FACULTAD DE INGENIERÍA Y CIENCIAS

BÁSICAS

PROYECTO GRUPAL Institución Universitaria Politécnico Grancolombiano

FISICA I
TRABAJO COLABORATIVO
MOVIENTO DE UN PROYECTIL

INSTRUCTOR:
Leonardo Guerrero

INTEGRANTES:
Olarte Silva Luisa Fernanda
Moreno Martin Lina Paola
Moya Gómez Liliana Andrea
Vargas Ospina Oscar Mauricio

INSTITUCIÓN UNIVERSITARIA POLITÉCNICO GRAN COLOMBIANO

FACULTAD DE INGENIERÍA
INGENIERIA INDUSTRIAL
2018
 FACULTAD DE INGENIERÍA Y CIENCIAS
BÁSICAS

PROYECTO GRUPAL Institución Universitaria Politécnico Grancolombiano

INTRODUCCION

LANZAMIENTO DE PROYECTILES
Entender el movimiento de proyectiles ha sido una necesidad del ser humano
desde la prehistoria hasta nuestros tiempos. El primero que dio a conocer la
explicación correcta fue Galileo Galilei quien trato este movimiento en dos
dimensiones como la combinación de dos movimientos independientes en una
dimensión: un movimiento con velocidad constante (MUR) en la horizontal y una
caída libre (MUA) en la vertical.
 FACULTAD DE INGENIERÍA Y CIENCIAS
BÁSICAS

PROYECTO GRUPAL Institución Universitaria Politécnico Grancolombiano

MARCO TEORICO 1
El movimiento de un proyectil es el ejemplo del movimiento en dos dimensiones
con aceleración constante. Un proyectil es cualquier cuerpo que se lanza o se
proyecta por medio de una fuerza y continua en movimiento por propia inercia, al
ser lanzado la única fuerza que actúa es la aceleración de la gravedad. La
gravedad actúa para influenciar el movimiento vertical del proyectil, el cual es el
resultado de la tendencia de cualquier objeto a permanecer en movimiento a
velocidad constante. La ciencia encargada de estudiar el movimiento de los
proyectiles se llama balística.
En el pasado el hombre conocía las trayectorias parabólicas, aunque nos las
denominaba así, Galileo fue el primero que dio una descripción moderna y
cualitativa del movimiento de proyectiles dando las bases para su conocimiento y
demostró que la parábola de cualquier proyectil es una parábola. Galileo realizo un
experimento con dos objetos: impulso uno horizontalmente desde una mesa y dejo
caer otro cuerpo desde el borde verticalmente. Al dejar caer un objeto A
verticalmente = 0 y lanzando horizontalmente en el mismo instante el objeto B
con una velocidad horizontal ( ), galileo comprobó que ambos caen al mismo
tiempo; es decir tardan lo mismo en llegar al suelo. El objeto A, en Caída libre
tiene solamente la velocidad vertical en un instante t y posee una aceleración que
es la de gravedad, luego está dotado de un movimiento uniformemente acelerado.
El objeto B está animado en ese instante t de dos movimientos y como
consecuencia de dos velocidades perpendiculares: la velocidad vertical de caída y
la velocidad horizontal debido al impulso de lanzamiento. Como los objetos A y B
tardan lo mismo en caer, Galileo concluyó que la velocidad horizontal debido al
movimiento uniforme, ya que el cuerpo no posee aceleración, no influye en el
movimiento de caída del cuerpo B, o sea, que las velocidades y actúan
simultáneamente sobre B, pero en forma independiente la una de otra. Quiere
decir que el cuerpo B se mueve como consecuencia de la acción de dos
movimientos: uno uniformemente acelerado (vertical), con una aceleración igual a
la de gravedad ( ) y otro uniforme (horizontal), con aceleración igual a cero.
 FACULTAD DE INGENIERÍA Y CIENCIAS
BÁSICAS

PROYECTO GRUPAL Institución Universitaria Politécnico Grancolombiano

TRABAJO COLABORATIVO
EXPERIMENTO
Se realizaron los 15 disparos con altura del cañón desde 1 metro hasta 15 con los
siguientes datos:
Rapidez: 30 m/s
Angulo de Disparo: 40º
Masa: 25.18 Kg
Diámetro: 0.75 m

91,53 92,67 93,79 94,89 95,96 97,01 98,04 99,05

X (m) m m m m m m m m
Y (m) 1m 2m 3m 4m 5m 6m 7m 8m
TABLA

100,04 101,01 101,97 102,91 103,83 104,74 105,64

X (m) m m m m m m m
 FACULTAD DE INGENIERÍA Y CIENCIAS
BÁSICAS

PROYECTO GRUPAL Institución Universitaria Politécnico Grancolombiano

Y (m) 9m 10 m 11 m 12 m 13 m 14 m 15 m

TIPOS DE AJUSTE

1. AJUSTE LINEAL

La regresión lineal o ajuste lineal es un modelo matemático usado para aproximar

la relación de dependencia entre una variable dependiente Y, las variables
independientes Xi y un término aleatorio. Regresión lineal. Permite determinar el
grado de dependencia de las series de valores X e Y, prediciendo el valor y
estimado que se obtendría para un valor x que no esté en la distribución.

Tipos de modelos de regresión lineal

Existen diferentes tipos de regresión lineal que se clasifican de acuerdo con sus
parámetros:

 Regresión lineal simple

La regresión lineal simple se basa en estudiar los cambios en una variable, no

aleatoria, afectan a una variable aleatoria, en el caso de existir una relación
funcional entre ambas variables que puede ser establecida por una expresión
lineal, es decir, su representación gráfica es una línea recta. Es decir, se está en
presencia de una regresión lineal simple cuando una variable independiente ejerce
influencia sobre otra variable dependiente.

Ejemplo: Y = f(x)

 Regresión lineal múltiple

La regresión lineal permite trabajar con una variable a nivel de intervalo o razón,
así también se puede comprender la relación de dos o más variables y permitirá
relacionar mediante ecuaciones, una variable en relación a otras variables
llamándose Regresión múltiple. O sea, la regresión lineal múltiple es cuando dos o
más variables independientes influyen sobre una variable dependiente.

Ejemplo: Y = f(x, w, z).

Fuente: * Artículo Regresión lineal. Disponible en la Web "sc.ehu.es". * Artículo

Aula fácil. Disponible en la Web "aulafacil.com".

 Ajuste lineal (auxiliar)

 FACULTAD DE INGENIERÍA Y CIENCIAS
BÁSICAS

PROYECTO GRUPAL Institución Universitaria Politécnico Grancolombiano

y=A+b x
En primer lugar, a partir de las observaciones de P y V suministradas, obtenemos
los valores de las dos nuevas magnitudes y = ln(P) y x= ln(V). Una forma de
organizar los cálculos consiste en crear dos nuevas columnas para x e y, haciendo
uso de la función ln de nuestra hoja de cálculo, tal y como aparece en la Figura 1.
Realizaremos todos los cálculos asociados al ajuste lineal planteado y=A+bx en la
hoja de cálculo. Para ello, iremos añadiendo las columnas necesarias para ir
almacenando los cálculos intermedios necesarios (x^2,y^2ey*x) para obtener la
recta de m.c. de y|x ,y=A+bx. De la Figura 1, se concluye que y= 0.0119−1.383x.El
signo de la pendiente de la recta ajustada evidencia la correlación negativa entre x
E y , confirmada además por el valor r≈−0.9994 (ver Figura 2). Por su parte, el
grado del ajuste lineal a los datos de x e y (no son los datos experimentales
originales) es establecido por r2≈0.99885, interpretándose que el 99.885 % de la
variabilidad de y es explicada por x a través del modelo lineal ajustado. En
definitiva, el ajuste lineal realizado puede calificarse de difícilmente mejorable, tal y
como lo podemos corroborar en la Figura 2.

2. AJUSTE POTENCIAL P=aVb

A partir del ajuste lineal anterior, los parámetros de la función potencial son
obtenidos sabiendo que a= exp(A). De esta forma, la función potencial ajustada en
la Figura 1 viene dada por:
P= 1.01197V−1.383
Aunque en el caso de un modelo lineal disponemos de una gran versatilidad a la
hora de medir la bondad de ajuste, el caso potencial es algo más limitado. En
concreto, la forma de medir la bondad de ajuste del modelo potencial, que era
nuestro objetivo, viene establecida por su error típico asociado
Para obtener el error típico del modelo potencial, ǫ(potencial), necesitamos
obtener los valores estimados de la presión, en base a dicho modelo, para cada
valor del volumen, es decir, los valores Pi=a Vbi, para cada i. estos valores
aparecen calculados en la columna Predi(P) de la Figura 1.

Para realizar el ajuste potencial se puede aplicar el logaritmo a base 10, con base
en esto se obtuvieron los siguientes datos en excel:

X Y X'= log X Y'= log Y X' Y' X' ^2

91,53 1 1,961563462 0 0 3,847731217
92,67 2 1,966939163 0,301029996 0,592107688 3,868849671
93,79 3 1,972156536 0,477121255 0,940957801 3,889401402
94,89 4 1,977220447 0,602059991 1,190405325 3,909400695
95,96 5 1,982090239 0,698970004 1,385421623 3,928681717
 FACULTAD DE INGENIERÍA Y CIENCIAS
BÁSICAS

PROYECTO GRUPAL Institución Universitaria Politécnico Grancolombiano

97,01 6 1,986816505 0,77815125 1,546043747 3,947439823

98,04 7 1,991403303 0,84509804 1,682931028 3,965687114
99,05 8 1,99585448 0,903089987 1,802436196 3,983435105
100,04 9 2,000173683 0,954242509 1,908650755 4,000694762
101,01 10 2,004364371 1 2,004364371 4,017476532
101,97 11 2,008472419 1,041392685 2,091608486 4,033961459
102,91 12 2,012457578 1,079181246 2,171806477 4,049985504
103,83 13 2,016322854 1,113943352 2,246069439 4,065557852
104,74 14 2,02011257 1,146128036 2,315307651 4,080854794
105,64 15 2,023828393 1,176091259 2,380206882 4,095881362
1483,08 120 29,919776 12,11649961 24,25831747 59,68503901

3. AJUSTE EXPONENCIAL

Es el proceso de encontrar la ecuación de la función exponencial que se ajuste

mejor a un conjunto de datos.
Su ecuación es:

𝑦 = 𝑎 ∙ 𝑏𝑥

Una línea de tendencia exponencial es una línea curva.

La regresión exponencial aunque no es lineal es linealizable tomando logaritmos

ya que haciendo el cambio de variable
v = log y tendremos que la función anterior nos generaría:

𝑣 = log 𝑦 = log(𝑎 ∙ 𝑏𝑥) = log 𝑎 + 𝑥 log 𝑏

Para realizar este ajuste en la tabla de los 15 datos se necesita aplicar logaritmo
natural a la variable y. Para realizarlo en excel se necesita la función Ln y
Potencia, los datos obtenidos fueron:

X Y Y'=InY XY' X^2

91,53 1 0 0 8377,7409
92,67 2 0,693147181 64,23394922 8587,7289
93,79 3 1,098612289 103,0388466 8796,5641
94,89 4 1,386294361 131,5454719 9004,1121
95,96 5 1,609437912 154,4416621 9208,3216
97,01 6 1,791759469 173,8185861 9410,9401
 FACULTAD DE INGENIERÍA Y CIENCIAS
BÁSICAS

PROYECTO GRUPAL Institución Universitaria Politécnico Grancolombiano

98,04 7 1,945910149 190,777031 9611,8416

99,05 8 2,079441542 205,9686847 9810,9025
100,04 9 2,197224577 219,8103467 10008,0016
101,01 10 2,302585093 232,5841202 10203,0201
101,97 11 2,397895273 244,513381 10397,8809
102,91 12 2,48490665 255,7217433 10590,4681
103,83 13 2,564949357 266,3186918 10780,6689
104,74 14 2,63905733 276,4148647 10970,4676
105,64 15 2,708050201 286,0784232 11159,8096
1483,08 120 27,89927138 2805,265803 146918,4686

4. AJUSTE POLINOMICO

Es una forma de regresión lineal en la que la relación entre la variable

independiente x, y la variable dependiente y es modelada como un polinomio de
grado n en x.
La regresión polinómica se ajusta a una regresión no lineal entre el valor de x y la
correspondiente media condicional de y.

X Y X^2 X^3 X^4 X^2Y

91,53 1 8377,7409 766814,6246 70186542,59 8377,7409
92,67 2 8587,7289 795824,8372 73749087,66 17175,4578
93,79 3 8796,5641 825029,7469 77379539,97 26389,6923
94,89 4 9004,1121 854400,1972 81074034,71 36016,4484
95,96 5 9208,3216 883630,5407 84793186,69 46041,608
97,01 6 9410,9401 912955,2991 88565793,57 56465,6406
98,04 7 9611,8416 942344,9505 92387498,94 67282,8912
99,05 8 9810,9025 971769,8926 96253807,86 78487,22
100,04 9 10008,0016 1001200,48 100160096 90072,0144
101,01 10 10203,0201 1030607,06 104101619,2 102030,201
101,97 11 10397,8809 1060271,915 108115927,2 114376,6899
102,91 12 10590,4681 1089865,072 112158014,6 127085,6172
103,83 13 10780,6689 1119356,852 116222821,9 140148,6957
104,74 14 10970,4676 1149046,776 120351159,4 153586,5464
105,64 15 11159,8096 1178922,286 124541350,3 167397,144
1483,08 120 146918,4686 14582040,53 1450040481 1230933,608
 FACULTAD DE INGENIERÍA Y CIENCIAS
BÁSICAS

PROYECTO GRUPAL Institución Universitaria Politécnico Grancolombiano

Coeficiente de Pearson
La covariación es el grado de concordancia de las posiciones relativas de los
datos de dos variables. En consecuencia, el coeficiente de correlación de Pearson
opera con puntuaciones tipificadas (que miden posiciones relativas) y se define:

El fundamento del coeficiente de Pearson es el siguiente: Cuanto más intensa sea

la concordancia (en sentido directo o inverso) de las posiciones relativas de los
datos en las dos variables, el producto del numerador toma mayor valor (en
sentido absoluto). Si la concordancia es exacta, el numerador es igual a N (o a -
N), y el índice toma un valor igual a 1 (o -1).
Ejemplo 1 (Máxima covariación positiva)

Observa que los datos tipificados (expresados como puntuaciones z) en las dos
columnas de la derecha tienen los mismos valores en ambas variables, dado que
las posiciones relativas son las mismas en las variables X e Y.
Si obtenemos los productos de los valores tipificados para cada caso, el resultado
es:

El cociente de dividir la suma de productos (5) por N (hay que tener en cuenta que
N es el número de casos, NO el número de datos) es igual a 1:
 FACULTAD DE INGENIERÍA Y CIENCIAS
BÁSICAS

PROYECTO GRUPAL Institución Universitaria Politécnico Grancolombiano

Figura 1

Figura 2
 FACULTAD DE INGENIERÍA Y CIENCIAS
BÁSICAS

PROYECTO GRUPAL Institución Universitaria Politécnico Grancolombiano

Para ser aplicado este coeficiente de correlación de Pearson en la tabla de 15

datos se deben multiplicar y elevar al cuadrado las variables.
Los datos obtenidos fueron los siguientes.

X Y X*Y X^2 Y^2

91,53 1 91,53 8377,7409 1
92,67 2 185,34 8587,7289 4
93,79 3 281,37 8796,5641 9
94,89 4 379,56 9004,1121 16
95,96 5 479,8 9208,3216 25
97,01 6 582,06 9410,9401 36
98,04 7 686,28 9611,8416 49
99,05 8 792,4 9810,9025 64
100,04 9 900,36 10008,0016 81
101,01 10 1010,1 10203,0201 100
101,97 11 1121,67 10397,8809 121
102,91 12 1234,92 10590,4681 144
103,83 13 1349,79 10780,6689 169
104,74 14 1466,36 10970,4676 196
105,64 15 1584,6 11159,8096 225
1483,08 120 12146,14 146918,4686 1240

Con los datos anteriores y también utilizando la formula COEF.DE.CORREL se

puede concluir que el coeficiente de correlación de Pearson de los 15
lanzamientos es de: 0,99933848.

Lo que nos indica que tiene una correlación fuerte o positiva ya que se acerca a 1.

A continuación el diagrama de dispersión:

FACULTAD DE INGENIERÍA Y CIENCIAS
BÁSICAS

PROYECTO GRUPAL Institución Universitaria Politécnico Grancolombiano

Coeficiente de Correlación
16
14
12
10
8 Series1

6 Linear (Series1)

4 y = 0.0827x
R² = 0.1577
2
0
90 95 100 105 110