UNIVERSIDAD NACIONAL DE COLOMBIA - FACULTAD DE MINAS

PRACTICA No. 1 DE MECANICA DEL MEDIO CONTINUO

TRATAMIENTO DE DATOS EXPERIMENTALES

1. FASES DE UN PROGRAMA DE EXPERIMENTACIN

Cualquier programa de experimentacin se puede considerar dividido en varias etapas, no
todas sucesivas, que van desde el planteamiento de unas preguntas iniciales hasta la toma
de datos y la elaboracin de un informe final. Un esquema simplificado de un programa de
experimentacin implica:
A. Planeacin:
Consiste en la formulacin de unas preguntas concretas, y la evaluacin de
opciones que puedan servir para encontrar respuesta a ellas.
B. Diseo:
Parte de las consideraciones hechas en la etapa anterior para especificar el grupo
de trabajo, la instrumentacin necesaria y los detalles de configuracin del equipo
experimental.
Define plan de pruebas, variables de entrada y de salida,
cronograma, etc.
C. Construccin y calibracin:
Se construyen, adquieren y ensamblan los componentes del equipo de medida y
se realizan las calibraciones del mismo.
D. Depuracin de la informacin:
Pone a prueba el equipo de experimentacin e identifica los problemas o
inconvenientes de su funcionamiento.
Con base en estos anlisis el
experimentador tiene una idea ms precisa del comportamiento de sus aparatos y
de los factores que pueden influir en la precisin de los resultados experimentales.
Incluso puede suceder que los resultados de esta etapa remitan nuevamente a un
ajuste del programa experimental o a la reconfiguracin de los aparatos de medida.
E. Ejecucin:
Consiste en la toma, registro y almacenamiento de datos experimentales.
F. Anlisis de datos:
La informacin experimental es depurada, transformada y analizada con el fin de
dar respuesta a las preguntas planteadas al comienzo.
G. Reporte de resultados:
En esta etapa se busca hacer una presentacin de los datos y conclusiones del
programa de experimentacin. En algunos casos se sugieren nuevos ensayos y
perspectivas de anlisis.
1

2. ERRORES EXPERIMENTALES. EXACTITUD Y PRECISIN

El cuidado con que se disee un programa experimental, la habilidad para llevar a buen
trmino el programa de medicin, el nivel tecnolgico de los instrumentos de medida y la
experiencia y destreza de quienes miden, determinan la magnitud de los errores asociados
con el experimento. El carcter elusivo de la verdadera magnitud se pone de presente en
las circunstancias ms sencillas de la vida cotidiana, como ocurre, por ejemplo, en las
siguientes circunstancias:
A: Un nio cuenta el dinero que tiene en sus bolsillos porque quiere comprarse un helado.
B: Dos nios cuentan el dinero que tienen entre ambos en sus bolsillos, porque quieren
comprar helados.
D: Un nio lleva la cuenta del dinero que da a da va introduciendo en la alcanca, porque
quiere saber cundo tendr suficiente para comprarse un baln.
Ahora llamemos P[X] a la probabilidad de que en el evento X se obtenga el valor verdadero
de la magnitud cantidad de dinero. Entonces, tal vez estemos de acuerdo en considerar
que en estos casos:

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.

b) Las llamadas constantes fsicas se conciben, en principio, como si fueran cantidades

absolutas, invariantes y universales, en cierto sentido cercanas a lo que podramos llamar
magnitudes verdaderas. Entre ellas estn, por ejemplo: la velocidad de la luz en el
vaco, la masa en reposo de un electrn, la constante de Boltzmann, entre otras.

c) Los valores de referencia pueden ser establecidos de comn acuerdo, y por

conveniencia, entre un grupo de expertos o de instituciones que tienen un inters
particular en ello. Surgen as los estndares tcnicos, cuya utilidad consiste en proveer
patrones cuantitativos y especficos para ciertos procesos de medicin o produccin. Un
ejemplo de estos patrones de medida es el llamado Grado Saybolt, usado en el rea de
los hidrocarburos para medir la viscosidad de aceites gruesos, pero cuyo valor es difcil
de traducir a unidades de medida de los sistemas de medida ms universales, como son
el SI (Sistema internacional), el ingls, cgs o MKS.

d) El valor de referencia puede ser tambin estadstico. Para explicarlo supongamos un

experimento de naturaleza aleatoria como, por ejemplo, el lanzamiento repetido de una
moneda al aire y el conteo del nmero de caras y de sellos. Si la moneda es la misma y
no est cargada, y si los lanzamientos son independientes entre s, esperamos que el
nmero de caras sea del mismo orden que el de los sellos, hasta el punto que el valor
estadstico de referencia ser el de n/2 caras o sellos -, donde n es el nmero total de
lanzamientos.

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)

Se dice que la magnitud Xi mide el grado de exactitud de una medida o de un valor

estimado.
Ahora bien, independientemente de si hay o no un valor confiable para VR, el error total se
acostumbra a desagregar de la siguiente manera:

X i ( X i X~ ) ( X~ VR)

(2)

Donde el valor X es el valor estimado de VR.

En la expresin anterior cada uno de los parntesis representa una componente del error de
naturaleza muy distinta. Se denomina error de sesgo en las medidas a la cantidad:

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)

Frecuencia relativa de los datos

X(verdadero)

Xi

Figura 1. Errores total, de sesgo y de precisin correspondientes al dato Xi

3. DISTRIBUCIN GAUSSIANA PARA LOS DATOS EXPERIMENTALES
Hemos visto cmo, mientras los errores sistemticos hasta cierto punto se pueden controlar,
los errores de precisin son irremovibles, pues corresponden a la naturaleza de las
magnitudes experimentales que son objeto de una medicin. En consecuencia, el
tratamiento que se les da a los errores de precisin est basado por lo general en tcnicas
estadsticas.
Las variables aleatorias se describen por medio de funciones de distribucin de
probabilidad, entendiendo que la probabilidad mide, entre cero (0) y uno (1), las
posibilidades de ocurrencia de un evento aleatorio particular. Las funciones de distribucin
de probabilidad son muy variadas y se usan en casos tan dismiles como son la ocurrencia
de eventos naturales extremos (sismos, crecientes, tormentas, etc.), el comportamiento de
la bolsa de valores, los estudios de falla de un mecanismo cualquiera, el nmero de usuarios
que se conecta en un momento determinado a un sistema de comunicacin, entre otros. En
cada caso la probabilidad muestra comportamientos especficos que se ajustan a
parmetros propios de cada variable. Sin embargo, hablaremos en lo que sigue slo del
comportamiento de los errores de precisin en la medida estimacin de datos
experimentales, a menudo se desconoce casi todo acerca de la funcin de distribucin de
probabilidad propias de la variable de inters (parmetros, tipo de funcin, etc.), por lo cual
se acostumbra asumir que sus frecuencias corresponden a distribuciones que tienen un
valor, o un intervalo de valores, de mayor ocurrencia, mientras el resto, los valores menos
probables, se distribuyen simtricamente a lado y lado de los mximos. Entre este grupo de
funciones las ms utilizadas son la de Gauss, o normal, y la distribucin t-Student.
5

Sea f(x) la funcin de densidad de probabilidad de una variable aleatoria continua X. La

probabilidad asociada con un intervalo de valores centrado en el valor mximo, , de la
distribucin, ( x, x ) , se define como

Prob . X X X Prob . 2X

f ( x) dx

(6)

Por supuesto, si la integral se evala entre - y +, su valor ser uno (1).

En caso de que X sea una variable discreta, la integral se reemplaza por una sumatoria
sobre las frecuencias relativas en el intervalo, esto es:

Prob . X X X Prob . 2X

frec.relativa ( X

(7)

Donde la frecuencia relativa (Xi) se define como:

frec.relativa ( X i )

Nmero de veces que se obtiene el dato Xi

(8)

Nmero de datos exp erimentales

Consistentes con la definicin de probabilidad, la suma de todas las frecuencias relativas de
la variable X dar igualmente uno (1).
Ahora bien, como se dijo arriba, la distribucin gaussiana de probabilidad representa
relativamente bien los errores de precisin de buen nmero de variables experimentales,
sobre todo si son continuas. En tal caso la funcin de densidad de probabilidad se escribe
como:
1 ( x )

1
2
2
f( x )
e
2

(9)

Esta funcin se expresa en trminos de dos parmetros, a saber: el valor medio de la

poblacin, que corresponde al valor mximo absoluto de f(x) y se define como

1 N
lim X i
N N
i1

(10)

y la desviacin estndar de la distribucin, que mide el grade de dispersin de la variable X

en torno a la media.

1 N

X lim
( X i )2
N N
i1

1
2

(11)

Un X grande corresponde a campanas muy suaves y extendidas, un

ms aguzadas o concentradas en vecindades del valor .

pequeo a campanas

En la figura 2 se muestra el aspecto general de la distribucin gaussiana de la variable X en

funcin de la frecuencia relativa de los datos muestrales, supuestos infinitos. All se ve
cmo la abscisa coincide con el punto ms alto de la campana, mientras X determina su
grado de achatamiento:
Por

definicin,

la

probabilidad

de

ocurrencia

de

un

X X X se puede calcular a partir de la frmula:

X

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

Figura 2. Distribucin Gaussiana con media y desviacin estndar de la muestra x.

Desafortunadamente esta integral - que depende de los parmetros y X- no se puede
evaluar en forma exacta, por lo cual en los libros se prefiere presentar tablas de probabilidad
para la distribucin gaussiana normalizada, definida en trminos de la variable:
7

de manera que, para un

X X

X
X

(13)

determinado, se tiene:
X
X

P rob X X X

X
X

1
e 2 d
2

(14)

Tambin se define el intervalo de confianza C% de una variable X, como el intervalo

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:

Puesto que los valores

valor

( X ) X 0

X 1 450
. 500
.

050
.
X
100
.

X 2 550
. 500
.

050
.
X
100
.

definen un intervalo de probabilidad centrado con respecto al

, usaremos directamente la tabla 1, segn la cual:

X
P rob 1
2 P rob 050
. 03829
.
383
.%
X

Este resultado es equivalente a la respuesta de la pregunta planteada, es decir:

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

y con base en la tabla 1, obtenemos:

1
1
Prob 1 Prob 2
2
2
1
1
(0.3829) (0.5467) 0.4648 46.5%
2
2

Prob 4.50 X 5.75

c) Buscamos

.
P rob X 650
. . Sea pues X 1 650
de modo que:

X 1 650
. 500
.

150
.
X
100
.

Por supuesto que - basados en la misma tabla 1 9

1 1
P rob X 650
. P rob
150
. P rob 150
.
2 2
X

1 1
08664
.
.
933
.%
09332
2 2

4. MUESTRAS DE UNA DISTRIBUCIN GAUSSIANA:

Como el nmero de datos experimentales de una variable distribuida gaussianamente es
siempre finito, se deben estimar los parmetros y X que la caracterizan. As pues, llamamos
valor medio de una poblacin muestral a la cantidad:

1 N
Xi
N i1

(18)

donde N es el nmero de datos de la muestra. As mismo se define la desviacin estndar

de la muestra por la frmula:

X i X
N 1 i1

SX

1
2

(19)

Tambin conviene definir la desviacin estndar de la media muestral como la cantidad:

SX

SX
N

(20)

Y en consecuencia, cuando N aumenta la desviacin estndar de la media muestral debe

tender a cero.
Ahora bien, se puede demostrar que an cuando la variable X se distribuya como una
campana de Gauss, dado un N finito, las variables

X
SX

X
SX N

(21)

no se distribuyen gaussianamente, sino segn una distribucin - con N 1 grados de

libertad.
Puesto que en general buscaremos dar nuestros datos experimentales dentro de un
intervalo de confianza del 95%, necesitamos saber de qu manera se puede encontrar el
valor de la distribucin -, tal que:

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,

PX -para X - o PX -para X -, dado que se tomen

i
P
P
datos adicionales de la variable. Estos valores X y X son llamados los lmites de
se encuentren en los intervalos

precisin, para el intervalo de confianza del 95% de la variable y la media muestral.

EJEMPLO 2
La temperatura de un fluido es leda independientemente por 24 estudiantes con un
termmetro que tiene resolucin de 0.1oF.

. o F y la
La media muestral es T 9722

S 0082
. oF

desviacin estndar de la muestra es T

. Encuentre los lmites de precisin de
la medida y discuta el resultado. Asuma que los errores de sesgo son despreciables>
Solucin:
Asumamos un intervalo de confianza del 95%. El nmero de grados de libertad de la
muestra es 24 1 23 . De la tabla 2 encontramos pues que:

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

el intervalo definido por la expresin:

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

Tabla 1. Distribucin gaussiana centrada en

Prob()

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

Tabla 2. La distribucin t-Student

C
=N-1

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

medio de la distribucin de probabilidad. Por supuesto, si aumentase el nmero de datos de la

muestra, dicho intervalo se estrechara cada vez ms. Precisamente porque dicho intervalo se
refiere ms a la distribucin de probabilidades que a la muestra, hemos expresado los valores
del intervalo con 2 cifras decimales, de manera que, as aumentemos el nmero de datos
experimentales, la resolucin de nuestro termmetro no nos permitira discernir cambios en la
media muestral.
5. CRITERIO ESTADSTICO PARA DEPURACIN DE DATOS DE UNA MUESTRA.
Cuando en la muestra de datos de una variable hay algunos de ellos que se encuentran
apreciablemente alejados del comportamiento general, vale la pena tener a mano un buen
criterio estadstico que nos permita descartar por lo menos los datos ms excepcionales. Uno
de esos criterios es el de Chauvenet, segn lo cual pueden descartarse los datos de la muestra
que estn por fuera del intervalo de probabilidad gaussiana, centrado en la media muestral, de

1
2 N , donde N es el nmero de datos originales de la muestra. Dicho criterio slo puede ser

aplicado una vez a la muestra de datos.

La Tabla 3 ha sido construida para facilitar la aplicacin del criterio de Chauvenet. All aparecen,
para algunos valores de N, los rangos mximos de la variable , definidas por el valor

X i X X max
Sx = Sx
max =

(27)

Para otros valores de N se recomienda el uso directo de los datos de la tabla 1.

Tabla 3. Criterio de Chauvenet.
N

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)

Supongamos conocida la forma de la funcin r y la magnitud de las variables X i, i=1,2,...,J, de

modo que podemos calcular el valor de r. Puesto que, en general, existen uno errores
asociados con la estimacin de las Xi, es lgico pensar que estos afecten el propio nivel de

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

donde Bi es el error de sesgo de X i y Pi su error de precisin, definidos ambos para un intervalo

de confianza del 95%. Entonces, el error absoluto en r, para el mismo intervalo de confianza, se
puede obtener de la expresin:
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)

O mediante la frmula alternativa:

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

0.005 2 0.0034 2 0.0037 0.37%

En consecuencia:
. Observe que en el clculo del
error relativo de la temperatura se ha usado la escala de grados Kelvin. Similarmente en los
clculos del error relativo de la presin se deben usar valores de presin absoluta ms bien que
los de presin manomtrica.

7. AJUSTE DE FUNCIONES.

Sean X y Y un par de variables experimentales asociadas entre si por algn tipo de

relacin funcional, de tal manera que esa relacin admite ser representada por medio
del siguiente modelo matemtico:
yi = f(xi,A) + i

(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)

en el plano-XY, y es esta operacin la que propiamente se conoce con el nombre de

Ajuste de la funcin. Pero un procedimiento de este tipo requiere la definicin de un
criterio numrico que pueda aplicarse con sistematicidad, y algunos de esos criterios
son los que dan lugar, entre otros, al llamado Mtodo de los Mnimos Cuadrados o al
Mtodo de los residuos ponderados, los cuales son bastante sencillos y, sin duda,
fundamentales para el anlisis de datos experimentales. Tenga en cuenta el lector, sin
embargo, que, pues todos los modelos (estadsticos) estn equivocados, aunque
algunos son muy tiles, habr que considerar estos mtodos de ajuste buenas
herramientas de anlisis, aunque en s mismos no aadan fsica a la especulacin.

f(x,A)

yi
f(xi,A)

: dato exp.
xi

Figura 4. Ajuste de la funcin f(xi,A) a N parejas de datos (xi,yi).

7.1

Mtodo de los Mnimos Cuadrados (MMC).

Supngase que se dispone de N parejas de datos (x i,yi) de un mismo experimento y que

ahora tratamos de encontrar los parmetros a k, k=1,...,m, que deben definir la
trayectoria de una funcin especfica f(xi,A), de modo que sta pase lo ms cerca
posible de los puntos (xi,yi) conocidos. Este propsito se puede alcanzar con base en el
Mtodo de los Mnimos Cuadrados (MMC), el cual busca minimizar la sumatoria de los
residuos yi=i elevados al cuadrado, segn lo expresa la siguiente funcin objetivo

Min q y i f ( x i , A)

i 1

(39)

Observemos que q es siempre un funcin positiva y que, estrictamente, no puede

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

donde a1=0.5, a2=2 y i era un ruido gaussiano de la forma N(0,1).

xi
yi

-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

Figura 5. Ajuste Lineal por el Mtodo de Mnimos Cuadrados

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)

Y con nuestros datos obtenemos:

y= t.Sy= 2x1.037=2.07
Ambos lmites estn esquematizados en la figura 5 por medio de lneas punteadas.
Como era de esperar desde el punto de vista estadstico, ninguno de los 10 residuos
supera a y. Observemos de paso, que si hubiramos tenido slo dos parejas de datos,
el ancho de banda no estara definido.
Sin embargo, es bueno tener en cuenta que este tipo de estimativo de la banda de
confianza tiene importantes limitaciones, ya que est basado en gruesos supuestos. La
frmula (41) supone que los residuos i corresponden a una misma distribucin de
probabilidad gaussiana y que la confiabilidad del ajuste depende bsicamente de la
estadstica de estos i. Pero, sobretodo, esta frmula no responde a la pregunta inicial,
que apuntaba no tanto a la confiabiliadad del ajuste como a la capacidad de prediccin

del modelo lineal. El intervalo de prediccin asociado a un nuevo valor y 0 tiene, en

efecto, ms bien la forma
(42)

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

Estos resultados muestran como el intervalo de prediccin crece a medida que x 0 se

aleja del valor medio de las abscisas experimentales. Adems, si los comparamos con

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

De manera que en nuestro ejemplo, para una confiabilidad C=95%, tenemos:

1
0.5 2

0.5 0.8
10 10.3125
1.03748
a 2 1.856 2.306 x
1.9 0.8
10.3125

a1 0.457 2.306 x1.03748 x

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 la ordenada de la recta para un x 0 cualquiera se expresa como:

x 02

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

3.44967, t (C 90%, 4) 2.132

n 1
3.44967
a 2.27 2.132
2.27 0.235
979
Por tanto:
. Y dado que el orden de magnitud del
error total en a es de dcimas, lo ms conveniente es escribir la respuesta como:
a 2.3 0.2
Con n=5:

sd

TRATAMIENTO DE DATOS EXPERIMENTALES

EJERCICIOS

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?

4. Un fabricante de motores encontr, basado en numerosas mediciones, que el valor promedio

de la eficiencia de sus motores es 0.88 y la desviacin estndar 0.05. Qu probabilidad hay
de que un motor cualquiera tenga una eficiencia menor o igual a 0.8? Qu probabilidad hay
de que la eficiencia sea mayor que 1.0? Argumente sus respuestas.

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

carga cualquiera se estropee en la cada?

6. Un micromanmetro convenientemente calibrado se us para medir una presin promedia

de 0.2psi en una cmara de gas. El 50% de las lecturas estuvo entre 0.18psi y 0.22psi.

(a) Estime la desviacin estndar de la presin en la cmara.

(b) Halle el intervalo de confianza del 95% para la presin.
7. Se sabe que la desviacin estndar correspondiente a la medicin con una termocupla es de
1.2C. Si se quiere medir una temperatura de 85C, Cul ser el intervalo de confianza del
95% para un nmero grande de medidas?

8. Si = 2.54 y =1.32 encuentre la probabilidad de que la variable sea menor que 4.

9. Se midi la cada de un cuerpo desde un segundo piso y se obtuvo la siguiente muestra de
tiempos: 1.1s, 1.3s, 1.2s. Con un 90% de confiabilidad, encuentre el tiempo de cada.
10.

Con un termistor se realizaron las siguientes mediciones de temperatura en un sistema

estacionario: 35.6C, 34.5C, 36.2C, 36.0C. Cules son los lmites de precisin de la
variable y de la media de la variable, asociados con un intervalo de confianza del 95%?

11.

Se mide aleatoriamente la masa de una pieza metlica en gramos y se obtiene la

muestra: 86, 85, 84, 89, 85, 89, 87, 85, 82, 85. Con un 90% de confiabilidad,

encuentre la masa de la pieza.

12.

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

para confirmar si puede eliminar algn dato de la muestra. Qu obtiene?

13.

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.

a) Cules serian los valores mximo y mnimo admisibles segn el criterio de

Chauvenet?
b) Cules datos se pueden eliminar de la muestra?
14.
Los datos experimentales de una variable x son: 3.24, 3.30, 3.36, 3.28, 3.00.
Calcule x , Sx, S x .
15.
Encuentre los intervalos de confianza para la variable y la media de los datos X i
: 3.24, 3.30, 3.36, 3.28, 3.00, una vez depurada la muestra con el criterio de
Chauvenet.
16.

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

x , S x , S x . Segn el criterio de Chauvenet , cul dato de la muestra eliminara usted?

18.
Encuentre los intervalos de confianza del 95% para la variable y la media de los
datos depurados del problema anterior.
19.

Siete estudiantes estuvieron tomando datos en el laboratorio para estimar la constante

elstica de un resorte lineal, y obtuvieron los siguientes valores en N/cm : 5.24, 5.31, 5.28,
5.16, 5.27, 5.26, 5.29. (a) Encuentre el mejor valor estimado de la constante e incluya el
lmite de precisin correspondiente a la misma. (b) Aplicando el criterio de Chauvenet,
descartara usted algn dato? Cmo varan los resultados?

20. Se midi la constante de calibracin de una bomba calorimtrica 12 veces y se obtuvieron

los siguientes resultados: 1385, 1376, 1381, 1393, 1382, 1343, 1387, 1384, 1394, 1391,
1400, 1393.

a) Determine la media muestral y la desviacin de media muestral.

b) Si la serie se ajusta a una curva gaussiana, cul es la probabilidad de que la
variable est en el intervalo1300< x <1410?
c) Cul es la probalidad de que x sea menor de 1400?
21.

En un experimento de cada de esferas para determinar la viscosidad de una miel se

escogieron 10 balines de aproximadamente el mismo tamao, a los cuales se les midi el
dimetro con un calibrador. Los valores fueron, en cm: 0.170, 0.177, 0.181, 0.180, 0.183,
0.177, 0.167, 0.181, 0.178 y 0.179. Calcule el valor promedio del dimetro y su lmite de
precisin, antes y despus de haber aplicado el criterio de Chauvenet.

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

Si aplicamos el criterio de Chauvenet para detectar las anomalas periodsticas, cules

podran ser los peridicos amigos del personaje? Explique.
23.

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

de lanzamientos de las monedas es suficientemente grande, entonces X tiende a distribuirse

como una variable gaussiana.

(a) Calcule el valor medio de X, X , y la desviacin estndar, Sx, de los datos.

(b) Dibuje un diagrama de frecuencias relativas frecuencia relativa vs. X y superponga al
mismo la funcin de densidad de probabilidad gaussiana correspondiente a los
parmetros estadsticos de los datos. Observe cuidadosamente el resultado y anote sus
anlisis al respecto. Tenga en cuenta que la frecuencia relativa de un valor X, frec(X), se
define como frec(X)=n(X)/N, donde n(X) es el nmero de veces que en los N
lanzamientos se obtuvo el valor X de la variable.

(c) Qu probabilidad hay de que en un nuevo lanzamiento se obtenga un nmero de caras

entre 12 y 18?

(d) Cules son los lmites de precisin de la variable X y del valor medio X ?.
24.

Demuestre que el error absoluto en la estimacin de la tangente de un ngulo es

proporcional al error absoluto en la determinacin del ngulo, segn la expresin

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.

La ecuacin de estado de un gas ideal puede escribirse como

pV

W
RT
M

donde p es la presin, V el volumen, W el peso, M el peso molecular, R la constante

universal de los gases y T la temperatura absoluta. En un experimento con CH 4 se
obtuvieron los siguientes resultados experimentales:
p = 0.967 0.01 atm
V = 210 2 mL
W = 0.137 0.002 grf

T = 25 1 C
Calcule el peso molecular del CH4 e incluya el lmite de precisin correspondiente.

28.

Se mide el dimetro de un crculo y se obtiene que:

d = 5.0 0.1 cm.

Asuma = 3.1416. Determine el volumen de al esfera y el lmite de precisin. Calcule
la longitud de la circunferencia y su error absoluto.
Una esfera de radio r = 1.00 0.01 cm tiene una masa m = 5.50 0.01 g. Cul es el
valor de la densidad del material?

29.
30.

La viscosidad relativa de un lquido puede calcularse fcilmente con un viscosmetro de

Ostwald por medio de la frmula:

.t

o o to
Donde:
,

: viscosidades dinmicas del lquido en cuestin y el lquido de referencia,

respectivamente.
, o : densidades del lquido y el lquido de referencia , respectivamente.
t, to : tiempos que se demoran en pasar a travs de un capilar determinadas cantidades
del lquido y el lquido de referencia, respectivamente.
o

En un experimento hecho a T = 25 1C se obtuvieron los siguientes datos:

= 0.897 0.003 g/cm3
3
c = 0.99707 0.00005 g/cm
t = 36.4 0.4 s
to = 45.1 0.4 s
Calcule la viscosidad relativa del lquido y el lmite de precisin correspondiente.

31.

El mdulo de cizalladura de un material, G, se determina mediante un experimento de

torsin que corresponde a la frmula:

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:

p / L : gradiente longitudinal de presin entre dos secciones transversales de tubera.

Q : caudal Volumtrico.
Experimentalmente se determinan los valores de p / L , R, Q con errores relativos de
1/1000.
(a) Cul ser el error relativo en el clculo de ? En qu proporcin afecta
de ?

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.

La velocidad lmite de cada de una esfera en un fluido newtoniano, en rgimen laminar,

corresponde a la ecuacin

VL

2
gR 2
(c f )
9

donde c, f son las densidades de la esfera y el fluido, respectivamente, g es la aceleracin

de la gravedad, R el radio de la esfera y la viscosidad dinmica del fluido. En el laboratorio
se midieron los siguientes valores
vL = 0.45 0.02 cm/s

= 1.41 0.01 g/cm3

g = 978 1 cm/s2
Por otra parte, la estimacin de vL se hizo con 30 esferas que tenan, en conjunto, una
masa de 4.5 0.1 g.
(a)
Cul debe ser el error relativo en el radio, R, para que los errores relativos en las
densidades c y f sean similares?
(b)
Si el error absoluto de R es de 0.015 cm y R lo conocemos de (a), cunto vale
R?
(c)
Suponga R conocido de (b) y exprese el valor de incluyendo el lmite de
precisin correspondiente.
34.
En un experimento de cada libre se quiere calcular la longitud de la trayectoria, S, con
base en la frmula
f

s Vo t

1 2
gt
2

donde Vo es la velocidad inicial de cada del mvil, t el tiempo de cada y g la aceleracin de la

gravedad. Despus de medir se obtuvo que:
Vo = 120 5 cm/s
t = 9 0.02 s
Estime el valor de S e incluya el lmite de precisin. Tome g = 978 1 cm/s2

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

En esta tabla L/L (mm/mm) representa la deformacin longitudinal unitaria de la probeta

y (psi) el esfuerzo de traccin en cada prueba. Estime el valor del mdulo elstico del
material, definido como E=/(L/L), y el ancho de la banda de confianza para L/L=130x10 6
. Discuta los resultados.
39. Mltiples mediciones meteorolgicas han permitido constatar que, en circunstancias
normales, el perfil medio de temperaturas en la troposfera tiende a disminuir
linealmente con la altura. A continuacin se incluyen los datos de temperatura media en
varias estaciones meteorolgicas de la regin cafetera, tomados el da 1 de agosto de
1987. Calcule con esta informacin los parmetros de la ecuacin
T To z
Donde T es la temperatura y z representa la altura con respecto al nivel del mar de la
estacin correspondiente. Tenga en cuenta que en la atmsfera estndar =6.5C/km.
Cul sera entonces la temperatura media en Medelln?En Cartagena? Discuta los
resultados.

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