CAPITULO II

APLICACIONES DE LA TEORIA DE LA PROBABILIDAD AL TRATAMIENTO

DE LOS ERRORES ACCIDENTALES
Generalidades. Definicin de la Probabilidad. Frecuencia absoluta y relativa.
Representacin grfica de la Distribucin de Errores: Histograma. Polgono de Frecuencia
y Distribucin Normal de una medicin. Funcin de Distribucin Acumulativa. Funcin
Densidad de Probabilidad. Determinacin de intervalos de confianza.
La teora del Clculo de la Probabilidad (C. de P.), es la disciplina matemtica que
se dedica a la descripcin de fenmenos estadsticos, es decir que estudia las regularidades
cuantitativas de los fenmenos aleatorios masivos a o sea de aqullos que al reproducir
rpidamente un mismo ensayo, prueba o experimento ocurren cada vez de modo diferente.
Lo caracterstico de una descripcin estadstica, en contraposicin con una descripcin
causal , es que no se aplica a un suceso nico, sino al conjunto total de un gran nmero de
sucesos.
Si se supone que un cierto grupo de sucesos es objeto de una descripcin estadstica,
quiere decir que los sucesos son fenmenos accidentales, aleatorios o de azar: No se
puede determinar de antemano ni predecir el resultado de los sucesos y el estado final del
grupo descrito. Si por el contrario fuera posible, se tendra una descripcin causal de ciertos
sucesos y determinarse en base al conocimiento de los factores interactuantes los
resultados del experimento.
Entre algunos sucesos casuales se tienen: extraccin de una bola de una urna, el
lanzamiento de una moneda o de un dado, los casos hereditarios y de variacin ( de las
Ciencias Biolgicas), el suceso de un incendio o de una muerte (para las Compaas de
Seguro), la presentacin de los errores de observacin (o errores de medicin) en las
Ciencias de Medicin, etc.
Antes de entrar a la definicin de probabilidad, se definirn varios conceptos que
son necesarios en la Teora de Probabilidad.
- Ensayo: es la ejecucin de cada observacin, prueba o medicin.
- Suceso: es el resultado que se obtiene de un ensayo.
Ejemplo: Si se lanza una moneda pueden ocurrir dos sucesos: cara o sello.
- Complejo de condiciones: es el conjunto de condiciones bajo las cuales se realiza
el ensayo. Ejem.: cuando se miden ngulos entre las condiciones se tienen:
aumento del anteojo, precisin del dispositivo de lectura, condiciones
ambientales, pericia del observador, etc.
30
- Suceso aleatorio: (Se refiere al resultado que puede ocurrir o no) es aqul que se
obtiene al repetirse un ensayo (dado cierto complejo de condiciones) que puede
aparecer o no.
- Fenmeno aleatorio: es aqul que se origina cuando se verifica reiteradamente un
mismo ensayo y que ocurre cada vez de un modo diferente al variar las
condiciones bajo las cuales se efecta el ensayo.
Clases de sucesos:
- Ciertos: si ocurren seguramente de cumplirse cierto complejo de condiciones.
Ejem. Si en una caja hay solamente bolas blancas, el suceso de extraer una de
la caja, sta ser blanca es un suceso cierto.
- Imposible: es aqul que en presencia de cierto complejo de condiciones, no se
efecta. Ejem. si en una caja solo hay bolas blancas, el suceso imposible ser
la aparicin de una bola roja ( el complejo de condiciones solo est
determinado por la existencia de bolas blancas en la caja).
- Aleatorio: aqul que puede o no ocurrir al cumplirse cierto complejo de
condiciones. Ejem. Si se mide una distancia que tiene una longitud ya conocida
de antemano, el error de medicin puede ser positivo o negativo, lo que no
puede predecirse, ya que el suceso aleatorio es el resultado del efecto de
muchos factores (condiciones de la medicin, precisin del mtodo utilizado,
metodologa del proceso, etc.).
Clases de sucesos aleatorios:
1- Compatibles o simultneos: cuando se pueden producir al efectuar un
ensayo. Ejem: el acierto de un proyectil al blanco y la explosin del
detonante son sucesos compatibles.
2-Incompatibles o excluyentes: cuando al efectuar un mismo ensayo, la
aparicin de uno de ellos excluye la aparicin de los dems. Ejem: en una
caja hay bolas blancas y rojas, en un ensayo para extraer una, el suceso (A)
de extraer una blanca y el (B) de sacar negra, son sucesos incompatibles.
3- Unicamente posibles: cuando el resultado del ensayo, es nico suceso
cierto. Ejem: al lanzar una moneda son posibles solamente los sucesos cara
o sello.
4-Igualmente posibles: se denomina as a los sucesos que tienen igual
posibilidad objetiva de aparecer.
5-Grupo completo de sucesos: es el formado por un sistema de sucesos
nicamente posibles.
6- Sucesos opuestos: son dos sucesos nicamente posibles que constituyen
un grupo completo de sucesos.
7- Espacio muestral: es el conjunto de todos los resultados posibles de un
experimento, que suele constar de todas las cosas que pueden resultar
cuando se toma una muestra, se indica generalmente con la letra (S), puede
ser discreto cuando tiene un nmero finito contable de elemento y continuo
cuando sus elementos o puntos muestrales constituyen un continuo, ejem.
Todos los puntos sobre una lnea.
31
8- Evento: es cualquier subconjunto del espacio muestral.

El clculo de Probabilidades se limita a la descripcin de hechos aleatorios, no
excluyendo los causales como un caso lmite.
El ajuste de las cantidades medidas que contienen errores es uno de los principales
problemas de las Ciencias Exactas. Los diferentes fenmenos que ocurren en el mundo real,
se estudian a travs de observaciones, pruebas y mediciones. Las observaciones son la base
de todas las investigaciones cientficas; el carcter que revela el objeto estudiado es de
ndole tanto cualitativa como cuantitativo.
La teora de las Probabilidades estudia no slo los sucesos aleatorios, sino tambin
las magnitudes o cantidades aleatorias, as como las funciones aleatorias.
Si se considera que todas las mediciones estn libres de errores groseros y
corregidas por todos los errores sistemticos y an dichas mediciones presentan
variaciones, se debe a la presencia de errores casuales (fortuitos o de azar) los cuales siguen
las leyes de la probabilidad y por ende as sern tratados.
DEFINICION DE PROBABILIDAD: Se define la probabilidad como la razn
del nmero de veces que ocurre un suceso comparado con el nmero total de
posibilidades de ocurrencia.
Esto permite definir tambin la probabilidad como el lmite de la frecuencia de
ocurrencia cuando el nmero de repeticiones se aproxima a infinito. La probabilidad se
percibe como una fraccin comprendida entre cero y uno. El cero indica imposibilidad y
el uno la certeza. Es as como un suceso puede ocurrir o no, por lo tanto la suma de las
probabilidades de cualquier evento es igual a la unidad.
En trminos de probabilidad, un evento compuesto es la ocurrencia simultanea de
dos o ms eventos independientes, la ocurrencia compuesta de errores es el caso ms
frecuente en la prctica de levantamientos. Ejem: ocurrencia de errores compuestos en un
levantamiento de poligonales que impide el cierre.

De acuerdo a todo lo mencionado, vale la pena destacar la definicin de
LAPLACE, llamada definicin clsica de la probabilidad: La probabilidad P(A) de un
cierto suceso (A) es la relacin de la cantidad de los resultados favorables a la cantidad total
de todos los resultados posibles: P(A)= . / n n
A



A
n = nmero de resultado favorables
n
= nmero total de resultados posibles
( ) A P Probabilidad del suceso
Esta definicin fue objeto de varias crticas, ya que existen situaciones en que las
posibilidades no pueden ser consideradas como igualmente probables, lo que limita su
aplicacin.
Otra de las definiciones de la probabilidad y la ms utilizada es la interpretacin de
la probabilidad como frecuencia relativa: La probabilidad de un evento (acontecimiento o
32
resultado) es la proporcin de las veces que eventos de la misma clase ocurrirn al repetir
muchas veces el experimento.
Ante las limitaciones de la definicin clsica, KOLMOGOROW present tres (3)
axiomas o postulados que definen la probabilidad:
1.- La probabilidad de un cierto suceso aleatorio (A) es un nmero positivo
comprendido entre cero (0) y uno (1) incluyendo ambos lmites: 1 0
A
P
2.- La probabilidad de un suceso seguro (E) o certeza de ocurrencia es igual a la
unidad: 1
E
P
3.- La probabilidad de un suceso imposible (0) es igual a cero (0):
0
0
P
.
La definicin de LAPLACE es valida en casos de cantidades finitas con resultados
favorables y de una cantidad definida de todos los resultados y constituye simplemente un
caso especial de la definicin axiomtica, no es aplicable en problemas de tipo geomtricos
o estadsticos donde las cantidades
A
n (
y

) n
son desconocidas.
DISTRIBUCION DE FRECUENCIA: es una tabla que divide un conjunto de
datos en un nmero de clases o categoras, mostrando el nmero de elementos en cada
clase o la frecuencia con que ocurre.
Intervalo de clase: es cada uno de los intervalos en que se han agrupa parcialmente los
datos, es decir constituye la longitud de las clases que conforman la distribucin.
- Frecuencia del intervalo: es el nmero de mediciones que quedan dentro del
intervalo.
- Longitud o ancho del intervalo: es la diferencia entre el extremo mayor y el
menor del intervalo.
- Marca de clase: es la representacin de cada observacin en una clase por su
punto medio y se obtiene promediando los lmites de clase consecutivos o
fronteras de clases sucesivas.
CONSTRUCCION DE UNA TABLA DE FRECUENCIA PARA DATOS
CUANTITATIVOS:
Para la construccin de una tabla de frecuencia para datos cuantitativos se
recomienda seguir ciertas reglas:
1.- El nmero de intervalos debe escogerse de acuerdo con el nmero de datos:
N datos N intervalos
10 -100
100 -1000
1000 1000
4-8
8-11
11-14
33
El nmero (K) de intervalos que se recomienda tomar de acuerdo al nmero de
datos es dada por la frmula de Sturges,
K= 1+ 3,322 log.10 (n)
n= N de datos
2.- Se determina la longitud (l) del intervalo mediante la expresin:

= DATO MAYOR DATO MENOR

K
DATO MAYOR DATO MENOR = amplitud o dispersin
3.- El primer intervalo debe contener el menor de los datos y el ultimo el mayor, y
en lo posible todos los intervalos deben tener la misma longitud o ancho.
4.- Se construye una tabla en la cual, en la primera columna se colocan las clases,
en la segunda los intervalos y en la tercera las frecuencias (
fi
).
FRECUENCIA ABSOLUTA: Se define como la cantidad de veces que se realiza un
suceso (A) y se representa por:
A A
n f . La suma de las frecuencias absolutas de todos los
sucesos posibles es igual a la cantidad total de los experimentos realizados:
M B A M B A
n n n f f f + + + + + + ...... ......
FRECUENCIA ACUMULADA: (absoluta) de la clase
) ( j
es el nmero que se
obtiene de sumar la frecuencia de la clase
) ( j
con la frecuencia de las que le anteceden se
simboliza por
j
f
y se utiliza para el clculo de algunas medidas: medianas, cuartiles,
deciles y percentiles.
FRECUENCIA RELATIVA: es la relacin de la frecuencia absoluta a la cantidad
total de las repeticiones del experimento y se representa por:
n n n f f
A A A
B
/ /
) (

. La
suma de las frecuencias relativas es igual a la unidad. Cuando la frecuencia relativa del
evento es definida, los tres axioma se aplican:
1.- n n
A
< se cumple el axioma (1)
2.- n n
A
el suceso o evento es seguro y la frecuencia relativa es igual a la
probabilidad, es (1), s y solo s A ocurre cada vez en las n repeticiones.
3.- 0
A
n es un evento imposible, la frecuencia es cero (0), es decir si el evento A
no ocurre en las n repeticiones.
Las frecuencias relativas calculadas como valores lmites sobre la base del gran
nmero de mediciones se aceptan como las probabilidades. Como ejemplo se tiene una
distancia medida 5000 veces con cinta de acero hasta 0.001 m. Las mediciones se corrigen
34
por los errores sistemticos y los valores resultantes redondeados al cm. ms prximo, para
cada valor se calcula y se registra la frecuencia relativa de ocurrencia. (Tabla 1).
Valor Ponderado de
Medicin (m)
Frecuencia Absoluta N de
Mediciones
A
f
A
n
Frecuencia Relativa n f
A
/
n n
A
/
489.51
489.52
489.53
489.54
489.55
0
206 (apariciones en las Medidas)
3633
1161
0
0
Ejm: 206/5000= 0.0412
0.7266
0.2322
0
Total: 5000= n Proabilidad =1.0000
Tabla: 1
Las frecuencias relativas calculadas sobre la base del gran nmero de mediciones
(5000) como las probabilidades y considerando por lo tanto, cada grupo de mediciones
como un evento y tomando en cuenta lo dicho para frecuencia relativa se tiene:
A= 489.51 0
A
P
B= 489.52 0412 . 0
B
P
C= 489.53
7266 . 0
C
P
D= 489,54 2322 . 0
D
P
E= 489.55 0
E
P
Frecuencia acumulada relativa de la clase
) ( j
al cociente entre la frecuencia acumulada de
la clase
) ( j
y el numero de datos, se representa
n Fj /
.
REPRESENTACION GRAFICA DE LA DISTRIBUCION DE LOS ERRORES
FORTUITOS O ALEATORIOS:OJO Considerando que las mediciones estn libres de
errores groseros y corregidos por todos los errores sistemticos, cualquier variacin de la
medicin es causada solamente por errores causales, los cuales no son posibles de corregir
pero se puede estudiar su comportamiento de acuerdo a la distribucin de frecuencia la cual
se usa como base para construir el modelo de la probabilidad para las mediciones. La
distribucin de frecuencia puede ser representada por: histograma, polgono de frecuencia
y curva de distribucin normal.
HISTOGRAMA: es una representacin grfica de la distribucin de un grupo de
mediciones o de un grupo de residuales, mediante un grfico de barras de frecuencia que
tienen como ordenada la ocurrencia de frecuencias y como abscisa el valor medido o el
residual.
Los histogramas ilustran la siguiente informacin para un grupo de mediciones:
35
a.- Si las mediciones o residuales estn simtricamente distribuidas alrededor de un
valor central.
b. - La dispersin total en los valores medidos o en los residuales.
c.- La frecuencia de ocurrencia de los valores medidos o de los residuales.
d.- La inclinacin del histograma que es una indicacin de la precisin de los
valores medidos.
El histograma presenta la frecuencia de cada uno de los valores en forma de un
rectngulo cuya base es el intervalo o lmite de clase y la altura la frecuencia absoluta o
relativa.
Las frecuencias ms altas son o estn ms prximas al valor central , si el nmero de
mediciones aumenta, la frecuencia relativa se aproxima a un valor lmite estable. Ejemplo:
una distancia de 800m. aproximadamente se mide 200 veces. Todas las mediciones
estn libres de errores groseros y sistemticos, los valores corregidos se expresan
hasta 0.10 m. estos valores tienen variaciones en los rangos de las mediciones que van
de 810.11 m. a 810.23 m. distribuidos de la siguiente forma:
Distribucin
medida (m)
N Mediciones Fr.
Absoluta
Frecuencia relativa
810.11
810.12
810.13
810.14
810.15
810.16
810.17
810.18
810.19
810.20
810.21
810.22
810.23
1
3
7
19
20
36
38
29
24
10
11
0
2
0.005
0.015
0.035
0.095
0.100
0.180
0.190
0.145
0.120
0.050
0.055
0.000
0.010
N = 200
Tabla N. 2
Evaluar y trazar la frecuencia relativa para cada uno de los valores.
Solucin: la frecuencia relativa se obtiene dividiendo el nmero de mediciones
observadas para cada valor entre el nmero total de mediciones. (Fig.1)
36
Analizando el grfico, la base de los rectngulos ms altos representa todas las
clases de las mediciones entre los valores 810.165 y 810.175 (expresado como 810.17 m.) y
la altura de este rectngulo representa la frecuencia relativa de 0.190.
POLIGONO DE FRECUENCIA: si se conecta con lneas rectas los puntos
centrales superiores de los ejes de cada rectngulo del histograma se obtiene un polgono
de frecuencia y representa la misma informacin que el histograma.
Un estudio del polgono de frecuencia indica una regularidad y se ha confirmado
que con el aumento de la cantidad de observaciones y disminucin del intervalo (ancho) de
los rectngulos, el polgono se transforma en una curva de forma ms regular.
Fig. 1 - Histograma correspondiente al ejemplo:

CURVA DE DISTRIBUCION NORMAL: en lugar de usar un histograma para
representar las probabilidades es ms conveniente emplear un modelo matemtico de
probabilidad o distribucin de probabilidad, representado por una curva cuya expresin es:
( ) ( ) { }
2 2
) (
2 / . exp . 2 / 1
x x x
x f
) (x f
probabilidad de ocurrencia entre (x) y (x+dx) de un error.
e= base de log. naturales
( ) x

desviacin standard de x

media de (x)
Si un evento tiene una probabilidad de uno (1), ciertamente ocurrir y por lo tanto
el rea bajo la curva representa todas las probabilidades de la ocurrencia de los errores y es
igual a uno (1).
VARIABLE ALEATORIA: es aquella variable que toma varios posibles valores a
cada uno de los cuales se asocia una probabilidad.
Fig.2
En diferentes aplicaciones de la teora de la probabilidad, incluyendo las mediciones
en levantamientos, es ms conveniente describir la probabilidad de un evento aleatorio
(aqul cuya frecuencia relativa de ocurrencia se aproxima a un nmero fijo cuando el
37
Curva de Distancia Normal
P
r
o
b
a
b
i
l
i
d
a
d


d
e


o
c
u
r
r
e
n
c
i
a

(
y
)
x
dx
Tamao del Error
Y=f(x)

nmero de repeticiones crece hacia el infinito) como una funcin de una variable aleatoria.
El evento aleatorio X que toma valores (x) numrico especficos, se representa por: X= x y
la probabilidad de que ocurra, matemticamente se representa por P (X=x), est dada por la
funcin
( ),
) (
x X P P
x

siendo X v.a. y
) ( x
P
funcin probabilidad.
La variable aleatoria X y sus funcin de probabilidad constituyen lo que se conoce
como un modelo de la probabilidad, un modelo matemtico que describe la distribucin de
probabilidades a una clase particular de eventos aleatorios. Por consiguiente una
distribucin de probabilidad describe las varias probabilidades relacionadas con los
posibles valores de una variable aleatoria. Estas distribuciones son determinadas como
dos tipos: funcin de distribucin acumulada y la funcin de densidad de la probabilidad.
FUNCION DE DISTRIBUCION ACUMULADA O FUNCION DE
DISTRIBUCION: la funcin de distribucin acumulativa
) ( x
F
para la v.a. X est definida
por la relacin:
( ) ) (x F x X P la cual dice: la probabilidad que v.a. (x) tome valores menores o
iguales a (x) define
) (x F
o la funcin de distribucin acumulada porque, las probabilidades
son por definicin axiomticas limitadas a valores entre cero (0) y uno (1) que es
( ) 1 0 P . La funcin F (x) satisface las condiciones:
lim. F(x) = 0 lim. F(x) =+1

x

+ x
TERMINO AQU LA CLASE 01FEB2013
FUNCION DE DENSIDAD DE PROBABILIDAD: f(x) es la frmulada de manera
anloga al concepto de densidad en fsica. Se define como la probabilidad para un intervalo
( ) x y matemticamente se define como la primera derivada de la funcin de distribucin,
es decir:
dr r f x F x x P
x
) ( ) ( ) (


<
donde fr= funcin de densidad y
x x F x f / ) ( ) (

) ( x F

De las relaciones entre F(x) y f(x) se pueden deducir las siguientes propiedades:
1.- La probabilidad de que una variable aleatoria (X) tome valores en el
38
Intervalo entre
2 1
x y x
, siendo
1 2
x x > es dado por:
( ) ( ) ( ) dr r f x F x F x X x P
x
x

< <
2
1
1 2 2 1
) (
lo cual se indica e el rea rayada de
la figura 3.
2.- La probabilidad de que una variable aleatoria (x) tome valores ms pequeos que
1
x
est dado por: Cuando el limite tiende a infinito F(-infinito)=0
( )
1
x X P < < =
( ) ( ) ( ) f x F F x F
x
1
1 1



( ) r dr.
3.- Similar a lo dicho en (2) se puede escribir la probabilidad de que (X) tome valores
mayores a
1
x , lo cual se expresa por: F(infinito)= 1
( ) ( ) ( )
1 1 1
1 ) ( ) (
1
x f dr r f x F F X x P
x
< <

De los desarrollos anteriores, dos condiciones permiten caracterizar f(x) como una
funcin de densidad de probabilidad:
1.- 0 ) ( x f para todo valor de (x)
2.- ( ) 1

+

dx x f siendo en este caso el rea total bajo la curva de densidad
igual a uno (1)
Los dos criterios anteriores deben ser cumplidos estrictamente para que una funcin
pueda ser considerada como una funcin de densidad de probabilidades. Conociendo sta
se puede obtener la funcin de distribucin o viceversa.
La funcin de densidad f(x) no da la probabilidad de que (x) tome el valor (x) como en
P(x), sino que la probabilidad est representada por el rea bajo la funcin densidad y no
por el valor de la ordenada.
La figura 4 muestra la relacin entre una funcin de distribucin y su
correspondiente funcin de densidad, puede verse como ( )
2 1
x X x P < < est representada
en cada caso. En la funcin de distribucin ( )
2 1
x X x P < se representa por la diferencia
39
x
f(x)
x1 x2
Fig.3
de ordenadas ( ) ( )
1 2
x F x F y en la funcin de densidad ( )
2 1
x X x P < por el rea
rayada.
Figura 4. Funcin De Distribucin
Figura 4. Funcin de Densidad
DISTRIBUCIONES USADAS MAS A MENUDO: en relacin con la teora de
errores de observacin y ajuste por mnimos cuadrados, hay pocas distribuciones (de una
dimensin) que son aplicadas. Solamente las distribuciones continuas son discutidas,
40
x
F(x)
1.0
F(x
2
)
F(x
1
)
0 q x
1
x
2
s
P(x
1
<xx
2
)
x
0
q
x
1
x
2
P(x
1
<xx
2
)
.
F(x)
+-
principalmente las usadas para test estadsticos, tales como la Gaussiana o distribucin
normal, la distribucin (t) de Students y la distribucin Chicuadrado ( )
2
x y la F.
DISTRIBUCION NORMAL O GAUSSIANA: es la ms importante de todas las
distribuciones, tiene amplias aplicaciones en la ciencia, la tecnologa y la industria. Es
usada como el modelo bsico para todas las mediciones fsicas, incluyendo las mediciones
en levantamientos. Su funcin de densidad est dada por:
( )

'

2
2
2
. exp
2
1
) (
x
x
x
X
x f

para + < < X en esta ecuacin hay dos
parmetros que caracterizan la distribucin normal:
) (x de media
x

2
2
) ( + x de standard desviacin
A1= 1 /
x
2 A2= 1 / 2
2
x
PROPIEDADES DE LA CURVA DE DISTRIBUCIN NORMAL:
1. - La funcin densidad de distribucin normal f(x) es simtrica alrededor de la
media
( )
x

o alrededor de una ordenada de un residuo cero (0), o sea que f(-x)

= f(+x).
2. - La funcin densidad de distribucin normal f(x) disminuye con el crecimiento
absoluto de (x) y la curva se hace asinttica al eje (x), para ( ) t x , por lo tanto
) ( ) ( + f f
e igual a cero.
3.- La funcin densidad de distribucin normal tiene dos puntos de inflexin para
( )
x x
x t
o tambin cuando la variable ( ) ( ). 2 / 1
2
h x t .
4.- La probabilidad de que (X) tome valores entre ( )
1
x y ( )
2
x est dado por el rea
entre el eje (x) y la curva de la funcin densidad y los lmites del intervalo ( )
1
x x
y ( )
2
x x . En otras palabras la probabilidad ( ) x P de la ecuacin es equivalente al
rea bajo la curva entre los lmites (x) y (x + dx).
5.- El rea total bajo la curva de probabilidad representa la probabilidad total, es
decir es igual a la unidad.
6. - La curva tiene su valor mximo cuando (x=0).
La funcin de distribucin de la distribucin normal, esta dada por la expresin:
41
du
u
du u f x F
x x

'


2
2
2
) (
exp
2
1
) ( ) (

Una variable aleatoria (Z) tiene una distribucin normal standard si su funcin de densidad
est dada por:
< <

'

z para
z
Z f
2
exp
2
1
) (
2

que resulta de hacer en la funcin de densidad normal

1 0 y
, y el proceso de
transformacin conocido como standarizacin es dado por:

x
Z
El resultado de la funcin de integrar f(z) es:
[ ]

'

2
exp
2
1
) (
2
u
z z Z P
z

du para
< < Z
La integral puede ser evaluada por medios aproximados y los valores de F(z) se
pueden tabular (Tabla I: valores de la funcin de distribucin normal standarizada).
Si (X) es una variable aleatoria con una distribucin normal, entonces
) ( c X P
, la
probabilidad de que (X) sea menor o igual a ( ) c est representada por el rea rayada en la
Fig. 5a y por la ordenada F( ) c en la Fig. 5b.
Fig.5- Funcin de Densidad
42
Puntos de
Interseccin

x

x
x
0 c
x
-
x

x

x
-
x
P(x c)
F(x)
2
1
Fig.5b- Funcin de Distribucin
MEDICIONES DE PRECISION Y EXACTITUD: bajo el criterio que la
distribucin normal es el modelo de probabilidad para una medicin de levantamiento, se
puede representar la medicin por (x), una variable aleatoria con funcin densidad dada por
la expresin:

'

2
2
2
exp
2
1
) (

x
x f
En esta forma la distribucin normal es el modelo de probabilidad para la
componente de error aleatoria de una medicin. Esta funcin densidad se muestra en la
Fig.6
Fig. 6 Modelo de Probabilidad para el error aleatorio de una medicin
43
0 c
x
F(x)
1.0
0.5
F(c)
P(x
1
<xx
2
)
x
.
La precisin de una medicin como ya se dijo, es el grado de proximidad o conformidad de
las mediciones repetidas de la misma cantidad, una con respecto a la otra; por consiguiente,
la dispersin de la distribucin de la probabilidad de una medicin o de su componente de
error aleatorio, es una indicacin de la precisin de la medicin. Una pequea dispersin
indica alta precisin y en caso contrario baja precisin.
Para propsitos de anlisis, se requiere una cantidad sealada de la precisin de una
medicin y la cual puede ser la desviacin standard, cuanto ms pequea sea sta ms alta
es la precisin.
Ejm: Si, ) (
2 1
< donde ( )
1
es la medida de alta precisin y ( )
2
de la baja precisin, y
aplicando el criterio que la probabilidad de la medicin (X) est entre ( ) y ( ) + ,
que viene dada por la expresin:
( )
( )
dx
x
x P

'

+ < <

2
2
2
exp
2
1

44
- 0
x
Puntos de Inflexin
x
F(x)
Se puede evaluar esta probabilidad, standarizando (x) despus de usar la Tabla I, se
obtiene
( )
( ) ( )
1
]
1

+
<

<

+ < <

x
P x P
= ( ) ) 1 ( ) 1 ( 1 1 < < F F Z P
= 6826 . 0 1587 . 0 8413 . 0
lo cual significa que el rea sombreada es la Fig. 8 es o.6826 del rea total bajo la funcin
densidad.
45
x
- +
0.6826
f(x)
.

1

1
x

2

2
A l ta pr e c i s i n
B a ja p r e c i s in

f (x )
Los mltiplos (k) de la desviacin standard se usan tambin como medidas de
precisin. La probabilidad de que una medicin de levantamiento est entre
) . ( k
y
) . ( k + es:
( )
dx
X
k x k P
k
k

'

+ < <

2
2
2
exp
2 2
1
. . (

Nuevamente standarizada (X) se tiene:
( ) ( ) ( ) ( ) k F k F k z k P k x k p < < + < < .
Notando que la simetra de la distribucin cuando la expresin F(k)+F(-k)=1 se
reduce a:
1 ) ( 2 ) . . ( + < < k F k x k P
Los valores para F(k) se pueden obtener de la Tabla III para valores especficos de
(k). Como ejm. La tabla presenta valores F(k) y
. . ( k X k P + < <
) para varios
valores de (k).
Tabla 3
.k .F(k) .P
0.674
1.000
1.645
1.960
2.000
2.576
3.000
0.7498
0.8413
0.9500
0.9750
0.9772
0.9950
0.9987
0.500
0.683
0.900
0.950
0.954
0.990
0.997
La probabilidad para (k=.674), (k=1.645) y (k=1.960) estn representados en la Fig.9
46
Figura 9.
La cantidad . 6745 . 0 ha sido llamada error probable que modernamente se le indica como
la incertidumbre del 50%.
La cantidad . 645 . 1 t es llamada la incertidumbre del 90%. La probabilidad de que
una medida est entre . 645 . 1 t de su valor medio ( ) es .900. Igualmente, . 9600 . 1 t es
llamado el 95% de incertidumbre y . 576 . 2 t es denominado el 99% de incertidumbre. En
resumen las probabilidades de que la media de distribucin ( ) o valor verdadero para

o
mltiplos de

se expresa de la siguiente forma:

( ) ( ) [ ] 6826 . 0 + < < X P
( ) ( ) [ ] 954 . 0 2 2 + < < X P
( ) ( ) [ ] 997 . 0 3 3 + < < X P
y con respecto a expresar la incertidumbre de fijar la probabilidad de un valor exacto como
50, 90, 95 y 99% con su correspondiente intervalo alrededor de la media de distribucin o
valor verdadero

se expresa por:
( ) ( ) [ ]
( ) ( ) [ ]
( ) ( ) [ ]
( ) ( ) [ ] 990 . 0 576 . 2 576 . 2
950 . 0 960 . 1 960 . 1
900 . 0 645 . 1 645 . 1
500 . 0 674 . 0 674 . 0
+ < <
+ < <
+ < <
+ < <




X P
X P
X P
X P
lo que aparece representado en la Fig.9
La exactitud de una medida se ha definido como su grado de conformidad o de
proximidad al valor verdadero. Est afectada no solamente por los errores aleatorios o
accidentales si no tambin por la desviacin creada por los errores sistemticos sin corregir.
47
1.9600 1.9600
- +
Probabilidad
(rea)
0.500
0.900
0.950
0.674
1.645 1.645
0.674
x
0
f(x)
El error medio cuadrtico (m
2
) se define como: ( )
2 2
X E m , siendo ( ) el valor
verdadero. Este error se emplea como medida de exactitud.
La desviacin ( ) est definida por ( ) =( ) . Aplicando las propiedades de
esperanza se puede demostrar que :
2 2 2
+ m
Al igual que un aumento en ( ) indica una baja precisin, un aumento en (m)
indica una baja exactitud. La alta precisin no necesariamente indica alta exactitud. S
( ) es pequeo y ( ) es grande, la medida tiene alta precisin pero baja exactitud.

S ( ) 0 el error cuadrtico medio es idntico a la varianza y cualquier medicin
de precisin es tambin una medida de la exactitud, por lo tanto es importante reducir el
efecto del error sistemtico a un nivel despreciable, s las medidas de precisin van a
emplearse como medidas de exactitud.
48
BIBLIOGRAFA
- V . Balshakov y P. Gaidyev: Teora de la Elaboracin Matemtica de
Mediciones Geodsicas. Edit. Mir. 1989, Mosc.
- Roberto, Mller; Teora de los Errores y Calculo de Compensacin. 3 edic.
Librera Ateneo. Buenos Aires. 1947.
- Lincoln L.Chao: Estadstica para las Ciencias Administrativas. 3 Edic. Edit.
Mc Graw Hill. 1993. Colombia
- Irwin Miller John e. Freund: Probabilidad y Estadstica para Ingenieros
3edic. Edit. Prentice Hall. 1987. Mxico
- E.Mikhail y G. Grace: Analysis and Adjustment of Survey Measurements,
Edit. VNR. 1981 USA.
- James M. Anderson: Introduccin a la Topografa Edit. Mc Graw- Hill
1987. Mxico.
- Wolf / Brinker : Topografa 9 Ediccin. Edit. Alfaomega. Mxico. 1997.
49
50