Anlisis Numrico

PLANTEAMIENTO DEL PROBLEMA. Un modelo terico matemtico para la velocidad de un

paracaidista es (ecuacin 1.10):

V(t)

g*m
c

(1

e (-c/m)t )

Donde V = velocidad (m/s), g = constante gravitacional (9.8 m / s 2), m = masa del paracaidista
igual a 68.1 kg y c = coeficiente de arrastre de 12.5 kg/s. Este modelo predice la velocidad del
paracaidista en funcin del tiempo.
Un modelo emprico alternativo para la velocidad del paracaidista est dado por (ecuacin
17.3.1):

V(t)

g*m
c

t
3.75 + t

Suponga que usted quiere probar y comparar la veracidad de esos dos modelos
matemticos. Esto se podra hacer al medir la velocidad real del paracaidista con valores
conocidos de tiempo y al comparar estos resultados con las velocidades predichas de acuerdo con
cada modelo.
Tabla 17.2. Velocidades medidas y calculadas para la cada del paracaidista.
Tiempo
(seg)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

V medida
(m / s)
10.0
16.3
23.0
27.5
31.0
35.6
39.0
41.5
42.9
45.0
46.0
45.5
46.0
49.0
50.0

V calc modelo 1
(m / s)
8.953
16.405
22.607
27.769
32.065
35.641
38.617
41.095
43.156
44.872
46.301
47.49
48.479
49.303
49.988

V calc modelo 2
(m / s)
11.24
18.57
23.729
27.556
30.509
32.855
34.766
36.351
37.687
38.829
39.816
40.678
41.437
42.11
42.712

Solucin. La veracidad de los modelos se prueba al graficar la velocidad calculada por cada
modelo contra la velocidad medida. Se puede usar la regresin lineal para calcular la pendiente y
la interseccin con el eje y de la grfica.
La mejor recta de regresin tendr una pendiente de 1, una interseccin de 0 y r2 = 1. Y una
recta as es la que concuerda perfectamente con los datos.
Una desviacin significativa de estos valores sirve como una indicacin de lo inadecuado del
modelo.
Para el primer modelo tomamos los valores de la velocidad medida como los valores del eje X y
los valores de la velocidad calculada con el modelo 1 como los valores del eje Y. Utilizando
nuestro programa de regresin lineal nos da la siguiente recta de regresin:

Universidad del Cauca

Anlisis Numrico

Y = -0.858716 + 1.031591 X

o con 3 dgitos: Y = -0.859 + 1.032 X

Que se puede re-escribir:

Vmodelo = -0.859 + 1.032 Vmedida

(Recta de Regresin 1) Pendiente: 1.032

El programa arroja tambin los siguientes datos:

Error estndar de aproximacin (Sy/x) = 0.8634
Coeficiente de determinacin (r2) = 0.99578
Para el segundo modelo tomamos los valores de la velocidad medida como los valores del eje X y
los valores de la velocidad calculada con el modelo 2 como los valores del eje Y. Utilizando
nuestro programa de regresin lineal nos da la siguiente recta de regresin:
Y = 5.775860 + 0.751791 X

o con 3 dgitos: Y = 5.776 + 0.752 X

Que se puede re-escribir:

Vmodelo = 5.776 + 0.752 Vmedida

(Recta de Regresin 2)

Pendiente: 0.752

El programa arroja tambin los siguientes datos:

Error estndar de aproximacin (Sy/x) = 0.9667
Coeficiente de determinacin (r2) = 0.99009
Las rectas de regresin que hemos obtenido, presentan los siguientes valores:
V medida
(m / s)
10,0
16,3
23,0
27,5
31,0
35,6
39,0
41,5
42,9
45,0
46,0
45,5
46,0
49,0
50,0

recta regresion 1

recta regresion 2

9,461
15,9626
22,877
27,521
31,133
35,8802
39,389
41,969
43,4138
45,581
46,613
46,097
46,613
49,709
50,741

13,296
18,0336
23,072
26,456
29,088
32,5472
35,104
36,984
38,0368
39,616
40,368
39,992
40,368
42,624
43,376

Las grficas que se presentan a continuacin indican que la regresin lineal entre los datos y cada
uno de los modelos es altamente significativa. Ambos modelos ajustan los datos con un
coeficiente de correlacin ( r ) superior a 0.99.

Universidad del Cauca

Anlisis Numrico

60
50

40
V medida (X) / V calculada modelo 1

30

Recta de regresin 1

20

10
0
0,0

10,0

20,0

30,0

40,0

50,0

60,0

50
45
40
35
30
V medida (X) / V calculada modelo 2

25

Recta de Regresin 2

20
15
10
5
0
0,0

10,0

20,0

30,0

40,0

50,0

60,0

Sin embargo, el modelo descrito por la ecuacin 1.10 se ajusta mejor al criterio de prueba de
hiptesis que el descrito por la ecuacin 17.3.1, ya que la pendiente y la interseccin con el eje
y son ms cercanos a 1 y 0. As, aunque cada grfica queda bien descrita por una lnea recta, la
ecuacin 1.10 parece ser un mejor modelo que la ecuacin 17.3.1. Adems puede observarse
que el error estndar de aproximacin de la recta de regresin 1 es de 0.8634 mientras que el de
la segunda es de 0.9667 (claramente mayor).
Conclusin: Puede que haya ms de una regresin que ajuste los datos con un coeficiente de
correlacin muy alto, en ese caso, para evaluar cul es la mejor debemos observar cul de ellos
tiene un menor error estndar de aproximacin y que la recta que obtenemos tenga una
pendiente cercana a 1 y la interseccin en y cercana a cero.
-----------------------------------FIN DEL DOCUMENTO

Universidad del Cauca