Vous êtes sur la page 1sur 23

Ejemplos

Ejercicios
Miscelneas
Teora de errores -
Evaluacin Incertezas de medicin

Errores de medicin. Precisin y exactitud. Cifras significativas. Errores


absolutos y relativos. Histogramas. Errores sistemticos y accidentales.
Propagacin de erro-res. Eleccin de instrumentos de medicin.

1 1 Introduccin

Una magnitud fsica es un atributo de un cuerpo, un fenmeno o una sustancia,


que puede determinarse cuantitativamente, es decir, es un atributo susceptible de ser
medido. Ejemplos de magnitudes son la longitud, la masa, la potencia, la velocidad, etc.
A la magnitud de un objeto especfico que estamos interesado en medir, la llamamos
mesurando. Por ejemplo, si estamos interesado en medir la longitud de una barra, esa
longitud especfica ser el mesurando

Para establecer el valor de un mesurando tenemos que usar instrumentos de medi-cin y


un mtodo de medicin. Asimismo es necesario definir unidades de medicin. Por ejemplo, si
deseamos medir el largo de una mesa, el instrumento de medicin ser una regla. Si hemos
elegido el Sistema Internacional de Unidades (SI), la unidad ser el metro y la regla a usar
deber estar calibrada en esa unidad (o submltiplos). El mtodo de medicin consisti-r en
determinar cuantas veces la regla y fracciones de ella entran en la longitud buscada.

En ciencias e ingeniera, el concepto de error tiene un significado diferente del uso


habitual de este trmino. Coloquialmente, es usual el empleo del trmino error como
anlogo o equiva-lente a equivocacin. En ciencia e ingeniera, el error, como veremos
en lo que sigue, est ms bien asociado al concepto de incerteza en la determinacin del
resultado de una medicin. Ms precisamente, lo que procuramos en toda medicin es
conocer las cotas (o lmites pro-babilsticos) de estas incertezas. Grficamente,
buscamos establecer un intervalo x x x x x como el de la Figura 1.1, donde con
cierta probabilidad, podamos decir que se encuentra el mejor valor de la magnitud x.
Este mejor valor x es el ms representati-vo de nuestra medicin y al semiancho x lo
denominamo la incerteza o error absoluto de la medicin.

Fsica re-Creativa S. Gil y E. Rodrguez 1


x
x x x x x
Figura 1.1. Intervalo asociado al resultado de una medicin. Notamos
que, en lugar de dar un nico nmero, definimos un intervalo. Al valor
representativo del centro del intervalo ( x ) lo llamamos el mejor valor de
Ella semiancho del intervalomagnitud( x ) se denominaenla incer-
cuestin. tidumbre o error absoluto de la medicin.

En todo proceso de medicin existen limitaciones dadas por los instrumentos usados, el
mtodo de medicin, el observador (u observadores) que realizan la medicin. Asimismo, el
mismo proceso de medicin introduce errores o incertezas. Por ejemplo, cuando usamos un
termmetro para medir una temperatura, parte del calor del objeto fluye al termmetro (o
viceversa), de modo que el resultado de la medicin es un valor modificado del original
debi-do a la inevitable interaccin que debimos realizar. Es claro que esta interaccin podr
o no ser significativa: Si estamos midiendo la temperatura de un metro cbico de agua, la
cantidad de calor transferida al termmetro puede no ser significativa, pero si lo ser si el
volumen en cuestin es de una pequea fraccin del mililitro.

Tanto los instrumentos que usamos para medir como las magnitudes mismas son
fuente de incertezas al momento de medir. Los instrumentos tienen una precisin finita,
por lo que, para un dado instrumento, siempre existe una variacin mnima de la
magnitud que puede detectar. Esta mnima cantidad se denomina la apreciacin
nominal del instrumento. Por ejemplo, con una regla graduada en milmetros, no
podemos detectar variaciones menores que una fraccin del milmetro.

A su vez, las magnitudes a medir no estn definidas con infinita precisin. Imaginemos
que queremos medir el largo de una mesa. Es posible que al usar instrumentos cada vez ms
preci-sos empecemos a notar las irregularidades tpicas del corte de los bordes o, al ir aun
ms all, finalmente detectemos la naturaleza atmica o molecular del material que la
constituye. Es claro que en ese punto la longitud dejar de estar bien definida. En la
prctica, es posible que mucho antes de estos casos lmites, la falta de paralelismo en sus
bordes haga que el concepto de la longitud de la mesa comience a hacerse cada vez
menos definido, y a esta limitacin intrnseca la denominamos denomina incerteza
intrnseca o falta de definicin de la magni-tud en cuestin.

Otro ejemplo sera el caso en que se cuenta la cantidad de partculas alfa emitidas
por una fuente radioactiva en 5 segundos. Sucesivas mediciones arrojarn diversos
resultados (simila-res, pero en general distintos). En este caso, de nuevo, estamos frente
a una manifestacin de una incerteza intrnseca asociada a esta magnitud nmero de
partculas emitidas en 5 s, ms que al error de los instrumentos o del observador.

Fsica re-Creativa S. Gil y E. Rodrguez 2


1.2 Algunos conceptos bsicos

Otra fuente de error que se origina en los instrumentos adems de la precisin es


la exactitud de los mismos. Como vimos, la precisin de un instrumento o un mtodo de
medi-cin est asociada a la sensibilidad o menor variacin de la magnitud que se pueda
detectar con dicho instrumento o mtodo. As, decimos que un tornillo micromtrico
(con una aprecia-cin nominal de 10 m) es ms preciso que una regla graduada en
milmetros; o que un cro-nmetro es ms preciso que un reloj comn, etc.

La exactitud de un instrumento o mtodo de medicin est asociada a la calidad de


la calibracin del mismo. Imaginemos que el cronmetro que usamos es capaz de
determinar la centsima de segundo pero adelanta dos minutos por hora, mientras que un
reloj de pulsera comn no lo hace. En este caso decimos que el cronmetro es todava ms
preciso que el reloj comn, pero menos exacto. La exactitud es una medida de la calidad de
la calibracin de nuestro instrumento respecto de patrones de medida aceptados
internacionalmente. En general los instrumentos vienen calibrados, pero dentro de ciertos
limites. Es deseable que la calibracin de un instrumento sea tan buena como la apreciacin
del mismo. La Figura 1.2 ilustra de modo esquemtico estos dos conceptos.

a) b
Precisin

c) d

Exactitud
Figura 1.2. Esta figura ilustra de modo esquemtico los conceptos de precisin y
exactitud. Los centros de los crculos indican la posicin del verdadero valor del
me-surando y las cruces los valores de varias determinaciones del centro. La
dispersin de los puntos da una idea de la precisin, mie ntras que su centro
efectivo (centroide) est asociado a la exactitud. a) es una determinacin precisa
pero inexacta, mientras d) es ms exacta pero imprecisa; b) es una determinacin
ms exacta y ms precisa; c) es menos precisa que a).

Fsica re-Creativa S. Gil y E. Rodrguez 3


Decimos que conocemos el valor de una magnitud dada, en la medida en que
cono-cemos sus errores. En ciencia consideramos que la medicin de una magnitud con
un cierto error no significa que se haya cometido una equivocacin o que se haya
realizado una mala medicin. Con la indicacin del error de medicin expresamos, en
forma cuantitativa y lo ms precisamente posible, las limitaciones que nuestro proceso
de medicin introduce en la deter-minacin de la magnitud medida.

Es imprescindible en ciencia e ingeniera especificar los errores


de medicin!
La nomenclatura moderna usada en Metrologa para denotar los conceptos
dis-cutidos en este capitulo puede encontrarse consultando las publicaciones
sobre el te-ma elaboradas por la International Organization for Standardization
(ISO 3534-1993)[7] que puede obtenerse a travs de la pagina de Internet del
National Institute of Standard and Technology ( NIST ) de los EE. UU.
(http://www.nist.gov/). La institucin equivalen-te en la Repblica Argentina es el
Instituto de Tecnologa Industrial (INTI: http://www.inti.gov.ar/cefis/).

1.3 Clasificacin de los errores

Existen varias formas de clasificar y expresar los errores de medicin. Segn su


origen los errores pueden clasificarse del siguiente modo:

I. Errores introducidos por el instrumento:

Error de apreciacin, ap: si el instrumento est correctamente calibrado la in-


certidumbre que tendremos al realizar una medicin estar asociada a la mnima divi-
sin de su escala o a la mnima divisin que podemos resolver con algn mtodo de
medicin. Ntese que no decimos que el error de apreciacin es la mnima divisin
del instrumento, sino la mnima divisin que es discernible por el observador. La
m-nima cantidad que puede medirse con un dado instrumento la denominamos
aprecia-cin nominal. El error de apreciacin puede ser mayor o menor que la
apreciacin nominal, dependiendo de la habilidad (o falta de ella) del
observador. As, es posible que un observador entrenado pueda apreciar con una
regla comn fracciones del mi-lmetro mientras que otro observador, con la
misma regla pero con dificultades de vi-sin slo pueda apreciar 2 mm.

Error de exactitud, exac: representa el error absoluto con el que el


instrumento en cuestin ha sido calibrado.

Fsica re-Creativa S. Gil y E. Rodrguez 4


II. Error de interaccin; , int: esta incerteza proviene de la interaccin del mtodo de
medicin con el objeto a medir. Su determinacin depende de la medicin que se realiza
y su valor se estima de un anlisis cuidadoso del mtodo usado.

III. Falta de definicin en el objeto sujeto a medicin: como se dijo antes,


las magnitudes a medir no estn definidas con infinita precisin. Con def
designamos la incertidumbre asociada con la falta de definicin del objeto a
medir y representa su in-certidumbre intrnseca.

En general, en un dado experimento, todas estas fuentes de incertidumbres estarn


presentes, de modo que resulta til definir el error nominal de una medicin nom, como:

nom2ap2def2int2exac2 (I.1)

Este procedimiento de sumar los cuadrados de los errores es un resultado de la estadstica, y


proviene de suponer que todas las distintas fuentes de error son independientes una de
otras[10,13].

Se desea determinar el dimetro del tronco de un rbol y el rea de su seccin


transversal. Cmo procederamos y cules son las fuentes principales de incerti-
dumbre en esta determinacin? Un mtodo podra consistir en medir el permetro
con una cinta mtrica y luego determinar el dimetro y usar este valor para calcu-
lar el rea. En este caso, la mayor fuente de incertidumbre proviene de la defini-
cin del mesurando (el dimetro). Una forma de estimar la incertidumbre sera
determinar los valores mximos y mnimos del dimetro usando una serie de me-
diciones y tomar como dimetro la semidiferencia de estos valores, dimetro=
(Dmax - Dmin).

Segn su carcter los errores pueden clasificarse en sistemticos, estadsticos e


ileg-timos o espurios.

a) Errores sistemticos: se originan por las imperfecciones de los m-


todos de medicin. Por ejemplo, pensemos en un reloj que atrasa o ade-
lanta, o en una regla dilatada, el error de paralaje, etc. Los errores intro-
ducidos por estos instrumentos o mtodos imperfectos afectarn nuestros
resultados siempre en un mismo sentido. El valor de exac sera un ejem-

Fsica re-Creativa S. Gil y E. Rodrguez 5


plo de error sistemtico pero no son lo mismo, ni los errores de exactitud
son los nicos responsables de los errores sistemticos. Imaginemos por
ejemplo el caso de una balanza bien calibrada que se usa para conocer el
peso de las personas en los centros comerciales u otros negocios, como es
usual que las personas (en pblico) se pesen vestidas, los valores re-
gistrados con estas balanzas tendrn un error sistemtico por el peso de la
vestimenta. La nica manera de detectarlos y corregirlos es comparar
nuestras mediciones con otros mtodos alternativos y realizar una anlisis
crtico y cuidadoso del procedimiento empleado. Tambin es aconseja-ble
intercalar en el proceso de medicin patrones confiables que permitan
calibrar el instrumento durante la medicin.

b) Errores estadsticos: Son los que se producen al azar. En general son


debidos a causas mltiples y fortuitas. Ocurren cuando, por ejemplo, nos
equivocamos en contar el nmero de divisiones de una regla, o si es-tamos
mal ubicados frente al fiel de una balanza. Estos errores pueden cometerse
con igual probabilidad por defecto como por exceso. Por tan-to, midiendo
varias veces y promediando el resultado, es posible reducir-los
considerablemente. Es a este tipo de errores a los que comnmente hace
referencia la teora estadstica de errores de medicin que formula-
remos sucintamente en lo que sigue. A estos errores lo designaremos con
.
est
c) Errores ilegtimos o espurios: Supongamos que deseamos calcu-
lar el volumen de un objeto esfrico y para ello determinamos su
dime-tro. Si al introducir el valor del dimetro en la frmula, nos
equivocamos en el nmero introducido, o lo hacemos usando unidades
incorrectas, o bien usamos una expresin equivocada del volumen,
claramente habre-mos cometido un error. Esta vez este error est ms
asociado al concep-to convencional de equivocacin. A este tipo de
errores los designamos como ilegtimos o espurios. A este tipo de
errores no se aplica la teora estadstica de errores y el modo de evitarlo
consiste en una evaluacin cuidadosa de los procedimientos realizados
en la medicin Un ejemplo de este tipo de error es el que se cometi en
el Mars Climate Explorer a fines de 1999, al pasar de pulgadas a cm se
cometi un error que costo el fracaso de dicha misin a Marte.

Cuando se desea combinar los errores sistemticos con los estadsticos, la


pres-cripcin usual es sumar los cuadrados de los errores absolutos y luego tomar la
raz cua-drada de este resultado, como lo indica la Ec. (1.2). Si estamos midiendo
una magnitud Z, el error final o combinado o efectivo de Z, Z, vendr dado por:

Fsica re-Creativa S. Gil y E. Rodrguez 6


Z est2 nom2 est2 ap2 def2 int2 exac2 . (1.2)

Los errores pueden asimismo expresarse de distintos modos, a saber:


Error absoluto: es el valor de la incertidumbre combinada (Ec. 1.2). Tiene
las mismas dimensiones que la magnitud medida y es conveniente
expresarla con las mismas unidades de sta. Si Z es la magnitud en
estudio, Z es el me-jor valor obtenido y Z su incertidumbre absoluta. El
resultado se expresa adecuadamente como:

Z Z Z (1.3)

El significado de esta notacin es equivalente a decir que, segn nuestra


medi-cin, con una cierta probabilidad razonable p0 (usualmente p0 = 0.68,
68%) el valor de Z est contenido en el intervalo ( Z -Z, Z +Z), o sea:

Z Z Z Z Z . (1.4)
lo que es equivalente a:

P( Z Z Z Z Z ) p0 , (1.5)

que significa que la probabilidad que el mejor estimador de Z est


comprendido entre Z -Z y Z +Z es igual a p0. El valor de p0 se conoce
con el nombre de coeficiente de confianza y los valores (Z Z , Z Z )
determinan un inter-valo de confianza para Z.

Error relativo: Z Z / Z , el cociente entre el error absoluto y el


mejor valor de la magnitud.

100
Error relativo porcentual: Z ,% Z , es la incertidumbre
relativa multiplicada por 100.

Fsica re-Creativa S. Gil y E. Rodrguez 7


Imaginemos que medimos el espesor de un alambre (cuyo dimetro es d 3 mm) y
su longitud (L 1 m) con la misma regla graduada en milmetros. Es claro que los
errores absolutos de medicin, dados por la apreciacin del instrumento, es en am-bos
casos la misma (d = L = 1 mm). Sin embargo, resulta evidente que la deter-
minacin de la longitud del alambre es mucho mejor que la del dimetro. El error re-
lativo porcentual refleja esta diferencia, ya que para el caso del dimetro su
valor es d% 30 %, y para el caso de la longitud tenemos L% 0.1%.

1.4 Cifras significativas

Cuando realizamos una medicin con una regla graduada en milmetros, est claro que,
si somos cuidadosos, podremos asegurar nuestro resultado hasta la cifra de los milmetros o,
en el mejor de los casos, con una fraccin del milmetro, pero no ms. De este modo nuestro
resultado podra ser L = (95.2 0.5) mm, o bien L = (95 1) mm. En el primer caso deci-
mos que nuestra medicin tiene tres cifras significativas y en el segundo caso slo dos. El
nmero de cifras significativas es igual al nmero de dgitos contenidos en el resultado de la
medicin que estn a la izquierda del primer dgito afectado por el error, incluyendo este
dgi-to. El primer dgito, o sea el que est ms a la izquierda, es el ms significativo (9 en
nuestro caso) y el ltimo (ms a la derecha) el menos significativo, ya que es en el que
tenemos me-nos seguridad. Ntese que carece de sentido incluir en nuestro resultado de L
ms cifras que aquellas en donde tenemos incertidumbres (donde cae el error).

No es correcto expresar el resultado como L = (95.321 1) mm, ya que si tenemos


in-certidumbre del orden de 1 mm, mal podemos asegurar el valor de las dcimas,
centsimas y milsimas del milmetro. Si el valor de L proviene de un promedio y el
error es del orden del milmetro, se debe redondear el dgito donde primero cae el error.

Es usual expresar las incertidumbres con una sola cifra significativa, y solo en casos
excepcionales y cuando existe fundamento para ello, se pueden usar ms. Tambin es usual
considerar que la incertidumbre en un resultado de medicin afecta a la ltima cifra si es
que no se la indica explcitamente. Por ejemplo, si slo disponemos de la informacin que
una longitud es L = 95 mm, podemos suponer que la incertidumbre es del orden del
milmetro y, como dijimos antes, el resultado de L tiene dos cifras significativas.

Una posible fuente de ambigedad se presenta con el nmero de cifras significativas


cuando se hace un cambio de unidades. Si en el ltimo ejemplo deseamos expresar L en m, el
resultado sera L = (950001000) m. Cuntas cifras significativas tenemos en este re-sultado?
Claramente dos, igual que antes, ya que la ltima cifra significativa sigue siendo 5. Sin
embargo, si no indicamos explcitamente la incertidumbre de L, es difcil saber cuntas cifras
significativas tenemos. Ntese que 95 mm 95000 m, ya que el primer resultado tiene slo
dos cifras significativas mientras el segundo tiene 5 (a propsito compare los costos de los

Fsica re-Creativa S. Gil y E. Rodrguez 8


instrumentos para realizar estas dos clases de determinaciones). Para evitar estas
ambigeda-des se emplea la notacin cientfica. Podemos escribir la siguiente igualdad: 9.5
x10 mm = 9.5 x 10 m. Notemos que los nmeros en ambos miembros de la igualdad
1 4

tienen igual n-mero de cifras significativas, siendo la nica diferencia las unidades usadas.

1.5 Histogramas y distribucin estadstica

Consideremos una poblacin de personas de una ciudad y que queremos analizar cmo se
distribuyen las estaturas de la poblacin. Para llevar adelante este estudio podemos medir la
altura de todos los individuos de la poblacin, o bien tomar una muestra representativa de la
misma, a partir de la cual inferiramos las caractersticas de la poblacin. Esta clase de estudio
es un tpico problema de estadstica. Si tomamos una muestra de tamao N y para la misma
medimos las alturas de cada individuo, este experimento dar N resultados: x1, x2, x3,
..., xN. Todos estos datos estarn comprendidos en un intervalo de alturas ( xmin, xmax) entre
la menor y mayor altura medidas. Una manera til de visualizar las caractersticas de este
conjunto de datos consiste en dividir el intervalo ( xmin, xmax) en m subintervalos iguales,
delimitados por los puntos (y1, y2, y3, ..., ym) que determinan lo que llamaremos el rango
de clases. Seguidamente, contamos el nmero n1 de individuos de la muestra cuyas alturas
estn en el primer intervalo [y1, y2), el nmero nj de los individuos de la muestra que estn
en el j-simo intervalo [yj-1, yj), etc., hasta el subintervalo m. Aqu hemos usado la notacin
usual de usar corchetes, [], para indicar un intervalo cerrado (incluye al extremo) y
parntesis comunes, (), para denotar un intervalo abierto (excluye el extremo). Con estos
valores definimos la funcin de distribucin fj que se define para cada subintervalos j como:

nj

fj
jnj
Esta funcin de distribucin est normalizada, es decir:
(1.6)

mj1 f 1
j (1.7)

El grfico de fj versus xj [xj = 0.5 ( yj-1 + yj)] nos da una clara idea de cmo se distri-
buyen las altura de los individuos de la muestra en estudio. Este tipo de grfico se llama
un histograma y la mayora de las hojas de clculo de programas comerciales (Excel,
Quatro-Pro, Origin, etc.) tienen herramientas para realizar las operaciones descriptas
aqu y el grfico resultante. En la Fig. 1.3 ilustramos dos histogramas tpicos.

Fsica re-Creativa S. Gil y E. Rodrguez 9


100
<X>=15
100
<X>=15 =5
x
80
=1.5
x 80

j
60

100 . f
100 . fj

60 FWHM

40
FWHM 40

20
20

0 0
5 10 15 20 25 30 0 5 10 15 20 25 30
xj xj

Figura 1.3. Histograma de dos muestras con igual valor medio pero con distintos
grados de dispersin. En este ejemplo, los datos tienen una distribucin Gaussiana
o Normal, descripta por la curva de trazo continuo.

Tres parmetros importantes de una distribucin son:

El valor medio:xx m
x j f j 1 N
xi (1.8)
j 1 N i 1

La varianza:Var(x)x
2
m
j1 2
(xj x) fj (1.9)
La desviacin estndar:xVar(x) (1.10)

El valor medio da una idea de la localizacin o valor medio de los valores en la


mues-tra. En general <x> da el centro de masa (centroide) de la distribucin. Tanto Var(x)
como x dan una idea de la dispersin de los datos alrededor del promedio. Cuando ms
concen-trada est la distribucin alrededor de <x> menor ser x y viceversa.

Una distribucin de probabilidad muy comn en diversos campos es la


distribucin gaussiana o normal, que tiene la forma de una campana como se ilustra en
trazo continuo en la Fig. 1.3. La expresin matemtica de esta distribucin es:

Fsica re-Creativa S. Gil y E. Rodrguez 10


1 xm2
f ( x) N ( x; m,) exp (1.11)
2
2 2

La campana de Gauss est centrada en m y su ancho est determinado por la


desvia-cin estndar . En particular, los puntos de inflexin de la curva estn en x
y x . El rea de esta curva entre estos dos puntos constituye el 68.3% del rea total.

El rea entre x y x es del 96% del total. Es til caracterizar para esta funcin
el ancho a mitad de su altura, que est relacionado con a travs de la expresin:
FWHM = 2.35 (FWHM, de full width half maximum). Aunque esta distribucin
ocurre naturalmente en muchos procesos, desde luego no es nica y existen muchos
tipos de distribuciones de ocu-rrencia comn en la naturaleza.

Cuando se desea comparar un histograma no normalizado con una curva normal,


es ne-cesario calcular el nmero total de datos Nt, el valor medio de los mismos, x y la
desviacin estndar de los datos, x. Supondremos que el rango de clases est
equiespaciado por una separacin x(= xi-xi-1). Para comparar el histograma con la
curva normal debemos multipli-car la distribucin (1.11) por el factor Nt. x.

Los parmetros ms usuales con los que puede caracterizarse la


localizacinde una distribucin asociada a un conjunto de N datos son:

a) la media
b) la mediana
c) la moda
La media o promedio de la distribucin se define, segn ya vimos, como: x

iN xi / N , y es la media aritmtica de los valores observados.


La moda corresponde al valor de la variable donde est la mxima frecuencia,
o sea, que en un histograma la moda corresponde al valor de la variable donde
hay un pico o mximo. Si una distribucin tiene dos mximos la denominamos
distribucin bimodal, si tiene tres mximos trimodal y as sucesivamente.

La mediana es el valor de la variable que separa los datos entre aquellos que
defi-nen el primer 50% de los valores de los de la segunda mitad. O sea que la
mitad de los datos de la poblacin o muestra estn a derecha de la mediana y la
otra mitad estn a la izquierda de la misma.

Fsica re-Creativa S. Gil y E. Rodrguez 11


Mientras que a la media la calculamos usando una frmula, a la moda la
evaluamos directamente del histograma.

Para estimar la mediana tenemos que observar la lista de datos ordenados de


me-nor a mayor, y ubicar el valor central de la lista. Si el nmero de datos es
impar, la mediana corresponde precisamente al valor central. Si el nmero N de
datos es par, la mediana se estima como (XN/2 + XN/2+1). En una
distribucin dada, una lnea vertical trazada desde la mediana divide a la
distribucin en dos partes de rea equivalentes.

Es fcil darse cuenta que media, moda y mediana no tienen, en general, porqu
co-incidir. Estos tres parmetros s son iguales en el caso de distribuciones
simtricas respecto del valor medio y unimodales. Este es el caso de una
distribucin gaussiana o normal. En el caso de una distribucin asimtrica, las
diferencias entre moda, me-dia y mediana pueden ser sustanciales.

Es importante saber cul parmetro de localizacin es ms apropiado de usar o ms


representativo en una dada situacin. Consideremos, para fijar ideas, la distri-bucin
del ingreso familiar en un pas dado. La presencia de millonarios, aunque sean
relativamente pocos, tiene un efecto sobre la media que contrarresta a muchos
miembros de la poblacin en el extremo inferior de la escala de salarios. De esta
manera, la moda y la media difieren sustancialmente. En este caso tal vez la moda es
un parmetro ms representativo que la media. A menudo los datos estadsticos
pueden ser interpretados de diversas maneras. El siguiente ejemplo ilustra las distin-
tas interpretaciones que pueden extraerse de un conjunto de datos estadsticos.

La empresa Pochoclos S.A. analiza la necesidad de discutir los salarios.


El cua-dro de sueldos es el siguiente:

Gerente $9000
Sub-gerente $5000
2Asesor $2500
2 Secretarias $ 1350
c/u
Capataz $ 1200
6 Operarios $600 c/u

La empresa argumenta que el salario medio es $2000. El delegado gremial


sostiene que el sueldo representativo es de $600. Un poltico consultado
asegura que el sala-rio ms representativo es $900. Qu parmetros tuvo en
cuenta para argumentar cada persona participante de la reunin?. Calcule la
moda, la mediana y la media de los ingresos para esta empresa.

Fsica re-Creativa S. Gil y E. Rodrguez 12


1.6 Error de una magnitud que se mide una nica vez

En este caso el mejor valor ser simplemente el valor medido y el error vendr dado
por el error nominal (nom) del instrumento. Segn se deduce de (1.2), Z=nom.

1.7 Error de una magnitud que se mide directamente N ve-


ces

Un modo de minimizar la incidencia de los errores estadsticos, es realizar varias


medicio-nes del mesurando. Dado el carcter al azar de los este tipo de errores es claro
que, al pro-mediar los resultados, el promedio estar menos afectado de las desviaciones
estadsticas que los valores individuales. El procedimiento que se describe a
continuacin es un mtodo para determinar el nmero ptimo de mediciones a realizar
en cada caso y el modo de determinar las incertidumbres asociadas al promedio. Esta
teora no es aplicable para reducir los errores de carcter sistemtico o espurios.

Supongamos que se han hecho N mediciones de una misma magnitud con resultados
x1, x2 ,...,x j ,...xN . Estas N determinaciones pueden ser consideradas una muestra de
todas las posibles mediciones que se podran realizar (poblacin). Bajo condiciones
muy generales puede demostrarse que el mejor estimador de la magnitud x viene dado
por el promedio, x x , de los valores:

x x
Nj1 x j . (1.12)
N

Este resultado es llamado tambin el mejor valor o estimador de x o valor ms


pro-bable del mesurando. Llamaremos a
x
xj x j j =1, 2,..., N
la desviacin de cada medicin respecto de x . Tambin definimos la desviacin estndar o
error cuadrtico medio de cada medicin, Sx . Esta cantidad es equivalente al concepto de
desviacin estndar de la poblacin, ms especficamente Sx es un estimador de la misma. Sx
da una idea global acerca de la dispersin de los x j alrededor del promedio x . Si la
distribu-cin es ancha Sx ser grande y si es afilada su valor ser pequeo (ver figura
1.3. Este esti-mador muestral (Sx) de la desviacin estndar poblacional viene dado por:

Fsica re-Creativa S. Gil y E. Rodrguez 13


N
(x j x)2
2 j1 (1.13)
Sx N 1 .

Sx tiene las mismas dimensiones fsicas que x , pudindose comparar directamente con
sta. La calidad del proceso de medicin ser mayor cuanto menor sea el cociente Sx/ x ,
que en general es una constante del proceso de medicin y no disminuye al aumentar N.

Como acabamos de discutir, Sx representa el error promedio de cada medicin.


Otra manera de explicar el significado de Sx es pensar que, cuando realizamos una serie
de medi-ciones, los resultados obtenidos presentarn una distribucin estadstica, cuya
desviacin es-tndar viene dada por Sx.

Si suponemos ahora que realizamos varias series de mediciones de x, y para cada una de
estas series calculamos el valor medio x , es de esperar que estos valores tendrn una distri-
bucin (puesto que variarn entre s) pero con una menor dispersin que las mediciones indi-
viduales. Se puede probar[1,3] que a medida que el nmero N de mediciones aumenta, la dis-
tribucin de x ser normal con una desviacin estndar dada por:

N
(xj x)
j1 Sx

est x N.(N 1 ) N . (1.14)

x se llama el error estndar del promedio y es el estimador del error asociado a x .

Recordemos que Sx es la dispersin de cada medicin y que no depende de N sino de la

calidad de las mediciones, mientras que x s depende de N y es menor cuanto ms grande es N.


Si, por ejemplo, estamos midiendo una longitud con una regla graduada en mil-metros, resulta
claro que si aumentamos el nmero de mediciones podremos disminuir el error estadstico, pero
nunca con este instrumento podremos dar con certeza cifras del orden de los micrones, por ms

que realicemos muchas mediciones. Al aumentar N, x ciertamente


disminuye, pero, desde un punto de vista fsico, el error en x solo puede disminuir hasta
.
nom La Ec. (1.2) indica que no es razonable esforzarse en
hacerse igual o del orden de
disminuir x mucho ms que nom. El balance ptimo se logra cuando x nom.
Esto nos da un criterio para decidir cual es el nmero ptimo de mediciones a realizar de un
mesu-rando. Como suponemos que Sx es constante con N, la idea es hacer un nmero
pequeo de mediciones Nprel, digamos unas 5 a 10, luego calcular Sx, de donde se obtiene:

Fsica re-Creativa S. Gil y E. Rodrguez 14


S 2
N
op x
, (1.15)

nom

que resulta de imponer la condicin: est nom. Si Nop > Nprel, se completan las medicio-
nes para lograr Nop valores. Si Nop < Nprel, no se realizan ms mediciones que las
preliminares y se usan todas ellas. En todos los casos, segn la Ec. (1.2), el error
combinado o efectivo vendr dado por:

2 2 2 2
x ef nom x (1.16)

Para la mayora de los casos de inters prctico, si medimos 100 veces una magnitud
x, aproximadamente 68 de ellas caern en el intervalo ( x - , x + ), 96 de ellas en el
x x
intervalo ( x -2 , x +2 ), y 99 de ellas en el intervalo ( x -3 , x +3 ). Estos resul-
x x x x
tados valen estrictamente para el caso en que los errores se distribuyan "normalmente",
es decir, si el histograma formado con los resultados de las mediciones adopta la forma
de una campana de Gauss [6].

Resumiendo, los pasos a seguir para medir una magnitud fsica X son:

1. Se realizan unas 5 a 10 mediciones preliminares y se determina el error pro-medio de


cada medicin Sx .
2. Se determina Nop.
3. Se completan las Nop mediciones de X.
4. Se calcula el promedio X y su incertidumbre estadstica x .
5. X 2 2
Se calcula el valor del error efectivo x nom , ecuacin (1.2).

6. Se escribe el resultado de la forma X X X.


7. Se calcula el error relativo porcentual x=100* X / x
8. Si se desea verificar que la distribucin de valores es normal, se compara el
histograma de distribucin de datos con la curva normal correspondiente, es
decir con una distribucin normal de media x y desviacin estndar Sx.
9. Se analizan posibles fuentes de errores sistemticos y se corrige el valor
medi-do.
10. Se evala la incertidumbre absoluta de la medicin combinando las
incerti-dumbres estadsticas y sistemticas (Ec. 1.2).

Fsica re-Creativa S. Gil y E. Rodrguez 15


1.8 Combinacin de N mediciones independientes

Una situacin frecuente en ciencia es la determinacin del mejor valor de una dada mag-
nitud usando N valores que resultan de mediciones independientes (obtenidos por diferentes
autores, con diferentes tcnicas e instrumentos). Cada una de estas mediciones independientes
puede tener asociada distintos errores. Es decir, tenemos un conjunto de N mediciones, cada una
caracterizada por un par (xk, k), con k = 1, 2, ..., N. Nuestro objetivo es obtener el mejor valor
para la magnitud en discusin. Es claro que al combinar los distintos resultados para obtener el
mejor valor, <x>, es preciso tener en cuenta los errores de cada determina-cin, de tal modo
que aquellos valores que tengan menos error pesen ms en el resultado final. Es posible
demostrar en este caso que el mejor valor <x> viene dado por[1,8]:


xk
k 1
k 2
x (1.17)
kN1 1 k
2

Con un error dado por x :

1 N 1
2
k1 2 (1.18)
x k

Un caso especial de inters, es cuando tenemosNdeterminaciones del


mesuran-do todos con el mismo error . Como puede deducirse fcilmente de
la Ec. (1.17) el promedio ser:
xk
x Nk1 ,
N
que, como es de esperar, coincide con la expresin (1.12). La incertidumbre
aso-ciada a este valor ser, segn la Ec. (1.18):

x ,
N

que coincide con la expresin (1.14). Adems queda ilustrado el significado de


como el error asociado a cada medicin individual y <x> como la
incertidumbre asociada al mejor valor.

Fsica re-Creativa S. Gil y E. Rodrguez 16


1.9 Discrepancia

Si una magnitud fsica se mide con dos (o ms) mtodos o por distintos
observadores, es posible (y muy probable) que los resultados no coincidan. En este caso
decimos que existe una discrepancia en los resultados. Sin embargo, lo importante es
saber si la discrepancia es significativa o no. Un criterio que se aplica en el caso
especial pero frecuente, en el que las mediciones se puedan suponer que siguen una
distribucin normal, es el siguiente. Si los resul-tados de las dos observaciones que se
comparan son independientes (caso usual) y dieron como resultados:

Medicin 1 : X 1 X 1 X 1

Medicin 2 : X 2 X 2 X 2
definimos:

2 2 2
X X 1 X 2

Decimos que con un limite de confianza del 68% las mediciones son distintas si:

X 1 X 2 X ,

y que con un limite de confianza del 96% las mediciones son distintas si:

X 1 X 2 2 X

Estos criterios pueden generalizarse para intervalos de confianza mayores en forma


similar. Tambin se aplican cuando se comparan valores obtenidos en el laboratorio con
valo-res tabulados o publicados. Ntese la diferencia entre discrepancia y error, que en
algunos textos poco cuidadosos se confunde. El error est relacionado con la incertidumbre
en la de-terminacin del valor de una magnitud. La discrepancia est asociada a la falta de
coincidencia o superposicin de dos intervalos de dos resultados

1.10 Propagacin de incertidumbres

Hay magnitudes que no se miden directamente, sino que se derivan de otras que s son
medidas en forma directa. Por ejemplo, para conocer el rea de un rectngulo se miden las
longitudes de sus lados, o para determinar el volumen de una esfera se tiene que medir el
dimetro. La pregunta que queremos responder aqu es cmo los errores en las magnitudes que
se miden directamente se propagarn para obtener el error en la magnitud derivada. Slo

Fsica re-Creativa S. Gil y E. Rodrguez 17


daremos los resultados, para mayor detalle se recomienda consultar la bibliografa citada.
Supongamos, para fijar ideas, que magnitud V, es una funcin de los parmetros, x, y, z,
la etc., o sea:

V V( x, y, z,...) , (1.19)

y que x, y, z, etc., s se midieron directamente y que conocemos sus errores, a los que
desig-namos en el modo usual como x, y, z, etc. Entonces se puede demostrar[1,3]
que el error en V vendr dado por:

2 2
dV 2 dV dV 2
V x 2
y z 2 (1.20)

dx dy dz
En rigor las derivadas involucradas en esta ecuacin son derivadas parciales respecto de
las variables independientes x, y, z, etc. En el caso especial que la funcin V(x,y,z,..) sea
factori-zable como potencias de x, y, z, etc., la expresin anterior puede ponerse en un
modo muy simple. Supongamos que la funcin en cuestin sea:

.
V( x, y, z ) a. xn ym (1.21)
zl

Entonces:

2
V x 2 y 2 z
2
n m
2 2
l

. (1.22)

V x y z
Para clculos preliminares, esta expresin puede aproximarse por:

V x y z
n m l . (1.23)
V x y z

Esta ltima expresin para la propagacin de los errores se conoce con el nombre de
aproxi-macin de primer orden, mientras que la expresin (1.22) se la denomina
usualmente aproxi-macin de segundo orden.
Otro caso particular de inters es Z = x y. Usando la Ec. (I.10) obtenemos:

Fsica re-Creativa S. Gil y E. Rodrguez 18


Z2 x2 y2 (1.24)

Truncacin de nmeros: Se desea determinar la densidad de un cuerpo y


para ello se procedi a medir su volumen, que dio como resultado V = 3.5
0.2 cm3 (V% = 6%) y su masa m = 22.70.1 g. (m%=0.4%). Para calcular
la densi-dad, , debemos realizar el cociente de m / V. Si realizamos este
cociente con la calculadora obtenemos:

= 22.7/3.5=6.485714286 g/cm3.

Claramente, la mayora de estas cifras no son significativas y debemos


truncar el resultado. Para saber dnde hacerlo, debemos propagar los errores
del numera-dor y denominador, y ver a qu cifra afecta el error de .
Usando (1.22) obte-nemos para 0.06 y por tanto 0.4 g/cm3, con
lo que en el valor de slo una cifra decimal es significativa. Sin embargo,
al truncar el nmero 6.4857, debemos tener en cuenta que el nmero ms
cercano a l y con una sola cifra decimal es 6.5 y no 6.4 que resultara de
una truncacin automtica. Final-mente, el valor que obtenemos para es:

= 6.5 0.4 g/cm3 y %=6%.

Es importante tener en cuenta este criterio de truncacin toda vez que


realizamos una operacin usando una calculadora o computadora.

Midiendo : Sabemos que el permetro (p) de un crculo est relacionado con su


dimetro (d) por la expresin p= d, por lo tanto midiendo el dimetro y pe-
rmetro, es posible medir . Disee un experimento que le permita realizar esta
medicin. Obtenga con este mtodo. D su incertidumbre. Compare los valo-
valores tabulados de esta constante. Consulte en la bibliografa otros mtodos
de obtener experimentalmente. En particular discuta si con el experimento de
Buffon se puede obtener mayor precisin (consulte la pginalas pginas de
Inter-net: http://www.angelfire.com/wa/hurben/code5.html y
http://www.geocities.com/CapeCanaveral/Lab/1719/).

1.11 Eleccin de los instrumentos

Un aspecto importante a tener en cuenta antes de proceder a realizar una medicin, es la


eleccin de los instrumentos ms apropiados para medir con la tolerancia o error requerido.
Ignorar este paso puede acarrear importantes prdidas de tiempo y dinero. Si se excede la
tolerancia requerida, seguramente se dilapid esfuerzo y recursos innecesariamente; por el

Fsica re-Creativa S. Gil y E. Rodrguez 19


contrario, si se realiz la medicin con ms error del requerido, la medicin podra ser
intil para los fines perseguidos.

Supongamos que nuestro problema es determinar el volumen de un alam-


bre (cuyo dimetro es d 3 mm) y su longitud (L 50 cm) con un error del 1%
Qu instrumentos debemos usar para lograr nuestro objetivo con el menor
costo? Lo que debemos lograr es V/V 0.01. Como V=.d2.L/4, tenemos que:
V 2 d L
V d L
0.01 0.001 0.006 0.002

La primera expresin es una aplicacin de (1.23), esta aproximacin de primer or-


den es til y suficiente para este anlisis preliminar. La asignacin de la segunda l-
nea es en cierto modo arbitraria, pero hemos respetado que el error total no supere el
1% requerido. A , que es un nmero irracional, le asignamos un error relativo
pequeo, para que nos permita saber cuantas cifras debemos usar en de modo que
el error de la truncacin de no afecte nuestra medicin. No medimos !. Ntese
que el error en el dimetro tiene mayor incidencia (su error relativo est multiplicado
por 2) que la longitud L, y se debe a que el volumen es proporcional a d2 y
proporcional a L. Un pequeo error en d tiene mayor incidencia en el error del
volumen que lo que tiene el mismo error relativo en L. Por esta razn hemos asig-
nado mayor tolerancia (error relativo) a d que a L. Con esta asignacin preliminar
podemos decidir cules instrumentos son ms adecuados para realizar el experi-
mento (los ms adecuados son los que hacen la medicin ms fcil, en menor tiem-
po, con el menor costo y que cumplan los requisitos exigidos). Como

d
d
0.003 d 0.003 d 0.003 3mm 0.009mm 0.01mm ,

debemos usar un tornillo micromtrico para medir d. Similarmente, para L tenemos:

L
0.002 L 0.002 L 0.002 50cm 1mm ,
L

por lo tanto podemos usar una regla comn graduada en milmetros para
medir L. Para tenemos:


0.001 0.001 0.001 3 0.003,

Fsica re-Creativa S. Gil y E. Rodrguez 20


que indica que debemos usar con 3 cifras decimales para que el error en su
trun-camiento tenga una incidencia despreciable. Ntese que hasta ahora todo es
preli-minar y solo hemos elegido los instrumentos a medir. Luego de la eleccin
llevamos adelante la medicin usando estos instrumentos y procedemos para la
medicin de d y L. Ntese tambin que para elegir los instrumentos a usar
debemos conocer el valor aproximado de los valores a medir, lo que parecera
una paradoja. No obs-tante, para este anlisis preliminar slo es necesario tener
una idea de los rdenes de magnitud y no un valor muy exacto. Este orden de
magnitud se puede obtener por una inspeccin visual o una medicin rpida.
Finalmente, una vez que realice-mos las mediciones de d y L debemos usar la
expresin (1.22) para calcular los errores V y V.

Bibliografa

1. Data reduction and error analisys for the physical sciences, 2nd ed., P. Bevington
and D. K. Robinson, McGraw Hill, New York (1993).

2. Numerical recipies in Fortran, 2nd. ed., W.,H. Press, S.A. Teukolsky, W.T. Veetterling
and B.P. Flanner, Cambridge University Press, N.Y. (1992). ISBN 0-521-43064x.

3. Data analysis for scientists and engineers, Stuardt L. Meyer, John Willey & Sons,
Inc., N.Y. (1975). ISBN 0-471-59995-6.

4. Trabajos prcticos de fsica, J. Fernndez y E. Galloni, Centro de Estudiantes de


Ing. UBA , Buenos Aires (1963).

5. Curso superior de fsica prctica, B. L. Worsnop y H. T. Flint, Eudeba, Buenos


Aires (1964).

6. Mecnica elemental, J. G. Roederer, 8. ed., Buenos Aires, Eudeba (1963). ISBN:


950-23-0290-7.

7. Guide to the expression of uncertainty in measurement, 1st ed., International Organi-


zation of Standarization (ISO), Suiza (1993). En Internet:
http://physics.nist.gov/cuu/Uncertainty/index.html.

8. Statistics: Vocabulary and symbols, International Organization of Standarization


(ISO), Suiza. En Internet: http://www.iso.ch/infoe/sitemap.htm.

9. Radiation detection and measurement, Knoll Glenn F., 2. ed., John Willey & Sons,
New York (1989). ISBN 0-471-81504-7.

Fsica re-Creativa S. Gil y E. Rodrguez 21


10. Estadstica, Spiegel y Murray, 2da ed., McGraw Hill, Schaum, Madrid (1995). ISBN
84-7615-562-X.

11. Uncertainty in the linear regression slope, J. Higbie, Am. J. Phys. 59, 184 (1991);
Least squares when both variables have uncertainties, J. Orear, ibid., 50, 912
(1982).

12. Probability, statistics and Montecarlo, Review of Particle Properties, Phys. Rev. D
45, III.32, Part II, June (1992).

13. Teora de probabilidades y aplicaciones, H. Cramr, Aguilar, Madrid (1968); Mat-


hematical method of statistics, H. Cramr, Princeton Univ. Press, New Jersey (1958).

Fsica re-Creativa S. Gil y E. Rodrguez 22