CENTRO DE CIENCIA BÁSICA

CURSO: MÉTODOS EXPERIMENTALES EN FÍSICA

PRÁCTICA DE LABORATORIO-LEY DE MALUS

TRANSFORMACIÓN, AJUSTE DE DATOS Y ANÁLISIS DE RESIDUOS

Objetivo: Evaluar, mediante un experimento sobre polarización de la luz, la comprensión de conceptos y

procedimientos en el manejo de datos experimentales, en particular, la transformación de datos, regresión
lineal y el análisis de residuos. así como el uso de herramientas de la tecnología de comunicación e información
(TIC).

Descripción: En este experimento se estudia la Ley de Malus. Luz no polarizada incide sobre un polarizador
lineal (Fig. 1). El eje de este polarizador está orientado verticalmente de tal manera que la luz transmitida
queda polarizada en la misma dirección. Luego se coloca un segundo polarizador, denominado analizador,
cuyo eje de transmisión hace un ángulo  con respecto al eje del primer polarizador. La intensidad de luz a
la salida de todo el sistema depende del ángulo que hacen los dos polarizadores. Mediante un medidor de
potencia radiante se toman datos de la potencia promedio de la luz a la salida como función del ángulo  .

Fig. 1. Sistema de dos polarizadores lineales. La intensidad a la salida depende del ángulo entre los dos polarizadores.
Tomado para efectos didácticos de Serway R. A., Jewett J. W., Jr., Física para ciencias e ingeniería, Vol. II, Séptima edición,
Cengage Learning, México, 2008.

Revisemos algunos conceptos. En muchos experimentos se tiene un conocimiento previo de cómo se

relacionan las variables implicadas. Por ejemplo, en un experimento sobre ley de Ohm, se puede tener una
idea de que la corriente i que circula en el circuito se relaciona con el voltaje V que se aplica a la resistencia
R mediante la ecuación i  1 R V . Esta expresión tiene la forma de la ecuación de una línea recta
y  mx  b , donde la corriente hace las veces de y , el voltaje de x , la pendiente es m  1 R , y el
intercepto b es cero. Por tanto, se espera que los datos de i vs. V sigan un comportamiento lineal. Ya hemos
aprendido a ajustar datos que estamos seguros que siguen un comportamiento lineal. Sin embargo, podemos
encontrarnos con una situación en la que esto no sea así. Muchas veces, al graficar los datos, podemos tener
la impresión que siguen un comportamiento lineal y si no conocemos la teoría que los relaciona podríamos
llegar a una conclusión equivocada.

Un criterio que suele usarse para confirmar que un conjunto de datos sigue un comportamiento lineal es el
del coeficiente de correlación. No entraremos en detalle acerca de la expresión matemática que lo define,
solamente recordaremos que un coeficiente de correlación con una magnitud cercana a 1 indica que los datos
tienen un alto grado de correlación. Sin embargo, esto no necesariamente confirma que la relación entre los
datos es realmente lineal. Un criterio más seguro para saber si la ecuación de una línea recta es realmente
apropiada para ajustar un conjunto de datos se obtiene haciendo una gráfica de residuos. Esta gráfica es otro
indicador, complementario al coeficiente de correlación, que permite identificar si se ha hecho un ajuste
correcto de los datos.

Los residuos o desviaciones son las diferencias entre cada valor experimental yi y el respectivo valor yˆ i
obtenido a partir de la línea que ajusta los datos, esto es, yi  yi  yˆi (Fig. 2).

y5
y4

y3
y1
y1 y2
ŷ1

x1
x
Fig. 2. Los puntos claros son las representaciones de datos experimentales que posiblemente siguen un comportamiento
lineal. Se traza una línea recta que los ajusta y los puntos oscuros son los respectivos valores predichos por la ecuación de
la línea de ajuste.

Si la suposición de que los datos siguen un comportamiento lineal es correcta, la idea es que al graficar los
residuos no se debería observar un patrón regular en la distribución de residuos. Por el contrario, si se observa
un patrón regular, entonces algo pasa con el ajuste que debe revisarse. Podría estar sucediendo lo siguiente:

1) Se escogió una ecuación que no es válida para ajustar los datos.

2) Existe uno o varios puntos atípicos en el conjunto de datos que tienen una gran influencia en los resultados
del ajuste.

3) Las incertidumbres en los valores medidos no son constantes y por lo tanto se debería usar el método de
los mínimos cuadrados ponderados para mejorar el ajuste.
Vamos a analizar las cosas con un ejemplo, el famoso sistema masa-resorte, ejemplo tomado de Les Kirkup,
Data Analysis for Physical Scientists Featuring Excel Primera Edición, Cambridge University Press, Cambridge,
2012. La Tabla 1 muestra datos del período de oscilación para un sistema masa-resorte como función de la
masa unida al resorte. Asumamos que los datos están relacionados en forma lineal. Esto no es correcto,
sabemos que realmente el período T de oscilación de la masa está relacionado con la constante elástica k
del resorte y con la masa oscilante m , mediante la expresión,

T  2 m k (1)

Al ajustar una línea recta al conjunto de datos de la Tabla 1, se obtiene el resultado mostrado en la Fig. 3.
Nótese que si no se tuviera conocimiento de la Ec. (1), fácilmente se tendería a pensar que el ajuste es
correcto.

Tabla 1. Período vs. masa en un sistema masa resorte.

m(kg) 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0

T(s) 0.39 0.62 0.72 0.87 0.92 1.07 1.13 1.16 1.23 1.32

Período vs. masa para un sistema

masa-resorte
1,5 y = 0,4779x + 0,4173
Período (s)

1,2
0,9
0,6 R² = 0,9559
0,3
0
0 0,5 1 1,5 2
Masa (kg)

Fig. 3. Ajuste de una línea recta a los datos de la Tabla 1. La gráfica incluye la ecuación de la línea de ajuste y el cuadrado
del coeficiente de correlación R .

La gráfica de residuos se muestra en la Fig. 4 y en esta se alcanza a notar un patrón más o menos regular de puntos, por
tanto, la suposición de dependencia lineal es dudosa.
 0,2

0,1

Residuos (s)
0
0 0,5 1 1,5 2
-0,1

-0,2
Masa (kg)

Fig. 4. Gráfica de residuos para el ajuste hecho a los datos de la Tabla 1 que se muestra en la Fig. 3.

Grafiquemos ahora los datos de período vs. raíz cuadrada de la masa. En la Tabla 2 se muestran los mismos valores de
período pero ahora a los valores de masa se les ha extraído la raíz cuadrada.

Tabla 2. Período vs. raíz cuadrada de la masa en un sistema masa resorte.

m  kg1 2  0.447 0.632 0.775 0.894 1.0 1.10 1.18 1.27 1.34 1.41

T(s) 0.39 0.62 0.72 0.87 0.92 1.07 1.13 1.16 1.23 1.32

El resultado del ajuste de los datos de la Tabla 2 se muestra en la Fig. 5.

T vs. m^0.5 en el sistema masa-resorte

1,5
y = 0,9302x + 0,0083
Período (s)

1
R² = 0,9916
0,5

0
0 0,25 0,5 0,75 1 1,25 1,5
Raíz cuadrada de la masa (kg^0.5)

Fig. 5. Ajuste de una línea recta a los datos de la Tabla 2. La gráfica incluye la ecuación de la línea de ajuste y el cuadrado
del coeficiente de correlación R .
La gráfica de residuos se muestra en la Fig. 6 donde se observa un patrón bastante irregular de puntos. Este resultado
confirma que existe una relación lineal entre el período del sistema masa-resorte y la raíz cuadrada de la masa.

0,06

0,04
Residuos (s)

0,02

0
0 0,25 0,5 0,75 1 1,25 1,5
-0,02

-0,04
Raíz cuadrada de la masa (kg^0.5)

Fig. 6. Gráfica de residuos para el ajuste hecho a los datos de la Tabla 2 que se muestra en la Fig. 6.

Por último, nótese que en ambos ajustes se obtiene un coeficiente de correlación cercano a 1, por tanto, se debe tener
cuidado en afirmar que cuando se tiene un coeficiente de correlación cercano a 1 los datos efectivamente siguen un
comportamiento lineal. Como vemos, en el primer ajuste se obtuvo un coeficiente cercano a 1 pero el ajuste no es
correcto. Este coeficiente nos dice que los datos se correlacionan entre sí, pero no necesariamente que siguen un
comportamiento lineal.

Procedimiento.

1) Acondicione un sistema de polarizadores como en la Fig. 1. Si hacemos incidir luz de un láser no polarizado
sobre el polarizador de entrada, podemos tener una idea de la intensidad de luz a la salida del sistema si
usamos un detector de potencia lumínica. Si no tenemos uno disponible se puede usar una fotoresistencia y
medir el voltaje sobre una resistencia colocada en serie con la fotoresistencia y una batería. Cuando la luz a la
salida del sistema de polarizadores incide sobre la fotorresistencia, el voltaje sobre la resistencia será un
indicativo de la cantidad de intensidad de luz que sale del sistema.

Mida la intensidad de la luz a la salida del sistema, o en su defecto, el voltaje en la resistencia del circuito si
usa una fotorresistencia, para ángulos  entre los ejes de los polarizadores que varíen entre 0° y 90°. Inicie en
0° y vaya aumentando el ángulo de 5° en 5° hasta llegar a 90°.

Trace la recta que más se ajuste a los datos de intensidad o voltaje como función del ángulo entre
polarizadores. Incluya en el gráfico la ecuación de la línea de ajuste y el coeficiente de correlación.

2) A partir de los datos experimentales y la ecuación de la línea de ajuste, construya una gráfica de residuos.
¿En la gráfica de residuos se observa que los puntos siguen algún patrón? De acuerdo con lo estudiado, ¿los
datos de intensidad o voltaje vs. ángulo siguen un comportamiento lineal? ¿Es apropiado ajustar la ecuación
de una línea recta a los datos?

3) Transforme los datos de intensidad (o voltaje) vs.  a datos de intensidad (o voltaje) vs. cos2   y
grafíquelos. Trace la recta que más se ajuste a los datos de intensidad o voltaje como función del coseno
cuadrado del ángulo e incluya en el gráfico la ecuación de la línea de ajuste y el coeficiente de correlación.

4) A partir de los datos experimentales y la ecuación de la línea de ajuste, construya una gráfica de residuos.

¿En la gráfica de residuos se observa que los puntos siguen algún patrón? De acuerdo con lo estudiado, ¿los
datos de intensidad o voltaje vs. coseno cuadrado del ángulo siguen un comportamiento lineal? ¿Es apropiado
ajustar la ecuación de una línea recta a los datos?

Fueron los coeficientes de correlación para los ajustes en los numerales 1 y 3 cercanos a 1? ¿Cree que un
coeficiente de correlación cercano a 1 es determinante para decidir si un conjunto de datos sigue un
comportamiento lineal? Explique.

Discuta brevemente una aplicación que conozca, consulte o idee, relacionada con la polarización de la luz en
el campo de la ingeniería que usted estudia.

Referencias

Les Kirkup, Data Analysis for Physical Scientists Featuring Excel Primera Edición, Cambridge University Press,
Cambridge, 2012.

Física re-Creativa: Experimentos de Física usando nuevas tecnologías - S. Gil y E. Rodríguez – Ed. Prentice Hall-
Buenos Aires, 2001.

Evaluation of Measurement data-Guide to the Expression of Uncertainty in Measurement, GUM, Documento

producido por Working Group 1 of the Joint Committee for Guides in Metrology, JCGM 2008, en
www.bipm.org, (12/01/2016).

Baird, D. C., Experimentación: Una Introducción a la teoría de Mediciones y al Diseño de Experimentos.

Segunda Edición, Prentice Hall Hispanoamérica S. A., 1991.

Serway R. A., Jewett J. W., Jr., Física para ciencias e ingeniería, Vol. I y II, Séptima edición, Cengage Learning,
México, 2008.

Errores en las medidas, recuperado de http://ocw.unican.es/ensenanzas-tecnicas/mecanica/practicas-

1/Errores%20en%20la%20medidas.pdf, (12/01/2016).

Criterios de calificación.

Todos los puntos tiene el mismo valor.

Es necesaria una clara y ordenada presentación de los datos y procedimientos realizados.

Guía preparada para efectos docentes por el Prof. Ángel Salazar Martínez, Centro de Ciencia
Básica, Universidad Pontificia Bolivariana, Medellín-Colombia.