INFORME DE LABORATORIO # 3
Isabella Fajardo Moreno
Hannah Sophie Villamil Parra
Catherin González González
Itala Monserrat Mansilla Perez
RELACION NO LINEAL
Docente Héctor Alcides Escucha Hernández
UNIVERSIDAD DE LA SALLE
FACULTAD DE INGENIERÍA
GRUPO 04 FISICA I
BOGOTÁ D. C.
2025
RESUMEN
En este laboratorio se utilizó el método de regresión polinómica de primer grado, equivalente a la
regresión lineal, para modelar datos experimentales y analizar la relación entre una variable dependiente
y una independiente. El objetivo fue ajustar una línea recta a los datos y evaluar la precisión del modelo.
Se empleó Microsoft Excel para realizar el análisis, utilizando sus herramientas integradas de regresión.
A través de esta plataforma, se obtuvieron los coeficientes del modelo lineal, junto con el valor del
coeficiente de determinación (R²) para evaluar el grado de ajuste de la línea a los datos. También se
analizaron los residuos para verificar la consistencia del modelo.
Los resultados mostraron que el modelo lineal logró capturar una parte significativa de la variabilidad
de los datos, con un valor de R² satisfactorio. Sin embargo, se discutieron las limitaciones del modelo
lineal y posibles mejoras para futuras iteraciones del análisis.
ABSTRACT
In this laboratory, the first-degree polynomial regression method, equivalent to linear regression, was used
to model experimental data and analyze the relationship between dependent and independent variables.
The objective was to fit a straight line to the data and evaluate the model's accuracy.
Microsoft Excel was used to perform the analysis using its built-in regression tools. Through this platform,
the coefficients of the linear model were obtained, along with the value of the coefficient of determination
(R²) to evaluate the degree of fit of the line to the data. The residuals were also analyzed to verify the
consistency of the model.
The results showed that the linear model managed to capture a significant part of the data variability, with
a satisfactory R² value. However, limitations of the linear model and possible improvements for future
iterations of the analysis were discussed.
INTRODUCCIÓN
En el campo de la estadística y el análisis de datos, la regresión es una herramienta fundamental para
modelar la relación entre una variable dependiente y una o más variables independientes. Mientras que
la regresión lineal supone una relación directa y proporcional entre estas variables, en muchos fenómenos
reales esta relación no es lineal, lo que exige técnicas más avanzadas. La regresión no lineal surge como
una solución para modelar relaciones complejas donde la dependencia entre las variables no puede ser
representada adecuadamente mediante una línea recta.
En este informe de laboratorio, se explorarán métodos de regresión no lineal para ajustar modelos a datos
experimentales que presentan patrones de comportamiento curvilíneos o más intrincados. A través de la
utilización de técnicas específicas, formulas obtenidas y herramientas computacionales, se evaluará la
eficacia de distintos modelos no lineales para representar los datos observados y predecir
comportamientos futuros.
Se discutirán los conceptos teóricos clave, las metodologías empleadas en el análisis de datos y
se presentarán los resultados obtenidos junto con una interpretación detallada de los mismos.
MARCO TEÓRICO
En infinidad de contextos las relaciones entre las variables pueden asumirse en gran medida dentro
del marco de la linealidad, sin embargo, se presentan situaciones en las que no es posible seguir
un modelo netamente lineal entre un conjunto de indeterminaciones. Por tal motivo, es necesario
acudir a otros métodos que representen de forma acertada las anteriores relaciones, por ejemplo; el
modelo de relación no lineal.
El modelo de relación no lineal, se define como un método que consiste en encontrar el parentesco
entre la variable dependiente y un conjunto de variables independientes mediante un patrón no
lineal (SPSS Statistics Subscription - Classic, 2023.). Desde una percepción estadística, enfatizar
en relaciones no lineales es esencial para adquirir un conocimiento más preciso en la obtención de
datos y así mismo entender la complejidad de los fenómenos del mundo real (el comportamiento
climático, el comportamiento de los índices de la bolsa de valores, entre otros.) que en muy pocas
oportunidades se rigen por asociaciones lineales.
Algunas consideraciones claves frente a este tema, son los patrones no lineales debido a que a
comparación de las relaciones lineales donde la transformación de una variable corresponde a un
cambio constante en otra variable, para el caso de estas secuencias se exponen tasas de cambio
variables que pueden capturar distintas formas, como caída exponencial o crecimiento, curvas
logarítmicas, funciones cuadráticas o aspectos más complejos.
Al determinar el comportamiento de una variable Y, cuando se presenta un cambio en la
variable X, es posible hallar una gran variedad de relaciones posibles entre dos, pero aún así es
recomendable describir estas relaciones de manera lineal empleando cambios necesarios de
escala. Es por tal motivo que se requiere acudir a los métodos de linealización debido a que
cuando se intenta obtener relaciones entre variables medibles es mejor representar los datos en
diferentes escalas de tal modo que se puedan visibilizar como una línea recta.
El método de mínimos cuadrados es el más común y se utiliza para estimar los coeficientes de
las ecuaciones de regresión lineal que señalan la relación entre una o más variables
independientes cuantitativas y una variable dependiente con el fin de minimizar el error de
predicción entre los valores observados y estimados. (Molina, 2024)
Es importante abordar algunos conceptos claves que fueron de gran importancia al momento de
realizar este laboratorio, principalmente porque nos permitieron tener un conocimiento más
amplio de la temática a trabajar y cometer el mínimo de errores posibles tanto en la realización
de la práctica como en la entrega del informe correspondiente.
La geometría es una rama de las matemáticas que se fundamenta en el estudio de las propiedades de
las líneas, ángulos, formas, planos y las distancias y relaciones entre estos. Algunos ejemplos
serían: el cálculo de los ángulos de un triángulo, la longitud de una curva o la superficie de una
esfera. (Serra, 2024).
La pendiente es un concepto matemático que suele ser definido como la inclinación de una recta
trazada en el plano cartesiano o como el ángulo de inclinación de una recta con respecto al eje de las
abscisas. Sin embargo, varios investigadores afirman que la pendiente tiene diferentes significados
y propiedades de acuerdo al enfoque matemático que se le de. (Páez et al., 2021).
MATERIALES Y MÉTODOS
Para esta práctica de laboratorio se trabajó con una cartulina circular con el fin de encontrar la
relación entre la longitud del segmento mayor (u) y la longitud del segmento menor (z), de las
cuerdas que pasen por un mismo punto P (diferente al centro del círculo) dentro de una
circunferencia. Los parámetros arrojados se deben interpretar por el método de mínimos
cuadrados para la pendiente y el punto de corte y a su vez se debe construir un modelo
matemático que relacione las variables.
En primera instancia se escogió una de las cartulinas circulares que se brindaban para la
práctica, se dibujó un punto P dentro del circulo (no tan cercano del centro), se trazaron varias
cuerdas que pasaban por ese punto, se midió la longitud del segmento mayor AP, la cual se
denotó con la variable (u) y a su vez se midió la longitud del segmento menor PB, que se expresó
con la variable (z).
Con base a las medidas obtenidas en el procedimiento anterior, se desarrolló en el programa
Microsoft Excel una gráfica de (u) contra (z), luego se construyó una tabla para hallar el
logaritmo natural de cada variable y se verificó que la tendencia de los puntos era lineal.
Posteriormente se utilizó el método de mínimos cuadrados para obtener los parámetros a y b
(punto de corte y punto pendiente), se graficó la tabla de los datos iniciales de (u y z) usando el
programa mencionado con anterioridad; con el fin de convalidar que realmente los puntos se
distribuían de manera lineal, además se estimó el valor del punto de corte, se midió la pendiente
de la recta y se registró su valor.
Para concluir, se anotó la ecuación que relaciona las variables (u, z) y se comparó con la
expresión teórica: 𝑢 (𝑧) = 𝑎 𝑧−1.
RESULTADOS
Primero, escribimos los valores obtenidos en la práctica
n u z
1 17,9 6,2
2 17,7 6,3
3 17,5 7
4 17,1 7,1
5 16,8 7,4
6 15,9 7,9
A continuación, sacamos el logaritmo natural de cada componente.
n ln(u) ln(z)
1 2,88 1,82
2 2,87 1,84
3 2,86 1,94
4 2,83 1,96
5 2,82 2
6 2.82 2
𝑦̅ = 2.83 𝑥̅ = 1.93
y = -0,0223x +
2,9147 REGRESIÓN LINEAL
R² = 0,893
LOGARITMOS
3
3
2,
5
1,
5
0,
0 1 2 3 4 5 6 7
ln(u ln(z Lineal
) ) (ln(u))
Fórmula de la pendiente:
Sabiendo que u representa y y z representa x
u z XiYi
17,9 6,2 110.98
17,7 6,3 111.51
17,5 7 122.5
17,1 7,1 121.41
16,8 7,4 124.32
15,9 7,9 125.61
Para sacar Xi2 = 6,22 + 6,32 + 72 + 7,12+ 7,42+ 7,92
Xi2 = 294.71
Aplicamos las fórmulas correspondientes:
B: 𝑛𝑥̅𝑦̅ − ∑ 𝑥𝑖𝑦𝑖
𝑛𝑥̅ − ∑ 𝑥2
𝑖
6 ⋅ 1.93 ⋅ 2.83 − 716.33
B:
6 ⋅ 1.932 − 294.71
𝐵 = 2.5
𝑥̅𝛴𝑥𝑖𝑦𝑖 − 𝑦̅𝛴𝑥2
𝐴= 𝑖
𝑛𝑥̅ − 𝛴𝑥𝑖2
1.93 ⋅ 716.33 − 2.83 ⋅ 294.71
A=
6 ⋅ 1.932 − 294.71
𝐴 = −2.01
Resultado final:
y = 2,5x -
2,01 GRÁFICO
1 R² = 1 FINAL
4
1
2
1
0
4
0 1 2 3 4 5 6 7
Fórmulas conceptuales del experimento:
𝑙𝑛 𝐴 = 𝐶
𝐴 = 𝑒𝐶
DISCUSIÓN DE RESULTADOS
• Podemos observar que tuvimos demasiados errores a la hora de hacer las
mediciones, por lo que volvimos a repetir el ejercicio y finalmente pudimos
calcular los valores correspondientes, dándonos al final una línea recta.
• Con la regresión lineal en Excel se pudo hallar la fórmula de la recta, y pudimos
hallar la pendiente, que era lo más importante
• Al final se presentó la ecuación, de nuestro laboratorio, que como pudimos
observar, esta fue: y=2,5x-2,01
CONCLUSIONES.
• A través de este experimento se pudo observar la variabilidad que hay en las gráficas
con respecto al laboratorio de relación lineal, podemos ver que un error de precisión,
puede hacer que los valores den muy pequeños (por debajo de 0.5), lo que termina
perjudicando el resultado.
• Pudimos hallar la relación entre la longitud del segmento mayor y la longitud del
segmento menor, de las cuerdas que pasen por un mismo punto P, dentro de una
circunferencia.
• Pudimos manipular una escala adecuada de representación de datos experimentales, de
manera que se verifique la transformación lineal.
• Un punto muy clave que se pudo observar, es que existen diversas maneras para hallar la
pendiente de una recta, escogiendo la más conveniente, y en este caso nos dio una
gráfica lineal.
• Aprendimos a manejar la herramienta Excel, que nos ayuda a hacer gráficas precisas de
pendiente de la recta y de regresión lineal, lo que es muy importante para nuestras
carreras, ya que debemos desarrollar un montón de gráficos, usando diversos métodos
estadísticos.
