Ejercicios
Miscelneas
Teora de errores -
Evaluacin Incertezas de medicin
1 1 Introduccin
En todo proceso de medicin existen limitaciones dadas por los instrumentos usados, el
mtodo de medicin, el observador (u observadores) que realizan la medicin. Asimismo, el
mismo proceso de medicin introduce errores o incertezas. Por ejemplo, cuando usamos un
termmetro para medir una temperatura, parte del calor del objeto fluye al termmetro (o
viceversa), de modo que el resultado de la medicin es un valor modificado del original
debi-do a la inevitable interaccin que debimos realizar. Es claro que esta interaccin podr
o no ser significativa: Si estamos midiendo la temperatura de un metro cbico de agua, la
cantidad de calor transferida al termmetro puede no ser significativa, pero si lo ser si el
volumen en cuestin es de una pequea fraccin del mililitro.
Tanto los instrumentos que usamos para medir como las magnitudes mismas son
fuente de incertezas al momento de medir. Los instrumentos tienen una precisin finita,
por lo que, para un dado instrumento, siempre existe una variacin mnima de la
magnitud que puede detectar. Esta mnima cantidad se denomina la apreciacin
nominal del instrumento. Por ejemplo, con una regla graduada en milmetros, no
podemos detectar variaciones menores que una fraccin del milmetro.
A su vez, las magnitudes a medir no estn definidas con infinita precisin. Imaginemos
que queremos medir el largo de una mesa. Es posible que al usar instrumentos cada vez ms
preci-sos empecemos a notar las irregularidades tpicas del corte de los bordes o, al ir aun
ms all, finalmente detectemos la naturaleza atmica o molecular del material que la
constituye. Es claro que en ese punto la longitud dejar de estar bien definida. En la
prctica, es posible que mucho antes de estos casos lmites, la falta de paralelismo en sus
bordes haga que el concepto de la longitud de la mesa comience a hacerse cada vez
menos definido, y a esta limitacin intrnseca la denominamos denomina incerteza
intrnseca o falta de definicin de la magni-tud en cuestin.
Otro ejemplo sera el caso en que se cuenta la cantidad de partculas alfa emitidas
por una fuente radioactiva en 5 segundos. Sucesivas mediciones arrojarn diversos
resultados (simila-res, pero en general distintos). En este caso, de nuevo, estamos frente
a una manifestacin de una incerteza intrnseca asociada a esta magnitud nmero de
partculas emitidas en 5 s, ms que al error de los instrumentos o del observador.
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
me-surando y las cruces los valores de varias determinaciones del centro. La
dispersin de los puntos da una idea de la precisin, mie ntras que su centro
efectivo (centroide) est asociado a la exactitud. a) es una determinacin precisa
pero inexacta, mientras d) es ms exacta pero imprecisa; b) es una determinacin
ms exacta y ms precisa; c) es menos precisa que a).
nom2ap2def2int2exac2 (I.1)
Error absoluto: es el valor de la incertidumbre combinada (Ec. 1.2). Tiene
las mismas dimensiones que la magnitud medida y es conveniente
expresarla con las mismas unidades de sta. Si Z es la magnitud en
estudio, Z es el me-jor valor obtenido y Z su incertidumbre absoluta. El
resultado se expresa adecuadamente como:
Z Z Z (1.3)
Z Z Z Z Z . (1.4)
lo que es equivalente a:
P( Z Z Z Z Z ) p0 , (1.5)
Cuando realizamos una medicin con una regla graduada en milmetros, est claro que,
si somos cuidadosos, podremos asegurar nuestro resultado hasta la cifra de los milmetros o,
en el mejor de los casos, con una fraccin del milmetro, pero no ms. De este modo nuestro
resultado podra ser L = (95.2 0.5) mm, o bien L = (95 1) mm. En el primer caso deci-
mos que nuestra medicin tiene tres cifras significativas y en el segundo caso slo dos. El
nmero de cifras significativas es igual al nmero de dgitos contenidos en el resultado de la
medicin que estn a la izquierda del primer dgito afectado por el error, incluyendo este
dgi-to. El primer dgito, o sea el que est ms a la izquierda, es el ms significativo (9 en
nuestro caso) y el ltimo (ms a la derecha) el menos significativo, ya que es en el que
tenemos me-nos seguridad. Ntese que carece de sentido incluir en nuestro resultado de L
ms cifras que aquellas en donde tenemos incertidumbres (donde cae el error).
Es usual expresar las incertidumbres con una sola cifra significativa, y solo en casos
excepcionales y cuando existe fundamento para ello, se pueden usar ms. Tambin es usual
considerar que la incertidumbre en un resultado de medicin afecta a la ltima cifra si es
que no se la indica explcitamente. Por ejemplo, si slo disponemos de la informacin que
una longitud es L = 95 mm, podemos suponer que la incertidumbre es del orden del
milmetro y, como dijimos antes, el resultado de L tiene dos cifras significativas.
tienen igual n-mero de cifras significativas, siendo la nica diferencia las unidades usadas.
Consideremos una poblacin de personas de una ciudad y que queremos analizar cmo se
distribuyen las estaturas de la poblacin. Para llevar adelante este estudio podemos medir la
altura de todos los individuos de la poblacin, o bien tomar una muestra representativa de la
misma, a partir de la cual inferiramos las caractersticas de la poblacin. Esta clase de estudio
es un tpico problema de estadstica. Si tomamos una muestra de tamao N y para la misma
medimos las alturas de cada individuo, este experimento dar N resultados: x1, x2, x3,
..., xN. Todos estos datos estarn comprendidos en un intervalo de alturas ( xmin, xmax) entre
la menor y mayor altura medidas. Una manera til de visualizar las caractersticas de este
conjunto de datos consiste en dividir el intervalo ( xmin, xmax) en m subintervalos iguales,
delimitados por los puntos (y1, y2, y3, ..., ym) que determinan lo que llamaremos el rango
de clases. Seguidamente, contamos el nmero n1 de individuos de la muestra cuyas alturas
estn en el primer intervalo [y1, y2), el nmero nj de los individuos de la muestra que estn
en el j-simo intervalo [yj-1, yj), etc., hasta el subintervalo m. Aqu hemos usado la notacin
usual de usar corchetes, [], para indicar un intervalo cerrado (incluye al extremo) y
parntesis comunes, (), para denotar un intervalo abierto (excluye el extremo). Con estos
valores definimos la funcin de distribucin fj que se define para cada subintervalos j como:
nj
fj
jnj
Esta funcin de distribucin est normalizada, es decir:
(1.6)
mj1 f 1
j (1.7)
El grfico de fj versus xj [xj = 0.5 ( yj-1 + yj)] nos da una clara idea de cmo se distri-
buyen las altura de los individuos de la muestra en estudio. Este tipo de grfico se llama
un histograma y la mayora de las hojas de clculo de programas comerciales (Excel,
Quatro-Pro, Origin, etc.) tienen herramientas para realizar las operaciones descriptas
aqu y el grfico resultante. En la Fig. 1.3 ilustramos dos histogramas tpicos.
j
60
100 . f
100 . fj
60 FWHM
40
FWHM 40
20
20
0 0
5 10 15 20 25 30 0 5 10 15 20 25 30
xj xj
Figura 1.3. Histograma de dos muestras con igual valor medio pero con distintos
grados de dispersin. En este ejemplo, los datos tienen una distribucin Gaussiana
o Normal, descripta por la curva de trazo continuo.
El valor medio:xx m
x j f j 1 N
xi (1.8)
j 1 N i 1
La varianza:Var(x)x
2
m
j1 2
(xj x) fj (1.9)
La desviacin estndar:xVar(x) (1.10)
a) la media
b) la mediana
c) la moda
La media o promedio de la distribucin se define, segn ya vimos, como: x
La mediana es el valor de la variable que separa los datos entre aquellos que
defi-nen el primer 50% de los valores de los de la segunda mitad. O sea que la
mitad de los datos de la poblacin o muestra estn a derecha de la mediana y la
otra mitad estn a la izquierda de la misma.
Es fcil darse cuenta que media, moda y mediana no tienen, en general, porqu
co-incidir. Estos tres parmetros s son iguales en el caso de distribuciones
simtricas respecto del valor medio y unimodales. Este es el caso de una
distribucin gaussiana o normal. En el caso de una distribucin asimtrica, las
diferencias entre moda, me-dia y mediana pueden ser sustanciales.
Gerente $9000
Sub-gerente $5000
2Asesor $2500
2 Secretarias $ 1350
c/u
Capataz $ 1200
6 Operarios $600 c/u
En este caso el mejor valor ser simplemente el valor medido y el error vendr dado
por el error nominal (nom) del instrumento. Segn se deduce de (1.2), Z=nom.
Supongamos que se han hecho N mediciones de una misma magnitud con resultados
x1, x2 ,...,x j ,...xN . Estas N determinaciones pueden ser consideradas una muestra de
todas las posibles mediciones que se podran realizar (poblacin). Bajo condiciones
muy generales puede demostrarse que el mejor estimador de la magnitud x viene dado
por el promedio, x x , de los valores:
x x
Nj1 x j . (1.12)
N
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 Sx/ x ,
que en general es una constante del proceso de medicin y no disminuye al aumentar N.
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 distri-
bucin (puesto que variarn entre s) pero con una menor dispersin que las mediciones indi-
viduales. Se puede probar[1,3] que a medida que el nmero N de mediciones aumenta, la dis-
tribucin de x ser normal con una desviacin estndar dada por:
N
(xj x)
j1 Sx
est x N.(N 1 ) N . (1.14)
que resulta de imponer la condicin: est nom. Si Nop > Nprel, se completan las medicio-
nes para lograr Nop valores. Si Nop < Nprel, no se realizan ms mediciones que las
preliminares y se usan todas ellas. En todos los casos, segn la Ec. (1.2), el error
combinado o efectivo vendr dado por:
2 2 2 2
x ef nom x (1.16)
Para la mayora de los casos de inters prctico, si medimos 100 veces una magnitud
x, aproximadamente 68 de ellas caern en el intervalo ( x - , x + ), 96 de ellas en el
x x
intervalo ( x -2 , x +2 ), y 99 de ellas en el intervalo ( x -3 , x +3 ). Estos resul-
x x x x
tados valen estrictamente para el caso en que los errores se distribuyan "normalmente",
es decir, si el histograma formado con los resultados de las mediciones adopta la forma
de una campana de Gauss [6].
Resumiendo, los pasos a seguir para medir una magnitud fsica X son:
Una situacin frecuente en ciencia es la determinacin del mejor valor de una dada mag-
nitud usando N valores que resultan de mediciones independientes (obtenidos por diferentes
autores, con diferentes tcnicas e instrumentos). Cada una de estas mediciones independientes
puede tener asociada distintos errores. Es decir, tenemos un conjunto de N mediciones, cada una
caracterizada por un par (xk, k), con k = 1, 2, ..., N. Nuestro objetivo es obtener el mejor valor
para la magnitud en discusin. Es claro que al combinar los distintos resultados para obtener el
mejor valor, <x>, es preciso tener en cuenta los errores de cada determina-cin, de tal modo
que aquellos valores que tengan menos error pesen ms en el resultado final. Es posible
demostrar en este caso que el mejor valor <x> viene dado por[1,8]:
xk
k 1
k 2
x (1.17)
kN1 1 k
2
1 N 1
2
k1 2 (1.18)
x k
Si una magnitud fsica se mide con dos (o ms) mtodos o por distintos
observadores, es posible (y muy probable) que los resultados no coincidan. En este caso
decimos que existe una discrepancia en los resultados. Sin embargo, lo importante es
saber si la discrepancia es significativa o no. Un criterio que se aplica en el caso
especial pero frecuente, en el que las mediciones se puedan suponer que siguen una
distribucin normal, es el siguiente. Si los resul-tados de las dos observaciones que se
comparan son independientes (caso usual) y dieron como resultados:
Medicin 1 : X 1 X 1 X 1
Medicin 2 : X 2 X 2 X 2
definimos:
2 2 2
X X 1 X 2
Decimos que con un limite de confianza del 68% las mediciones son distintas si:
X 1 X 2 X ,
y que con un limite de confianza del 96% las mediciones son distintas si:
X 1 X 2 2 X
Hay magnitudes que no se miden directamente, sino que se derivan de otras que s son
medidas en forma directa. Por ejemplo, para conocer el rea de un rectngulo se miden las
longitudes de sus lados, o para determinar el volumen de una esfera se tiene que medir el
dimetro. La pregunta que queremos responder aqu es cmo los errores en las magnitudes que
se miden directamente se propagarn para obtener el error en la magnitud derivada. Slo
V V( x, y, z,...) , (1.19)
y que x, y, z, etc., s se midieron directamente y que conocemos sus errores, a los que
desig-namos en el modo usual como x, y, z, etc. Entonces se puede demostrar[1,3]
que el error en V vendr dado por:
2 2
dV 2 dV dV 2
V x 2
y z 2 (1.20)
dx dy dz
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
factori-zable como potencias de x, y, z, etc., la expresin anterior puede ponerse en un
modo muy simple. Supongamos que la funcin en cuestin sea:
.
V( x, y, z ) a. xn ym (1.21)
zl
Entonces:
2
V x 2 y 2 z
2
n m
2 2
l
. (1.22)
V x y z
Para clculos preliminares, esta expresin puede aproximarse por:
V x y z
n m l . (1.23)
V x y z
Esta ltima expresin para la propagacin de los errores se conoce con el nombre de
aproxi-macin de primer orden, mientras que la expresin (1.22) se la denomina
usualmente aproxi-macin de segundo orden.
Otro caso particular de inters es Z = x y. Usando la Ec. (I.10) obtenemos:
= 22.7/3.5=6.485714286 g/cm3.
d
d
0.003 d 0.003 d 0.003 3mm 0.009mm 0.01mm ,
L
0.002 L 0.002 L 0.002 50cm 1mm ,
L
por lo tanto podemos usar una regla comn graduada en milmetros para
medir L. Para tenemos:
0.001 0.001 0.001 3 0.003,
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.
9. Radiation detection and measurement, Knoll Glenn F., 2. ed., John Willey & Sons,
New York (1989). ISBN 0-471-81504-7.
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).