Beruflich Dokumente
Kultur Dokumente
P ( A) P ( B ) P (C )
De hecho, los factores asociados con la cantidad de dinero que se desea contar, el nmero
de contadores e incluso la posibilidad de confirmar el dato mediante nuevos conteos
(observemos que en el caso C el nio no puede proceder a recontar a menos que abra su
alcanca), sugieren al sentido comn el anterior ordenamiento de las probabilidades.
Por estas razones, como ocurre en muchos casos de medicin, lo que algunos llaman
verdad o verdadero, a otros, principalmente en las reas de las ciencias naturales y las
tcnicas, nos parece que es ms cmodo y riguroso denominar aproximacin a la realidad.
Desde este punto de vista, la medicin suele ser definida como la comparacin de una
magnitud fsica con lo que llamaremos valores de referencia (no valores verdaderos), y que
pueden ser de diferente tipo, por ejemplo:
a) Los patrones de medida (de longitud, peso, masa, carga elctrica, etc.), que se utilizan
como unidades de comparacin en operaciones de medicin entre magnitudes de
similar naturaleza, pero cuya escogencia es ms o menos arbitraria. Un ejemplo de
estos patrones es el metro, el cual se define como 1.650.763,73 longitudes de onda de
la radiacin electromagntica emitida por el istopo 86Kr en su transicin entre los
estados 2p10 y 5d5.. Por supuesto, esta definicin del metro es poco utilizada y, en
definitiva, de poca utilidad en la prctica cotidiana, pues usamos estndares de metro
ms baratos, a pesar de que la confiabilidad no sea tan alta como la del patrn
2
internacional.
e) Pero hay casos en los cuales no parece haber un valor de referencia exterior al
experimento o, dicho de otro modo, a veces el propio experimento implica sus propios
valores de referencia o los supone. Pensemos, por ejemplo, en un resorte lineal que es
sometido a una prueba esttica para determinar, mediante un diagrama de fuerza y
deformacin, su constante elstica. Sabemos que los puntos experimentales en el
diagrama corresponden a una lnea recta y, por tanto, quisiramos estimar la magnitud de
la constante del resorte, que es la pendiente de la lnea recta. Es claro que no vamos a
buscar en los datos de otros resortes el dato que aqu esperamos hallar. Tendremos, por
supuesto, que expresar la constante en trminos de algn tipo de unidades de medida,
pero esto no porque debamos recurrir a un valor de referencia externo sino porque
necesitamos proyectar el resultado sobre un sistema de unidades cualquiera para darle
consistencia.
Ahora bien, si comparamos un valor medido o estimado (Xi) con el valor de referencia
correspondiente (VR), es casi seguro que encontraremos una diferencia cuantitativa, la cual
denominaremos en lo sucesivo error absoluto (o total) de la medicin (Xi). Esto es:
X i X i VR
3
(1)
X i ( X i X~ ) ( X~ VR)
(2)
X~ VR
(3)
La magnitud del error de sesgo depende principalmente del nivel de resolucin de los
instrumentos de medida y del estado de calibracin de los mismos, de los procedimientos
experimentales, de la acumulacin de errores por redondeo numrico, y del uso de modelos
numricos, fsicos o matemticos para interpretar las seales experimentales o los datos del
experimento. En todo caso, y prcticamente por definicin, el error siempre es susceptible
de algn control, hasta que el experimentador lo pueda reducir a un valor aceptable segn
los objetivos particulares que acompaan la medida.
Por otro lado, la medicin repetida de una misma variable, en condiciones experimentales
~
similares, muestra a menudo diferencias respecto de su valor estimado X . En tal caso, a
cada dato Xi le corresponder un error aleatorio, o de precisin, que se define como:
i X i X~
(4)
Debido a que i expresa la naturaleza aleatoria de la magnitud que se quiere medir, escapa,
por principio, al control experimental.
En suma, el error total Xi, correspondiente a la medicin Xi cuyo valor de referencia es VR,
puede escribirse como la suma de los errores de precisi{on y de sesgo, como se muestra en
la figura-1:
X i ( X i X~ ) ( X~ VR) i
(5)
X(verdadero)
Xi
Prob . X X X Prob . 2X
f ( x) dx
(6)
Prob . X X X Prob . 2X
frec.relativa ( X
(7)
frec.relativa ( X i )
(8)
(9)
1 N
lim X i
N N
i1
(10)
1 N
X lim
( X i )2
N N
i1
1
2
(11)
pequeo a campanas
definicin,
la
probabilidad
de
ocurrencia
de
un
dato
Xi
en
el
intervalo
1 ( X )
1
2
P rob X X X P rob X
e 2 dx
X 2
X
(12)
1 x
2x
Frecuencia relativa
1
f( x )
e 2
x 2
xx
X X
X
X
(13)
determinado, se tiene:
X
X
P rob X X X
X
X
1
e 2 d
2
(14)
X i , tal que:
P rob X i C %
(15)
de modo que, por ejemplo, el intervalo de confianza del 95% de la distribucin gaussiana de
la variable definida anteriormente ser:
196
.
X
196
.
X
(16)
puesto que:
X
P rob 196
.
196
. 95%
X
(17)
EJEMPLO 1.
100
. . Se
.
Una distribucin gaussiana tiene media 500
y desviacin estndar X
desea conocer la probabilidad de ocurrencia de un valor particular en los intervalos:
a ) 450
. X 550
.
b ) 450
. X 575
.
c ) X 650
.
Solucin:
a) Deseamos hallar
.
X 550
.
P rob 450
. X 550
. . Sea X 1 450
y 2
. Entonces:
( X ) X 0
X 1 450
. 500
.
050
.
X
100
.
X 2 550
. 500
.
050
.
X
100
.
X
P rob 1
2 P rob 050
. 03829
.
383
.%
X
P rob 050
. X 050
. 383
.%
b) Se pide encontrar
se tiene:
P rob 450
. X 575
. . En este caso, siendo X 1 450
.
X 575
.
y 2
,
1 050
.
y 2
X2
075
.
Luego,
X
P rob 450
. X 575
. P rob 1
2
X
1
1
Prob 1 Prob 2
2
2
1
1
(0.3829) (0.5467) 0.4648 46.5%
2
2
c) Buscamos
.
P rob X 650
. . Sea pues X 1 650
de modo que:
X 1 650
. 500
.
150
.
X
100
.
1 1
P rob X 650
. P rob
150
. P rob 150
.
2 2
X
1 1
08664
.
.
933
.%
09332
2 2
1 N
Xi
N i1
(18)
X i X
N 1 i1
SX
1
2
(19)
SX
SX
N
(20)
X
SX
X
SX N
(21)
X
P rob
095
.
SX
10
(22)
X
P rob
095
.
SX N
(23)
Para este efecto puede consultarse la tabla 2, en la cual se dan los valores de para distintos
intervalos de confianza y grados de libertad de la distribucin. Por ejemplo, para el intervalo
de confianza del 95% y N 1 5 grados de libertad, se obtiene de la tabla un valor
257
. ; o para el mismo intervalo de confianza y N 1 30 , se obtiene 204
. . En
la prctica, recomendamos aplicar la siguiente regla para la determinacin de en el intervalo
de confianza del 95%: si N 31 asumir el valor de dado en la tabla 2; si N 31 se debe
. .
tomar 200
Observemos entonces que los intervalos de confianza del 95% para la variable muestral y la
media muestral, pueden expresarse implcitamente en trminos de las relaciones:
P rob X i PX X i PX 095
.
y
P rob X PX X PX 095
.
(24)
(25)
donde:
PX SX
P
PX
SX
N
(26)
Los valores X y X representan los rangos de X en torno del valor , en los cuales existe
una probabilidad del 95% de que la variable muestral y la media muestral, respectivamente,
. o F y la
La media muestral es T 9722
S 0082
. oF
2069
.
11
Calculemos ahora los lmites de precisin de la muestra y de la media muestral, esto es:
PT ST ( 2069
.
) ( 0082
. O F ) 0170
. OF
PT
ST ( 2069
.
) ( 0082
. OF )
O
00346
.
F
N
24
T PT 972
. O F 02
. OF
nos da el rango en el cual esperamos, con un 95% de confianza, estara incluido el valor de
una nueva lectura de la temperatura del fluido. Puesto que la resolucin del termmetro es
0.1OF, los valores en la expresin anterior han sido redondeados a una sola cifra decimal.
Por otra parte, el intervalo definido por:
T PT 97.22 o F 0.03o F
representa el rango en que esperamos (con un 95% de confianza) se encuentre el valor
12
Prob()
Prob()
Prob()
0.00
0.0000
1.00
0.6827
2.00
0.9545
3.00
0.9973002
0.02
0.0160
1.02
0.6923
2.02
0.9566
3.05
0.9977115
0.04
0.0319
1.04
0.7027
2.04
0.9586
3.10
0.9980647
0.06
0.0478
1.06
0.7109
2.06
0.9606
3.15
0.9983672
0.08
0.0638
1.08
0.7199
2.08
0.9625
3.20
0.9986257
0.10
0.0797
1.10
0.7287
2.10
0.9643
3.25
0.9988459
0.12
0.0955
1.12
0.7373
2.12
0.9660
3.30
0.9990331
0.14
0.1113
1.14
0.7457
2.14
0.9676
3.35
0.9991918
0.16
0.1271
1.16
0.7540
2.16
0.9692
3.40
0.9993261
0.18
0.1428
1.18
0.7620
2.18
0.9707
3.45
0.9994394
0.20
0.1585
1.20
0.7699
2.20
0.9722
3.50
0.9995347
0.22
0.1741
1.22
0.7775
2.22
0.9736
3.55
0.9996147
0.24
0.1897
1.24
0.7850
2.24
0.9749
3.60
0.9996817
0.26
0.2051
1.26
0.7923
2.26
0.9762
3.65
0.9997377
0.28
0.2205
1.28
0.7995
2.28
0.9774
3.70
0.9997843
0.30
0.2358
1.30
0.8064
2.30
0.9786
3.75
0.9998231
0.32
0.2510
1.32
0.8132
2.32
0.9797
3.80
0.9997552
0.34
0.2661
1.34
0.8198
2.34
0.9807
3.85
0.9998818
0.36
0.2812
1.36
0.8262
2.36
0.9817
3.90
0.9999037
0.38
0.2961
1.38
0.8324
2.38
0.9827
3.95
0.9999218
0.40
0.3108
1.40
0.8385
2.40
0.9836
4.00
0.9999366
0.42
0.3255
1.42
0.8444
2.42
0.9845
4.05
0.9999487
0.44
0.3401
1.44
0.8501
2.44
0.9853
4.10
0.9999586
0.46
0.3545
1.46
0.8557
2.46
0.9861
4.15
0.9999667
0.48
0.3688
1.48
0.8611
2.48
0.9869
4.20
0.9999732
0.50
0.3829
1.50
0.8664
2.50
0.9876
4.25
0.9999786
0.52
0.3969
1.52
0.8715
2.52
0.9883
4.30
0.9999829
0.54
0.4108
1.54
0.8764
2.54
0.9889
4.35
0.9999863
0.56
0.4245
1.56
0.8812
2.56
0.9895
4.40
0.9999891
0.58
0.4381
1.58
0.8859
2.58
0.9901
4.45
0.9999911
0.60
0.4515
1.60
0.8904
2.60
0.9907
4.50
0.9999931
0.62
0.4647
1.62
0.8948
2.62
0.9912
4.55
0.9999946
0.64
0.4778
1.64
0.8990
2.64
0.9917
4.60
0.9999957
0.66
0.4907
1.66
0.9031
2.66
0.9922
4.65
0.9999966
0.68
0.5035
1.68
0.9070
2.68
0.9926
4.70
0.9999973
0.70
0.5161
1.70
0.9109
2.70
0.9931
4.75
0.9999979
0.72
0.5285
1.72
0.9146
2.72
0.9935
4.80
0.9999984
0.74
0.5407
1.74
0.9181
2.74
0.9939
4.85
0.9999987
0.76
0.5527
1.76
0.9216
2.76
0.9942
4.90
0.9999990
0.78
0.5646
1.78
0.9249
2.78
0.9946
4.95
0.9999992
0.80
0.5763
1.80
0.9281
2.80
0.9949
5.00
0.9999994
0.82
0.5878
1.82
0.9312
2.82
0.9952
0.84
0.5991
1.84
0.9342
2.84
0.9955
0.86
0.6102
1.86
0.9371
2.86
0.9958
0.88
0.6211
1.88
0.9399
2.88
0.9960
0.90
0.6319
1.90
0.9426
2.90
0.9963
0.92
0.6424
1.92
0.9451
2.92
0.9965
0.94
0.6528
1.94
0.9476
2.94
0.9967
0.96
0.6629
1.96
0.9500
2.96
0.9969
0.98
0.6729
1.98
0.9523
2.98
0.9971
0.900
0.950
0.990
0.995
0.999
6.314
12.706
63.657
127.321
636.619
2.920
4.303
9.925
14.089
31.598
2.353
3.182
5.841
7.453
12.924
2.132
2.776
4.604
5.598
8.610
2.015
2.571
4.032
4.773
6.869
1.943
2.447
3.707
4.317
5.959
1.895
2.365
3.499
4.029
5.408
1.860
2.306
3.355
3.833
5.041
1.833
2.262
3.250
3.690
4.781
10
1.812
2.228
3.169
3.581
4.587
11
1.796
2.201
3.106
3.497
4.437
12
1.782
2.179
3.055
3.428
4.318
13
1.771
2.160
3.012
3.372
4.221
14
1.761
2.145
2.977
3.326
4.140
15
1.753
2.131
2.947
3.286
4.073
16
1.746
2.120
2.921
3.252
4.015
17
1.740
2.110
2.898
3.223
3.965
18
1.734
2.101
2.878
3.197
3.922
19
1.729
2.093
2.861
3.174
3.883
20
1.725
2.086
2.845
3.153
3.850
21
1.721
2.080
2.831
3.135
3.819
22
1.717
2.074
2.819
3.119
3.792
23
1.714
2.069
2.807
3.104
3.768
24
1.711
2.064
2.797
3.090
3.745
25
1.708
2.060
2.787
3.078
3.725
26
1.706
2.056
2.779
3.067
3.707
27
1.703
2.052
2.771
3.057
3.690
28
1.701
2.048
2.763
3.047
3.674
29
1.699
2.045
2.756
3.038
3.659
30
1.697
2.042
2.750
3.030
3.646
40
1.684
2.021
2.704
2.971
3.551
60
1.671
2.000
2.660
2.915
3.460
120
1.658
1.980
2.617
2.860
3.373
1.645
1.960
2.576
2.807
3.291
Los valores estn dados para un intervalo de confianza C y un nmero de grados de libertad =N-1
1
2 N , donde N es el nmero de datos originales de la muestra. Dicho criterio slo puede ser
X i X X max
Sx = Sx
max =
(27)
X max
max= Sx
3
4
5
6
7
8
9
10
15
20
25
50
100
300
500
1000
1.38
1.54
1.65
1.73
1.80
1.87
1.91
1.96
2.13
2.24
2.33
2.57
2.81
3.14
3.29
3.48
Prob=1-1/2N
Datos rechazados
Datos rechazados
max
max
Figura 3. Criterio de Chauvenet para eliminar datos muy alejadas de la media muestral.
EJEMPLO 3.
Los estudiantes miden la presin en un punto de un flujo estacionario (es decir, cuyas variables
no dependen del tiempo) con un manmetro. Los datos en pulgadas de columna de agua se
presentan en la tabla siguiente. Cmo aplicara usted el criterio de Chauvenet para depurar la
muestra?
i
Xi
Xi X
1
2
3
4
5
6
1.15
1.14
1.01
1.10
1.11
1.09
0.07
0.00
0.87
0.27
0.20
0.33
Sx
7
8
9
10
1.10
1.10
1.55
1.09
0.27
0.27
2.73
0.33
Solucin:
Con base en los datos Xi calculamos la media y la desviacin estndar de la muestra. Estos
son:
X = 1.14
Sx = 0.15
Puesto que N=10, el criterio de Chauvenet excluye todos los valores por fuera del intervalo de
probabilidad:
1
2 N = .95
X max
Segn la tabla 1, esto equivale a max= Sx = 1.96, lo cual coincide con el valor dado en la tabla
3 para N=10. Por tanto se deben excluir todos los valores de la muestra que produzcan:
Xi X
Sx
> 1.96
En nuestro caso esto implica rechazar el dato i=9. Despus de la depuracin obtenemos:
X = 1.10
Sx = 0.04
Obsrvese como el nuevo valor de X difiere del calculado con la serie original de datos en
apenas un ~ 4%, mientras que Sx es ahora casi una cuarta parte que la desviacin muestral
antes calculada.
6. PROPAGACIN DE LOS ERRORES
Sea r una variable experimental que est relacionada con otras j variables experimentales por
medio de la funcin
r r ( X 1 , X 2 ,... X j )
(28)
certidumbre de la variable r. Por esta razn nos proponemos ahora encontrar una manera de
estimar el error absoluto acumulado en el clculo de r.
Sea Xi el error total asociado a la variable Xi, el cual se puede calcular con base en la frmula
(29)
X i Bi2 Pi 2
r
r
X 12
r 2
X 1
X 2
r
X 2j
X 22 ...
X
Por supuesto, el clculo de este error queda supeditado a que las derivadas
sean continuas en los intervalos de inters de las variables.
(30)
r / X i existan y
Para el uso de la expresin anterior, conviene tener en cuenta las siguientes reglas generales:
Regla 1:
Antes de iniciar el anlisis de propagacin de los errores absolutos se debe despejar la variable
r de la funcin que relaciona sta con el resto de variables X i;. Es decir, hay que partir de una
frmula del tipo
r r ( X 1 , X 2 ,... X j )
Regla 2:
En el manejo de datos es til considerar los errores relativos de las magnitudes, X/X. Estas
cantidades indican mejor que los errores totales la importancia que tiene el error de una
magnitud en el proceso de clculo y anlisis experimental. Observe, por ejemplo, lo que ocurre
con la propagacin de errores en una funcin del tipo Producto Vietano del tipo
r kX 1 1 X 2 2 ... X j j
(32)
donde k es una constante y los valores a i, i=1,2,...,j, son los exponentes de las variables X i.
Segn lo que se acaba de ver, y suponiendo independencia de las variables, podemos escribir:
X 1
1
X1
O, en forma ms compacta,
X 2
X2
2
2
X j
...
2
j
X
j
(33)
X i
i2
Xi
i 1
J
1/ 2
(34)
Regla 3:
En las funciones tipo producto Vietano aparecen con frecuencia factores que son, a su vez,
sumas y/o restas de variables experimentales del tipo
Z X Y
En tal caso, el error total en Z es siempre la suma de los errores totales correspondientes a las
variables X y Y. Esto es:
(35)
Z X Y
Y el clculo del error relativo en Z se obtiene con base en la expresin:
Z X Y
Z
X Y
(36)
Z
X Y
2.Mx
,
Z
X Y
(37)
EJEMPLO 4
Se desea conocer la densidad de un gas ideal con un error relativo /=0.5%. La temperatura
del gas es T=25C 1C, es decir; T=1C, mientras que el error en el valor disponible de la
constante del gas es tan bueno que su influencia en el clculo de la densidad puede
considerarse despreciable, Cul debe ser el error absoluto permisible en la determinacin de
la presin del gas?.
Solucin:
La ecuacin del gas ideal es:
p R *T
Y se quiere propagar el error de p y T hacia la densidad. Entonces transformamos la frmula
anterior para despejar :
pR *1T 1
Reconocemos aqu la forma de un producto vietano y por tanto
Adems, de los datos del problema, sabemos que, para intervalos de confianza del 95% :
0.005
T
1
0.0034
T
298
7. AJUSTE DE FUNCIONES.
(38)
donde f(xi,A) puede corresponder a una lnea recta, una parbola, una hiprbola, una
curva logartmica, etc. De hecho, asi escrito, f(x i,A) representa ms bien una familia de
funciones, de la cual se extrae un tipo especfico cuando definimos el conjunto de
parmetros A=A(a1,a2,...am) y la forma funcional; una forma que puede ser sugerida por
la disposicin espacial de los puntos (x i,yi) en un plano-XY o, incluso, por un anlisis
terico previo acerca de la naturaleza del fenmeno en cuestin.
Por otro lado, el trmino i, conocido con el nombre de residuo, representa la
componente del error aleatorio por ordenadas que aparece siempre que hay diferencia
entre los valores observados yi y los correspondientes valores funcionales f(xi,A). En
ausencia de otra informacin, es comn asumir que i se distribuye normal N(0, 2), con 2
constante para todos los valores de y i, aunque existen mtodos para evaluar la
pertinencia de esta suposicin y otros que permiten ponderar mejor las propiedades de
i.
Lo cierto es que en no pocas ocasiones, y dada la forma de la funcin, lo que se busca
es definir el valor de los parmetros A=A(a 1,a2,...am) que determinan la traza de f(x i,A)
f(x,A)
yi
f(xi,A)
: dato exp.
xi
7.1
Min q y i f ( x i , A)
i 1
(39)
alcanzar un valor mximo absoluto, pues siempre ser posible hallar un conjunto de
parmetros A=A(a1,a2,,am) que haga inmensamente grande la sumatoria.
As pues, desde el punto de vista operativo el MMC implica calcular las derivadas q/a k
para despus igualarlas a cero, obteniendo as un sistema de m ecuaciones de la forma
q
0,
La solucin de este sistema
a k
parmetros
que
definen
la
k 1,..., m permite
determinar
los
m
trayectoria de f(xi,A) en el plano-XY.
Este mtodo es tan sencillo de aplicar que su uso termina siendo un proceso rutinario
en el anlisis de datos experimentales, por lo que vale la pena tener en cuenta algunas
indicaciones bsicas, como las que se exponen a continuacin. En primer lugar, salta a
la vista el hecho de que a mayor nmero de parejas de datos (x i,yi) disponibles para un
ajuste, mayor debe ser la representatividad estadstica de la funcin f(x i,A); as, por
ejemplo, entre slo dos puntos siempre podremos trazar una lnea recta perfectamente
ajustada q dara cero en este caso , pero este resultado no hay que interpretarlo como
el hallazgo de una perfecta concordancia entre el experimento y el procedimiento de
ajuste sino, ms bien, como la consecuencia trivial que se sigue de aplicar al mtodo la
ms mnima informacin experimental.
En correspondencia con el punto anterior, es importante resaltar la importancia que
tiene el hecho de disponer no slo de los parmetros de la funcin, sino tambin de
ndices convenientemente calculados que informen acerca de la confiabilidad del
modelo ajustado y de los parmetros mismos. En el primer caso se hablar del intervalo
de prediccin del modelo o de la banda de confianza en torno a la funcin y en el
segundo, relativo a los parmetros, de los intervalos de precisin correspondientes, de
modo similar a como se hace en el caso de la medicin de una variable singular. Habr
que tener en cuenta que dichos ndices dependen no slo de la naturaleza del
experimento sino del tipo de modelo ajustado y del volumen de informacin disponible
sobre l.
Y finalmente, recuerde: ningn mtodo de ajuste le aade fsica al anlisis, aunque
puede contribuir grandemente a discernir los rasgos de un fenmeno.
EJEMPLO 5. Ajuste lineal del tipo y=a1+a2x
El ajuste lineal es fundamental en la teora de la regresin y muchas funciones nolineales se dejan ajustar con relativa facilidad gracias a que pueden ser transformadas
en una funcin lineal equivalente. Los datos de la siguiente tabla, por ejemplo, fueron
generados segn un modelo lineal de la forma
yi= a1+a2.xi+i
-4
-6.89
-3
-4.93
-2
-5.36
-1
-0.96
0
2.32
1
2.42
2
4.43
3
5.73
4
7.91
5
9.18
Ahora queremos proceder en sentido inverso, ajustando los datos de la tabla a una
funcin lineal por el MMC.
Segn se dijo antes, el objetivo en este caso ser:
10
2
Min q y i a1 a 2 . x i
i 1
Procedemos entonces a derivar la sumatoria q con respecto a A(a 1,a2) y a igualar a cero
las derivadas. Esto es:
q
2 y i a 1 a 2 . x i 0
a1
q
2 y i a 1 a 2 x i . x i 0
a 2
donde las sumatorias sabemos que operan sobre las N=10 parejas de datos (x i,yi). Y
tras desarrollar estas ecuaciones obtenemos las frmulas siguientes para el intercepto
y la pendiente de la recta:
a1 y a 2 x
a2
x y y x
x x x
i
2
i
Ny y i
Nx x i
donde
y
. Un vistazo a estas frmulas deja en claro que el valor de
los parmetros depende exclusivamente de la informacin disponible y que el ajuste
lineal se puede realizar a condicin de tener N2. Tomando los datos del ejemplo,
obtenemos pues los valores:
a1=0.457
a2=1.856
A los cuales corresponden los siguientes errores relativos, evaluados con respecto al
modelo original:
a1 0.457 0.5
8 .6 %
a1
0 .5
a 2 1.856 2.0
7.2%
a2
2 .0
a1
a2
Por qu son estos errores tan grandes? Nos habremos equivocado en algo? No.
Errores ms pequeos en los parmetros de ajuste slo se podran haber obtenido con
una base de datos ms amplia; y, por el contrario, si la informacin hubiera sido ms
reducida, tambin habra sido mayor la magnitud de los errores. De esta manera la
informacin experimental ayuda a precisar una relacin funcional en el proceso de
ajuste.
15
10
5
0
-4
-3
-2
-1
-5
-10
X
La figura 5 recoge los datos de la tabla y muestra la recta de ajuste. Como vemos, los
datos se distribuyen en torno a la funcin sin coincidir exactamente con ella, debido a la
componente aleatoria del modelo, de modo que la pregunta inmediata es: si se
generara una nueva ordenada f(x i,A), qu tan cerca estara el nuevo punto (x i,yi) de la
funcin ajustada? O, dicho de otra manera, qu probabilidad hay de encontrar el nuevo
punto dentro de un cierto intervalo y i en torno a la funcin f(xi,A)? Tal vez queriendo dar
respuesta a estas preguntas, algunos autores (Coleman y Steele, 1989) sugieren trazar
una banda de confianza del (1-)%, centrada en la lnea recta y de ancho uniforme; de
modo que
y 0 y 0 t ( / 2, n 2).sd
(40)
Donde sd representa la desviacin estndar de los residuos, en una muestra con n-2
grados de libertad. Es decir,
(y
sd Var ( )
1/ 2
y i ) 2
n2
(41)
t ( / 2, n 2). Var ( y 0 )
Y por consiguiente, segn se puede demostrar (Ryan),
y 0 y 0 t ( / 2, n 2).sd . 1
1 ( x0 x ) 2
n
S xx
Donde:
y 0 a 1 a 2 x 0
S xx
(x
(43)
x)2
n2
Asi pues, volviendo al ejemplo anterior, con sd=1.03748, t=2.306 y S xx=10.3125, vemos
que el modelo lineal produce:
Para
x 0 x 0 .5
y=1.42.5
x 0 6.0
y=11.64.8
lo que resultara de la frmula (5-8), segn la cual y=2.07, concluimos que en todo caso
aquella sobreestima la capacidad de prediccin del ajuste y a 1 a 2 x .
Igualmente se puede demostrar (Ryan) que los parmetros del modelo, incluidos los
intervalos de confianza, corresponden a las expresiones:
a1 a 1 t ( / 2, n 2).sd .
a 2 a 2 t ( / 2, n 2).
1 x2
n S xx
sd
(44)
(45)
S xx
0.5 0.8
10 10.3125
1.03748
a 2 1.856 2.306 x
1.9 0.8
10.3125
Aunque los errores relativos en los parmetros son altos, se observa que ambos
intervalos incluyen el valor original de los parmetros, a 1=0.5 y a2=2.0.
EJEMPLO 6. Ajuste lineal del tipo y=bx
Cuando el modelo de ajuste tiene la forma de una lnea recta que pasa por el origen, se
obtiene la siguiente frmula para la pendiente:
b b b
x y
x
i
2
i
t ( / 2, n 1).
sd
(46)
2
i
Donde:
( y bx ) 2
sd ni 1 i
y 0 y 0 y bx 0 t ( / 2, n 1).sd . 1
x i2
(47)
Para mostrar cmo se opera con los datos numricos, considere la siguiente tabla de
datos experimentales:
X
X2
Y
1
1.9
4
9.3
9
21.5
16
42.0
25
53.0
Se supone que los datos corresponden a una funcin parablica del tipo Y=aX 2 y se
busca el valor del coeficiente a incluyendo el lmite de precisin del 90%.
Para encontrar el parmetro se tienen, en principio, dos opciones: ajustar una parbola
por el mtodo de mnimos cuadrados con base en las parejas de datos (X,Y) o ajustar
una lnea recta sin intercepto con las parejas de datos (X 2,Y). Esta segunda opcin
permite, adems, estimar la confiabilidad requerida para el parmetro. Al proceder de
este modo se obtiene:
X Y
a
X
2
i i
4
i
(Y
aX i2 ) 2
sd
4
i
sd
1. En una oficina de correo hay dos balanzas para pesar la correspondencia. Tomando un peso
conocido de 10g se realizaron las siguientes mediciones para verificar la confiabilidad de las
balanzas.
Lectura
1
2
3
4
5
6
7
8
9
10
Balanza A
(g)
7.2
7.0
6.8
7.1
6.9
6.9
7.0
7.2
7.0
6.9
Balanza B
(g)
10.4
9.8
9.6
10.2
10.2
10.3
9.7
10.1
10.4
9.5
Cul de las dos balanzas usara usted en lo sucesivo para pesar las cartas? Por qu?
Explique sus respuestas.
2. En el ensamblaje de una mquina se requiere acoplar un pasador cuyo dimetro puede estar
en un rango de tolerancia de 0.244 a 0.256 pulgadas. El valor medio de los dimetros es
0.250 y la desviacin estndar es 0.003. Suponiendo que los dimetros de los pasadores
se distribuyen gaussianamente, qu porcentaje de los pasadores se espera que sea
defectuoso?
3. Sea X una variable aleatoria que representa la resistencia de rotura a traccin de un hilo,
distribuida normalmente. La media de X es = 165 y la desviacin estndar = 3. Si el hilo
se considera defectuoso cuando X<162, Qu probabilidad hay de que, escogiendo un hilo
al azar, ste resulte defectuoso?
5. Una empresa fabricante de paracadas de carga asegura que estos tienen un dispositivo
para hacer abrir el paracadas a una altura de 200m sobre el nivel del piso, con una
desviacin estndar de 80m. Si el paracadas no se abre a una altura mayor a 50m lo ms
probable es que la carga se destruya con el golpe. Cul es la probabilidad de que una
11.
Un gelogo hace 6 mediciones de las densidades de unas placas rocosas, los datos
son, en g/cm3: 4.5, 3.8, 7.2, 4.0, 3.9, 5.0. El gelogo aplica el criterio de Chauvenet
Un estudiante toma los siguientes datos de tiempo, en dcimas de segundo, del periodo
de un oscilador amortiguado: 7, 9, 3, 6, 9, 8, 7, 8, 12, 5. Los estudiantes sospechan de
los datos y piensan que algunos pueden eliminarse de la muestra.
Una variable se midi 100 veces en el laboratorio y se obtuvo un lmite de precisin para
la media muestral del 10%. Cuntas mediciones estimara usted que se requiere para bajar
el lmite de precisin de la media al 5%? Asuma que el valor estimado de la desviacin
estndar es estable aunque crezca la muestra.
17.
Los datos experimentales de una variable son x = 156, 178, 160, 174, 158, 210. Calcule
22. La polica pilla a una alta personalidad en un robo continuado. Los peridicos reportan el
robo en millones:
Peridico
$(millones)
A
50
B
250
C
630
D
650
E
700
F
590
G
720
Tome 30 monedas de la misma clase y djelas caer al azar sobre una superficie plana.
Llame X la variable aleatoria que da cuenta del nmero total de caras obtenidas en cada
lanzamiento. Repita este experimento por lo menos 100 veces y determine cada vez el valor
de X. La variable X obedece una distribucin binomial de probabilidades, pero si el nmero
(d) Cules son los lmites de precisin de la variable X y del valor medio X ?.
24.
tan sec 2 .
25.
En la expresin
M A. B 2 .C 3 . D 4
Los valores de las variables son: A=1, B=10, C=100, D=1000. Si todas ellas se miden con
errores relativos de 0.01%, cul ser el error relativo en el clculo de M? Exprese M
incluyendo el error correspondiente.
26.
27.
2
La aceleracin centrpeta est dada por la expresin a c V / R Si R / R ~ 4%,
V / V ~ 2%, estime el error relativo en ac.
pV
W
RT
M
T = 25 1 C
Calcule el peso molecular del CH4 e incluya el lmite de precisin correspondiente.
28.
29.
30.
.t
o o to
Donde:
,
31.
2 LT
R 4 G
Si todas las variables, menos G, se miden con error relativo del 4%, cul es el error
relativo de G?
32.
Cuando un fluido newtoniano pasa por una tubera horizontal de radio R, en condiciones
de rgimen laminar, la viscosidad dinmica del fluido, , puede calcularse con base en la
frmula:
P R 4
= 8 L Q
Donde:
el estimativo
(b) Si R=1.0 cm, p / L = 9.8 g.cm-2.s-2, Q=384cm3.s-1, estime con las cifras significativas
apropiadas al caso.
33.
VL
2
gR 2
(c f )
9
s Vo t
1 2
gt
2
C
X se debe ajustar a los siguientes datos.
35. Una hiprbola de la forma
(x, y) = (2.00, 0.47), (3.00, 0.34), (4.00, 0.26), (5.00, 0.19).
y
36. Una curva de la forma Y = C ln X debe ajustarse con los siguientes datos:
(x, y) = (2.00, 3.81), (3.00, 6.01), (4.00, 7.65), (5.00, 8.86).
37. Ajuste la funcin del tipo Y= A+ bX a los siguientes datos experimentales:
(x, y) = (0,0), (1, 1), (2,1), (2,1)
Cul es el lmite de precisin de la pendiente de la recta en el ajuste anterior?
38. Se someti a traccin una probeta cilndrica de acero. Los resultados fueron:
L/L(10-6)
(psi)
1.96
580
2.97
920
4.68
1480
5.74
1705
9.17
2750
20.9
6025
32.0
9800
L/L (10-6)
(psi)
40.7
12100
46.5
14095
51.3
16025
68.4
20120
83.9
25040
100.0
30370
110.0
34450
Municipio
Departamento
Z (m)
Temperatura (C)
Venecia
Antioquia
1600
Jardn
Antioquia
1570
Moniquir
Boyac
1700
Supa
Caldas
1320
Marquetalia
Caldas
1450
Manizales
Caldas
2150
Palestina
Caldas
1010
Timbo
Cauca
1850
Gigante
Huila
1500
Chincota
Norte de Santander
1235
Chaparral
Tolima
990
Trujillo
Valle del Cauca
1380
40. Se requiere estimar la constante de al hiprbola equiltera XY=A los
los datos:
X
0.4
0.5
0.8
1.9
Y
9.9
7.7
3.9
2.3
BX
41. Ajuste una funcin del tipo Y Ae para los datos:
X
2.1
4.2
5.0
6.5
Y
6.5
52.2
280
550
18.5
19.0
17.4
21.3
18.0
16.3
23.3
16.6
18.7
26.8
22.1
20.2
siguientes son