Errores de medicin. Precisin y exactitud. Cifras significativas. Errores absolutos y relativos. Histogramas. Errores sistemticos y accidentales. Propagacin de errores.

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 medicin 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 consistir 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 equivalente 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 probabilsticos) 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 representativo de nuestra medicin y al semiancho x lo denominamo la incerteza o error absoluto de la medicin.

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 la semiancho del intervalo El magnitud( x ) se denomina enla incercuestin. 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 debido 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 precisos 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 magnitud 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 (similares, 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.

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 medicin 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 apreciacin nominal de 10 m) es ms preciso que una regla graduada en milmetros; o que un cronmetro 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 mesurando 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).

Decimos que conocemos el valor de una magnitud dada, en la medida en que conocemos 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 determinacin 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 discutidos en este capitulo puede encontrarse consultando las publicaciones sobre el tema 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 equivalente 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 incertidumbre que tendremos al realizar una medicin estar asociada a la mnima divisin 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 mnima cantidad que puede medirse con un dado instrumento la denominamos apreciacin 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 milmetro mientras que otro observador, con la misma regla pero con dificultades de visin slo pueda apreciar 2 mm. Error de exactitud, exac: representa el error absoluto con el que el instrumento en cuestin ha sido calibrado.

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. Falta de definicin en el objeto sujeto a medicin: como se dijo antes, las magnitudes a medir n o estn definidas con infinita precisin. Con def designamos la incertidumbre asociada con la falta de definicin del objeto a medir y representa su incertidumbre intrnseca.

III.

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:
2 2 2 2 2 nom = ap + def + int + exac

(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 incertidumbre 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 calcular el rea. En este caso, la mayor fuente de incertidumbre proviene de la definicin del mesurando (el dimetro). Una forma de estimar la incertidumbre sera determinar los valores mximos y mnimos del dimetro usando una serie de mediciones y tomar como dimetro la semidiferencia de estos valores, dimetro= (Dmax - Dmin).

Segn su carcter los errores pueden clasificarse en sistemticos, estadsticos e ilegtimos o espurios. a) Errores sistemticos: se originan por las imperfecciones de los mtodos de medicin. Por ejemplo, pensemos en un reloj que atrasa o adelanta, o en una regla dilatada, el error de paralaje, etc. Los errores introducidos por estos instrumentos o mtodos imperfectos afectarn nuestros resultados siempre en un mismo sentido. El valor de exac sera un ejem-

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 registrados 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 aconsejable 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 estamos mal ubicados frente al fiel de una balanza. Estos errores pueden cometerse con igual probabilidad por defecto como por exceso. Por tanto, midiendo varias veces y promediando el resultado, es posible reducirlos considerablemente. Es a este tipo de errores a los que comnmente hace referencia la teora estadstica de errores de medicin que formularemos sucintamente en lo que sigue. A estos errores lo designaremos con

est.
c) Errores ilegtimos o espurios: Supongamos que deseamos calcular el volumen de un objeto esfrico y para ello determinamos su dimetro. 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 habremos cometido un error. Esta vez este error est ms asociado al concepto 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 prescripcin usual es sumar los cuadrados de los errores absolutos y luego tomar la raz cuadrada 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:

2 2 Z = est + nom =

2 2 2 2 2 est + ap + def + int + exac

(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 mejor 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 medicin, con una cierta probabilidad razonable p 0 (usualmente p 0 = 0.68, 68%) el valor de Z est contenido en el intervalo ( Z - Z, Z +Z), o sea: Z Z < Z < Z + Z . lo que es equivalente a: P( Z Z < Z < Z + Z ) = p0 , (1.4)

(1.5)

que significa que la probabilidad que el mejor estimador de Z est comprendido entre Z - Z y Z +Z es igual a p 0. El valor de p 0 se conoce con el nombre de coeficiente de confianza y los valores ( Z Z , Z + Z ) determinan un intervalo de confianza para Z.

Error relativo: Z = Z / Z , el cociente entre el error absoluto y el mejor valor de la magnitud. Error relativo porcentual: Z ,% = 100 Z , es la incertidumbre relativa multiplicada por 100.

& 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 ambos casos la misma (d = L = 1 mm). Sin embargo, resulta evidente que la determinacin de la longitud del alambre es mucho mejor que la del dimetro. El error relativo 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 decimos 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 dgito. 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 menos 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 incertidumbre 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 resultado? 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

instrumentos para realizar estas dos clases de determinaciones). Para evitar estas ambigedades se emplea la notacin cientfica. Podemos escribir la siguiente igualdad: 9.5 x 101 mm = 9.5 x 104 m. Notemos que los nmeros en ambos miembros de la igualdad tienen igual nmero 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 n 1 de individuos de la muestra cuyas alturas estn en el primer intervalo [y1, y2), el nmero n j 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: fj=

nj
j

(1.6) nj

Esta funcin de distribucin est normalizada, es decir:

m j =1

fj =1

(1.7)

El grfico de fj versus xj [xj = 0.5 ( yj-1 + yj)] nos da una clara idea de cmo se distribuyen 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, QuatroPro, Origin, etc.) tienen herramientas para realizar las operaciones descriptas aqu y el grfico resultante. En la Fig. 1.3 ilustramos dos histogramas tpicos.

100 <X>=15

<X> =15
80

100

=5
x

=1.5
x

80

60

100 . f j

100 . fj

60

FWHM

40

FWHM

40

20

20

0 5 10 15 xj 20 25 30

10

15

20

25

30

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: x =< x >=

m j =1

xj fj =

1 N

i =1

xi

(1.8)

La varianza: Var( x ) = x 2 =

m j =1

( x j x )2 f j

(1.9)

La desviacin estndar: x = Var( x )

(1.10)

El valor medio da una idea de la localizacin o valor medio de los valores en la muestra. 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 concentrada 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:

f ( x) = N ( x; m, ) =

( x m)2 1 exp 2 2 2

(1.11)

La campana de Gauss est centrada en m y su ancho est determinado por la desviacin 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 x2. y x+2. 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 ocurrencia comn en la naturaleza. Cuando se desea comparar un histograma no normalizado con una curva normal, es necesario 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 (= x i- x i-1). Para comparar el histograma con la curva normal debemos multiplicar la distribucin (1.11) por el factor Nt. x.

& Los parmetros ms usuales con los que puede caracterizarse la localizacin de una distribucin asociada a un conjunto de N datos son: a) b) c) la media la mediana la moda

La media o promedio de la distribucin se define, segn ya vimos, como: N x = i 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 definen 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.

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 menor 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 coincidir. 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, media 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 distribucin 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 distintas interpretaciones que pueden extraerse de un conjunto de datos estadsticos.

@ La empresa Pochoclos S.A. analiza la necesidad de discutir los salarios. El cuadro de sueldos es el siguiente: Gerente Sub-gerente 2Asesor 2 Secretarias Capataz 6 Operarios $9000 $5000 $2500 $ 1350 c/u $ 1200 $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 salario 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.

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 veces

Un modo de minimizar la incidencia de los errores estadsticos, es realizar varias mediciones del mesurando. Dado el carcter al azar de los este tipo de errores es claro que, al promediar 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 =

N j =1

xj .

(1.12)

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

N 2 ( x j x) 2 = j =1 Sx . N 1

(1.13)

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 S x / x , que
en general es una constante del proceso de medicin y no disminuye al aumentar N. Como acabamos de discutir, S x representa el error promedio de cada medicin. Otra manera de explicar el significado de S x es pensar que, cuando realizamos una serie de mediciones, los resultados obtenidos presentarn una distribucin estadstica, cuya desviacin estndar viene dada por S x . 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 distribucin (puesto que variarn entre s) pero con una menor dispersin que las mediciones individuales. Se puede probar[1,3] que a medida que el nmero N de mediciones aumenta, la distribucin de x ser normal con una desviacin estndar dada por: N ( x j x) Sx j =1 = . N.(N 1 ) N

est =

x=

(1.14)

x se llama el error estndar del promedio y es el estimador del error asociado a x . Recordemos que S x 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 milmetros, 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. A l aumentar N, x ciertamente disminuye, pero, desde un punto de vista fsico, el error en x solo puede disminuir hasta hacerse igual o del orden de nom. La Ec. (1.2) indica que no es razonable esforzarse en 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 mesurando. Como suponemos que S x es constante con N, la idea es hacer un nmero pequeo de mediciones Nprel , digamos unas 5 a 10, luego calcular S x , de donde se obtiene:

N op

Sx , nom

(1.15)

que resulta de imponer la condicin: est nom. Si Nop > Nprel , se completan las mediciones 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 x 2 = 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 , x +x ), 96 de ellas en el intervalo (x -2x , x +2x ), y 99 de ellas en el intervalo ( x -3x , x +3x ). Estos resultados 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. 2. 3. 4. 5. 6. 7. 8. Se realizan unas 5 a 10 mediciones preliminares y se determina el error promedio de cada medicin S x . Se determina Nop. Se completan las Nop mediciones de X. Se calcula el promedio X y su incertidumbre estadstica x .
2 2 Se calcula el valor del error efectivo X = x + nom , ecuacin (1.2). Se escribe el resultado de la forma X = X X.

9. 10.

Se calcula el error relativo porcentual x=100* X / x 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 S x . Se analizan posibles fuentes de errores sistemticos y se corrige el valor medido. Se evala la incertidumbre absoluta de la medicin combinando las incertidumbres estadsticas y sistemticas (Ec. 1.2).

1.8 Combinacin de N mediciones independientes

Una situacin frecuente en ciencia es la determinacin del mejor valor de una dada magnitud 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 determinacin, 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]:

< x >=
Con un error dado por < x > : 1
2 < x>

xk k =1 2 k N 1
k =1 2 k

(1.17)

1 k =1 2 k

(1.18)

& Un caso especial de inters, es cuando tenemos N determinaciones del mesurando todos con el mismo error . Como puede deducirse fcilmente de la Ec. (1.17) el promedio ser: N x =1 k < x >= k = , N que, como es de esperar, coincide con la expresin (1.12). La incertidumbre asociada 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.

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 resultados de las dos observaciones que se comparan son independientes (caso usual) y dieron como resultados: Medicin 1 : Medicin 2 : definimos:
2 2 X 2 = X 1 + X 2

X 1 = X 1 X 1 X 2 = X 2 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 valores 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 determinacin 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

daremos los resultados, para mayor detalle se recomienda consultar la bibliografa citada. Supongamos, para fijar ideas, que la magnitud V, es una funcin de los parmetros, x , y, z, 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 designamos en el modo usual como x, y, z, etc. Entonces se puede demostrar[1,3] que el error en V vendr dado por: 2 dV dV V = x 2 + dy dx 2 2 dV 2 2 y + dz z +

(1.20)

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 factorizable como potencias de x, y, z, etc., la expresin anterior puede ponerse en un modo muy simple. Supongamos que la funcin en cuestin sea:

x .y V ( x, y, z ) = a. z
n l

(1.21)

Entonces: 2 2 2 V y x z 2 = n2 + m 2 + l + . y V x z Para clculos preliminares, esta expresin puede aproximarse por:

(1.22)

V x y z n + m +l . V x y z

(1.23)

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

( Z ) 2 = ( x ) 2 + ( y) 2

(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 densidad, , 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 numerador y denominador, y ver a qu cifra afecta el error de . Usando (1.22) obtenemos 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. Finalmente, 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. J 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 permetro, es posible medir . Disee un experimento que le permita realizar esta medicin. Obtenga con este mtodo. D su incertidumbre. Compare los valovalores 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 Internet: 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

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 alambre (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 d L +2 + V d L 0.01 0.001 + 0.006 + 0.002

La primera expresin es una aplicacin de (1.23), esta aproximacin de primer orden es til y suficiente para este anlisis preliminar. La asignacin de la segunda lnea 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 asignado mayor tolerancia (error relativo) a d que a L. Con esta asignacin preliminar podemos decidir cules instrumentos son ms adecuados para realizar el experimento (los ms adecuados son los que hacen la medicin ms fcil, en menor tiempo, con el menor costo y que cumplan los requisitos exigidos). Como
d 0.003 d 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 L 0. 002 L = 0. 002 50cm 1mm ,

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,

que indica que debemos usar con 3 cifras decimales para que el error en su truncamiento tenga una incidencia despreciable. Ntese que hasta ahora todo es preliminar 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 obstante, 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 realicemos 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: 95023-0290-7. 7. Guide to the expression of uncertainty in measurement , 1st ed., International Organization 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.

10. Estadstica, Spiegel y Murray, 2da ed., McGraw Hill, Schaum, Madrid (1995). ISBN 847615-562-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); Mathematical method of statistics, H. Cramr, Princeton Univ. Press, New Jersey (1958).