@ Ejercicios
J Miscelneas $ Evaluacin
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. En general, usamos estos trminos para describir magnitudes como la longitud, la masa, la potencia, la magnetizacin; y en particular, cuando definimos un objeto especfico a medir, por ejemplo, la longitud de una barra, la potencia de un motor, la magnetizacin del hierro, etc. A veces se usa el trmino mesurando para designar la cantidad que se desea medir. Para establecer el valor experimental de un mesurando recurrimos a observaciones realizadas con instrumentos de medicin usando mtodos especficos; instrumentos y mtodos que no estn exentos de limitaciones. Aun ms, nuestras propias observaciones dependientes de nuestra habilidad y pericia arrojarn resultados asimismo imperfectos. Es importante en ciencias establecer en toda medicin las cotas dentro de las cuales confiamos en que est contenido el resultado de medicin de la magnitud cuyo valor buscamos. Grficamente, queremos dar como resultado de una medicin un intervalo X-X X X+X como el de la Figura 1.1, donde est centrado el valor de la medicin de la magnitud X, y rodeado por mrgenes establecidos bajo ciertas reglas lo ms generales posibles.
X-X
X+ X
Figura 1.1. Intervalo asociado al resultado de una medicin. Notamos que, en vez de dar un nico nmero, definimos un intervalo. El semiancho del intervalo (X) se denomina la incertidumbre de la medicin (ver texto).
La necesidad de indicar un rango de valores como resultado de una medicin, en vez de un nico valor, est asociada con la natural imposicin de las limitaciones que instrumentos, mtodos de medicin y observador u observadores introducen en el proceso de medicin. Por consiguiente, es necesario establecer un margen de aceptacin del resultado de medicin y para ello se introduce el concepto de incertidumbre. Tradicionalmente, el concepto de incertidumbre de una medicin est asociado con el de error de medicin. En ciencia, el concepto de error, a su vez, 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 cambio, el concepto de error de medicin tiene que ver, como se tratar de mostrar ms adelante, con algo inherente a todo proceso de medicin. 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 s lo ser seguramente si el volumen en cuestin es de una pequea fraccin del mililitro. Por otro lado, an con instrumentos tan sofisticados y elaborados como nos est permitido usar, es posible que el objeto mismo a medir (magnitud fsica) no est definido 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, o al ir aun ms all, finalmente detectaremos la naturaleza atmica o molecular del material que la constituye y 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. Este tipo de limitacin se denomina incertidumbre intrnseca o falta de definicin de la magnitud en cuestin. Otro ejemplo sera el caso en que se cuenta la cantidad de partculas 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 incertidumbre intrnseca asociada a esta magnitud, el nmero de partculas emitidas en 5 segundos, ms que a la limitacin de los instrumentos empleados o al observador.
mn, etc. Por otro lado la exactitud de un instrumento (o mtodo de medicin) est asociado a la calidad de la calibracin del mismo. Por ejemplo imaginemos que el cronmetro que usamos es capaz de determinar la centsima de segundo pero adelanta dos minutos por hora, mientras que el reloj 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, mientras 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).
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 la mnima divisin que podemos resolver con algn mtodo de medicin (apreciacin). Ntese que no decimos que la incertidumbre 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. Error de exactitud, exac: representa la incertidumnre (absoluta) con la que el instrumento en cuestin ha sido calibrado.
II.
La interaccin del mtodo de medicin con el objeto a medir. Esta fuente de incertidumbre la representamos por int. 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 no estn definidas con infinita precisin. Con def designamos la incertidumbre asociada con la falta de definicin del objeto a medir o su incertidumbre intrnseca.
III.
En general, en un dado experimento, todas estas fuentes de incertidumbres estarn presentes, de modo que resulta til definir la incertidumbre de medicin nominal nom, como:
2 2 2 2 2 nom = ap + def + int + exac
(I.1)
Segn su carcter los errores pueden clasificarse en sistemticos, estadsticos e ilegtimos o espurios. a) Sistemticos: dados por el sistema de medicin. Por ejemplo piense en un reloj que atrasa o adelanta, 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 ejemplo de error sistemtico pero desde luego 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. Estadsticos: Son los que se producen al azar. En general son debidos a causas mltiples y fortuitas. Por ejemplos, si nos equivocamos en contar el nmero de divisiones en una regla, o 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 evaluacin de incertidumbres que formularemos sucintamente en lo que sigue. Lo designaremos con est. Errores ilegtimos o espurios: Imaginemos que deseamos calcular el volumen de un objeto esfrico y para ello determinamos su dimetro. Si al introducir el valor del dimetro en la formula, 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 esta ms asociado al concepto convencional de equivocacin. A este tipo de errores lo designamos como ilegitimo o espurios. A este tipo de errores tampoco se aplica la teora estadstica de errores y el modo de evitarlo consiste en una evaluacin cuidadosa de los procedimientos realizados en la medicin.
b)
c)
Cuando se desea combinar los errores sistemticos con los estadsticos, la prescripcin usual es sumar los errores absolutos en cuadratura, es decir sumar los cuadrados de los errores y tomar la raz cuadrada de este resultado, como lo indica la ecuacin (1.2). Si estamos midiendo una magnitud Z, el error final de Z, Z, vendr dado por:
2 2 Z = est + nom = 2 2 2 2 2 est + ap + def + int + exac
(1.2)
Las incertidumbres pueden asimismo expresarse de distintos modos, a saber: Incertidumbre absoluta: 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. As 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 cierta probabilidad razonable p 0 (usualmente el p 0 =0.68) el valor de Z est contenido en el intervalo ( Z -Z, Z +Z), o sea: Z Z < Z < Z + Z . es equivalente a: P( Z Z < Z < Z + Z ) = p0 , (1.5) (1.4)
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. Incertidumbre relativa: Z , es el cociente entre la incertidumbre absoluta y el mejor valor de la magnitud, Z = Z / Z . Incertidumbre relativa porcentual: Z % , es la incertidumbre relativa multiplicada por 100.
su longitud (L 1 m) con la misma regla graduada en mm. 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 es mucho mejor que la de su 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%.
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. En este caso s 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, la nica diferencia est en las unidades usadas.
nj
j
(1.6) nj
m j =1
fj =1
(1.7)
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
xj
20
25
30
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.
El grfico de fj versus xj (=0.5*( yj-1 + yj)) nos da una clara idea de cmo se distribuyen las altura de los individuos en la muestra en estudio. Este tipo de grfico se llama un histograma y la mayora de las hojas de clculo (Excel, QuatroPro, Origin, etc.) tienen herramientas para realizar la operacin descripta aqu y el grfico en forma automtica. En la Figura 1.3 ilustramos dos histogramas tpicos. 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)
(1.10)
El valor medio da una idea de la localizacin o valor medio de las alturas 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 Figura 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 esta determinado por la desviacin estndar . En particular los puntos de inflexin estn en x y x+ . El rea de esta curva entre estos dos puntos constituye el 68.3% del total. Asimismo el rea entre x2. y x+2. es del 96% del total. Tambin 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.
& En general, los valores con los que puede caracterizarse la distribucin de un conjunto de N datos son: a) b) c) la media la mediana la moda
_ N
i =1 La media o promedio de la distribucin se define, como ya vimos, como x = N , y es la media aritmtica de los valores observados.
xi
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. La mediana es el valor de la variable que separa los datos entre aqullos que definen el primer 50% de los valores de los de la segunda mitad.
10
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, por ejemplo, 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 dsitribucin 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 porqu coincidir en general. Estos tres parmetros s son iguales en el caso de distribuciones simtricas respecto del valor medio. Este es el caso de una distribucin normal, por ejemplo. En cambio, si la distribucin es asimtrica, la diferencia entre moda, media y mediana puede ser sustancial. Es importante notar que siempre es deseable saber de cul o cules parmetros se estn hablando cuando se hace referencia a una distribucin de valores. El ejemplo siguiente ayuda a pensar sobre la importancia de este punto. Consideremos, por ejemplo, la dsitribucin delingreso 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. Este ejemplo ilustra el cuidado que se requiere para interpretar las estadsticas que se manejan. Habitualmente, las personas que emplean datos estadsticos suelen hacerlo en la forma que ms conviene a sus propsitos. Con el siguiente ejercicio podemos reflexionar un poco ms sobre las diferencias entre los valores de los tres parmetros de una distribucin..
11
@ La empresa Privilegios 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? (extrado de la gua de matemticas del CNBA-UBA).
12
ms cortos de lo que deberan. Los errores sistemticos pueden detectarse y corregirse realizando mediciones con otros procedimientos independientes (usando distintos relojes y/u otros dispositivos para medir tiempo). Otra tcnica til para estos fines es introducir en el procedimiento de medicin un patrn confiable de modo de intercalar una calibracin durante la medicin. Supongamos que se han hecho N mediciones de una misma magnitud con resultados x1, x2 ,..., x j ,...xN . Estas N determinaciones puede ser considerada una muestra de todas las posibles mediciones que se podran realizar (poblacin). Bajo condiciones muy generales puede demostrase 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 ( S x2 = varianza) o error cuadrtico medio de cada medicin, S x . Esta cantidad es equivalente al concepto de desviacin estndar de la poblacin, ms especficamente es un estimador de la misma. La misma da una idea global acerca de la dispersin de los x j alrededor del promedio x . 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. El valor de Sx de una poblacin puede calcularse para una muestre de datos usando la funcin DESVEST de las planillas de calculo EXCEL. 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 (variarn entre si) pero con una dispersin menor que las medi-
13
ciones individuales. Se puede probar[1,3] que a medida que el nmero K de mediciones aumente, 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 como se dijo 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 mm, 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. Al aumentar N, x disminuye, sin embargo, desde un punto de vista fsico, el error en x solo puede disminuir hasta hacerse igual o del orden de nom. La expresin (1.2) claramente 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 5 o 10, luego calcular S x , de donde se obtiene: S x , nom
2
N op
(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 (I.2), el error efectivo de vendr dado por:
2 2 2 x 2 = eff = 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, el
14
histograma formado con los resultados de las mediciones tengan 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. Se realizan unas 5 a 10 mediciones preliminares y se determina el error promedio de cada medicin Sx . Se determina Nop. Se completan las Nop mediciones de X. Se calcula el promedio X y su incertidumbre estadstica x . Se escribe el resultado de la forma X = X x. 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 standard 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 (ec. 1.2).
8. 9.
< x >=
Con un error dado por < x > :
xk k =1 2 k N 1
k =1 2 k
(1.17)
15
1
2 < x >
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 (1.17) en este caso el promedio ser: N k ==1 xk , < x >= N que, como es de esperar, coincide con la expresin (1.12), la incertidumbre asociada a este valor, ser segn (1.18): < x> = , < > N que coincide con la expresin (1.14) y adems ilustra claramente el significado de como el error asociado a cada medicin individual y <x> 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 en especial, pero frecuente, de que las mediciones en cuestin se pueda suponer siguen una distribucin normal es el siguiente: si los resultados de las dos observaciones a comparar 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:
16
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 de dos resultados.
V = V ( x, y, z ,...) ,
(1.19)
donde suponemos que x, y, z, etc. s se midieron directamente y conocemos sus errores 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 y 2 + z 2 + dz
(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 para fijar idea que la funcin en cuestin sea:
17
x .y V ( x, y, z ) = a. z
n l
(1.21)
(1.22)
V x y z n + m +l . V x y z
(1.23)
Otro caso particular de inters es cuando por ejemplo Z=xy. Usando (I.10) obtenemos:
( Z ) 2 = ( x ) 2 + ( y) 2
(1.24)
18
%=6%.
Es importante tener en cuenta este criterio de truncacin toda vez que realizamos una operacin usando una calculadora o computadora.
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 valores 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 pgina de Internet: http://members.xoom.com/cegm/curiosidades/experimentos.htm).
&
Consideremos el siguiente ejemplo, 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), til para este anlisis preliminar. La asignacin de la segunda lnea es en cierto modo arbitraria, pero respetando que el error total no supere el 1% requerido. A , que es un nmero irracional, le
19
asignamos un valor pequeo de error relativo, para 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, esto se debe a que el volumen es proporcional al cuadrado de d y solo proporcional a L. Un pequeo error en d tiene mayor incidencia en el volumen que 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 que 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 .009 mm 0 .01mm ,
por lo tanto podemos usar una regla comn graduada en mm para medir L. Para tenemos:
0.001 0.001 = 0.001 3 0.003 ,
que indica que debemos usar con 3 cifras decimales (el error permitido puede caer en la tercera cifra) para que el error en su truncacin tenga una incidencia despreciable. Ntese que hasta ahora todo es preliminar y solo hemos elegido los instrumentos a medir, luego de su eleccin llevamos adelante la medicin usando estos instrumentos y procedemos para la medicin de d y L del modo indicado en 1.5. Ntese asimismo, que para determinar los instrumentos a usar, debemos conocer el valor aproximado de los valores a medir, esto no es una paradoja, pues para este anlisis preliminar slo es necesario tener una idea de los ordenes de magnitud y no un valor muy exacto. Este orden de magnitud se puede obtener por una inspeccin visual o una medicin rpida y tosca. Finalmente, una vez que realicemos las mediciones de d y L debemos usar la expresin (1.22) para calcular el error V y V.
20
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).
21