Beruflich Dokumente
Kultur Dokumente
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
'
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
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 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