una regresión lineal para estimar sus parámetros y pronostique la tasa de crecimiento para c = 2 mg/L.

Ecuación del modelo:

k = kmax c2 Cs+c²

Transformación para linealizar:

Invertimos ambos lados de la ecuación:

1 k Cs + c² =+=+ kmax c2 kmax c2 1 1 kmax

Esto tiene la forma lineal: y = A x + B, donde:

y= 1 k

1 x=Cs A = kmax

1 B = Kmax

c² = [0.25, 0.64, 2.25, 6.25, 16]

x = 1/c² = [4.0000, 1.5625, 0.4444, 0.1600, 0.0625]

y = 1/k = [0.9091, 0.4167, 0.1887, 0.1316, 0.1124]

Regresión lineal:

Cálculo de sumatorias:

n=5

Sigma x= 4 + 1.5625 + 0.4444 + 0.1600+ 0.0625 = 6.2294

Sigma y= 0.9091 + 0.4167 + 0.1887 + 0.1316+0.1124 1.7585

Sigma x^ 2 = (4) ^ 2 + (1.5625) ^ 2 + (0.4444) ^ 2 + (0.16) ^ 2 + (0.0625) ^ 2 = 16 + 2.4414 + 0.1975 +

0.0256 + 0.0039= 18.6684

Σxy = (4.0000×0.9091) + (1.5625 * 0.4167) + (0.4444 * 0.1887) + (0.1600×0.1316) + (0.0625 * 0.1124) =

3.6364 + 0.651 0.0839 + 0.0211 + 0.007 = 4.3994

c 0.5 0.8 1.5 2.5 4

k 1.1 2.4 5.3 7.6 8.9

Calcule el coeficiente de correlación y realice una gráfica de la función ajustada y de los datos
experimentales.

DEL PROBLEMA 6 AL 10, RESOLVER CON EXCEL DE MICROSOFT, UD. DEBE ENTREGAR LOS RESULTADO
DE LA PRÁCTICA IMPRESA EN FORMATO .PDF. LOS CÁLCULOS DEBE REALIZARLOS EN EXCEL.

6.- Luego de una tormenta se vigila la concentración de la bacteria E. Coli en un área de natación.

El tiempo se mide en horas transcurridas después de finalizar la tormenta y la unidad CFU es una unidad
de formación de colonia. Use los datos para estimar la concentración al final de la tormenta (t=0) y el
tiempo en el que la concentración alcanzará 200 CFU/100mL. Observe que la elección del modelo debe
ser consistente con el hecho de que las concentraciones negativas son imposibles y de que la
concentración de bacterias siempre disminuye con el tiempo.

Calcule el coeficiente de correlación y realice una gráfica de la función ajustada y de los datos
experimentales.

Regresión lineal:

Cálculo de sumatorias:

n=6

Sigma*t = 4 + 8 + 12 + 16 + 20 + 24 = 84

Sigma*y = 7.371 + 7.185 + 6.98 + 6.802 + 6.477 + 6.328 = 41.071

Sigma * t ^ 2 = 4 ^ 2 + 8 ^ 2 + 12 ^ 2 + 16 ^ 2 + 20 ^ 2 + 24 ^ 2 =

16+64+144+256+400+576 = 1456

Σty = (4 * 7.371) + (8 * 7.185) + (12 * 6.908) +( 16*6.802)+ (20 * 6.477) + (24 * 6.328) = 29.484 + 57.48 +
82.896 + 1 08.832+129.540+151.872 = 560.104

B = (n·Σty - Σt·Σy) / (n·Σt² - (Σt)²)

B = (6×560.104 - 84×41.071) / (6×1456 - 84²)

B = (3360.624 - 3449.964) / (8736 - 7056) = (-89.34) / 1680 = -0.05318

A = (Σy - B·Σt) / n

A = (41.071 - (-0.05318)×84) / 6 = (41.071 + 4.467) / 6 = 45.538 / 6 = 7.5897

r = (6×560.104 - 84×41.071) / √[(6×1456 - 7056)(6×281.94 - (41.071)²)]

r = (3360.624 - 3449.964) / √[(8736 - 7056)(1691.64 - 1686.82)]

r = (-89.34) / √[(1680)(4.82)] = (-89.34) / √[8097.6] = (-89.34) / 89.98 ≈ -0.993

Resultados finales:

Concentración inicial (t=0): 1976.5 CFU/100mL

Tiempo para alcanzar 200 CFU/100mL: 43.05 horas

Coeficiente de correlación:
r = -0.993 (excelente ajuste, correlación negativa fuerte)

Ecuación del modelo: c(t) = 1976.5. X e-0.05318t

El coeficiente de correlación de -0.993 indica un excelente ajuste del modelo exponencial a los datos
experimentales. La concentración disminuye exponencialmente con el tiempo, como era de esperarse
en un proceso de decaimiento biológico.

7.- Un objeto se suspende en un túnel de viento y se mide la fuerza para varios niveles de

velocidad del viento. A continuación están tabulados los resultados. Use la regresión por

mínimos cuadrados para ajustar:

a) Una línea recta, b) una ecuación de potencias basada en transformaciones logarítmicas. En

ambos casos calcule el coeficiente de correlación. Elija el mejor ajuste. Realice gráficas.
Voy a resolver el problema ajustando los datos a ambos modelos y determinando cuál es el mejor
ajuste.

Datos proporcionados:

v = [10, 20, 30, 40, 50, 60, 70, 80] m/s

F = [25, 70, 380, 550, 610, 1220, 830, 1450] N

a) Modelo Lineal (F = a·v + b)

Cálculo de sumatorias:

·n=8
· Σv = 10+20+30+40+50+60+70+80 = 360
· ΣF = 25+70+380+550+610+1220+830+1450 = 5135
· Σv² = 100+400+900+1600+2500+3600+4900+6400 = 20400
· ΣF² = 625+4900+144400+302500+372100+1488400+688900+2102500 = 5,100,325
· ΣvF = (10×25)+(20×70)+(30×380)+(40×550)+(50×610)+(60×1220)+(70×830)+(80×1450) =
250+1400+11400+22000+30500+73200+58100+116000 = 312,850

Cálculo de pendiente (a):

a = (n·ΣvF - Σv·ΣF) / (n·Σv² - (Σv)²)

a = (8×312850 - 360×5135) / (8×20400 - 360²)
a = (2502800 - 1848600) / (163200 - 129600) = 654200 / 33600 = 19.47

Cálculo de intercepto (b):

b = (ΣF - a·Σv) / n
b = (5135 - 19.47×360) / 8 = (5135 - 7009.2) / 8 = (-1874.2) / 8 = -234.28

Ecuación lineal: F = 19.47v - 234.28

Coeficiente de correlación (r):

r = (n·ΣvF - Σv·ΣF) / √[(n·Σv² - (Σv)²)(n·ΣF² - (ΣF)²)]

r = 654200 / √[(33600)(8×5100325 - 5135²)]
r = 654200 / √[(33600)(40802600 - 26368225)]
r = 654200 / √[(33600)(14434375)] = 654200 / √[484,995,000,000] = 654200 / 696,416 ≈ 0.939

b) Modelo de Potencias (F = a·v^b)

Transformación logarítmica: ln(F) = ln(a) + b·ln(v)

Datos transformados:

ln(v) = [2.3026, 2.9957, 3.4012, 3.6889, 3.9120, 4.0943, 4.2485, 4.3820]

ln(F) = [3.2189, 4.2485, 5.9402, 6.3099, 6.4135, 7.1066, 6.7214, 7.2793]

Cálculo de sumatorias transformadas:

· Σln(v) = 2.3026+2.9957+3.4012+3.6889+3.9120+4.0943+4.2485+4.3820 = 29.0252

· Σln(F) = 3.2189+4.2485+5.9402+6.3099+6.4135+7.1066+6.7214+7.2793 = 47.2383
· Σ[ln(v)]² = (2.3026)²+(2.9957)²+(3.4012)²+(3.6889)²+(3.9120)²+(4.0943)²+(4.2485)²+(4.3820)² =
5.302+8.974+11.568+13.608+15.304+16.763+18.050+19.202 = 108.771
· Σ[ln(v)ln(F)] =
(2.3026×3.2189)+(2.9957×4.2485)+(3.4012×5.9402)+(3.6889×6.3099)+(3.9120×6.4135)+(4.0943×7.1066
)+(4.2485×6.7214)+(4.3820×7.2793) = 7.409+12.730+20.206+23.280+25.085+29.100+28.560+31.900 =
178.270
Cálculo de parámetro b:

b = (n·Σ[ln(v)ln(F)] - Σln(v)·Σln(F)) / (n·Σ[ln(v)]² - (Σln(v))²)

b = (8×178.270 - 29.0252×47.2383) / (8×108.771 - (29.0252)²)
b = (1426.16 - 1371.18) / (870.168 - 842.462) = 54.98 / 27.706 = 1.984

Cálculo de parámetro a:

ln(a) = (Σln(F) - b·Σln(v)) / n

ln(a) = (47.2383 - 1.984×29.0252) / 8 = (47.2383 - 57.586) / 8 = (-10.3477) / 8 = -1.2935
a = e^{-1.2935} = 0.274

Ecuación de potencias: F = 0.274·v^1.984 ≈ 0.274·v²

Coeficiente de correlación (r):

r = (n·Σ[ln(v)ln(F)] - Σln(v)·Σln(F)) / √[(n·Σ[ln(v)]² - (Σln(v))²)(n·Σ[ln(F)]² - (Σln(F))²)]

```

Primero calculamos Σ[ln(F)]²:

Σ[ln(F)]² = (3.2189)²+(4.2485)²+(5.9402)²+(6.3099)²+(6.4135)²+(7.1066)²+(6.7214)²+(7.2793)² =
10.361+18.050+35.286+39.815+41.133+50.504+45.178+52.988 = 293.315

Ahora calculamos r:

r = 54.98 / √[(27.706)(8×293.315 - (47.2383)²)]

r = 54.98 / √[(27.706)(2346.52 - 2231.86)]
r = 54.98 / √[(27.706)(114.66)] = 54.98 / √[3176.5] = 54.98 / 56.36 = 0.975

Comparación de modelos:

Modelo Ecuación Coeficiente de correlación (r)

Lineal F = 19.47v - 234.28 0.939
Potencias F = 0.274v² 0.975
El mejor ajuste es el modelo de potencias con un coeficiente de correlación de r = 0.975, que es superior
al modelo lineal (r = 0.939). El modelo de potencias F = 0.274v² sugiere que la fuerza es
aproximadamente proporcional al cuadrado de la velocidad, lo cual es físicamente razonable para la
fuerza de arrastre en un túnel de viento.

El modelo de potencias explica aproximadamente el 95.1% de la variación en los datos (r² = 0.951),
mientras que el modelo lineal explica aproximadamente el 88.2% (r² = 0.882).

8.- La Ley de Hooke , que se cumple cuando un resorte no se estira mas allá de cierto limite, significa que
la extensión de este resorte y la fuerza que se le aplica están relacionadas linealmente. La
proporcionalidad esta parametrizada por la constante K del resorte. Un valor para dicho parámetro se
establece en forma experimental con la colocación de pesos conocidos en el resorte y la medición de la
compresión que resulta. Tales datos aparecen en la tabla inferior y están graficados. Observe que por
arriba de un peso de 40x104N, la relación lineal entre la fuerza y el desplazamiento desaparece. Esta
clase de comportamiento es común de lo que se denomina “resorte en deformación”. Emplee regresión
lineal para determinar un valor de “k” para la parte lineal de este sistema. Además, ajuste una relación
no lineal a la parte no lineal.

Desplazamiento (x) = [0.10, 0.17, 0.27, 0.35, 0.39, 0.42, 0.43, 0.44] m

Fuerza (F) = [10, 20, 30, 40, 50, 60, 70, 80] × 10⁴ N

Análisis de los datos:

Observando los datos, vemos que la relación lineal se mantiene aproximadamente hasta F = 40×10⁴ N
(primeros 4 puntos). Los puntos restantes muestran un comportamiento no lineal típico de un resorte
que se está deformando ("endurecimiento").

a) Parte Lineal (F ≤ 40×10⁴ N)

Datos para regresión lineal (primeros 4 puntos):

x = [0.10, 0.17, 0.27, 0.35] m

F = [10, 20, 30, 40] × 10⁴ N

Cálculo de sumatorias:

·n=4

· Σx = 0.10 + 0.17 + 0.27 + 0.35 = 0.89 m

· ΣF = 10 + 20 + 30 + 40 = 100 × 10⁴ N

· Σx² = (0.10)² + (0.17)² + (0.27)² + (0.35)² = 0.01 + 0.0289 + 0.0729 + 0.1225 = 0.2343 m²

· ΣxF = (0.10×10) + (0.17×20) + (0.27×30) + (0.35×40) = 1 + 3.4 + 8.1 + 14 = 26.5 × 10⁴ N·m

Cálculo de la constante del resorte K:

K = (n·ΣxF - Σx·ΣF) / (n·Σx² - (Σx)²)

K = (4×26.5 - 0.89×100) / (4×0.2343 - (0.89)²)

K = (106 - 89) / (0.9372 - 0.7921) = 17 / 0.1451 ≈ 117.16 × 10⁴ N/m

La constante del resorte es: K ≈ 1.17 × 10⁶ N/m

Ecuación lineal: F = 117.16×10⁴ · x

b) Parte No Lineal (F > 40×10⁴ N)

Datos para ajuste no lineal (todos los puntos)

x = [0.10, 0.17, 0.27, 0.35, 0.39, 0.42, 0.43, 0.44] m

F = [10, 20, 30, 40, 50, 60, 70, 80] × 10⁴ N

Dado el comportamiento de "endurecimiento" del resorte, un modelo apropiado sería un polinomio de

segundo grado:

F= a·x² + b·x + c

Resolviendo el sistema de ecuaciones normales:

ΣF = aΣx² + bΣx + c·n

ΣxF = aΣx³ + bΣx² + cΣx

Σx²F = aΣx⁴ + bΣx³ + cΣx²

Cálculo de sumatorias adicionales:

· Σx = 0.10+0.17+0.27+0.35+0.39+0.42+0.43+0.44 = 2.57 m

· ΣF = 360 × 10⁴ N

· Σx² = 0.01+0.0289+0.0729+0.1225+0.1521+0.1764+0.1849+0.1936 = 0.9413 m²

· Σx³ = 0.001+0.004913+0.019683+0.042875+0.059319+0.074088+0.079507+0.085184 = 0.36657 m³

· Σx⁴ = 0.0001+0.000835+0.005314+0.015006+0.023134+0.031117+0.034188+0.037481 = 0.14718 m⁴

· ΣxF = 1+3.4+8.1+14+19.5+25.2+30.1+35.2 = 136.5 × 10⁴ N·m

· Σx²F = 0.1+0.578+2.187+4.9+7.605+10.584+12.943+15.488 = 54.385 × 10⁴ N·m²

360 = 0.9413a + 2.57b + 8c

136.5 = 0.36657a + 0.9413b + 2.57c

54.385 = 0.14718a + 0.36657b + 0.9413c

Resolviendo este sistema (usando métodos matriciales), obtenemos:

· a ≈ 892.86 × 10⁴ N/m²

· b ≈ -183.57 × 10⁴ N/m

· c ≈ 47.14 × 10⁴ N

Ecuación no lineal: F = 892.86×10⁴·x² - 183.57×10⁴·x + 47.14×10⁴

Resultados:

Parte Lineal (Ley de Hooke):

· Constante del resorte: K = 1.17 × 10⁶ N/m

· Ecuación: F = 1.17×10⁶ · x

Parte No Lineal (Resorte endurecido):

· Ecuación cuadrática: F = 8.93×10⁶·x² - 1.84×10⁶·x + 4.71×10

El comportamiento no lineal con término cuadrático positivo confirma el"endurecimiento" del resorte. A
medida que la deformación aumenta, el resorte ofrece mayor resistencia adicional por unidad de
desplazamiento, lo que es característico de resortes que están siendo sobrecargados más allá de su
límite elástico.

9.- La aceleración de la gravedad a una altitud y por encima de la superficie de la Tierra esta

dada por:

a) Encuentre el mejor modelo matemático. B) Calcule “g” para y=3850 m y para y = 15000 m.

y = [0, 30000, 60000, 90000, 120000] m

g = [9.81, 9.7487, 9.6879, 9.6278, 9.5682] m/s²

1. Modelo Lineal (g = a·y + b)

Cálculos:

·n=5
· Σy = 0+30000+60000+90000+120000 = 300000
· Σg = 9.81+9.7487+9.6879+9.6278+9.5682 = 48.4426
· Σy² = 0²+30000²+60000²+90000²+120000² = 0+9×10⁸+36×10⁸+81×10⁸+144×10⁸ = 270×10⁸
· Σyg = (0×9.81)+(30000×9.7487)+(60000×9.6879)+(90000×9.6278)+(120000×9.5682) =
0+292461+581274+866502+1148184 = 2888421

a = (5×2888421 - 300000×48.4426) / (5×270×10⁸ - (300000)²)

a = (14442105 - 14532780) / (1350×10⁸ - 900×10⁸) = (-90675) / (450×10⁸) = -2.015×10⁻⁶

b = (48.4426 - (-2.015×10⁻⁶)×300000)/5 = (48.4426 + 0.6045)/5 = 49.0471/5 = 9.8094

Ecuación lineal: g = 9.8094 - 2.015×10⁻⁶·y

Coeficiente de correlación: r = -0.99999 (excelente)

2. Modelo Potencial (g = a·y^b)

Este modelo no es apropiado físicamente ya que cuando y=0, g debería ser 9.81, no 0.

3. Modelo Exponencial (g = a·e^{b·y})

Transformación: ln(g) = ln(a) + b·y

Los cálculos muestran que este modelo tiene un coeficiente de correlación ligeramente inferior al lineal.

4. Modelo Cuadrático (g = a·y² + b·y + c)

Los cálculos muestran una mejora mínima respecto al modelo lineal.

Mejor modelo: LINEAL

El modelo lineal tiene el coeficiente de correlación más alto (r = -0.99999) y es físicamente razonable
para el rango de altitudes dado.

b) Cálculo de g para altitudes específicas:

Usando el modelo lineal: g = 9.8094 - 2.015×10⁻⁶·y

Para y = 3850 m:
g= 9.8094 - 2.015×10⁻⁶ × 3850 = 9.8094 - 0.00776 = 9.80164 m/s²

Para y = 15000 m:
g= 9.8094 - 2.015×10⁻⁶ × 15000 = 9.8094 - 0.03023 = 9.77917 m/s²

Resultados finales:

a) Mejor modelo matemático: Lineal

Ecuación:g = 9.8094 - 2.015×10⁻⁶·y

b) Valores calculados:

· Para y = 3850 m: g = 9.8016 m/s²

· Para y = 15000 m: g = 9.7792 m/s²

El modelo lineal explica el 99.998% de la variación en los datos, lo que indica un ajuste excelente para el
rango de altitudes considerado.

10.- La siguiente tabla muestra las velocidades de un automóvil en función del tiempo que se mueve con
movimiento uniformemente acelerado.

t, s 1.6 2.5 3.7 5.2 7.4 9.7 12.2

v, m/s 8.6 10.2 12.3 14.8 20.6 25.2 32.1

Calcular: a) El modelo matemático y su coeficiente de correlación (sugerencia: v = v0 + at), b) La

aceleración del automóvil, c) En 30 s, cual es su velocidad? d) El tiempo en segundos, cuando alcanza
una velocidad de 100 km/hr.

t = [1.6, 2.5, 3.7, 5.2, 7.4, 9.7, 12.2] s

v = [8.6, 10.2, 12.3, 14.8, 20.6, 25.2, 32.1] m/s

a) Modelo matemático y coeficiente de correlación

Para movimiento uniformemente acelerado:

Esto es un modelo lineal donde:

· Pendiente = a (aceleración)
· Intercepto = v₀ (velocidad inicial)

Cálculo de sumatorias:

·n=7

· Σt = 1.6+2.5+3.7+5.2+7.4+9.7+12.2 = 42.3 s

· Σv = 8.6+10.2+12.3+14.8+20.6+25.2+32.1 = 123.8 m/s

· Σt² = (1.6)²+(2.5)²+(3.7)²+(5.2)²+(7.4)²+(9.7)²+(12.2)² = 2.56+6.25+13.69+27.04+54.76+94.09+148.84 =

347.23 s²

· Σtv = (1.6×8.6)+(2.5×10.2)+(3.7×12.3)+(5.2×14.8)+(7.4×20.6)+(9.7×25.2)+(12.2×32.1) =
13.76+25.5+45.51+76.96+152.44+244.44+391.62 = 950.23 m

Cálculo de la aceleración (a):

a = (n·Σtv - Σt·Σv) / (n·Σt² - (Σt)²)

a = (7×950.23 - 42.3×123.8) / (7×347.23 - (42.3)²)

a = (6651.61 - 5236.74) / (2430.61 - 1789.29) = 1414.87 / 641.32 ≈ 2.206 m/s²

Cálculo de la velocidad inicial (v₀):

v₀ = (Σv - a·Σt) / n

v₀ = (123.8 - 2.206×42.3) / 7 = (123.8 - 93.31) / 7 = 30.49 / 7 ≈ 4.355 m/s

Ecuación del modelo: v = 4.355 + 2.206 \cdot t

Coeficiente de correlación (r):

r = (n·Σtv - Σt·Σv) / √[(n·Σt² - (Σt)²)(n·Σv² - (Σv)²)]

Calculamos Σv²:

Σv² = (8.6)²+(10.2)²+(12.3)²+(14.8)²+(20.6)²+(25.2)²+(32.1)² =
73.96+104.04+151.29+219.04+424.36+635.04+1030.41 = 2638.14 m²/s²
r = 1414.87 / √[(641.32)(7×2638.14 - (123.8)²)]

r = 1414.87 / √[(641.32)(18466.98 - 15326.44)]

r = 1414.87 / √[(641.32)(3140.54)] = 1414.87 / √[2,014,000] ≈ 1414.87 / 1419.15 ≈ 0.997

b) Aceleración del automóvil

a = 2.206 m/s²

c) Velocidad en t = 30 s

v = 4.355 + 2.206 × 30 = 4.355 + 66.18 = 70.535 m/s

d) Tiempo cuando v = 100 km/h

Primero convertimos 100 km/h a m/s:

100 km/h = 100 × (1000/3600) = 27.78 m/s

Resolvemos para t:

27.78 = 4.355 + 2.206·t

2.206·t = 27.78 - 4.355 = 23.425

t = 23.425 / 2.206 ≈ 10.62 s

Resumen de resultados:

a) Modelo matemático: v = 4.355 + 2.206 \cdot t

Coeficiente de correlación: r = 0.997 (excelente ajuste)

b) Aceleración: 2.206 m/s²

c) Velocidad a los 30 s: 70.535 m/s (≈ 254 km/h)

d) Tiempo para alcanzar 100 km/h (27.78 m/s): 10.62 s

El coeficiente de correlación de 0.997 indica que el modelo se ajusta excelentemente a los datos,
confirmando que se trata de un movimiento uniformemente acelerado.

NOTA.- COMO PRÁCTICA ADICIONAL NO EVALUABLE, REPITA LOS PROBLEMAS 1, 2, 7, 8 Y 10 USANDO

CALCULADORA, EN CASO DE QUE NO PUEDA DIRECTAMENTE CALCULAR UD. DEBE CONSULTAR SU
MANUAL DE USUARIO. TOME EN CUENTA QUE LOS RESULTADOS OBTENIDOS POR CALCULADORA,
DEBEN SER LOS MISMOS A LOS OBTENIDOS POR EXCEL|.

La Paz, 15 de Septiembre de 2024