1

Capitulo 1
Marco Metodolgico
1.1 Planteamiento del Problema
En el laboratorio de Fsica Experimental logramos realizar el fenmeno de deformacin de un
resorte y de ah hayamos 25 resultados, dados en las unidades Newton por centmetro. Donde,
nuestra fuerza es dada por Newton y nuestra deformacin est dada por centmetros. Nuestra
primera interrogante es, Cules son los parmetros fsicos que intervienen en el fenmeno? ,
para proceder a realizar los clculos necesitamos saber los parmetros con lo que nos vamos a
guiar de toda las series de medidas, la segunda interrogante es Cual es la incertidumbre en el
fenmeno de deformacin de un resorte? Y por ultimo Cules fueron las diferentes
propagaciones de errores?, todo esto para obtener un resultado ms preciso.

1.2 Mtodos de Investigacin













INICIO
Desarrollo del
experimento
Recopilar datos y realizar
los clculos necesarios
Qu mas
hacer?
Qu mas
hacer?
Recopilar informacin
necesaria para el reporte
Dnde
buscarla?
Libros
Demostrar la autenticidad
de la informacin
Cmo?
Bibliografas de
libros actuales
Con lo ya conseguido,
desarrollar el reporte
FIN
Diagrama 1.1 Diagrama de Flujo de nuestro
mtodo de investigacin
2

En nuestra investigacin nuestra mejor opcin para nuestras investigaciones fueron: El mtodo
deductivo y el mtodo inductivo. A continuacin, detallaremos un poco lo que es cada mtodo:
Mtodo deductivo: El mtodo deductivo es un tipo de razonamiento que va de lo general
a lo particular y de lo complejo a lo simple, est mtodo es la herramienta del
conocimiento cientfico.
Mtodo inductivo: El mtodo inductivo es un modo de razonar que va de una parte a un
todo ya que inducir va mas all de lo evidente, la generalizacin de los eventos es un
proceso que sirve de estructura a todas las ciencias experimentales, ya que estas se basan
en la observacin de un fenmeno de un caso particular y posteriormente se realizan
investigaciones y experimentos que conducen a los cientficos a la generalizacin.
Explicaremos la diferencia entre estos dos mtodos: La induccin parte de la observacin exacta
de fenmenos particulares, la deduccin de la razn inherente a cada fenmeno. La induccin
llega a conclusiones empricas sacadas de la experiencia, la deduccin establece conclusiones
lgicas; mientras que las proposiciones del Mtodo Inductivo son concreciones que establecen
cmo son los fenmenos, sus causas y efectos reales, las del Mtodo Deductivo son abstracciones
que tratan de establecer lo significativo de los fenmenos segn el raciocinio del investigador.
De igual forma, utilizamos el Mtodo de la Investigacin Bibliogrfica documental, nuestro
documento es la unidad bsica para realizar una indagacin. El documento puede ser un libro,
parte de ese texto, un artculo o una parte de ese artculo.
Debemos destacar que nuestro mtodo ms necesario para llevar a cabo con precisin nuestro
experimento, fue el mtodo cientfico ya que la aplicacin de este mtodo se apoya en los vastos
conocimientos del propio investigador cuando ste domina su materia y conoce bien el campo de
accin en el cual se va a realizar dicha investigacin.
1.3 Justificacin
El hecho de realizar el fenmeno de deformacin de un resorte es para demostrar
matemticamente la Ley de Hooke la cual se basa en la elasticidad y de igual forma para
experimentar y tener una observacin cientfica y a detalle de este fenmeno, para as, identificar
el fenmeno.

3

Capitulo 2
Marco Terico Conceptual
Definiciones tiles
Para poder comprender la teora del experimento y sus causas; se presentaran unas palabras clave
y sus definiciones.
Observacin Cientfica: El trmino se entender como un proceso mediante el cual se obtienen
datos, estos pueden ser de tipo cualitativo o cuantitativo.
Observacin: Capacidad del sujeto-investigador de ver las cosas.
Experimento: Es un procedimiento mediante el cual se trata de comprobar (confirmar o verificar)
una o varias hiptesis relacionadas con un determinado fenmeno, mediante la manipulacin y el
estudio de las correlaciones de la(s) variables que presumiblemente son su causa.
La experimentacin constituye uno de los elementos claves de la investigacin cientfica y es
fundamental para ofrecer explicaciones causales.
En un experimento se consideran todas las variables relevantes que intervienen en el fenmeno,
mediante la manipulacin de las que presumiblemente son su causa, el control de las variables
extraas y la aleatorizacin de las restantes. Estos procedimientos pueden variar mucho segn las
disciplinas (no es igual en Fsica que en Psicologa, por ejemplo), pero persiguen el mismo
objetivo: excluir explicaciones alternativas (diferentes a la variable manipulada) en la explicacin de
los resultados. Este aspecto se conoce como validez interna del experimento, la cual aumenta
cuando el experimento es replicado por otros investigadores y se obtienen los mismos resultados.
- Mtodo emprico-analtico: El mtodo emprico es un modelo de investigacin cientfica, que se
basa en la experimentacin y la lgica emprica, que junto a la observacin de fenmenos y su
anlisis estadstico, es el ms usado en el campo de las ciencias sociales y en las ciencias naturales.
El trmino emprico deriva del griego antiguo (Aristteles utilizaba la reflexin analtica y el
mtodo emprico como mtodos para construir el conocimiento) de experiencia, , que a
su vez deriva de (en) y (prueba): en pruebas, es decir, llevando a cabo el experimento.
Por lo tanto los datos empricos son sacados de las pruebas acertadas y los errores, es decir, de
experiencia. Su aporte a proceso de investigacin es resultado fundamentalmente de la
experiencia. Estos mtodos posibilitan revelar las relaciones esenciales y las caractersticas
4

fundamentales del objeto de estudio, accesibles a la deteccin conceptual, a travs de
procedimientos prcticos con el objeto y diversos medios de estudio. Su utilidad destaca en la
entrada en campos inexplorados o en aquellos en los que destaca el estudio descriptivo.
Variable: Objeto, proceso que sta presente, o supuestamente presente, en el fenmeno que un
cientfico quiere estudiar. Los objetos, procesos o caractersticas reciben el nombre de variables en
la medida en que su modificacin provoca una modificacin en otro objeto, proceso o
caracterstica.
Variable independiente: Se denomina s a aqulla que es manipulada por el investigador en un
experimento con el objeto de estudiar como incide sobre la expresin de la variable dependiente.
Variable dependiente: Propiedad o caracterstica que se trata de cambiar mediante la
manipulacin de la variable independiente.
Proceso de medicin: Es una seria de pasos o etapas que usamos para poder medir.
Anlisis: Descomponer el todo en sus elementos desde el mas complejo hasta el mas simple.
Investigar: desarrollar actividades con el objetivo de registrar, indagar o descubrir.
Investigacin cientfica: Proceso mediante el cual se formulan y demuestran fenmenos,
principios y leyes del conocimiento.
Medicin: Es un proceso bsico de la ciencia que consiste en comparar un patrn seleccionado
con el objeto o fenmeno cuya magnitud fsica se desea medir para ver cuantas veces el patrn
esta contenido en esa magnitud.
Fenmeno: Es la apariencia o aspecto que las cosas ofrecen ante nuestros sentidos
Hechos: Sucesos o datos que presentan como comprobados y se exponen de una manera objetiva.
Precisin: A la capacidad de un instrumento de dar el mismo resultado en mediciones diferentes
realizadas en las mismas condiciones.
Gravedad: Fuerza de atraccin entre la tierra y los cuerpos situados en sus proximidades, o entre
un cuerpo celeste y otros prximos a l.
La gravedad (o ms correctamente aceleracin de gravedad) es la aceleracin con la cual se
mueven los cuerpos al caer. El fenmeno de la cada de un cuerpo se produce debido a la fuerza
5

de gravedad, que es la fuerza con la cual el planeta tierra atrae a los cuerpos cercanos a su
superficie.
El valor de la gravedad es de 9,81m/s
2
. Sin embargo, para simplificar las operaciones al momento
de hacer clculos, suele utilizarse el valor de 10m/s
2
.
Al ser la gravedad un tipo de aceleracin sus unidades se expresan en metros sobre segundos al
cuadrado.
La aceleracin de gravedad tiene direccin vertical y sentido hacia abajo. Estrictamente hablando,
su direccin es hacia el centro de la tierra.
Deformacin: Representa el efecto de un esfuerzo determinado. Es el cambio relativo de las
dimensiones o formas de un cuerpo como resultado de la aplicacin de un esfuerzo.
Elasticidad: Propiedad de un material para cambiar de forma cuando acta una fuerza de
deformacin sobre un objeto, el objeto regresa a su forma original cuando cesa la deformacin.


Figura 1.1 -Elasticidad de un resorte

Resortes: Es un dispositivo fabricado con un material elstico, que experimenta una deformacin
significativa pero reversible cuando se le aplica una fuerza.

6


Figura 1.2- Resortes


Ley de Hooke: Establece que siempre que no se exceda el lmite elstico, una deformacin elstica
es directamente proporcional a la magnitud de la fuerza aplicada por unidad de rea (esfuerzo).
Si llamamos a la constante de proporcionalidad el mdulo de elasticidad, podemos escribir la ley
de Hooke en su forma ms general:

Se aplica por igual a las deformaciones de todos los cuerpos elsticos.

Esfuerzo: Se refiere a la causa de una deformacin elstica, Es la razn de una fuerza aplicada
respecto al rea sobre la que acta, por ejemplo Newton por metro cuadrado o libras por pie
cuadrado. Las tres clases de esfuerzos ms comunes son de tensin longitudinal, que ocurre
cuando fuerzas y opuestas tienden a alejarse una de la otra. Un esfuerzo de compresin
longitudinal ocurre cuando fuerzas iguales y opuestas se dirigen una contra otra. Un esfuerzo
cortante ocurre cuando fuerzas iguales y propuestas no tienen la misma lnea de accin.
Cuerpo Elstico: Se define como aquel que puede recuperar su forma y tamao original cuando la
fuerza que lo deforme deja de actuar sobre l. Para todos los cuerpos elsticos ser conveniente
establecer relaciones de causa efecto entre las fuerzas deformantes y las deformaciones
correspondientes.
Correlacin: Se entiende por correlacin el grado de relacin existente entre dos variables.
7

Correlacin directa: La recta correspondiente a la nube de puntos de la distribucin es una recta
creciente.
- Correlacin inversa: La recta correspondiente a la nube de puntos de la distribucin es una recta
decreciente.
- Correlacin nula: En este caso se dice que las variables son encorraladas y la nube de puntos
tiene una forma redondeada.
- Grado de correlacin: El grado de correlacin indica la proximidad que hay entre los puntos de la
nube de puntos. Se pueden dar tres tipos:
- Correlacin fuerte: La correlacin ser fuerte cuanto ms cerca est los puntos de la recta.
- Correlacin dbil: La correlacin ser dbil cuanto ms separados estn los puntos de la recta.
- Linealidad: La linealidad es una propiedad importante de los mtodos utilizados para efectuar
mediciones en un intervalo de concentraciones. La linealidad de la respuesta a patrones puros
(MRC) y a muestras realistas puede determinarse. La linealidad generalmente no es cuantitativa.
- Linealidad independiente: La desviacin mxima de la curva de calibracin (promedio de las
lecturas en ascenso y descenso de la escala) a una lnea recta posicionada para minimizar la
desviacin mxima 2. Linealidad referida a la mejor lnea recta.
- Mejor lnea recta: Lnea intermedia entre las dos lneas rectas paralelas ms cercanas que juntas
y encerrando toda la salida contra los valores medidos en una curva de calibracin.
- Linealidad de mnimos cuadrados: Linealidad referida a la lnea de mnimos cuadrados.
- Lnea de mnimos cuadrados: Lnea recta para la cual la suma de los cuadrados de los residuales
(desviaciones) est minimizada.
- Linealidad en los extremos o lmites (Terminal): Linealidad referida a la lnea de extremos. La
desviacin mxima de la curva de calibracin (promedio de las lecturas en ascenso y descenso de
la escala) a una lnea recta que coincide con la curva de calibracin en los valores inferiores y
superiores del intervalo.
- Linealidad de punto final: Linealidad referida a la lnea de punto final.
- Lnea de puntos finales: Lnea recta entre los puntos finales.
- Linealidad basada en (cruce por) cero: La desviacin mxima de la curva de calibracin
(promedio de las lecturas en ascenso y descenso de la escala) a una lnea recta posicionada para
coincidir con la curva de calibracin en el valor inferior de intervalo y para minimizar la desviacin
mxima.
- Linealidad de pendiente terica: Linealidad referida a la pendiente terica.
8

- Linealizacin: El proceso de convertir una respuesta no-lineal (no-lnea recta) en una respuesta
lineal.
- Recta: Una lnea recta se puede entender como un conjunto de puntos alineados en una nica
direccin. Uno de los postulados de la geometra Euclidiana dice "para determinar una recta solo
es necesario dos puntos del plano.

Figura 1.3 - Lnea recta
El nombre que recibe la expresin de una lnea recta dada se denomina ecuacin de la recta, la
cul es: y= mx + n

Figura 1.4 -Representacin de la ecuacin de una recta
- Pendiente: En la ecuacin principal de la recta y = mx + n, el valor de m corresponde a la
pendiente de la recta y n es el coeficiente de posicin. La pendiente permite obtener el grado de
inclinacin que tiene una recta, mientras que el coeficiente de posicin seala el punto en que la
recta interceptar al eje de las ordenadas.
Ejemplo: La ecuacin y = 4x + 7 tiene pendiente 4 y coeficiente de posicin 7, lo que indica que
interceptar al eje y en el punto (0,7).
9

Cuando se tienen dos puntos cualesquiera (x
1
,y
1
) y (x
2
,y
2
), la pendiente queda determinada por el
coeficiente entre la diferencia de las ordenadas de dos puntos de ella y la diferencia de las abscisas
de los mismos puntos. Formula de la pendiente:

- Pendiente positiva: Cuando la recta es creciente (al aumentar los valores de x aumentan los de
y), su pendiente es positiva, en la expresin analtica m>0.

Figura 1.5 -Pendiente positiva
- Pendiente negativa: Cuando la recta es decreciente (al aumentar los valores de x disminuyen
los de y), su pendiente es negativa, en la expresin analtica m<0.

Figura 1.6 -Pendiente negativa
- Pendiente nula: Cuando la recta es constante se dice que tiene pendiente nula, en la expresin
analtica m=0.

Figura 1.7 -Pendiente nula
10

- Abscisa: Se conoce como abscisa (vocablo derivado del latn abscisa, cortada) a una
coordenada de direccin horizontal que aparece en un plano cartesiano rectangular y que se
expresa como la distancia que existe entre un punto y el eje vertical. El denominado eje de
abscisas representa al eje de coordenadas horizontal.
- Grficas de dispersin: Un grfico de dispersin es una representacin de coordenadas
numricas en los ejes X e Y. Los datos de la hoja de clculo se representan en forma de varios
puntos en el grfico. Los datos se deben incluir en dos o ms columnas y deben ser numricos. La
primera columna de datos debe contener los valores del eje X del grfico, mientras que las dems
columnas deben incluir los del eje Y. El contenido de las columnas con los valores del eje Y se
representa en forma de varios puntos en el grfico.

Figura 1.8 -Grfica de dispersin.
- Dinammetro: Instrumento utilizado para medir fuerzas, consiste en un muelle contenido a un
cilindro de plstico con un gancho en el extremo inferior. El muelle tiene impresa una escala
graduada en milmetros.

Figura 1.9 - Dinammetro utilizado en el expermento
11

- Marco de Pesas: Es un conjunto de pesas calibradas con una masa perfectamente definida en
cada una de ellas, su escala graduada sta en gramos.


Figura 1.10 - pesas utilizado en el experimento

- Base Tipo A: Da soporte al dinammetro para que este se mueva lo menos posible y as se lleve
el experimento con mayor exactitud.

Figura 1.11 - Base tipo A





12

2.1 Diagramas de Flujo
Para entder los diagramas de flujo que se contienen en el reporte se vera que es un diagrama de
flujo como se construye y la simbologia que debemos saber para enderlo.
- Figura 2.1 Elaboracin de Diagrama de Flujo
2.1.1 Simbologa
Para la construccin de los Diagramas de Flujo se utilizarn los siguientes
13

Smbolos:
Smbolos para la construccin de un diagrama de flujo

Figura 2.2 Simbologa del Diagrama de Flujo


2.1.2 Preparacin de la construccin del diagrama
Paso 1: Establecer quines deben participar en su construccin.
14

El grupo de trabajo, o la persona responsable del estudio identificar los organismos implicados en
el proceso, o parte del mismo, que debe ser analizado. Se invitar a un representante de dichos
organismos a participar en la construccin del Diagrama de Flujo. El nmero de participantes en la
sesin de construccin del Diagrama no ser superior a 10 para que el grupo sea operativo y
eficaz.
Paso 2: Preparar la logstica de la sesin de trabajo.
Se invitar a un representante de dichos organismos a participar en la construccin del Diagrama
de Flujo. El nmero de participantes en la sesin de construccin del Diagrama no ser superior a
10 para que el grupo sea operativo y eficaz.
Paso 3: Preparar la logstica de la sesin de trabajo.
Con objeto de que el ritmo de la sesin de trabajo sea el adecuado se debe prever:
- Dar la informacin necesaria a los participantes en la reunin sobre el objeto de la misma y sobre
este procedimiento.
- Preparar superficies y material de escritura que permitan tener a la vista continuamente el
trabajo desarrollado.
Desarrollo de la construccin
Paso 4: Definir claramente la utilizacin del Diagrama de Flujo y el resultado que se espera obtener
de la sesin de trabajo.
a) En primer lugar, es necesario clarificar el objetivo de la construccin del
Diagrama de Flujo y escribirlo de forma que sea visible para los participantes durante toda la
sesin.
b) Esta clarificacin permitir definir el grado de detalle y la estructura que se requieren en el
diagrama para poder alcanzar dicho objetivo.
Paso 5: Definir los lmites del proceso en estudio.
La mejor forma de definir y clarificar dicha definicin de los lmites delproceso es decidir cules
son el primer y ltimo pasos del Diagrama de Flujo. El primer paso es la respuesta a la pregunta:
Qu nos indica que empieza el proceso?
El ltimo paso debe contestar a la pregunta:
Cmo sabemos que el proceso ha terminado?
15

Escribir estos pasos expresndolos de forma clara y concisa e incluirlos en la superficie de
escritura. (El primer paso en el borde izquierdo o superior de la misma y el ltimo paso en el borde
derecho o inferior).
Ejemplo:







Paso 6: Esquematizar el proceso en grandes bloques o reas de actividades.
Identificar los grupos de acciones ms relevantes del proceso y establecer su secuencia temporal.
Esta esquematizacin global del proceso a analizar servir de ayuda para guiar el proceso de
construccin del diagrama.
Ejemplo:






Paso 7: Identificar y documentar los pasos del proceso.
Esta actividad puede comenzar, tanto por el primer paso del proceso, como por el ltimo, no
existiendo ningn criterio que indique mayor eficacia en alguno de los dos enfoques. Sea cual sea
la direccin en que se realice, si se considera til, realizar una revisin en la direccin contraria.
Las preguntas a realizar para la identificacin y documentacin de los pasos del proceso son las
siguientes:
16

- Existen entradas significativas asociadas con este paso, tales como materias primas,
informacin, etc.?
Sealar estas entradas, por medio de los smbolos apropiados, en el diagrama.
- Existen resultados significativos como consecuencia de este paso, tales como informacin, etc.?
Sealar estos resultados, por medio de los smbolos apropiados, en el diagrama.
- Una vez realizado este paso, cul son las actividades inmediatamente siguientes que debemos
realizar?
Sealar estas actividades, mediante el smbolo apropiado, en el diagrama.
Partiendo del primer paso, realizar este proceso hasta alcanzar el ltimo o viceversa.
Dibujar el proceso con exactitud disponiendo el flujo principal siempre de arriba abajo o de
izquierda a derecha.
Ejemplo:


Figura 2.4 Proceso de Facturacin



17

Paso 7: Realizar el trabajo adecuado para los puntos de decisin o bifurcacin.
Cuando se llega a un paso en el que existe un punto de decisin o de bifurcacin:
a) Escribir la decisin o alternativa de acuerdo con la simbologa utilizada e identificar los posibles
caminos a seguir mediante la notacin adecuada.
En general, cuando se trata de una toma de decisin, se incluye dentro del smbolo una pregunta y
la notacin de las dos ramas posibles correspondientes se identifican con la notacin SI/NO.
b) Escoger la rama ms natural o frecuente de la bifurcacin y desarrollarla, segn lo dispuesto en
el "Paso 6", hasta completarla.
c) Retroceder hasta la bifurcacin y desarrollar el resto de las ramas de igual modo.
Paso 8: Revisar el diagrama completo.
Comprobar que no se han omitido pasos, pequeos bucles, etc. y que el proceso tiene una
secuencia lgica.
En caso de que existan dudas sobre parte del proceso representado, realizar una observacin
directa del proceso o contactar con expertos de esa rea para su aclaracin.
El resultado final de este paso es el Diagrama de Flujo del proceso en estudio.

2.2 Regresin Lineal
2.2.1 Antecedentes de la Regresin Lineal
La primera forma de regresiones lineales documentada fue el mtodo de los mnimos cuadrados ,
el cual fue publicado por Legendre en1805 ,y por Gauss en1809 . El trmino "mnimos cuadrados"
proviene de la descripcin dada por Legendre "moindrescarrs". Sin embargo Gauss asegur que
conoca dicho mtodo desde1795.
Tanto Legendre como Gauss aplicaron el mtodo para determinar, a partir de observacines
astronmicas, las rbitas de cuerpos alrededor del sol . En1821, Gausspublic un trabajo en dnde
desarrollaba de manera ms profunda el mtodo de los mnimos cuadrados, y en dnde se inclua
una versin del teorema de Gauss-Mrkov Etimologa
El trmino regresin se utiliz por primera vez en el estudio de variables antropomtricas: al
comparar la estatura de padres e hijos, result que los hijos cuyos padres tenan una estatura muy
superior al valor medio tendan a igualarse a ste, mientras que aquellos cuyos padres eran muy
bajos tendan a reducir su diferencia respecto a la estatura media; es decir, "regresaban" al
promedio. La constatacin emprica de esta propiedad se vio reforzada ms tarde con la
justificacin terica de ese fenmeno.
18

2.2.2 Que es y para que se utiliza la regresin lineal?
El trmino lineal se emplea para distinguirlo del resto de tcnicas de regresin, que emplean
modelos basados en cualquier clase de funcin matemtica. Los modelos lineales son una
explicacin simplificada de la realidad, mucho ms gil y con un soporte terico por parte de
la matemtica y la estadstica mucho ms extenso.
Pero bien, como se ha dicho, podemos usar el trmino lineal para distinguir modelos basados en
cualquier clase de aplicacin.
En estadstica la regresin lineal o ajuste lineal es un mtodo matemtico que modela la relacin
entre una variable dependiente Y, las variables independientes X
i
y un trmino aleatorio . Este
modelo puede ser expresado como:

: Variable dependiente, explicada o regresando.
: Variables explicativas, independientes o regresores.
: Parmetros, miden la influencia que las variables explicativas tienen sobre
el regresando.
Donde es la interseccin o trmino "constante", las son los parmetros
respectivos a cada variable independiente, y es el nmero de parmetros independientes a
tener en cuenta en la regresin.
El objetivo principal de la regresin es la determinacin o estimacin de 1 y 2 a partir de la
informacin contenida en las observaciones de que disponemos. Esta estimacin se puede llevar
a cabo mediante diversos procedimientos.
2.2.3 Tipos de Regresin Lineal
Podemos clasificar los tipos de regresin segn diversos criterios.
En primer lugar, en funcin del nmero de variables independientes:
Regresin simple: Cuando la variable Y depende nicamente de una nica variable X.
Regresin mltiple: Cuando la variable Y depende de varias variables (X
1
, X
2
, ..., X
r
)
En segundo lugar, en funcin del tipo de funcin f(X):
Regresin lineal: Cuando f(X) es una funcin lineal.
Regresin no lineal: Cuando f(X) no es una funcin lineal.
19

En tercer lugar, en funcin de la naturaleza de la relacin que exista entre las dos variables:
La variable X puede ser la causa del valor de la variable Y.
Por ejemplo, en toxicologa, si X = Dosis de la droga e Y = Mortalidad, la mortalidad se atribuye a
la dosis administrada y no a otras causas.
Puede haber simplemente relacin entre las dos variables.

2.2.4 Estimacin De La Ecuacin De Regresin Muestral
Consiste en determinar los valores de "a" y "b " a partir de la muestra, es decir, encontrar los
valores de a y b con los datos observados de la muestra. El mtodo de estimacin es el
de Mnimos Cuadrados, mediante el cual se obtiene:



Luego, la ecuacin de regresin muestral estimada es:


2.3 Ley Fsica

Se define como la existencia de la relacin entre dos variables, o cantidades fsicas (x, y) que son
consideradas validas en las condiciones en las que se ha realizado el experimento, y dentro de un
rango de variacin de la variable independiente.
Esta ley fsica especifica el comportamiento observado por el fenmeno en uno de sus aspectos y
entonces realizar una comparacin delo afirmado en la hiptesis y lo encontrado como respuesta en el
fenmeno o en los hechos. El resultado de la comparacin, ya sea verificando lo establecido en la
hiptesis o contradiciendo la misma, se considera como un conocimiento adicional que ser incluido enel marco
de conocimiento del fenmeno.







20


La recta de regresin
Aunque un diagrama de dispersin permite formarse una primera impresin muy rpida sobre el
tipo de relacin existente entre dos variables, utilizarlo como una forma de cuantificar esa relacin
tiene un serio inconveniente: la relacin entre dos variables no siempre es perfecta o nula; de
hecho, habitualmente no es ni lo uno ni lo otro.
La mejor recta de regresin
En una situacin ideal (e irreal) en la que todos los puntos de un diagrama de dispersin se
encontraran en una lnea recta, no tendramos que preocuparnos de encontrar la recta que mejor
resume los puntos del diagrama. Simplemente uniendo los puntos entre s obtendramos la recta
con mejor ajuste a la nube de puntos.
Existen diferentes procedimientos para ajustar una funcin simple, cada uno de los cuales intenta
minimizar una medida diferente del grado de ajuste. La eleccin preferida ha sido,
tradicionalmente, la recta que hace mnima la suma de los cuadrados de las distancias verticales
entre cada punto y la recta. Esto significa que, de todas las rectas posibles, existe una y slo una
que consigue que las distancias verticales entre cada punto y la recta sean mnimas (las distancias
se elevan al cuadrado porque, de lo contrario, al ser unas positivas y otras negativas, se anularan
unas con otras al sumarlas).
Bondad de ajuste
Adems de acompaar la recta con su frmula, podra resultar til disponer de alguna indicacin
precisa del grado en el que la recta se ajusta a la nube de puntos. De hecho, la mejor rectaposible
no tiene por qu ser buena.
Una medida de ajuste que ha recibido gran aceptacin en el contexto del anlisis de regresin es
el coeficiente de determinacin R 2: el cuadrado del coeficiente de correlacin mltiple.
Se trata de una medida estandarizada que toma valores entre 0 y 1 (0 cuando las variables son
independientes y 1 cuando entre ellas existe relacin perfecta).
Este coeficiente posee una interpretacin muy intuitiva: representa el grado de ganancia que
podemos obtener al predecir una variable basndonos en el conocimiento que tenemos de otra u
otras variables.
Anlisis de regresin lineal simple
Vamos a iniciar nuestro estudio ms formal de la regresin con el modelo de regresin lineal
simple (simple = una variable independiente), pero conviene no perder de vista que, puesto
quegeneralmente estaremos interesados en estudiar simultneamente ms de una variable
predictora,este anlisis es slo un punto de partida en nuestra explicacin del anlisis de
regresin.
21

Bondad de ajuste
La primera informacin que obtenemos (tabla 1.1) se refiere al coeficiente de correlacin mltiple
(R) y a su cuadrado. Puesto que slo tenemos dos variables, el coeficiente de correlacin mltiple
no es otra cosa que el valor absoluto del coeficiente de correlacin de Pearson entre esas dos
variables (ver captulo anterior). Su cuadrado (R cuadrado) es el coeficiente de determinacin:


(los residuos son las diferencias existentes entre las puntuaciones observadas y los pronsticos
obtenidos con la recta). Tal como hemos sealado ya, R 2 expresa la proporcin de varianza de
la variable dependiente que est explicada por la variable independiente.

Tabla 1.1 Resumen del modelo
R cuadrado corregida es una correccin a la baja de R 2 que se basa en el nmero de casos y de
variables independientes:



(p se refiere al nmero de variables independientes). En una situacin con pocos casos y muchas
variables independientes, R 2 puede ser artificialmente alta. En tal caso, el valor de R 2 corregida
ser sustancialmente ms bajo que el de R 2. En nuestro ejemplo, como hay 474 casos y una sola
variable independiente, los dos valores de R 2 (el corregido y el no corregido) son prcticamente
iguales.

El error tpico de la estimacin (al que llamaremos Se) es la desviacin tpica de los residuos,
es decir, la desviacin tpica de las distancias existentes entre las puntuaciones en la variable
dependiente (Yi) y los pronsticos efectuados con la recta de regresin

aunque no
exactamente, pues la suma de las distancias al cuadrado estn divididas por n-2:




Ecuacin de regresin
La tabla 1.2 muestra los coeficientes de la recta de regresin. La columna etiquetada Coeficientes
22

no estandarizados contiene los coeficientes de regresin parcial que definen la ecuacin de
regresin en puntuaciones directas.


Tabla 1.2. Coeficientes de regresin parcial.


El coeficiente correspondiente a la Constante es el origen de la recta de regresin (lo que hemos
llamadoB0):



Y el coeficiente correspondiente a Salario inicial es la pendiente de la recta de regresin (lo
que hemos llamado B1):



B1 indica el cambio medio que corresponde a la variable dependiente (salario) por cada unidad
de cambio de la variable independiente

Coeficientes de regresin estandarizados
Los coeficientes Beta (coeficientes de regresin parcial estandarizados) son los coeficientes que
definen la ecuacin de regresin cuando sta se obtiene tras estandarizar las variables originales,
es decir, tras convertir las puntuaciones directas en tpicas. Se obtiene de la siguientemanera:


En el anlisis de regresin simple, el coeficiente de regresin estandarizado correspondiente a la
nica variable independiente presente en la ecuacin coincide exactamente con el coeficiente de
correlacin de Pearson. En regresin mltiple, segn veremos, los coeficientes
de regresin estandarizados permiten valorar la importancia relativa de cada variable
independientedentro de la ecuacin.

Anlisis de regresin lineal mltiple
El procedimiento Regresin lineal permite utilizar ms de una variable independiente y, por tanto,
permite llevar a cabo anlisis de regresin mltiple. Pero en el anlisis de regresin mltiple, la
23

ecuacin de regresin ya no define una recta en el plano, sino un hiperplano en un espacio
multidimensional.
Imaginemos un anlisis de regresin con salario como variable dependiente y salini
(salario inicial) y expprev(experiencia previa) como variables independientes
Con una variable dependiente y dos independientes, necesitamos tres ejes para poder representar
el correspondiente diagrama de dispersin. Y si en lugar de dos variables independientes
utilizramos tres, sera necesario un espacio de cuatro dimensiones para poder construir el
diagrama de dispersin. Y un espacio de cinco dimensiones para poder construir el diagrama
correspondiente a cuatro variables independientes. Etc.
Por tanto, con ms de una variable independiente, la representacin grfica de las relaciones
presentes en un modelo de regresin resulta poco intuitiva, muy complicada y nada til.
Es ms fcil y prctico partir de la ecuacin del modelo de regresin lineal:

De acuerdo con este modelo o ecuacin, la variable dependiente (Y) se interpreta como una
combinacin lineal de un conjunto de K variables independientes (Xk), cada una de las cuales va
acompaada de un coeficiente (k) que indica el peso relativo de esa variable en la ecuacin.
La ecuacin incluye adems una constante (0) y un componente aleatorio (los residuos: ) que
recoge todo lo que las variables independientes no son capaces de explicar.

Supuestos del modelo de regresin lineal
Los supuestos de un modelo estadstico se refieren a una serie de condiciones que deben darse
para garantizar la validez del modelo. Al efectuar aplicaciones prcticas del modelo de regresin,
nos veremos en la necesidad de examinar muchos de estos supuestos.

1. Linealidad. La ecuacin de regresin adopta una forma particular. En concreto, la variable
dependiente es la suma de un conjunto de elementos: el origen de la recta, una combinacin
lineal de variables independientes o predictoras y los residuos. El incumplimiento del supuesto de
linealidad suele denominarse error de especificacin. Algunos ejemplos son: omisin de variables
independientes importantes, inclusin de variables independientesirrelevantes, no linealidad (la
relacin entre las variables independientes y la dependiente no es lineal), parmetros cambiantes
(los parmetros no permanecen constantes durante el tiempo que dura la recogida de datos), no
aditividad (el efecto de alguna variable independiente es sensible a los niveles de alguna otra
variable independiente), etc.

2. Independencia. Los residuos son independientes entre s, es decir, los residuos constituyen una
variable aleatoria (recordemos que los residuos son las diferencias entre los valores observados y
los pronosticados). Es frecuente encontrarse con residuos autocorrelacionadoscuando se trabaja
con series temporales.

3. Homocedasticidad. Para cada valor de la variable independiente (o combinacin de valores de
las variables independientes), la varianza de los residuos es constante.
24


4. Normalidad. Para cada valor de la variable independiente (o combinacin de valores de las
variables independientes), los residuos se distribuyen normalmente con media cero.

5. No-colinealidad. No existe relacin lineal exacta entre ninguna de las variables independientes.
El incumplimiento de este supuesto da origen a colinealidad o multicolinealidad.

Sobre el cumplimiento del primer supuesto puede obtenerse informacin a partir de una
inspeccin del diagrama de dispersin: si tenemos intencin de utilizar el modelo de regresin
lineal, lo razonable es que la relacin entre la variable dependiente y las independientes sea de
tipo lineal (veremos que existen grficos parciales que permiten obtener una representacin de la
relacin neta existente entre dos variables). El quinto supuesto, no-colinealidad, no tienesentido
en regresin simple, pues es imprescindible la presencia de ms de una variable independiente.
Veremos que existen diferentes formas de diagnosticar la presencia de colinealidad.
El resto de los supuestos, independencia, homocedasticidady normalidad, estn estrechamente
asociados al comportamiento de los residuos. Por tanto, un anlisis cuidadoso de los residuos
puede informarnos sobre el cumplimiento de los mismos.

Independencia
El verdadero inters de los residuos hay que buscarlo en el hecho de que el anlisis de los mismos
nos proporciona informacin crucial sobre el cumplimiento de varios supuestos del modelo de
regresin lineal: independencia, homocedasticidad, normalidad y linealidad.

Uno de los supuestos bsicos del modelo de regresin lineal es el de independencia entre los
residuos (supuesto ste particularmente relevante cuando los datos se han recogido siguiendo una
secuencia temporal). El estadstico de Durbin-Watson (1951) proporciona informacin sobre el
grado de independencia existente entre ellos:

(eise refiere a los residuos:

). El estadstico DW oscila entre 0 y 4, y toma el valor

2 cuando los residuos son independientes. Los valores menores que 2 indican
autocorrelacinpositiva y los mayores que 2 autocorrelacin negativa. Podemos asumir
independencia entre los residuos cuando DW toma valores entre 1,5 y 2,5.

Homocedasticidad
El procedimiento Regresin lineal dispone de una serie de grficos que permiten, entre otras
cosas, obtener informacin sobre el grado de cumplimiento de los supuestos de
homocedasticidady normalidad de los residuos.

25

Linealidad
Los diagramas de regresin parcial permiten formarse una idea rpida sobre la forma que adopta
una relacin. En el contexto del anlisis de regresin, permiten examinar la relacin existente
entre la variable dependiente y cada una de las variables independientes por separado, tras
eliminar de ellas el efecto del resto de las variables independientes incluidas en el anlisis.
Estos diagramas son similares a los de dispersin ya estudiados, pero no estn basados en las
puntuaciones originales de las dos variables representadas, sino en los residuos obtenidos al
efectuar un anlisis de regresin con el resto de las variables independientes.

Colinealidad
Existe colinealidad perfecta cuando una de las variables independientes se relaciona de forma
perfectamente lineal con una o ms del resto de variables independientes de la ecuacin. Esto
ocurre, por ejemplo, cuando se utilizan como variables independientes en la misma ecuacin las
puntuaciones de las subescalas de un test y la puntuacin total en el test (que es la suma de las
subescalas y, por tanto, una combinacin lineal perfecta de las mismas). Hablamos de
colinealidadparcial o, simplemente, colinealidad, cuando entre las variables independientes de
una ecuacin existen correlaciones altas. Se puede dar, por ejemplo, en una investigacin de
mercados al tomar registros de muchos atributos de un mismo producto; o al utilizar muchos
indicadores econmicos para construir una ecuacin de regresin. En trminos generales, cuantas
ms variables hay en una ecuacin, ms fcil es que exista colinealidad (aunque, en principio,
bastan dos variables).
La colinealidad es un problema porque, en el caso de colinealidad perfecta, no es posible estimar
los coeficientes de la ecuacin de regresin; y en el caso decolinealidad parcial, aumenta el
tamao de los residuos tpificados y esto produce coeficientes de regresin muy inestables:
pequeos cambios en los datos (aadir o quitar un caso, por ejemplo) produce cambios muy
grandes en los coeficientes de regresin. Esta es una de las razones por las que podemos
encontrarnos con coeficientes con signo cambiado: correlaciones positivas pueden transformarse
en coeficientes de regresin negativos (incluso significativamente negativos). Curiosamente, la
medida de ajuste R 2 no se altera por la presencia decolinealidad; pero los efectos atribuidos a las
variables independientes pueden ser engaosos.

Puntos de influencia
Todos los casos contribuyen a la obtencin de la ecuacin de regresin, pero no todos lo hacen
con la misma fuerza. Los puntos de influencia son casos que afectan de forma importante al valor
de la ecuacin de regresin. La presencia de puntos de influencia no tiene por qu constituir un
problema en regresin: de hecho, lo normal es que en un anlisis de regresin no todos los casos
tengan la misma importancia (desde el punto de vista estadstico). Sin embargo, el analista debe
ser consciente de la presencia de tales puntos pues, entre otras cosas, podra tratarse de casos con
valores errneos. Slo siendo conscientes de si existen o no puntos de influencia es posible
corregir el anlisis.

26

Una vez identificados y examinados, podramos eliminarlos del anlisis simplemente porque
entorpecen el ajuste, o porque su presencia nos est haciendo obtener medidas de ajuste infladas.
Tambin podramos eliminar los casos muy atpicos simplemente argumentando que nuestro
objetivo es construir una ecuacin para entender lo que ocurre con los casos tpicos, corrientes, no
con los casos atpicos. Este argumento es ms convincente si los casos atpicosrepresentan a una
subpoblacin especial que se sale del rango de variacin normal. Por otro lado, si existe un
conjunto de casos que parece formar un subgrupo separado del resto, podra considerarse la
posibilidad de incorporar este hecho al modelo de regresin mediante una variable dummy o
desarrollando diferentes ecuaciones de regresin para los diferentes subgrupos.
Los estadsticos no se ponen de acuerdo sobre la conveniencia de eliminar o no un caso, pero
puede ayudarnos a decidir sobre esto el pensar que la eliminacin de un caso cualquiera debe ser
justificada ante quien nos pregunte por las razones de tal eliminacin.

Validez del modelo de regresin
El modelo de regresin puede ser validado utilizando casos nuevos. Para ello, basta con obtener
los pronsticos para esos casos nuevos y, a continuacin, calcular el coeficiente de correlacin
entre los valores observados en la variable dependiente y los valores pronosticados para esos
casos nuevos. En teora, el coeficiente de correlacin as obtenido debera ser igual al coeficiente
de correlacin mltiple del anlisis de regresin (R). En la prctica, si el modelo es lo bastante
bueno, encontraremos pequeas diferencias entre esos coeficientes, atribuibles nicamente al
azar muestral. Es muy importante que los nuevos casos representen a las mismas poblaciones que
los casos originalmente utilizados para obtener la ecuacin de regresin.
En ocasiones, es posible que no tengamos acceso a nuevos datos o que sea muy difcil obtenerlos.
En esos casos, todava es posible validar el modelo de regresin si la muestra es lo bastante
grande. Basta con utilizar la mitad de los casos de la muestra (aleatoriamente seleccionados) para
obtener la ecuacin de regresin y la otra mitad de la muestra para efectuar los pronsticos. Un
modelo fiable debera llevarnos a obtener una correlacin similar entre los valores observados y
pronosticados de ambas mitades.

2.3.1 Mtodo emprico

El trmino emprico deriva del griego antiguo (Aristteles utilizaba la reflexin analtica y el
mtodo emprico como mtodos para construir el conocimiento) de experiencia, , que a
su vez deriva de (en) y (prueba) lo que significa en pruebas, es decir, llevando a cabo
el experimento. Por lo tanto los datos empricos son sacados de las pruebas acertadas y los
errores, es decir, son aquellas que justifican o verifican sus hiptesis mediante la experiencia.
es un modelo de investigacin cientfica, que se basa en la experimentacin y la lgica emprica,
que junto a la observacin defenmenos y su anlisis estadstico, es el ms usado en el campo de
las ciencias sociales y en las ciencias naturales.

27

Sus principales caractersticas son:
-Es un mtodo fctico: se ocupa de los hechos que realmente acontecen
-Se vale de la verificacin emprica: no pone a prueba las hiptesis mediante el mero sentido
comn o el dogmatismo filosfico o religioso, sino mediante una cuidadosa contrastacin por
medio de la percepcin.
-Es auto correctivo y progresivo (a diferencia del fenomenolgico). La ciencia se construye a partir
de la superacin gradual de sus errores. No considera sus conclusiones infalibles o finales. El
mtodo est abierto a la incorporacin de nuevos conocimientos y procedimientos con el fin de
asegurar un mejor acercamiento a la verdad.

2.3.2 Tipos de Mtodos Empricos
-Mtodo experimental: Es el ms complejo y eficaz de los mtodos empricos, por lo que a veces
se utiliza errneamente como sinnimo de mtodo emprico. Algunos lo consideran una rama tan
elaborada que ha cobrado fuerza como otro mtodo cientfico independiente con su propia lgica,
denominada lgica experimental.
En este mtodo el investigador interviene sobre el objeto de estudio modificando a esta directa o
indirectamente para crear las condiciones necesarias que permitan revelar sus caractersticas
fundamentales y sus relaciones esenciales bien sean:
-Aislando al objeto y las propiedades que estudia de la influencia de otros factores
-Reproduciendo el objeto de estudio en condiciones controladas
-Modificando las condiciones bajo las cuales tiene lugar el proceso o fenmeno que se estudia.
As, los datos son sacados de la manipulacin sistemtica de variables en un experimento (ver
mtodo hipottico deductivo, el cual a su vez tambin se considerar como un tipo de mtodo
emprico fuera del mtodo experimental por su relevancia y eficacia). Una diferencia clara con el
mtodo emprico en general es que ste adems trata de considerar los errores de modo que una
inferencia pueda ser hecha en cuanto a la causalidaddel cambio observado (carcter auto
correctivo).
-Mtodo de la observacin cientfica: Fue el primer mtodo utilizado por los cientficos y en la
actualidad continua siendo su instrumento universal. Permite conocer la realidad mediante la
sensopercepcin directa de entes y procesos, para lo cual debe poseer algunas cualidades que le
dan un carcter distintivo. Es el ms caracterstico en las ciencias descriptivas.
28

-Mtodo de la medicin: Es el mtodo emprico que se desarrolla con el objetivo de obtener
informacin numrica acerca de una propiedad o cualidad del objeto, proceso o fenmeno, donde
se comparan magnitudes medibles conocidas. Es la asignacin de valores numricos a
determinadas propiedades del objeto, as como relaciones para evaluarlas y representarlas
adecuadamente. Para ello se apoya en procedimientos estadsticos

Su aporte al proceso de investigacin es resultado fundamentalmente de la experiencia. Estos
mtodos posibilitan revelar las relaciones esenciales y las caractersticas fundamentales del objeto
de estudio, accesibles a la deteccin sensoperceptual, a travs de procedimientos prcticos con el
objeto y diversos medios de estudio. Su utilidad destaca en la entrada en campos inexplorados o
en aquellos en los que destaca el estudio descriptivo.
Existen variadas maneras de formalizar los pasos de este mtodo. De entre ellas destacamos:
-Forma convencional:
Identificacin de un problema de investigacin.
Formulacin de hiptesis.
Prueba de hiptesis.
Resultados.

-Formulacin de Neil J. Salkind.
.
Formulacin de un problema.
Identificar factores importantes.
Formulacin de hiptesis de investigacin.
Recopilacin de la informacin.
Probar la Hiptesis.
Trabajar con la hiptesis.
Reconsideracin de la teora.
Confirmacin o refutacin.

Las teoras comienzan con observaciones empricas como algunas veces el agua se torna en hielo.
En algn punto, surge la curiosidad o necesidad de descubrir el porqu de ello, lo cual lleva la fase
teortica/cientfica. En las teoras cientficas, esto lleva entonces a investigacin, en combinacin
con hiptesis auxiliares y otras ms (ver mtodo cientfico), lo cual puede entonces llevar
eventualmente a una teora. Algunas teoras cientficas son tan ampliamente aceptadas que
frecuentemente se les toma por leyes. Esto, sin embargo, se basa en una incorrecta presuncin
29

acerca de lo que son las teoras y las leyes: estas ambas no son peldaos en una escalera de
verdad, sino diferentes conjuntos de datos.
Sensopercepcin: Como momento en el proceso de conocimiento, es la unidad de todo el
funcionamiento expresivo biopsquico y social del hombre.
2.4 Ley de Hooke (Elasticidad)
Cuando un objeto de somete a fuerzas externas, sufre cambios de tamao o de forma, o de
ambos. Esos cambios dependen del arreglo de los tomos y su enlace en el material. Cuando un
peso jala y estira a otro y cuando sele quita este peso y regresa a su tamao normal decimos que
es un cuerpo elstico. Elasticidad: Propiedad de cambiar de forma cuando acta una fuerza de
deformacin sobre un objeto, y el objeto regresa a su forma original cuando cesa la deformacin.
Los materiales no deformables se les llaman inelsticos (arcilla,plastilina y masa de repostera). El
plomo tambin es inhelstico, porque se deforma con facilidad de manera permanente. Si se
estira o se comprime ms all de cierta cantidad, ya no regresa a su estado original, y permanece
deformado, a esto se le llama lmite elstico.
*Cuando se tira o se estira de lago se dice que est en tensin (largas y delgadas).
*Cuando se aprieta o se comprime algo se dice que est en compresin (cortas y gruesas).









Ley de Hooke:
La cantidad de estiramiento o de compresin (cambio de longitud), es directamente proporcional
a la fuerza aplicada.



Figura 4.1: Fenmeno de
tensin
Figura 4.2: Fenmeno de comprensin
30

Teora de regresin y correlacin
El trmino correlacin se utiliza generalmente para indicar la correspondencia o la relacin
recproca que se da entre dos o ms cosas, ideas, personas, entre otras.
En tanto, en probabilidad y estadstica, la correlacin es aquello que indicar la fuerza y
la direccin lineal que se establece entre dos Variables aleatorias.

Se considera que dos variables de tipo cuantitativo presentan correlacin la una respecto de la
otra cuando los valores de una ellas varen sistemticamente con respecto a
los valores homnimos de la otra.
Por ejemplo, si tenemos dos variables que se llaman A y B, existir el mencionado fenmeno de
correlacin si al aumentar los valores de A lo hacen tambin los valores correspondientes a B y
viceversa.
De todas maneras, vale aclarar que la correlacin que pueda darse entre dos variables no
implicar por si misma ningn tipo de relacin de causalidad. Los
principales elementos componentes de una correlacin de este tipo sern: la fuerza, el sentido y la
forma.
Anlisis de correlacin
El anlisis de correlacin emplea mtodos para medir la significacin del grado o intensidad de
asociacin entre dos o ms variables. Normalmente, el primer paso es mostrar los datos en
un diagrama de dispersin. El concepto de correlacin est estrechamente vinculado al concepto
de regresin, pues, para que una ecuacin de regresin sea razonable los puntos mustrales
deben estar ceidos a la ecuacin de regresin; adems el coeficiente de correlacin debe ser:
Grande cuando el grado de asociacin es alto (cerca de +1 o -1, y pequeo cuando
Es bajo, cerca de cero.
Independiente de las unidades en que se miden las variables.


31

Diagrama de dispersin
Un diagrama de dispersin se emplea cuando existe una variable que est bajo el control del
experimentador. Si existe un parmetro que se incrementa o disminuye de forma sistemtica por
el experimentador, se le denomina parmetro de control o variable independiente = eje de x y
habitualmente se representa a lo largo del eje horizontal. La variable medida o dependiente = eje
de y usualmente se representa a lo largo del eje vertical. Si no existe una variable dependiente,
cualquier variable se puede representar en cada eje y el diagrama de dispersin mostrar el grado
de correlacin (no causalidad) entre las dos variables.
Un diagrama de dispersin puede sugerir varios tipos de correlaciones entre las variables con un
intervalo de confianza determinado. La correlacin puede ser positiva (aumento), negativa
(descenso), o nula (las variables no estn correlacionadas). Se puede dibujar una lnea de ajuste
(llamada tambin "lnea de tendencia") con el fin de estudiar la correlacin entre las variables. Una
ecuacin para la correlacin entre las variables puede ser determinada por procedimientos de
ajuste. Para una correlacin lineal, el procedimiento de ajuste es conocido como regresin lineal y
garantiza una solucin correcta en un tiempo finito.
Uno de los aspectos ms poderosos de un grfico de dispersin, sin embargo, es su capacidad para
mostrar las relaciones no lineales entre las variables. Adems, si los datos son representados por
un modelo de mezcla de relaciones simples, estas relaciones son visualmente evidentes como
patrones superpuestos.
El diagrama de dispersin es una de las herramientas bsicas de control de calidad, que incluyen
adems el histograma, el diagrama de Pareto, la hoja de verificacin, los grficos de control, el
diagrama de Ishikawa y el diagrama de flujo.














Figura 2.5 Rectas de Regresin
32

Desarrollo Experimental
Hiptesis
La correlacin de las variables obtenidas es proporcional la distancia con respecto al peso ejercido
as en nuestro diagrama de dispersin podremos observar que se obtiene una lnea de tendencia
positiva.
Objetivo
Con el uso del dinammetro obtener las variables para la realizacin del diagrama de dispersin
as, como con la ayuda del la ley de Hooke obtener la elongacin del fenmeno.
Desarrollo Experimental
Material Utilizado:
Dinammetro.
Varilla de 50 cm.
Una base tipo A.
Un marco de pesas.
Una regla en cm.







33

Procedimiento:
Deformacin de un resorte

-Procedimiento del ensamble del aparato de deformacin de un resorte.











Contar con el material necesario. Y
verificar el material requerido para la
prctica de deformacion de un resorte.
Al tener el material para realizar el
experimento, colocarlo de manera
correcta.
Colocar el dinamometro en el soporte
y comenzar la experimentacin
34

- Procedimiento de medicin de deformacin de un resorte

1.-Ya armado el aparato
de deformacin de un
resorte. Tomar la medida
del resorte sin ningn
peso.
2.- Ahora tomar la medida
del resorte con una masa
de 5 g.
Despus realizar lo mismo
de 5 en 5 gramos.
3.- Anotar los datos
obtenidos con
anterioridad y realizar
clculos.
4.- Primero obtener las
variables como
deformacin y peso.
5.- Utilizar el mtodo
grafico para la elaboracin
de grficas.
6.- Realizar una grfica de
dispersin. Despus
extender la una lnea que
pase por en medio de
todos los puntos.
7.- Clcular la ordenada al
origen. Despus calcular
la pendiente, poniendo
arbitrariamente dos
puntos sobre la recta.
8.- Analizar los datos
obtenidos para obtener la
funcin fsica y= mx + b.
9.- Pasar la funcin fsica
a la ley fsica de Hooke,
por medio de despejes.
10.- Obtener los datos de
deformacin y constante
de deformacin para asi
calcular la fuerza
resistente del resorte.
35

Clculos
Para poder analizar los datos debemos de crear un diagrama de dispersin con ayuda de la
regresin lineal. Para esto seguiremos 5 pasos que podemos ver a continuacin.
1.- Definicin de Variables
Se define a el eje de las x como la masa que se aplica al resorte y el eje de las Y la distancia que
se deforma el resorte
2.- Reproduccin del Fenmeno (recopilar Datos)
Una vez que hayamos hecho nuestro experimento se recopilaron los siguientes datos. Dichos
datos se representan en dos tablas, la primera tenemos la masa de las pesas que utilizamos, la
segunda el peso de las pesas utilizadas.













Tabla 3.1 Datos Experimentales



Datos Experimentales
No X (gr) Y (cm)
1 5 20.3
2 10 20.8
3 15 21.2
4 20 21.6
5 25 22
6 30 22.5
7 35 22.9
8 40 23.5
9 45 24
10 50 24.5
11 55 24.7
12 60 25.4
13 65 25.7
14 70 26.1
15 75 26.4
16 80 26.9
17 85 27.4
18 90 27.6
36

La tabla 3.2 esta en funcin del peso ya que la masa de las pesas la multiplicamos por la gravedad
para que pudiramos obtener el peso.
Datos Experimentales con Peso
No Masa X (gr) F:mg Y (cm)
1 5 49.5 20.3
2 10 98.1 20.8
3 15 147 21.2
4 20 196.2 21.6
5 25 245.25 22
6 30 294.3 22.5
7 35 343.35 22.9
8 40 392.4 23.5
9 45 441.45 24
10 50 490.5 24.5
11 55 539.55 24.7
12 60 588.6 25.4
13 65 637.65 25.7
14 70 686.7 26.1
15 75 735.75 26.4
16 80 784.8 26.9
17 85 833.85 27.4
18 90 882.9 27.6
Figura 2.3 Datos Experimentales con Peso
3.- Representacin de las Dos Variables en una Grafica de Dispersin

20
21
22
23
24
25
26
27
28
5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90
Y

(
c
m
)

M (gr)
Grfica 1: Grfica de dispersin
mediante la masa (gramos) y
deformacin (centmetros).
37





4.- Utilizar el Mtodo Grafico para obtener m y b
En primera instancia, nosotros tenemos la ecuacin de la recta:

En la cual, ya tenemos dos datos, los cuales son los siguientes:
X= Fuerza (Independiente)
Y= Deformacin (Dependiente)
As que, por obvias razones tenemos dos incgnitas, que seran en este caso, m y b. Para calcular
m, la formula es la siguiente:

20
21
22
23
24
25
26
27
28
Y

(
C
M
)

W (N)

Grfica 2: Grfica de dispersin mediante la fuerza (N) y deformacin
(centmetros).
38

Sustituyendo valores:

5.- Funcin Fsica
Ahora, calculemos b mediante la siguiente frmula:

Sustituyendo valores:

6.- Ley Fsica
Sabiendo que m= y que b = ; Entonces podemos decir que nuestra
ley fsica es:


Ley de Hooke
Para saber la deformacin del resorte aplicaremos la ley de Hooke que nos dice :

Donde
K: Fuerza del Resorte (N)
X: Deformacin (cm)




39

Aplicaremos esta frmula para la siguiente tabla
Datos Experimentales con Peso
No Masa X (gr) F:mg Y (cm)
1 5 49.5 20.3
2 10 98.1 20.8
3 15 147 21.2
4 20 196.2 21.6
5 25 245.25 22
6 30 294.3 22.5
7 35 343.35 22.9
8 40 392.4 23.5
9 45 441.45 24
10 50 490.5 24.5
11 55 539.55 24.7
12 60 588.6 25.4
13 65 637.65 25.7
14 70 686.7 26.1
15 75 735.75 26.4
16 80 784.8 26.9
17 85 833.85 27.4
18 90 882.9 27.6
Figura 2.3 Datos Experimentales con Peso

Para el experimento 1
Experimento 1

F= k x

F= 49.5 20.3

F= 1005 N






Experimento 2

F= k x

F= 98.1 20.8

F= 2040 N
Experimento 3

F= k x

F= 147 21.2

F= 3116 N
Experimento 4

F= k x

F= 196 21.6

F= 4238 N
40

Experimento 5

F= k x

F= 245.3 22

F= 5396 N

Experimento 7

F= k x

F= 343.4 22.9

F= 7863 N








Experimento 13


F= k x

F= 637.7 25.7

F= 16388 N


Experimento 15


F= k x

F= 735.8 26.4

F= 19424 N



Si sacamos la media de F nos da que F media = 11802.8508

Experimento 6

F= k x

F= 294.3 22.5

F= 6622 N
Experimento 8

F= k x

F= 392.4 23.5

F= 9221 N
Experimento 9

F= k x

F= 441.5 24

F= 10595 N
Experimento10


F= k x

F= 490.5 24.5

F= 12017 N
Experimento 11


F= k x

F= 539.6 24.7

F= 13327 N
Experimento 12


F= k x

F= 588.6 25.4

F= 14950 N
Experimento 14


F= k x

F= 686.7 26.1

F= 17923 N
Experimento 16


F= k x

F= 784.8 26.9

F= 21111 N
41

Podemos ver los resultados en la siguiente tabla
Ley de Hooke
W (N) Y (cm) F
49.5 20.3 1004.85
98.1 20.8 2040.48
147 21.2 3116.4
196.2 21.6 4237.92
245.25 22 5395.5
294.3 22.5 6621.75
343.35 22.9 7862.715
392.4 23.5 9221.4
441.45 24 10594.8
490.5 24.5 12017.25
539.55 24.7 13326.885
588.6 25.4 14950.44
637.65 25.7 16387.605
686.7 26.1 17922.87
735.75 26.4 19423.8
784.8 26.9 21111.12
833.85 27.4 22847.49
882.9 27.6 24368.04
Tabla 3.5 Ley de Hooke









42

Anlisis de Resultados
Vamos a iniciar nuestro estudio ms formal de la regresin con el modelo de regresin lineal
simple (simple = una variable independiente), pero conviene no perder de vista que, puesto que
generalmente estaremos interesados en estudiar simultneamente ms de una variable
predictora, este anlisis es slo un punto de partida en nuestra explicacin del anlisis de
regresin.
El procedimiento Regresin lineal permite utilizar ms de una variable independiente y, por tanto,
permite llevar a cabo anlisis de regresin mltiple. Pero en el anlisis de regresin mltiple, la
ecuacin de regresin ya no define una recta en el plano, sino un hiperplano en un espacio
multidimensional.




Con una variable dependiente y dos independientes, necesitamos tres ejes para poder representar
el correspondiente diagrama de dispersin. Y si en lugar de dos variables independientes
utilizramos tres, sera necesario un espacio de cuatro dimensiones para poder construir el
diagrama de dispersin. Y un espacio de cinco dimensiones para poder construir el diagrama
correspondiente a cuatro variables independientes. Etc.
Por tanto, con ms de una variable independiente, la representacin grfica de las relaciones
presentes en un modelo de regresin resulta poco intuitiva, muy complicada y nada til.
Por lo que el experimento contiene dos variables para que estas no estn sujetas a tener un
hiperplano.

Si observamos nuestra grfica de dispersin podemos notar que existen muy pocos puntos fuera
de la recta; esto se debe a que se iba aumentando la masa en forma proporcional. Por lo que
nuestra grfica los puntos casi estn en la lnea recta trazadas.

En nuestros clculos de la ley de Hooke observamos que entre mas es la masa o peso que se le
aplica el sistema ms se deformara.







43

Conclusiones

Durante la elaboracin de esta prctica se pudo observar los errores de medicin por parte de
algunas personas (alumno) las cuales consistan en cuanto median el desplazamiento (elongacin)
que el resorte tenia al momento de ponerle una fuerza (peso).

Cabe mencionar la falta de conocimiento del correcto uso de los materiales de laboratorio al igual
que estos mismos materiales se encuentran en desgaste y por el cual es difcil tomar medidas
exactas del experimentos, los cuales vienen siendo los datos experimentales.

Para este tipo de experimentos no era tan necesario un conocimiento difcil, de como se media en
la base de tipo A, en el cual tenia el dinammetro, pero para esto solo se tena que ser lo
suficientemente observador para no cometer ningn error al momento de tomar los datos,
tambin es importante mencionar que se tena que colocar las pesas que fueran siendo
sumatorias de cinco gramos (cada una) hasta que llegara el momento de que el resorte que tiene
el dinammetro, ya no se moviera o mejor dicho que ya no tuviera elongacin
Para la correcta elaboracin de este reporte se citaron diferentes libros, no solo para poder
realizar el reporte tambin fueron de ayudar para ampliar los conocimientos que son necesarios
en este reporte, que no solo son de ayuda para acreditar la materia, tambin sirven para toda la
vida. Y todo esto sirve para poder realizar el reporte de la mejor manera, para que no exista
ningn detalle o rechazo por parte del docente encargado de calificar el reporte, es por eso que se
tiene una exigencia no solo por parte del docente, si no, que tambin por los colaboradores que se
encargaron de realizar este reporte, siendo perspicaces y con la mxima dedicacin a este reporte
en el cual es el reflejo del esfuerzo.

Y conforme a la elaboracin del reporte se pudo calcular las deformaciones del resorte, pero fue
mediante la regresin y la ley fsica de lo contrario no hubiese podido llegar a la esta conclusin

Y con esto podemos decir que se ha concluido el reporte correspondiente a la prctica, en el cual
se analizo el fenmeno de Deformacin de un resorte con los clculos de regresin lineal.






44

Bibliografa

Frida Gisela Ortiz Uribe; Mara Del Pilar Garca. Metodologa De La Investigacin. Mxico, Editorial
Grupo Noriega. 2010. Pginas 24, 28, 59, 60

R. J. Atkin; N. Fox: Introduccin a la teoria de la elasticidad, ed. Dover, 1980

Olivella Xavier.; Agelet de Saracibar,. Mecnica de Medios Continuos para Ingenieros, Barcelona,
Editoria UPC

















45

INSTITUTO POLITCNICO NACIONAL
UNIDAD PROFESIONAL INTERDISCIPLINARIA
DE INGENIERA Y CIENCIAS SOCIALES
Y ADMINISTRATIVAS

Mecnica Clsica Experimental

Secuencia: 1IM24

Reporte No. 6
Regresin Lineal
Deformacin de un resorte

Equipo No. 3
Alamilla Lona Griselda
Cano Alcantar Marco Antonio
Cruz Pantoja Mauricio Daniel
Navarrete Gonzlez Alejandro
Reyes Garca Gloria Berenice

Docente: Ing. Jos Luis Lpez Govea
Fecha de Entrega: 28 de septiembre de 2012

46

ndice
Introduccin I
Resumen Ii
Capitulo 1 Marco Metodolgico 1
1.1 Planteamiento del Problema 1
1.2 Mtodos de Investigacin 1
1.3 Justificacin

2
Capitulo 2 Marco Terico Conceptual 3
Definiciones Utiles 3
2.1 Diagramas de Flujo 7
2.1.1 Simbologa 8
2.1.2 Preparacin de la construccin del diagrama

10
2.2 Regresin Lineal 13
2.2.1 Antecedentes de la Regresin Lineal 13
2.2.2 Que es y para que se utiliza la regresin lineal? 14
2.2.3 Tipos de Regresin Lineal 15
2.2.4 Estimacin De La Ecuacin De Regresin Muestral

16
2.3 Ley Fsica

20
2.4 Ley de Hooke

29
2.5 Correlacin

30
Capitulo 3 Desarrollo

32
- Objetivos 32
- Hiptesis 32
- Desarrollo Experimental

33
Conclusiones

43
Bibliografa 44



































47

Introduccin
El anlisis de regresin lineal es una tcnica estadstica utilizada para estudiar la relacin entre
variables. Se adapta a una amplia variedad de situaciones. En la investigacin social, el anlisis de
regresin se utiliza para predecir un amplio rango de fenmenos, desde medidas econmicas
hasta diferentes aspectos del comportamiento humano. En el contexto de la investigacin de
mercados puede utilizarse para determinar en cul de diferentes medios de comunicacin puede
resultar ms eficaz invertir; o para predecir el nmero de ventas de un determinado producto.
En fsica se utiliza para caracterizar la relacin entre variables o para calibrar medidas. Etc.
Tanto en el caso de dos variables (regresin simple) como en el de ms de dos variables (regresin
mltiple), el anlisis de regresin lineal puede utilizarse para explorar y cuantificar la relacin
entre una variable llamada dependiente o criterio (Y) y una o ms variables llamadas
independientes o predictoras (X1, X2, ..., Xk), as como para desarrollar una ecuacin lineal con
fines predictivos. Adems, el anlisis de regresin lleva asociados una serie de procedimientos de
diagnstico (anlisis de los residuos, puntos de influencia) que informan sobre la estabilidad e
idoneidad del anlisis y que proporcionan pistas sobre cmo perfeccionarlo. Nuestro objetivo es el
de proporcionar los fundamentos del anlisis de regresin. Al igual que en los captulos
precedentes, no haremos hincapi en los aspectos ms tcnicos del anlisis, sino que
intentaremos fomentar la compresin de cundo y cmo utilizar el anlisis de regresin lineal, y
cmo interpretar los resultados. Tambin prestaremos atencin a otras cuestiones como el
chequeo de los supuestos del anlisis de regresin y la forma de proceder cuando se incumplen.
En forma ms especifica el anlisis de correlacin y regresin comprende el anlisis de los datos
muestrales para saber que es y como se relacionan entre si dos o mas variables en una poblacin.
El anlisis de correlacin produce un nmero que resume el grado de la fuerza de relacin entre
dos variables; y el anlisis de regresin da lugar a una ecuacin matemtica que describe dicha
relacin.
La tcnica de regresin lineal simple est indicada cuando se pretende explicar una variable
respuesta cuantitativa en funcin de una variable explicativa cuantitativa tambin llamada variable
independiente, variable regresora o variable predictora. Por ejemplo, se podra intentar explicar el
peso en funcin de la altura. El modelo intentara aproximar la variable respuesta mediante una
funcin linea de la variable explicativa. A partir de la presente investigacin, se pretende mostrar
la aplicacin prctica de la regresin y correlacin lineal simple y mltiple en la industria. Ya que la
aplicacin de las tcnicas estadsticas contribuyen a la optimizacin de los procesos.




48

Resumen
La deformacin como concepto general se puede definir como, el cambio en el tamao o forma de
un cuerpo debido a esfuerzos internos producidos por una o ms fuerzas aplicadas sobre el mismo
Para este reporte se definir lo que es la deformacin de un resorte, y como anteriormente se
defini lo que es la deformacin, ahora veremos lo que es la deformacin en un resorte
Cabe mencionar que se cumplieron con los objetivos propuestos por el personal docente, ya que
de no ser cumplidos de la mejor manera posible, se tendr una mala calificacin.

Durante el desarrollo de la practica en el laboratorio, se pudo observar el fenmeno de
deformacin de un resorte, el cual consisti en poner un cierto peso en un densmetro, y en este
densmetro se encuentra el resorte el cual es el objeto de estudio, y conforme se le pona una
cierta cantidad de peso en el densmetro, este bajaba de tal forma que el resorte tenia una mayor
elongacin y por lo tanto tenamos el recorrido o deformacin de resorte.

Este experimento se elaboro en dos mesas de trabajo los cuales tenan el material necesario para
la elaboracin de la prctica correspondiente al estudio y observacin cientfica de deformacin
del resorte

Para esta prctica se tiene como calculo la regresin lineal la cual se desarrolla como:
y=mx+b
Donde:
Y= es la incgnita a calcular
m = es la pendiente a calcular
b= es ordenada al origen

Para estos clculos se obtuvieron datos experimentales los cuales se desarrollaron en el
laboratorio, y conforme se tenan estos datos se procede a la elaboracin de los clculos
necesarios para calcular la pendiente y se procede a calcular la Ley Fsica

Otro punto que es necesario decir es que si procesos de medicin y sus errores (que este ltimo
ya fue anteriormente mencionado), fueron de manera asertiva y sin errores, se tuvo una buena
perspectiva, ya que este tipo de experimentos se necesita ser sumamente observador, ya que al
tener el mnimo error, se tendrn datos errneos.

Una vez teniendo estos objetivos, datos, tablas, formulas, podremos continuar con el proceso de
elaboracin de la prctica, lo cual ser desarrollado a continuacin