Teoria de Errores Barbato PDF

Facultad de Ingeniería
Instituto de Agrimensura Teoría de Errores I

Departamento de Topografía
TEMAS:
1. Observación y medidas
2. Errores
3. Medidas
4. Testeo
5. Covariancia y correlación
6. Propagación de variancias y covarianzas
7. Preanálisis
Unidad 1: Observación y medidas
De las distintas disciplinas que abarca la Agrimensura

(Topografía, Geodesia, Geofísica, Astronomía, Fotogrametría,
calibración instrumental, etc.) trataremos en el presente curso de
la determinación de las magnitudes que se relevan en las
diferentes prácticas profesionales llevadas a cabo. Las magnitudes
que intervienen (distancias, ángulos, desniveles, etc.) tendrán
asociados valores que corresponden a un proceso que el
agrimensor actuante llevara adelante para cumplir con sus
objetivos; es decir, que se requiere de ciertos procesos para
conocer el valor de las magnitudes que se miden en cada caso.
Dichos procesos según el fin que se perciba en el trabajo
profesional podrá ser un acto simple, como la medición de una
distancia aislada, o una serie de actos con cierta complejidad,
como la medición de ángulos y distancias para determinar una
alineación.
El objetivo de los distintos procesos llevados a cabo por el
agrimensor es obtener la medición como valor final , el cual
resulta de los distintos procesos aplicados , donde se deberá
seleccionar el mas conveniente teniendo en cuenta el fin del
trabajo ; la precisión requerida , el tiempo disponible , los costos
asociados ,etc.
ACCIONES
PROCESO DE _ PRÁCTICAS
MEDICION _ ACCIONES Valor
_ INTRUMENTAL
FACTORES
_ TIEMPO
_ PRESICION
_ COSTOS
_ CONDICIONES DE TRABAJO
Estos apuntes están basados en la recopilación de las clases dictadas por los Profs.:
Ing. Agrim. Fabián D. Barbato
Ing. Agrim. Mario N. Barbato
La medición o medida de cierta dimensión no es sino el conjunto de

observaciones consistentes que sobre un mismo objeto puede ser
considerada representativa de su magnitud.
Conjunto de
Medidas:
 10.53
 10.52 MEDIDA
 10.55
 10.51
Para que sea útil este

conjunto deberá ser :
CONSISTENTE
REPRESENTATIVO
Que un conjunto sea consistente significa que a prori no se observe

valores que deban ser descalificados por su desvío, además de
cumplirse que los mismos sea representativos de la medida ,
suponiendo que cualquier valor goza de la misma probabilidad de ser
la magnitud real .
El resultado de la medición surgirá de un conjunto de observaciones,

que para ser útiles deberán reunir las características establecidas. La
cantidad de observaciones dependerá del grado de seguridad o
certeza que se pretenda para dicha aplicación, para extraer un único
valor representativo de la medida se debe aplicar a todas las
observaciones una serie de operaciones de carácter estadístico; que
conduce a la unicidad del producto final.
( Condiciones)
Conjunto de observaciones Consistente y
Representativo
Nº de medidas
( Depende )
Operaciones Estadísticas Grado de certeza
( Conducen )
Medida ( Valor Final )

Es evidente, entonces que en las mediciones presentan variaciones

en el momento de hacerlas, dichas variaciones son naturales del
procedimiento e instrumental de medición, pues las mismas no
pueden ser cuales quiera. En agrimensura cada trabajo tiene
asociados sus propios limites, hasta donde son o no admisibles los
datos relevados. Estos limites que marcan un cierto entorno del
conjunto de las observaciones, se denominan tolerancias, por lo tanto
serán aceptados aquellos trabajos donde las observaciones muestren
variaciones dentro de los limites establecidos por la tolerancia.
Tolerancia
x x x x x x Observaciones
10.50 10.515 10.52 10.53 10.54 10.56
Si las observaciones presentan variaciones naturales dentro de la

tolerancia, nunca será posible conocer el valor exacto de la medida,
debido a fluctuaciones impredecibles de los procesos de medición. En
conclusión podemos afirmar que el valor exacto será siempre y para
todo los casos desconocido, dado que existen limitaciones de
diferentes especie.
Precisión del instrumental
Agudeza Visual Limitaciones Equipo y distorsiones

provocadas por el medio
Falta de homogeneidad de las artes de trabajo ,

etc.
Esta acumulación de factores limitantes incide en las variaciones
que se producen en las mediciones, aun para el mismo operador y
más todavía en operadores distintos, por lo que resulta que el valor
exacto nunca puede ser determinado. En su lugar en agrimensura
nos manejamos con estimaciones calculadas estadísticamente, por lo
que podemos decir que a nuestros efectos el valor exacto se sustituye
por otro valor que se asume como representativo de la magnitud.
Conjunto de Obs. Medida Estimación del

Valor Exacto
Estimación de una MAGNITUD que se asume como representativa

.
Unidad 2 : Errores
Las diferencias entre el valor exacto (desconocido) y las distintas

mediciones se conoce como error, que representa la magnitud que
separa las observaciones del valor exacto, por su propia definicion el
error es desconocido y con el tambien debemos trabajar en base a
estimaciones.
Resumiendo, el objetivo en todo proceso de medicion es llegar a una
buena estimacion del valor exacto, el cual no se conoce ,ya que no
puedo llegar a su medida, dicho proceso puede ser simple , complejo
o combinado.
El error es la magnitud de esa variación natural o la dispersión de
sus valores. Cuando hablamos de las estimaciones de los errores nos
referimos a imperfecciones inestables de las medidas, y que están
asociadas al concepto de in certeza. Partimos que ninguna cantidad
física se puede conocerse con absoluta certeza, pudiendo expresarla
como : MEDIDA ± ERROR .
Cuando nos referimos a la precisión de las observaciones, estamos
hablando del grado de conformidad o cercanía que existe entre los
valores de una series de observaciones de la misma magnitud, en
cambio cuando hablamos de la exactitud nos referimos al grado de
cercanía del conjunto de observaciones al valor exacto.
 Ejemplos de precisión y exactitud ; a) los resultados son precisos pero no

exactos , b) los resultados no son ni precisos ni exactos , c) los resultados
son tanto precisos como exactos.-
El establecer el porcentaje de posibilidad en un cierto entorno de que

ocurra un suceso es la incertidumbre, la cual es importante para
todos los procedimientos que se realizan en agrimensura.
Los errores se clasifican en :
 Según su origen :
1. Instrumentales
2. Procedimientos
3. Visuales
 Según su origen :
1. Equivocaciones
2. Aleatorios
3. Sistemáticos
Las equivocaciones son aquellas variaciones en los procesos de

medición que se apartan de la variación natural y no pueden ser
tolerados, los mismos pueden ser motivados por la distracción del
operador, las cuales pueden evitarse amentando el cuidado a al
prestar mas atención.
Los errores sistemáticos cumplen una cierta ley de comportamiento

o toman un valor constante, pueden ser determinados
específicamente y hasta puede saberse su valor , por lo tanto pueden
corregirse, depurando los datos. La determinación y corrección de
estos errores se efectúa por comparación o constante de instrumento.
Los errores aleatorios son aquellos que luego de depurados de las

mediciones de equivocaciones y errores sistemático, quedan
remanentes con variación natural y tiene un comportamiento
aleatorio, con estos errores se realizan los ajustes o compensaciones
de las medidas , los cuales son intrínsecos al proceso natural de
medición, dependen exclusivamente de las fluctuaciones inevitables e
imperceptibles dentro de ciertos limites. Sus causales son debido al
azar y por lo tanto obedecen a la teoría matemática de las
probabilidades, estas múltiples perturbaciones provienen de fuentes
independientes que individualmente provocan pequeñas variaciones
erráticas , positivas o negativas , imposibles de detectar.
Equivocaciones
( se eliminan )
Errores
Sistemáticos
( se corrigen )
Aleatorios
( se tratan o compensan )
Ahora analizaremos la parte analítica de los errores :
 Error verdadero : por definición es la diferencia entre una

observación del conjunto de medidas y el valor verdadero. El
mismo se caracteriza por ser desconocido ya que se presenta la
imposibilidad de conocer el valor verdadero.
e = X–t Donde e es el error verdadero, X corresponde a una Obs.

del conjunto de medidas y t es el valor verdadero
 Error residual : por definición es la diferencia entre las

observaciones y el valor estimado, es el que usaremos para las
operaciones de agrimensura.
Donde v es el error residual, X corresponde a una Obs. del

v = X–X conjunto de medidas y X es el valor estimado
Unidad 3: Medidas
Para ser congruente con la teoría de los errores, es

indispensable que los datos se registren con el número correcto
de cifras significativas. Si se descarta una cifra significativa al
registrar un valor, se ha despreciado el tiempo empleado en
lograr cierta exactitud. Por otra parte, si se registran los datos
con mas cifras que las que son significativas, se estará denotando
una falsa precisión y puede perderse tiempo al hacer los cálculos.
En conclusión podemos decir que las cifras significativas son
aquellas que determinan unívocamente sin duna un número.
Ejemplo : Nº C.S.
147 3
147.64 5
3.1 2
1019 4
19720 5
0.044 2
Se entiende por redondeo de un número, como el proceso de

suprimir uno o mas dígitos para que la respuesta solo contenga
aquellos que sean significativos o necesarios en cálculos
subsecuentes. Al redondear un número a cualquier grado
necesario de exactitud , se seguirá el siguiente procedimiento:
1. Cuando el digito a eliminar sea menor que 5, se escribirá el

numero sin ese digito. Así 78.374 se transformara en 78.37
2. Cuando el digito a eliminar sea exactamente 5 o mayor que

5, se escribirá el numero con el digito precedente aumentado
en una unidad. Así 78.375 o 78.376 se transformara en
78.38
Ejemplo : de los siguientes números expresarlos con 4 Cifras.
12.345 --- 12.35 (-1)

12.344 --- 12.34 (=)
12.346 --- 12.35 (+1)
La regla a tomar para las cifras significativas en las operaciones de

suna y en la resta constara del redondeo del número decimal mas
chico de los términos involucrados.
Ejemplo:
165.27+149.7626+65.222+2.2 = 382.4546 = 382.5
En caso de las operaciones de producto y de división se tomara como

regla que el resultado debe tener el mismo número de cifras
significativas que el que tiene menos , esta regla excluye los
productos por factores o constantes.
Ejemplo:
2.15 x 11.1234 = 23.91531= 23.9
Sistemas de medición.
El objetivo de los sistemas de medición es crear un ajuste, para

obtener siempre error el valor mas probable ( que se aproxime al
valor exacto ) , el error en cada observación y además el error total.
La ecuación r = n – n0 responde a la condición fundamental para el
ajuste de los sistemas de medición, donde “n” es el numero de
medidas que tomadas , “n0” es el numero de medidas necesario para
resolver el sistema y “r” mide los grados de libertad permitiendo los
ajustes.
Siempre que “r” sea distinto del nulo estoy obligado a realizar un
proceso de ajuste.
Clasificación de medidas.
Las medidas se pueden clasificar en :
 Directas
 Indirectas
 Condicionales
 Independientes
 Dependientes
Estudio del comportamiento de los errores aleatorios .
Luego de haber eliminado y depurado los errores sistemáticos y las

equivocaciones, se realiza el estudio de del comportamiento de los
errores aleatorios mediante la compensación y el ajuste de las
obsrevaciones, sieno la base de la teoría de errores.
Para un mejor entendimiento de lo tratado en este tema, veremos la

siguiente tabla :
Distancia Error en la Nº de Frecuencia Probabilidad

Mensurada (m.) Mensura de dist. Mensuras (n) (n/5000) p(x)
297.50 0 223 0.0446 0.0450
297.51 1 1613 0.3226 0.3224
297.52 2 1705 0.3410 0.3408
297.53 3 901 0.1802 0.1805
297.54 4 367 0.0734 0.0735
297.55 5 131 0.0262 0.0260
297.56 6 42 0.0084 0.0084
297.57 7 15 0.0030 0.0026
297.58 8 3 0.0006 0.0008
5000 1.0000 1.0000
En la tabla expuesta anteriormente observamos :
1. Para un numero grande observaciones la probabilidad de

ocurrencia de estos errores aleatorios es similar , tienden a
compensarse.
2. Para un número grande de observaciones, veremos que la

mayor ocurrencia de errores se da con los que son más
pequeños (mayor frecuencia de errores pequeños).
3. Los errores de cualquier magnitud no son posibles.
Podemos decir que la curva que mejor se aproxima al conjunto de

mediciones bajo condiciones normales es la Campana de Gauss.
Los parámetros que serán usados para dar resultados del tratamiento
de los errores aleatorios serán :
 s ( desviación estándar, como parámetro de precisión )

 m ( media )
 s 2 ( varianza )

Los errores aleatorios son por definición eventos de de dicha
naturaleza , los cuales están regidos por leyes matemáticas y por
componentes estadísticos.
La probabilidad de suceso aleatorio será : 0  p[E] 1, donde p[E]
=0 ,es el suceso imposible , y p[E] = 1, es el caso seguro. La función
probabilidad dependerá tanto de la variable aleatoria, como del valor
que puede tomar.
Hay 3 funciones estadísticas diferentes a tener en cuenta :
1. p(x): X=x que corresponde a la función probabilidad para un

valor puntual, la cual esta relacionada con la probabilidad de un
suceso.
2. F(x): Xx la cual calcula la probabilidad para un conjunto de
valores menores que uno dado, nos estamos refiriendo a la
función de distribución.
3. f(x): dF(x)/dx que corresponde a la función de densidad de
probabilidad.
Las mismas es relacionan de la siguiente forma:
1. p [ a x  b ] = F(b) – F(a) ,siendo la probabilidad de que un

cierto valor “x” se encuentre entre “a” y “b”
2. f(x) = d(F(x))/dx
3. si f(x)  0 entonces F(x) es creciente y acumulativa.

a
4. xf(x) dx = F(b) – F(a) = p [ a x  b ]

b
5. no existe probabilidad negativa.
Función densidad de distribución normal.
f(x)
Valor más Probable

1/s w 2p
p [x  C ]
C m
Parámetros :
 m : media o promedio Función densidad
 s : desviación estándar
Estandarización : Z =(x – m)/s
f(x) = 1/(s w2p) . e [(x-m)/s]2/2
Es importante tener en cuenta la precisión del trabajo

realizado ,por lo cual se debe observar la diversión de los datos , lo
que se traduce en las graficas siguientes :
(a)
(b)
En las mismas se puede observar que “a” es mas precisa que “b”, ya
que sb > sa , siendo la precisión inversamente proporcional a la
dispersión de los datos.
La probabilidad de que un valor se encuentre entre la media ± el

valor de la desviación estándar es del 68 % .
El modelo de Gauss adapta para distancias medidas de tipo lineal. En

nuestros trabajos se tiene que cumplirse que estén dentro de los
parámetros de Gauss, si esto no se cumple se deberá desechar el
mismo.
Linealizacion
Se entiende por linealizacion , que dado una función que no es lineal,

que no se puede extraer información de esa forma, convertirla a
lineal mediante desarrollo por series de Taylor. Lo que se busca aquí
es expresar esta función mediante una aproximación en un punto por
la recta tangente en ese punto.
 y = f(x) no lineal , no se pude expresar de forma : y = ax +b

 será necesario linealizarla mediante Taylor:
y = y0 + (dy/dx)x0 Dx+ F
Donde y0 = f(x0) , Dx = x-x0 , F es un residuo despreciable que
no contribuye a la medida , (dy/dx)x0 es la pendiente de la recta
evaluada en el punto.
En el caso de funciones de varias variables de tipo f(x1 , x2, ..., xn) la

función se expresara como:
y = f(x1(0) , x2(0), ..., xn(0)) +(dy/dx1)x1(0) Dx1 + ... +(dy/dxn)xn(0) Dxn
Siendo Dxi = x - xi , también se puede expresar como y = y0 +JDX,

donde “J” es el jacobiano J = [ (dy/dx1)x1(0) , ...,(dy/dxn)xn(0) ] y
“DX” = [Dx1,...,Dxn ].
Parámetros de la función de Distribución Estándar
Los parámetros a tener en cuenta de dicha curva serán :
 El valor de la media o m que corresponde a la medida o

magnitud del la ordenada del baricentro y coincide con el valor
máximo de probabilidad.
 Para la medida del error ,del punto de vista de la precisión
tenemos varios parámetros importantes a tener en cuenta
como son:
1. s2 , la cual corresponde a la varianza la cual nos da la
precisión con que mido.
2. s , que corresponde a la desviación estándar
3. sxy , que se la covarianza
4. r coeficiente de correlación , tanto este parámetro como
la covarianza miden el grado entre las variables que
intervienen
Es importante tener en cuenta que al momento de realizar una

medida debo dar el valor de la misma , mas la precisión con que la
fue realizada la mismo.
Al momento de realizar una medición se deberá tener en cuenta 3

cosas para una mejor realización del trabajo , las cuales son:
1. Las cifras significativas

2. El valor de la media.
3. La precisión de la medida.
Principio de los Mínimos Cuadrados
Cuando nosotros hacemos un ajuste , lo que se realiza es una

compensación del trabajo realizado. Exciten distintos tipos de ajuste,
pero podemos ordenarlos en ajustes simples y aleatorios .
El método de ajuste a utilizar será el método de M.C. el cual realiza
un tratamientos sorbe la observaciones. Lo que se busca con este
método es realizar modelo matemático ajustado del terreno, el cual
es una representación simplificada con la realidad y esta condicionado
por las propiedades geométricas , matemáticas y físicas de la
realidad.
Para este método deberá haber siempre una redundancia de las
observaciones, que son aquellas que realizo de más. La redundancia
de las observaciones permite controlar la calida del trabajo además
de poder realizar estos ajustes.
El promedio o valor ajustado será igual a las
Ecuación es de condición
observaciones realizadas ,más el error aleatorio o
residual. Los “v” deberán ser depurados de errores ^
sistemáticos y equivocaciones antes de ser utilizados para l = l + v
ajustar el trabajo.
El principio de Mínimos Cuadrados establece que la suma de los

cuadrados de los residuos deberá ser mínima.
n
S (vi )2= mínimo con vi ,
i=0
^ ^
Donde vi = x - xi ,siendo xi : la medida tomada, x : el promedio y
“vi” : el residuo.
Existe una relación directa entre el método M.C. y la media de Gauss,

la cuales se demostrara a continuación:
n ^ ^ ^
S(vi )2= (x-x1)2 +(x-x2)2 +..... (x-xn)2 S ^ ^
Para ser mínimo debe cumplirse d(S)/d(xi)=2[(x-x1)+..+(x-xn)= 0
^ n
^ n
= nX - S (xi )= 0 , siendo : x = S (xi)/n
i=0
i=0
El método M.C. tiene la ventaja que es un criterio uniforme e

independiente del observador, además de tocar minimamente cada
una de las observaciones.
Medida del error
Sea p(xi) la función de probabilidad de variable aleatoria “x” , se

define la esperanza matemática como :
n
E(x) = S (xi ) p(xi) ,
i=0
además E(x) = x1P(x1) + x2P(x2) + ... xnP(xn) , si p(xi) = 1/n
n
E(x) = x1/n + x2/n + ... xn/n = S (xi)/n = m,
i=0
Siendo E(x) = m
 E[g(x)] = S g(xi ) p(xi)
 E[ (x- m)2] = S ((x- m)2) p(xi)
La forma de evaluar la varianza esta en función de la media. La

varianza es una medida de la dispersión de la distribución de la
probabilidad, es análogo al momento de inercia y siempre es positiva.
Si la función es continua tenemos:

+
m = E(x) = x (x ) f(xi) , siendo f(x) la función densidad
-
+
s2 = E [ (x- m)2] = x (x- m)2 f(xi)
-
¿ Cual es la probabilidad de que un suceso cualquiera “x” se
encuentre entre m ± s ?
p[m-s < x < m + s] , Z= (m-s)/s
p[((m-s)-m)/s < x < (m + s)-m)/s] = p[-1< x <+1] =
F(1)-F(-1) = 0.8413 - 0.1587 = 0.6826
Propiedades :
E [k] = K
E[k g(x)] = k E[g(x)]
E[g1 (x) +g2(x)] = E[g1 (x)] + E[g2(x)]
Demostración : s2 =E[x2] - m2
s2 = E [ (x- m)2] = E [x2 + m2 2xm] = E[x2] - 2mE[x] + m2
= E[x2] -2m2 + m2 = E[x2] -m2
¿ Cual es la probabilidad de que un suceso cualquiera “x” se

encuentre entre m ± Ks ?
p[m-Ks < x < m + Ks] , Z= (m-s)/s
p[-K < Z < K] = F(K)-F(-K) = 2F(K)-1.
K Probabilidad 2F(K)
0.674 0.500 0.7498
1.000 0.683 0.8413
1.960 0.950 0.9750
3.000 0.997 0.9987
Error Medio Cuadrático
El error Medio Cuadrático se puede definir como : M2 = E[(x-t)2] ,

donde “t” es el valor verdadero , el mismo esta relacionado con la
exactitud del trabajo. Al tomar b = m-t ,la expresión anterior
queda : M2 = s2 + b2 (esta expresión no se refiere al modulo de la
precisión ,sino a la exactitud) , si b =0 ,entonces : ; M = s
Estimadores (Q)
Sea X = (x1 , x2 ,..., xn) una variable aleatoria discreta o continua,

cuya función de probabilidad o densidad es “f” y cuyo dominio es real,
una muestra de tamaño “l” significa un conjunto de x1 , x2 ,..., xn
valores de X.
Como muestra se debe cumplir que cada uno de los valores puede
tomarse como un valor de la nueva variable aleatoria xi , que tiene la
misma función densidad que X.
Entones toda función de X nueva variables que no dependan de

parámetros desconocidos se denomina estadístico, y si además se
utiliza para estimar característica o parámetros se llama estimador .
El problema de la estimación consiste en deducir con cierta

probabilidad los valores de Q a partir de un muestreo.
La estimación puntual consiste en elegir una función de los datos de

la muestra cuyo valor tenga cierta probabilidad, que pueda tomarse
como Q.
Ejemplo :
--
X es un estimador de m, por lo tanto de Q.
La función elegida es un estadístico llamado estimador de Q .
Clasificación de Estimadores:
E(T)= Q T es Insesgado
E(T) Q T es Sesgado
Ejemplo:
Si E(x) = m , entonces es insesgado
Si “T” es un estimador insesgado y su varianza tiende a 0 , cuando

n, a este estimador se denomina consistente.
Muestreo
La condición que debe cumplir una muestra para la correcta

realización de nuestro trabajo, es que la misma sea consistente y que
los datos cumplan la condición de representar al universo de
observaciones. Es necesario que las “n” observaciones se hagan bajo
las mismas condiciones y sean comparables.
Varianza muestral : n --
S2 = 1/(n-1) S (xi - x)2 ,refleja el
i=0
comportamiento de cada muesta.
___
Desviación estándar muestral : s= w S2
___
Desviación estándar del promedio : S/ w n
Varianza muestral del promedio : S2 /n
n - -
Covarianza muestral : Sxy = 1/(n-1) S (xi - x) (yi - y)
0
Los estadísticos se crearon para estimar “ el verdadero valor “ con

una muestra de finitos datos , es necesario respaldarnos en un
modelo , que en nuestro caso será el Gaussiano.
Intervalos de confianza
Es la probabilidad de encontrar m dentro de un determinado

intervalo, para la construcción del mismo se deberá utilizar un
numero considerable de observaciones , pues s depende de esto.
_ ___ _ __
p[ x - zs/w n < m < x +zs/w n]=2F(z)-1= grado de confianza
Intervalo de confianza para s desconocido ( t-student).
n30
_ __
T =( x – m)/(S/w n)
_ __ _ _ __
p[ x - tS/w n < m < x +tS/w n]=2F(t)-1= grado de confianza
Intervalo de confianza para S2 ( Chi 2).
p[ (n-1)S2/c2b,n-1 < s2 < (n-1)S2/c2a,n-1 = b – a = grado de confianza
a+b = 1 (condición preestablecida)
Ejemplo :
Si la media muestral de 20 observaciones es 537.615 m,
la desviación estándar de cada medida es de 0.033 m, se pide
construir intervalo de confianza del 95 %.
2F(z)-1 = 0.95
F(z) = (0.95+1)/2= 0.975 entonces z = 1.96
__ ____
x - zs/w n = 537.629
__ ____
x + zs/w n = 537.601
Ejemplo :
En este mismo ejemplo la desviación estándar muestral
calculada es 0.035 .
2F(t)-1= 0.95
F(t)=0.975
__ ___
x - tS/w n = 537.598
__ ___
x + tS/w n = 537.631
Ejemplo :
En una muestra de 20 mediciones independientes una
varianza es calcula , siendo igual a 0.00121 m2. .Construir un
intervalo de confianza del 95% para s2.
b-a=0.95
a+b=1 a=0.025 , b=0.975
c20.025,19 =8.91 , c20.975,19 =32.9
(n-1)S2/c2b,n-1 = 6.98x10-4
(n-1)S2/c2a,n-1 = 2.58x10-3
6.98x10-4 < s2 <2.58x10-3
Resumen:
Intervalo de confianza:
_
 m estimador de x
 s estimador de s
* Si el número de observaciones es mayor o igual a 30 Distribución Normal

* Si el número de observaciones es menor a 30 Distribución T-
Student
* Para ver intervalos de s2  Chi 2
Unidad 4: Testeo
En los testeos se trabaja con estadísticos con el objetivo de

establecer ciertas hipótesis, por ejemplo: si tuviera una muestra y
deseo conocer su distribución.
Estadísticos de testeo:
1. H0 acepta cuando H0 es cierto
2. H0 rechazada cuando H0 es cierto
3. H0 acepta cuando H0 es falso
4. H0 rechazada cuando H0 es falso
1) y 4) es correcto
2) error de tipo I
3) error de tipo II
El tamaño del error tipo I , es a , la probabilidad de rechazar es H0

cuando H0 es cierto
a = p[ rechazar es H0 cuando H0 es cierto ]

1-a = p[ acepto H0 ]
Una hipótesis es testeada por el diseño de una muestra computando

el valor de estadístico y tomando la decisión por aceptar o rechazar la
hipótesis, sobre la base del valor del estadístico. Este estadístico se
llama estadístico de testeo.
Acepto H0
Rechazo H0 Rechazo H0
m0 - c m m0 + c
 (n30) 1 – a = 2F(z)-1
 (n<30) 1 – a = 2F(t)-1
Testeo de la media
_
H0 : m = m0 m0  x
H1 : m  m0
1. si asumimos que s es conocido:

_ __
p[ ( m0 – c ) < x < (m0 + c)] = 2F(z) – 1 , c = zs/w n
2. si asumimos que s no es conocido:

_ __
p[ ( m0 – c ) < x < (m0 + c)] = 2F(t) – 1 , c = tS/w n
Ejemplo :
Un ángulo es medido 10 veces , cada medición es
independiente y fueron realizadas con la misma precisión.
__
x = 42º12’14.6”
S = 3.7”
Se pide testear con 5% de nivel de significancía (a) que m (media

muestral) es 42º12’16” = m0.
n=10 , a= 0.05
F(t) = 1-a/2 = 0.975
t= 2.26 ___
c = tS/w n = 7.35x10-4 = 2.64”
_
42º12’13.34” < x < 42º12’18.26”
_
Si x cae dentro del intervalo de testeo se acepta la hipótesis, si cae
fuera no se acepta.
Por lo tanto acepto H0
Unidad 5: Covarianza y correlación
X e Y son variables aleatorias en el mismo modelo de distribución

probabilística, se dice que las mismas están conjuntamente
distribuidas
Se define distribución conjunta como : F(x,y) = p[Xx , yy ]
Función de distribución marginal : f(x) = p[Xx] , f(x) = p[Yy]
Si X e Y son continuas , entonces f(x,y) = d2F(x,y)/dxdy
Los grados de covarianza y correlación de variables aleatorias me

determinan el grado de independencia de las observaciones.
Independencia
Dos variables aleatorias son independientes , si el valor tomado por

una , no influye a la otra variable.
p[ AB] = p[A] p[B]
p[Xx , yy ] = p[Xx] p[Yy] o F(x,y) = F(x) F(y)
Entonces X e Y son independientes.
f(x,y) = E(x,y) = E(x) E(y) = mx my
Distribuciones marginales
Covarianza:
sxy =Cov(x,y) = E[(x-mx) (y-my)] = 0 (independieres)
< 0 (dependiente)
> 0 (dependiente)
= E[x,y] –mx my
En el caso continuo :
+ +
sxy = xx [(x-mx) (y-my)] f(x,y) dx dy
- -
s(x+y)2 = s(x)2 + 2s(xy) + s(y)2
Coeficiente de correlación.
rxy = sxy/sxsy ,donde -1 rxy  1 .
Unidad 6: Propagación de varianzas.
Leyes de la propagación
Sean x1 y x2 dos variables aleatorias conjuntamente distribuidas, sea

: x11 , ... x1q , una muestra de tamaño “q”, sien sus derivadas.
x21 x2q
s2x1 = lim 1/q S D2 x1k , D x1k = x1k – mx1

Varianzas
s2x2= lim 1/q S D2 x2k , D x2k = x2k – mx2
cundo q y k=1..q
Covarianza sx1x2 = lim 1/q S D x1k D x2k
Ahora supongamos que para el caso discreto de “y = Ax +b” donde

mido “x” ,el cual esta conformado por (x1 ;x2) :
y11 = a11x11 +a12x21 + b1

Para k = 1 y21 = a21x11 +a22x21 + b2
..................................
y1k = a11x1k +a12x2k + b1
Para k = k y2k = a21x1k +a22x2k + b2
Entonces simulo desviación :

D y1k = a11D x1k + a12D x2k
D y2k = a21D x1k + a22D x2k
Varianzas
s2y1 = lim 1/q S D2 y1k
s2y2= lim 1/q S D2 y2k
cundo q y k=1..q
Covarianza sy1y2 = lim 1/q S D y1k D y2k
Sustituyendo :
s2y1 = lim 1/q S (a11D x1k + a12D x2k)2 =a211 lim 1/q S D2 x1k +
2a11a12 lim 1/q S D x1kD x2k + a212 lim 1/q S D2 x2k =
s2y1 = a112 sx12 + 2a11a12 sx1sx2 + a122 sx22 , lo mismo ocurre con y2 .
s2y2 = a212 sx12 + 2a21a22 sx1sx2 + a222 sx22
sy1y2 = a11a21 sx12 + (a11a22+a12a21) sx1sx2 + a11a22 sx22
Desarrollo matricial:
Denominamos Sxx y Syy a las matrices covarianzas de x1,x2 e y1,y2 ,

siendo:
Sxx = s2x1 sx1x2 Syy = s2y1 sy1y2

sx1x2 s2x2 sy1y2 s2y2
(ley general de la propagación de varianzas)
La relación entre ambas matrices es:
Para el caso lineal Syy = A Sxx At donde “A” = a11 a12 ,

a21 a22
Para el caso no lineal Syy = Jyx Sxx Jyxt ,

donde “J” = dy1/dx1 .... dy1/dxn
..... .... .....
dym/dx1 .... dym/dxn
Si x1 y x2 son independientes las covarianzas son nulas, ósea que

dyi/dxj con i j es 0.
f(x,y)
Distribución bivariable normal
f(y)
f(x)
my
y
mx P (x,y)
x
__
2
f(x,y) = [(1-r)/(2psxsyw 1-r2 ] exp{-1/2(1-r2)[((x-mx)/sx) –
2r((x-mx)/sx) ((y-my)/sy) + ((y-my)/sy))2 ]}
El plano P (x,y) forma una elipse :

2
((x-mx)/sx) –2r((x-mx)/sx) ((y-my)/sy) + ((y-my)/sy))2 = (1-r2) C2
Elipse de error :
2
((x)/sx) –2r((x)/sx) ((y)/sy) + ((y)/sy))2 = (1-r2) C2
Cuando C = 1 , la elipse de se llama : elipse de error estándar
y` X´
sy
sx`
Q
sy` x
sx
x' = cosQ senQ x (rotación de ángulo Q )

y’ -senQ cosQ y
Matriz covarianza :
(x,y) s2x sxy correlacionadas

sxy s2y
(x’,y’) s2x’ 0 no correlacionadas
0 s2y’
Ley de propagación de covarianzas
s2x’ 0 = cosQ senQ s2x sxy cosQ -senQ

2
0 s y’ -senQ cosQ sxy s2y senQ cosQ
tang (2Q) = 2 sxy / (sx2 – sy2 )
l1 = sx’ 2 = (sx2 +sy2 )/2+ [(sx2 – sy2 )2/4 + sxy2 ]0.5

l2 = sx’ 2 = (sx2 +sy2 )/2- [(sx2 – sy2 )2/4 + sxy2 ]0.5
Para tener una mejor probabilidad se multiplica los semiejes por una
constante (c) .
Probabilidad (c)
39% 1
50% 1.177
63% 1.414
87% 2
90% 2.146
95% 2.447
99% 3
100% 3.5
Unidad 7: Preanálisis
Es el procedimiento de análisis de un trabajo antes de que este fuera

realizado, en el mismo se determina la forma de realización del
trabajo en función de las tolerancias pre establecido. En el será
necesario definir el instrumental, así como la forma de aprovecharlo
lo mejor posibles según el fin del proyecto a realizar. Se supondrá
que en el mismo no habrá errores sistemáticos, también se hará lo
mismo con las magnitudes intervinientes siendo independientes.
 Caso lineal :
s2y = a12 sx12 + ...+a112 sx112 ,
 Caso no lineal :
s2y = (dy/dx1)2 sx12 + ... (dy/dx11)2 sx112
 Supongamos que las variables medidas adoptan errores

equivalentes .
__
syi = sy/(aiw n) ( lineal )

----
syi = sy/(dy/dxiw n) ( lineal )

Teoria de Errores Barbato PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Teoria de Errores Barbato PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

Facultad de Ingeniería

Instituto de Agrimensura Teoría de Errores I

Unidad 1: Observación y medidas

De las distintas disciplinas que abarca la Agrimensura

La medición o medida de cierta dimensión no es sino el conjunto de

Para que sea útil este

Que un conjunto sea consistente significa que a prori no se observe

El resultado de la medición surgirá de un conjunto de observaciones,

Medida ( Valor Final )

Es evidente, entonces que en las mediciones presentan variaciones

10.50 10.515 10.52 10.53 10.54 10.56

Si las observaciones presentan variaciones naturales dentro de la

Precisión del instrumental

Agudeza Visual Limitaciones Equipo y distorsiones

Falta de homogeneidad de las artes de trabajo ,

Conjunto de Obs. Medida Estimación del

Estimación de una MAGNITUD que se asume como representativa

Las diferencias entre el valor exacto (desconocido) y las distintas

 Ejemplos de precisión y exactitud ; a) los resultados son precisos pero no

El establecer el porcentaje de posibilidad en un cierto entorno de que

Los errores se clasifican en :

Las equivocaciones son aquellas variaciones en los procesos de

Los errores sistemáticos cumplen una cierta ley de comportamiento

Los errores aleatorios son aquellos que luego de depurados de las

Ahora analizaremos la parte analítica de los errores :

 Error verdadero : por definición es la diferencia entre una

e = X–t Donde e es el error verdadero, X corresponde a una Obs.

 Error residual : por definición es la diferencia entre las

Donde v es el error residual, X corresponde a una Obs. del

Para ser congruente con la teoría de los errores, es

Se entiende por redondeo de un número, como el proceso de

1. Cuando el digito a eliminar sea menor que 5, se escribirá el

2. Cuando el digito a eliminar sea exactamente 5 o mayor que

Ejemplo : de los siguientes números expresarlos con 4 Cifras.

12.345 --- 12.35 (-1)

La regla a tomar para las cifras significativas en las operaciones de

165.27+149.7626+65.222+2.2 = 382.4546 = 382.5

En caso de las operaciones de producto y de división se tomara como

2.15 x 11.1234 = 23.91531= 23.9

El objetivo de los sistemas de medición es crear un ajuste, para

Las medidas se pueden clasificar en :

Estudio del comportamiento de los errores aleatorios .

Luego de haber eliminado y depurado los errores sistemáticos y las

Para un mejor entendimiento de lo tratado en este tema, veremos la

Distancia Error en la Nº de Frecuencia Probabilidad

En la tabla expuesta anteriormente observamos :

1. Para un numero grande observaciones la probabilidad de

2. Para un número grande de observaciones, veremos que la

3. Los errores de cualquier magnitud no son posibles.

Podemos decir que la curva que mejor se aproxima al conjunto de

 s ( desviación estándar, como parámetro de precisión )

Hay 3 funciones estadísticas diferentes a tener en cuenta :

1. p(x): X=x que corresponde a la función probabilidad para un

Las mismas es relacionan de la siguiente forma:

1. p [ a x  b ] = F(b) – F(a) ,siendo la probabilidad de que un

3. si f(x)  0 entonces F(x) es creciente y acumulativa.

4. xf(x) dx = F(b) – F(a) = p [ a x  b ]

5. no existe probabilidad negativa.

Función densidad de distribución normal.

Valor más Probable

Es importante tener en cuenta la precisión del trabajo

La probabilidad de que un valor se encuentre entre la media ± el

El modelo de Gauss adapta para distancias medidas de tipo lineal. En