Académique Documents
Professionnel Documents
Culture Documents
r=
0,05 mm17,84 mm=0,0028
Adems de las sealadas anteriormente se define las siguientes:
Desviacin estndar del valor medio de una serie de medidas: se
representa el valor del error cuadrtico medio y se define como:
Estimacin del error de la media: es dado por el cociente entre la
desviacin estndar y n-1 que viene siendo la suma de cuadrados.
x= n-1
Ejemplo de desviacin estndar
CALCULOS DE ERRORES DE MEDIDAS INDIRECTAS
Cuando se utiliza una frmula para calcular magnitudes a partir de otras
que se han medido directamente y a partir de constantes fsicas,
decimos que estamos realizando una medida indirecta. En algunas
ocasiones, una magnitud fsica es medida indirectamente a partir de
otra/s magnitud/es. Cada una de estas otras magnitudes, viene afectada
por un margen de error.
Supongamos que sea una magnitud que va a ser medida indirectamente
mediante una frmula a partir de otras magnitudes x1, x2,..., xn que han
sido medidas directamente y que tienen como errores absolutos x1,
x2,..., xn, respectivamente.
Entonces podemos obtener una aproximacin para el error
absoluto y en funcin de los errores absolutos de las variables directas:
Escribiremos por tanto, como resultado:
Supongamos que se quiere calcular la superficie de una hoja de papel.
Para ello se miden sus dimensiones resultando ser 21,2 cm y 29,7 cm,
utilizando una regla de resolucin 1 mm y de precisin el 0,1%. Los
errores relativos totales, resolucin ms precisin, redondeados valen:
La superficie de la hoja es S=xy= 21,2 29,7 = 629m
2
. Puesto que el
rea se obtiene a partir del producto de los lados de la hoja, su error
relativo ser la suma de los errores relativos de cada uno de los
factores:
Por lo cual el resultado de la medida de la superficie es:
S = 629 cm
2
0.6% = 629 cm
2
4 cm
2
REGRESIN LINEAL
Cantidad de cambio que experimenta una variable dependiente (y), en
relacin al cambio de una unidad de una variable independiente(x). La
regresin estudia la naturaleza de la relacin entre dos variables
dependientes. Al igual que con otros procedimientos estadsticos
destaca que en la regresin lineal se desea realizar una interferencia
estadstica partiendo de los valores mustrales obtenidos por tanto se
deben cumplir ciertos requisitos en el caso de regresin lineal que son
los siguientes:
1) Normalidad de varianzas en la variable dependiente (y) del modelo
para los valores fijos de la variante independiente(x)
2) Independencia de las observaciones de y
3) Linealidad en la relacin entre las variables
El modelo matemtico que describe una relacin lineal cuando se estima
el valor de y en funcin de x, est representado por:
y= mx +b
Donde m es la pendiente, determina el ngulo de inclinacin de la recta.
Se le llama coeficiente angular
B, es el coeficiente de posicin u origen de la ordenada
Por ejemplo: Se ha introducido un nuevo tipo de lavadora en 11 grandes
almacenes. Aproximadamente, todos los centros son de igual tamao y
estn situados en comunidades similares. El productor ha variado el
precio en cada gran almacn, y los datos siguientes muestran el nmero
de unidades que se han vendido, en un mes, con los distintos precios.
Un grfico del nmero de unidades vendidas, y, frente a los precios, x,
de estos 11 pares de datos viene dado en la siguiente figura
El diagrama de dispersin resultante indica que, sujeta a errores
aleatorios, la hiptesis de que existe una relacin lineal entre el nmero
de unidades vendidas y los precios resulta ser razonable. Esto es, el
modelo de regresin lineal.
MINIMOS CUADRADOS
Cuando se quiere linealizar una ecuacin quiere decir que su nueva
ecuacin est dada por: y mx +b, para lo cual hacemos uso del mtodo
de mnimos cuadrados.
Con frecuencia, se plantea el problema de encontrar una expresin
matemtica y = f(x) de la ley fsica que rige el comportamiento
de un determinado fenmeno a partir de una serie de N medidas (xi,
yi) de las magnitudes x e y que lo caracterizan.
La mejor recta es aquella cuyos parmetros m y b minimizan la suma de
los cuadrados.
El mtodo de mnimos cuadrados nos permite identificar la ecuacin
emprica correspondiente. Ahora bien cuando nosotros organizamos
nuestros datos experimentales en tablas o en graficas estos siguen un
comportamiento ya puede ser lineal o exponencial es este caso
utilizamos solo los datos experimentales que se ajusten a una lnea recta
es decir que siguen un comportamiento lineal para ello se utiliza la
frmula de la ecuacin de la recta pendiente intercepcin de la forma
y=mx +b donde m es la pendiente la cual se obtiene (y2-y1)/(x2-x1)
donde x y y son las coordenadas de dos puntos cualquieras que se dan
y b es la intercepcin del origen la cual es obtenida mediante la
intercepcin de la grfica en el eje de las y. ahora bien si nos dieran una
gran cantidad de datos experimentales sera muy complicado obtener la
pendiente entre cada dos puntos que nos son dados ya que tendramos
que ser un promedio de las pendientes obtenidas y esto generara
errores muy grandes para disminuir el error u obtener errores muy
pequeos se usara el mtodo de mnimos cuadrados el cual utiliza las
siguientes dos formulas
m=((nxy-xy)/(nx2-(x)2))
b=((yx2-xxy)/(nx2-(x)2))
Estas dos frmulas fueron obtenidas mediante mtodos estadsticos y no
es nuestra intencin describir como fueron calculadas, solo
simplemente aceptarlas como ciertas y utilizarlas para obtener nuestra
ecuacin emprica y as disminuir nuestros errores.
Esta grfica es un ajuste que se hizo tomando como gua el ejemplo
anteriormente mencionado, que es el de la variacin de la resistencia
con la temperatura
La incertidumbre relativa de la pendiente, calculada a partir del
coeficiente de regresin, vale R/R = 4,3%. Tanto para la grfica como
para este clculo se ha aceptado que la incertidumbre en los valores de
la resistencia era la misma para todos. El resultado que se tomara para
el coeficiente es: (0,36 + 0,02).
Coeficiente de correlacion lineal
El metodo de minimos cuadrados nos da una recta que mejor se ajusta a
los datos. Pero queda saber que tan bueno es el ajuste lineal, una forma
de medir si x y y estan relacionadas linealmente es calculando el
coeficiente de correlacion lineal r, que se obtiene de aplicar la formula:
Donde la suma se hace para los n datos experimentales
Propiedades del coeficiente de correlacin
El coeficiente de correlacin no vara al hacerlo la escala de
medicin.
El signo del coeficiente de correlacin es el mismo que el de la
covarianza.
Si la covarianza es positiva, la correlacin es directa.
Si la covarianza es negativa, la correlacin es inversa.
Si la covarianza es nula, no existe correlacin.
El coeficiente de correlacin lineal es un nmero real entre. (1
r 1)
Si el coeficiente de correlacin lineal toma valores cercanos a 1
la correlacin es fuerte e inversa, y ser tanto ms fuerte cuanto
ms se aproxime r a 1.
Si el coeficiente de correlacin lineal toma valores cercanos a 1 la
correlacin es fuerte y directa, y ser tanto ms fuerte cuanto ms
se aproxime r a 1 ; r >.(0.99)
Si el coeficiente de correlacin lineal toma valores cercanos a 0, la
correlacin es dbil.
Si r = 1 1, los puntos de la nube estn sobre la recta creciente
o decreciente. Entre ambas variables hay dependencia funcional.
Por ejemplo, se tomaron diferentes valores de masa y volumen de
agua para determinar su relacin, y la densidad del agua. Se
control la masa obtenindose los siguientes resultados:
#/CANT. M,
0.1, g
V, 0.6,
ml
1 10 9.9
2 15 15.3
3 20 19.8
4 25 25.2
5 30 29.9
6 35 35.3
7 40 39.8
8 45 45.2
9 50 49.9
10 55 55.1
Haciendo los clculos pertinentes se obtiene los siguientes resultados:
La pendiente: m = 1.000 0.005 g/ml.
La ordenada al origen: b = 0.032 0.167 g.
La ecuacin ser: M = (1.000 0.005) V + (0.0 0.2), donde
M est en g, y V est en ml.
Comparando los modelos terico y experimental, sabemos que la
densidad es el inverso de la pendiente: = 1/m. Calculando obtenemos:
ml g
m
/ 005 . 0 000 . 1
) 1 (
) 005 . 0 )( 1 (
1
0
000 . 1
1 1
2
2
2
t
1
1
]
1
,
_
+
,
_
t
As pues, la densidad ser: = 1.000 0.005 g/ml.