Anlisis de las premisas de una funcin Gaussiana:

A partir de la figura X, podemos notar claramente que existe una tendencia similar a
cometer error en la medicin tanto por exceso como por defecto. Esto podra variar
dependiendo de las personas seleccionadas para realizar las mediciones, pero no
tenemos motivos para pensar que podra existir algn tipo de tendencia hacia ninguno
de los dos casos.
En la figura X vemos que luego de trescientas mediciones el mximo alejamiento de
nuestro promedio aritmtico (2.03s) result ser de 0.12s, y que la densidad de eventos
disminuye con el mayor alejamiento del valor ms probable.
Uno de los problemas encontrados en el anlisis de datos en cuanto al enfoque
gaussiano(estadstico), es la no trivial correlacin entre las mediciones.
Existe un proceso de aprendizaje de parte de las personas involucradas en la
medicin, que hace menos confiables las primeras mediciones, y a la vez existe un
agotamiento que puede explicar las tendencias que vemos en la figura X. No es
despreciable tampoco el factor psicolgico de la persona que realiza la medicin con el
cronmetro, que, al conocer el resultado terico, el resultado de las mediciones que
va obteniendo puede afectar la precisin del proceso.
Para un anlisis ms exhaustivo de los datos, los separamos en conjuntos de treinta
eventos respetando su orden de obtencin original, y de ellos extrajimos sus
promedios y desviaciones estndar (figura X).
El promedio entre el resultado promedio de esos conjuntos fue de 2.03s, coincidiendo
con el promedio obtenido de los trescientos datos, y la desviacin estndar de las
desviaciones de cada conjunto fue de 0.007s, a diferencia de la desviacin obtenida en
anlisis de los trescientos datos que fue de 0.04s (Figura x). Esto nos demuestra que
para reducir el error estadstico tendramos que analizar el promedio de nuestros
resultados puede ser de mayor utilidad a comparacin de analizar tan solo el valor ms
esperado o los resultados obtenidos (as como vienen, me estara faltando una forma
mejor de ponerlo). Se puede notar que este tipo de incerteza queda reducido a
cantidades que dejan de ser comparables con los dems, principalmente las de
apreciacin de los cuales quedan un orden de magnitud por debajo.
Es interesante analizar cuntas repeticiones realmente necesitbamos para llegar a un
resultado lo suficientemente, para eso utilizamos la ecuacin (del error estadstico
ponesmos el numerito) reemplazando esta por la desviacin de los 300 datos, y
buscamos que valor hace que este sea comparablemente menor que el error de
aprecicin.
0.041
< 0.01

16.81 = 4.12 <
As podemos ver que N debe ser mayor o igual a 17 para que el error estadstico sea
menor al error de apreciacin. Pero lo que buscamos nosotros es que, al menos est
muy por debajo, o sea, un orden de magnitud por debajo. Para lograr esto tomamos la
cantidad de mediciones que nos indica la inecuacin y la multiplicamos por 10, y as
contrastndolo con los grficos, se puede apreciar que necesitamos 168 mediciones
para conseguir los valores deseados(para poder ver como los graficos van dejando de
desabilizarse.
El experimento nos dice que a partir de las 100 mediciones ya los resultados
comienzan estabilizarse, mantenindose la cantidad de datos contenidos en el rango
comprendido por los valores que se alejan en distancia igual a la desviacin del
promedio alrededor del 74%. Adems, podemos ver que usando N=100 ya se cumple
la relacin que buscbamos en la inecuacin
0.041
= 0.0041 0.01
100
demostrndonos que 100 mediciones son suficientes para lograr conseguir los
resultados deseados.
De este anlisis podemos determinar que es prudente realizar estadstica con nuestros
datos a partir de la presencia de al menos X eventos para asegurarnos una
aproximacin suficiente a una funcin gaussiana y por lo tanto la minimizacin del
efecto de las incertezas estadsticas.
Otro anlisis, nos revela en relacin de incertezas, que la ya mencionado, error
estadstico, tiende a ser mas relevante entre todas las incertidumbres.