PRÁCTICA ANÁLISIS DE ERRORES

Tamaño: px
Comenzar la demostración a partir de la página:

Download "PRÁCTICA ANÁLISIS DE ERRORES"

Transcripción

1 LABORATORIO DE FÍSICA PRÁCTICA ANÁLISIS DE ERRORES

2 INDICE.- MEDIDA Y CONCEPTO DE ERROR..- Valor Aceptado y Error Absoluto..- Error Relatvo.3.- Fuetes de Error - Errores Sstemátcos - Errores Accdetales.4.- Regla del Redodeo de úmeros.- CÁLCULO DE ERRORES..- Errores de escala de ua medda drecta..- Error de ua magtud medda drectamete el realzar meddas - Valor medo ( x ) - Desvacó meda ( d ) - Mejor Valor (m v ) - Varaza (σ ) - Desvacó Típca (σ).3.- Orgagrama del proceso de medda.4.- Error de ua medda drecta - Método de los logartmos - Método de las dervadas parcales 3.- REPRESENTACIONES GRÁFICAS Y TABLAS 3..- Normas para la represetacó gráfca de los datos expermetales 3..- Iterpolacó de ua gráfca Iterpolacó leal e ua tabla 4.- AJUSTE LINEAL POR MÍNIMOS CUADRADOS 4..- Ajuste de ua recta por mímos cuadrados 4..- Determacó de errores e la pedete y e la ordeada de orge Ajuste de otro tpo de fucoes medate learzacó Ajuste de datos medate el ordeador - Sgmaplot

3 .- MEDIDA Y CONCEPTO DE ERROR..- Valor aceptado y error absoluto de ua medda Todo proceso de medda es ua aproxmacó del verdadero valor de lo que se pretede medr (es la estmacó que hace ua o varas persoas valédose de dferetes métodos y/o aparatos). Así, s pretedemos medr ua dstaca, el resultado de la medda va a depeder de varos factores: la sesbldad del dspostvo empleado, el método empleado para llevar a cabo la medda, el propo observador y de u cojuto de factores dfícles de cotrolar que puede orgar alteracoes e el proceso de la medda. Todo ello hace que s realzamos varas meddas éstas o cocda ecesaramete, y etoces cada vez obtegamos u valor. De todas formas, a la hora de expresar el resultado de ua medda, tedremos que especfcar u úco valor umérco. Este valor se cooce habtualmete como valor aceptado de la medda. Debe etederse que el valor aceptado de la medda o cocde co el verdadero valor de la msma, que uca podemos coocer co exacttud. Además, se debe dcar també la certdumbre que la acompaña. Esta certdumbre (que se cooce como error absoluto) os proporcoa ua dcacó sobre cuá cerca está el resultado obtedo del verdadero valor. Así pues, el resultado R de ua medda cotedrá tres elemetos: el valor aceptado de la medda, V A, el error absoluto, ε A, y las correspodetes udades, y se expresa ormalmete de la forma: R = (V A ± ε A ) udades () Por ejemplo, supogamos que el resultado de la medda de ua logtud L es L = (36.5 ± 0.7) cm () Co esta forma de escrbr L dcamos que o coocemos el valor verdadero de L, pero aceptamos como resultado u certo valor V A = 36.5 cm. Idcamos també que estamos seguros de que el valor verdadero de L se ecuetra e algú puto del tervalo V A - ε A = 35.8 cm, V A + ε A = 37. cm (véase la Fg. ).

4 Valor Aceptado Valor Verdadero (o se cooce) V - ε A A V + ε A A Fgura. Sgfcado de valor aceptado y error absoluto. E la seccó. se descrbe la forma de asgar valores aceptados y errores absolutos a las meddas obtedas e el laboratoro...- Error relatvo Otro ídce de error muy útl es el error relatvo, que se defe de la forma ε r = ε A V A 00 (3) que se expresa e %. Este ídce se terpreta como u crtero de caldad de la medda, depedetemete de la magtud de que se trate. E geeral, los errores absolutos de meddas dferetes o so comparables etre sí. Por ejemplo, magemos que medmos ua logtud L y u tempo t y que los resultados so L = (5. ± 0.4) m t = (4563 ± 6) s (4) Como se trata de meddas de magtudes dferetes, o sabemos cuál de las dos es más precsa. Para poder compararlas, usamos el error relatvo. Aplcado la ecuacó (3), se obtee: ε r (L) = = 7.7% ε r (t) = = 0.3% (5) deducédose que, e térmos relatvos, la medda de t es más precsa que la de L.

5 .3.- Fuetes de error Los errores de las meddas se clasfca, de acuerdo co los motvos que los orga, e sstemátcos (ε ss ) y accdetales (ε acc ). Los errores sstemátcos so orgados por defectos del método o del aparato de medda y sempre actúa e el msmo setdo. So evtables y realmete se trata de equvocacoes, ya que es ua equvocacó utlzar u método adecuado o u strumeto defectuoso. Por ejemplo, magemos que se pretede medr u tempo cuyo valor verdadero (V V ) es de 8.4 s. Imagemos que el croómetro que se utlza adelata. S, guados por uestra cofaza e el croómetro, lo utlzamos para efectuar tres meddas, obtedríamos probablemete valores semejates a los sguetes ª medda t = 9. s ª medda t = 9.5 s 3ª medda t 3 = 9.4 s Represetado estos resultados e u eje horzotal, obtedríamos el resultado que se muestra e la Fg V V t t 3 t t (s) Fgura. Ejemplo de error sstemátco E esta fgura, aprecamos que las tres meddas se desvía e la msma dreccó y que la formacó que obteemos está falseada, ya que los valores obtedos o os da ua dcacó de por dóde se ecuetra el valor verdadero. Por el cotraro, los errores accdetales o se puede evtar cotrolar y procede de ua multtud de causas sobre las que o se puede actuar. So fortutos y, por lo tato, se produce al azar. Esto o debe desamaros, ya que, como o actúa e el

6 msmo setdo, se "compesa", y da lugar a u resultado que proporcoa ua formacó valosa de por dóde se ecuetra el valor verdadero de la magtud. A modo de ejemplo, supogamos ahora que pretedemos medr la aceleracó de la gravedad, g, a partr del tempo que verte u objeto e recorrer ua altura h, e caída lbre, utlzado la ecuacó h = g t (6) dode t es el tempo de vuelo de la caída lbre. Para ello, la expereca cosstrá e medr el tempo t utlzado u croómetro. Obvamete, la precsó de uestras meddas depederá de uestra habldad e hacer cocdr los tempos de salda y llegada del objeto co los de puesta e marcha y parada del croómetro, respectvamete. Parece lógco pesar que e uos casos uestra accó de poer e marcha el croómetro se adelatará a la de la salda del objeto, metras que e otros casos se retrasará. Algo smlar sucederá co la accó de deteer el croómetro y la llegada del objeto. Así, s magamos que el verdadero valor del tempo de vuelo es 4.45 s, parece razoable pesar que e uos casos excederemos este valor, metras que e otros os quedaremos cortos. Ua muestra de tres meddas realzadas podría ser: ª medda t = 4.66 s ª medda t = 4.54 s 3ª medda t 3 = 4.3 s Hacedo uso de ua represetacó semejate a la utlzada e el ateror ejemplo, ua stuacó como la esquematzada e la Fg t 3 V V t t t (s) Fgura 3. Ejemplo de error accdetal Ahora aprecamos que, como habíamos dcado aterormete, los errores accdetales actúa e dferetes setdos, de forma que el tervalo de meddas, a dfereca de lo que sucedía co el ejemplo ateror, cotee al verdadero valor.

7 Por todo ello, los errores más pelgrosos so los sstemátcos, ya que e el caso de errores accdetales es de esperar co gual probabldad que uas veces el resultado de la medda sea superor al verdadero valor y que otras veces sea feror a él, por lo que algú tpo de valor medo será ua buea aproxmacó del verdadero valor de la medda. Puede demostrarse que la depedeca fucoal del error accdetal co el úmero de meddas efectuadas sgue ua ley del tpo. Error accdetal ε acc (7) Esto sgfca que aumetado el úmero de meddas podemos reducr la certdumbre tato como queramos (auque este hecho supoe vertr mucho más tempo e el proceso de medda). De lo expuesto aterormete, y excludos los errores sstemátcos, puede parecer a prmera vsta que el error o certdumbre puede hacerse ta pequeño como se quera, y aumetar así la exacttud de las meddas realzadas, s más que aumetar el úmero de meddas realzadas. S embargo, cada aparato de medda tee ua sesbldad determada (mímo valor aprecable de la magtud a determar). Por ello, la reduccó de los errores aterores o os elmará la mprecsó de la sesbldad del aparato, coocda habtualmete como error de escala, ε esc. E geeral, se suele asumr que el error global que afecte a ua medda está coformado por las tres fuetes de error ctados y, por lo tato, el error total e el caso más desfavorable se cosderará la suma de los tres errores. S embargo, e geeral, covedrá sempre realzar la expereca habedo elmado los errores sstemátcos, por lo que etoces e el error total sólo cotrburá el error de escala y el error accdetal..4.- Regla de redodeo de úmeros. Cfras sgfcatvas Dado el sgfcado de cota de mprecsó que tee el error absoluto, éste o se debe expresar uca co más de ua cfra sgfcatva dstta de cero, salvo cuado la prmera de ellas sea u (0,,..., 9), e cuyo caso se añadrá la sguete cfra sgfcatva. Etederemos como cfras sgfcatvas de u úmero a todas las cfras,, 3,..., 9, que etra e este úmero así como el cero, s éste se ecuetra e medo

8 del úmero o a la derecha del msmo. Además, e todos los casos cremetaremos la últma cfra sgfcatva o trucada e ua udad s la prmera cfra elmada es mayor o gual que 5. Además, el valor aceptado de la magtud debe teer sólo las cfras ecesaras para que su últma cfra sgfcatva ocupe la msma poscó decmal que la últma del error absoluto. Cfras Sgfcatvas Redodeo de catdades Redodeo de errores Redodeo de resultados Todas las cfras,,...,9 y el 0 (s se ecuetra e medo del úmero o a la derecha del msmo) Se cremeta la últma cfra sgfcatva e ua udad s la prmera cfra elmada es 5. S es <5 o cremetamos esa udad. Ejemplos:,6,3 Escrbmos los errores: Co cfras sgfcatvas s la prmera es pequeña (< 3), Co cfra sgfcatva s la prmera es grade. (mateemos 0,9 pero redodeamos 0,3 a 0,3). La últma cfra sgfcatva del valor aceptado y la últma cfra del error absoluto ha de ocupar la msma poscó. Escrtura de la catdad valor aceptado ± error absoluto Ejemplo: Expresa correctamete los sguetes datos expermetales: a).34 ± 0.57 d) ± b) 3.48 ± e) 9789,8 ± 0,3 c) 7,93 ±,69 f) 3,3393 ± 0,40 Teedo e cueta las reglas aterores, el error del caso a) tedrá que expresarse co dos cfras sgfcatvas ya que la prmera de ellas es u. Así, el error tedrá que escrbrse como ±0.6, puesto que la seguda cfra sgfcatva ha sdo redodeada por exceso al ser la tercera mayor que 5. Además, el valor aceptado de la magtud solamete puede coteer dos cfras decmales atededo a la poscó decmal que ocupa la últma cfra sgfcatva del error co lo cual habremos de escrbr.3 ± 0.6. El error del caso b) tee cuatro cfras decmales, de las que sólo tres so sgfcatvas. Como la prmera es u, teemos que dejar sólo ua. Puesto que la sguete es u tres, que es meor que cco, el error queda smplemete ± 0.0. Después ajustamos el valor aceptado, dejádolo co el msmo úmero de cfras decmales que el error. Tedremos que "cortar" a partr del uo, pero como la cfra sguete es u 8 (que es mayor que 5), teemos que redodear el a. Por esta razó, la escrtura correcta del caso b) es 3.4 ± 0.0. Ejercco: Sguedo u proceso aálogo, obtégase el resultado para el resto de casos del ejemplo ateror.

9 .- CÁLCULO DE ERRORES E este apartado veremos cómo asgar el valor aceptado y el error a las meddas expermetales. Dstguremos dos tpos de meddas: drectas e drectas. Las meddas drectas so el resultado de la comparacó de ua certa magtud que se desea medr co otra estádar (udad) de la msma aturaleza, empleado u strumeto de medda más o meos complejo. Metras que las meddas drectas so las obtedas medate el uso de ecuacoes que volucra valores de meddas drectas...- Error de escala de ua medda drecta Partremos de los supuestos de los errores sstemátcos ha sdo elmados y de que los errores accdetales so desprecables. De este modo, la úca fuete de error a cosderar será la precsó del aparato empleado para realzar la medda. E cualquer caso, tomaremos como valor aceptado de la medda la lectura del aparato. Cualquer aparato o dspostvo de medda tee ua precsó lmtada. Por ejemplo, co ua regla graduada comú o se puede aprecar décmas de mlímetro, ya que la meor dvsó correspode a mlímetros. Así pues, al efectuar ua medda teemos, como mímo ua certdumbre que correspode a la sesbldad del aparato, que deomamos error de escala (ε esc ). E los dspostvos más smples, tales como la mecoada regla graduada o u termómetro de columa de mercuro, es muy fácl asgar el error de escala: correspode a la meor dvsó de la escala (e alguas ocasoes puede asgarse como error la mtad de la meor dvsó de la escala). Ejemplo: Imagemos que estamos realzado ua expereca e el laboratoro e el que ecestamos coocer la temperatura de u fludo e u state determado. E el laboratoro, sólo se dspoe de u termómetro de mercuro de 0.5 ºC de sesbldad, y a la hora de realzar la medda os ecotramos co la lectura que aparece e la Fg. 4. E la fgura vemos que el error de escala es 0.5 ºC, y la lectura es 7.5 ºC. Luego la medda la expresamos como: T = (7.5 ± 0.5) ºC. 9 o C Fgura 4. Asgacó del error a medda drecta 5

10 Ahora be, e dspostvos más complejos, tales como strumetos electrócos, puede terver dversos factores e el error de ua medda. E tales casos, el fabrcate sumstra ua sere de especfcacoes para determar este error de cada medda, e fucó de cómo ésta haya sdo realzada, y es ecesaro ateder a estas struccoes para determar ese error. Por ejemplo, e el caso de polímetros eléctrcos, los errores báscos a teer e cueta se debe a la propa mprecsó del aparato (que cosste e u certo % de la lectura) y al redodeo que efectúa el aparato, debdo a que la patalla preseta u úmero de dígtos lmtado. Geeralmete, el fabrcate dará ua tabla e la que especfca el error que se comete e fucó del rago o fodo de escala escogdo (máxmo valor posble de la lectura) y de la resolucó (mímo valor absoluto, dstto de 0, que puede marcar el aparato co el rago escogdo). Este error vedrá dado, típcamete, como suma de u % de la lectura y ua certa fucó de los dígtos de resolucó. E la Tabla se muestra las especfcacoes del fabrcate para varos polímetros Hewlett-Packard. Ejemplo: Al medr ua correte cotua (dc curret) I co u polímetro HP E378A, usado u fodo de escala de 300 ma, se obtee ua lectura de 65. e la patalla. Ecuetra el valor de la medda I co su error. Emplea para ello las especfcacoes que fgura e la Tabla. Fucto Rage Resoluto Accuracy (%rdg + umber of dgts) dc voltage ac voltage dc curret ac curret Resstace 300 mv 3 V 30 V 300 V 000 V 3 V 30 V 300 V 750 V 300 μa 3 ma 30 ma 300 ma 0 A 300 μa 3 ma 30 ma 300 ma 0 A 300 Ω 3 kω 30 kω 300 kω 3 MΩ 300 MΩ 0.00 mv 0.00 V 0.0 V 0. V V 0.00 V 0.0 V 0. V V 0. μa 0.00 ma 0.0 ma 0. ma 0.0 A 0. μa 0.00 ma 0.0 ma 0. ma 0.0 A 00 mω Ω 0 Ω 00 Ω kω 0 kω 0.3 % % % % % +.0 % % % % % +.0 % +.0 % +.5 % +.5 % +.0 % % % % % % % % % % +.0 % + Tabla : Especfcacoes téccas del polímetro HP E378A. E la columa que da la precsó (Accuracy) vemos que co el fodo de escala (Rage) de 300 ma el error cosste e u.5% de la lectura más dígtos. El.5% de 65. es.48. Por otra parte, co el fodo de escala de 300 ma la resolucó es de 0. ma, ya que la salda de patalla es de 4 dígtos. Esto vee

11 també dcado e la tabla (columa Resoluto). Por tato, u dígto de resolucó correspode a 0. ma, y dígtos so 0. ma, de modo que el error total es: ε = ma = ( ) ma =.68 ma = 3 ma 00 e dode se ha efectuado el redodeo. Así pues, la medda debe darse como I = (65 ± 3) ma..- Error de ua magtud medda drectamete al realzar u úmero de meddas E esta ocasó, partremos de los supuestos de que hemos sdo capaces de elmar los errores sstemátcos y de que trabajaremos co u strumeto de medda de ua gra sesbldad. De este modo, los úcos errores que afectará a uestras meddas expermetales será los errores accdetales. Supogamos que hacemos u úmero de meddas de ua msma catdad obteedo los valores x, x, x 3,, x, que dfere etre ellos como cosecueca de la úca flueca de los errores aleatoros. Obvamete se os platea dos cuestoes: a) qué valor tomamos como medda de esa catdad?, y b) cuál debe ser el ídce de error que se debe asocar a esa catdad? Respecto a la prmera preguta, parece bastate razoable tomar el valor medo de todos los datos como mejor valor (m v ). Esto es debdo a que s los errores so al azar ta probable es que ocurra por exceso como por defecto y al hacer la meda quedará compesados (s se dspoe de u úmero sufcete de meddas). El valor medo x, o meda, está defdo de la sguete maera: x m = x = = x (8) Queda ahora por respoder a la seguda preguta, qué error se tomará para la magtud? E prcpo parece bastate apropado tomar como ídce de error u úmero que de algú modo mda la dspersó de los datos e toro al valor medo. Obvamete

12 la desvacó co respecto al valor medo se puede coocer a partr de las dferecas etre cada dato dvdual y la meda, (x - x ). Pero estas dferecas so postvas para uas meddas y egatvas para otras, de maera que el valor medo de estas dspersoes, la desvacó meda d, es ulo, es decr, d = = ( x x) = 0 Por ello, para estmar la desvacó meda evtado que se compese uas desvacoes co otras, covee tomar valores absolutos e la forma sguete: d = = x x (9) De la expresó ateror se observa que la desvacó meda y, por lo tato, el error va a depeder a su vez del valor medo. Esto os permte elegr u crtero más objetvo que el utlzado aterormete a la hora de determar el mejor valor. Este crtero podría ser escoger como mejor valor, m v, aquél que mmce la desvacó meda de las meddas e toro a él. E térmos matemátcos, el mejor valor ha de mmzar la catdad u: u = = x m v (0) De esta forma, el mejor valor sería aquél que dstara meos de todos los datos. Matemátcamete, este problema se resuelve determado el valor m v que aula la prmera dervada respecto de m v de la fucó ateror. S embargo, exste dfcultades matemátcas a la hora de determar la dervada de ua fucó afectada de u valor absoluto. Ua forma de evtar este problema es trabajar co ua fucó dferete que cotúe dado formacó sobre la dspardad de las meddas, pero dervable e el tervalo exgdo. Por ello, se suele trabajar co ua fucó, u, que proporcoa el valor medo de los cuadrados de las desvacoes, es decr,

13 u = = ( x m ) v () Co esta ueva fucó desaparece los coveetes matemátcos aterores. S aplcamos, ahora que podemos, el crtero de elegr u mejor valor m v que mmce la fucó u (a este crtero se le deoma crtero de Gauss), obteemos du dm v mv = ( x - mv ) = x = = m v = 0 () y despejado m v se tee m x = v = = x (3) obteedo así que el valor que hace míma la suma de las dspersoes al cuadrado es, precsamete, la meda artmétca de las meddas obtedas. Por ello, de aquí e adelate admtremos que el mejor valor m v de u cojuto de meddas x es el valor medo x, també deotado o x m. Además, ua adecuada medda de la dspersó de los datos vedrá dada por la sguete expresó = ( x x) σ ( x) = (4) que recbe el ombre de varaza o desvacó cuadrátca meda. Algo más parecdo a la desvacó meda es la raíz cuadrada postva de la varaza = ( x x) σ( x) = (5) que recbe el ombre de desvacó típca, o desvacó estádar (e la bblografía se suele expresar como SD, stadard devato). Cuado es pequeño, la desvacó estádar suele deotarse como σ - (x), o smplemete s(x), defda e la forma

14 = ( x x) σ ( x) = s( x) = (6) E geeral, el parámetro σ (x) o, e su caso, s(x), represeta la dspersó de la muestra x, es decr, ua espece de desvacó meda de los valores x respecto del valor medo x. De este modo, proporcoa la probabldad de ecotrar ua medda detro del tervalo defdo por x ± σ (x). Pero s queremos tomar el valor medo x como resultado de la medda, os teresa más defr u parámetro que os exprese la probabldad de ecotrar el valor verdadero, V V, detro del tervalo de error. Para ello, supogamos que realzamos para ua msma magtud, sujeta ta solo a errores aleatoros, varos grupos de observacoes de ua msma medda. Como se puede supoer, los valores medos obtedos para cada grupo, x, x,..., x m, o cocdrá, pero ellos, al gual que los valores de las meddas realzados, se stuará també alrededor del V V, auque es posble demostrar que dspuestos alrededor de éste de forma que su dspersó es más pequeña que la que correspode a las meddas, tal y como se muestra e la Fg. 5. A la dspersó que afecta a los valores medos la represetaremos por σ ( x ) o σμ, y es posble demostrar que se ecuetra relacoada co la dspersó de los valores de la muestra medate la expresó σ σ ( x) = σμ = ( x) x V V dspersó de ua muestra x x x 6 x 3 x x 4 x 5 V V dspersó de los valores medos x m x x x 3 x Fgura 5. Estmacó de la dspersó del valor medo

15 es decr, σ( x) σ( x) = σμ = (7) Como podemos observar, la dspersó del valor medo se puede reducr tato como se quera smplemete aumetado el úmero de meddas realzadas e la muestra puesto que σμ es versamete proporcoal a /. E deftva, la estmacó del error ε de la medda estará basado, e geeral, e la desvacó estádar de la meda. U crtero habtual es tomar como error el doble del valor de la desvacó estádar de la meda, es decr: σ( x) ε ( x) = σ( x) = (8) Para eteder que grado de certdumbre e la determacó de la medda proporcoa este cálculo del error puede hacerse la sguete dscusó. Sempre que la medda de ua magtud, x, esté sujeta a u comportameto aleatoro, se observa que, e el caso e que se realce u úmero muy elevado de meddas, los valores obtedos se dstrbuye de acuerdo co ua fucó de dstrbucó deomada dstrbucó ormal y que vee represetada e la Fg.6a. frecueca frecueca a) b) σ(x) σ(x) V V x V V x Fgura 6. Represetacó gráfca de la dstrbucó ormal: a) para u cojuto de datos de u expermeto, b) para los valores medos resultado de varos expermetos. La fucó de dstrbucó ormal proporcoa la probabldad de que al realzar ua medda de la magtud se obtega u determado valor. E este setdo, e el supuesto teórco de que se pudese efectuar u úmero lmtado de meddas de la magtud, el valor de la dstrbucó ormal e u determado valor de la varable x proporcoa la probabldad de obtecó de dcho valor. S embargo, e ua expereca real el úmero de meddas que puede realzarse es lmtado y por lo tato obtedríamos u

16 cojuto dscreto de valores que se ubcaría a lo largo de la curva de la Fg. 6a. S fuese los valores medos de cada muestra los que se represetara frete a la frecueca obtedríamos ua dstrbucó semejate a la que se represeta e la Fg. 6b que resulta ser más estrecha que la dstrbucó represetada e la Fg. 6a. Esto sgfca que la dspersó de los valores medos es meor que la de las meddas (e u factor versamete proporcoal a / tal y como ha sdo establecdo aterormete). La fucó de dstrbucó Normal, o de Gauss, es perfectamete coocda y se ecuetra tpfcada y tabulada. Así podemos coocer el úmero de meddas del valor medo cuyos valores queda compreddos detro de u tervalo específco. Puede demostrarse que exste u 3.7% de probabldad de que al realzar ua medda de x ésta se aparte del V V ua catdad superor a σ ( x ); s embargo la probabldad de que el resultado obtedo dfera del V V e ua catdad superor a σ (x ) es sólo del 4.6%. La probabldad de que la medda dfera e más de 3σ ( x ) del V V es muy baja, ta solo el 0.3%. De este modo, el crtero para la medda del error que hemos establecdo co la ecuacó (7) mplca que la probabldad de que el valor verdadero de la medda, Vv, se ecuetre detro del tervalo x ± σ ( x ) es del 95%. Ejemplo: Se ha llevado a cabo la medda de la ressteca de ua boba, obteédose los sguetes valores. Determad el valor estmado de la ressteca de la boba, así como las dspersoes σ - (x) y σ ( x ) del cojuto de meddas. Expresad el valor de la medda de R co su error. ressteca (Ω) ressteca (Ω) Como hemos dcado aterormete, tomamos como valor estmado el valor medo R, esto es: R = ( ) R = = = 5.6 Ω 9 = σ ( R) = ( R - R ) - =

17 ( ) + ( ) + ( ) 8 + ( ) + ( ) 8 + ( ) + ( ) / + ( ) σ ( R) σ ( R) = = = 0.00 Ω 9 ε ( ) = σ( R) = R Ω = Ω E deftva, el valor estmado de R co su error es: R = R ± ε(r) = 5.6 ± Ω.3.- Orgagrama del proceso de medda. Co el f de ser operatvos e el laboratoro a la hora de realzar ua medda drecta, y para que srva de guía, propoemos el sguete orgagrama del proceso de medda drecta: ) E prmer lugar corregremos y elmaremos cualquer error sstemátco que pueda afectar a la expereca que realzamos y al proceso de medda. De esta forma ta solo tedremos que cosderar los posbles errores accdetales y la sesbldad del strumeto utlzado e la medda. ) Determaremos la sesbldad del strumeto que utlzamos para medr, a la que deomaremos error de escala ε esc. ) v) Efectuaremos calmete 3 meddas. E el caso de que todas ellas cocda se tomará como valor de la magtud el valor obtedo y como error el de escala del strumeto utlzado. E caso cotraro, cotuaremos co el resto de los pasos del orgagrama. Determaremos su valor medo x, la dspersó de las meddas σ (x) y la dspersó de su valor medo σ ( x ). v) S algua de las meddas obtedas es tal que x - x > σ (x), la rechazaremos, etededo por lo que hemos expuesto hasta ahora que su elevada dspersó o se debe a causas accdetales; por ello, procederemos a realzar otra medda que la susttuya, calculado para la ueva muestra sus correspodetes valor medo x, dspersó de las meddas σ (x) y dspersó de la meda σ ( x ).

18 v) Compararemos el doble de la dspersó del valor medo σ (x ), co el error de escala del aparato ε esc, y procederemos de la sguete forma: a) S σ ( x ) >> ε esc efectuaremos 3 meddas más y volveremos al paso v). b) S σ ( x ) ε esc o realzaremos más meddas, y tomaremos como error el mayor de los dos ídces comparados: σ ( x ) o ε esc. v) Tomaremos como valor de la medda el valor medo x, y como ídce de error el mayor de etre σ ( x ) y el ε esc, expresado el resultado fal e la forma: x ± σ( x ), o be: x ± ε sc, segú el caso, dcado e cualquera de ellos las udades que hemos utlzado. Ejemplo:. Medda del perodo de u pédulo co u croómetro que apreca 5 cetésmas de segudo Aplcado el orgagrama ateror, debemos llevar a térmo los sguetes pasos: ) Elmamos errores sstemátcos posbles: a) Comprobamos, que el croómetro que vamos a utlzar o atrasa adelata. Para ello comparamos su fucoameto co otro "reloj" cuyo fucoameto sea correcto. b) Para gaar precsó e lugar de medr el tempo de ua osclacó, medmos el de 50 osclacoes de forma que s troducmos u error e el proceso de medda, éste tedrá meos peso c) Scrozamos (maual o electrócamete) los mometos de puesta e marcha y parada del croómetro co los de co de la prmera osclacó, y la falzacó de la osclacó 50 del pédulo respectvamete. d)evtamos corretes de are u otras causas que pueda perturbar de forma otora la trayectora del pédulo. ) Tal como se ha expresado aterormete el error de escala del aparato cocde co la sesbldad del croómetro utlzado, esto es: ε esc = 0.05 s. ) Realzamos tres meddas para 50 osclacoes e los tres casos. Supogamos que obteemos: x = s, x = 96. s, x 3 = s. v) Calculamos los parámetros x, σ(x) y σ( x ), y obteemos x = ( ) 3 = 96.3 s, ( ) + ( ) + ( ) σ ( x) = = 0.68 s, σ ( x) σ ( x) = = s. 3 v) E este caso gua medda dfere del valor medo e ua catdad superor a σ(x) = 0.68 = s, luego o es ecesaro desestmar gua de las meddas que hemos realzado. v) Comparamos σ( x ) co el error de escala del aparato y vemos que σ( x ) = 0.94 s, y que ε esc = 0.05 s, por lo tato σ( x ) >> ε esc. Ello sgfca que debemos aumetar el úmero de meddas, hacer 3 meddas más, y retorar a v). Supogamos que al hacer las tres meddas, la muestra completa queda de la sguete maera x = s, x 4 = 96.3 s,

19 x = 96. s, x 5 = s, x 3 = s, x 6 = 9.50 s. Al calcular ahora x, σ(x) y σ( x ), utlzado las ecuacoes (3), (5) y (6) respectvamete, obteemos x = s, σ(x) =.5583 s, σ( x ) = s. Volvemos a aplcar v) y vemos que la medda x 6 dfere del valor medo calculado e más de σ(x) (efectvamete = >.5583 = 3.66). Por tato desestmamos la medda x 6 y realzamos ua ueva medda. Supogamos que después de realzar la medda la muestra queda de la sguete maera: x = s, x 4 = 96.3 s, x = 96. s, x 5 = s, x 3 = s, x 6 = 96.3 s. De acuerdo co el orgagrama volvemos al puto v), y calculamos de uevo x, σ(x) y σ( x ), obteedo: x = s, σ(x) = s, σ( x ) = Ahora vemos que o exste gú valor que se desvíe del valor medo e ua catdad superor a σ(x), lo que sgfca que o hay que susttur gú valor de la muestra, de acuerdo co el crtero v). A cotuacó volvemos (segú el puto v) a comparar los valores del error de escala y de σ( x ) y obteemos: σ( x ) = s, ε esc = 0.05 s, co lo que σ( x ) y ε esc, so del msmo orde, lo que sgfca que o hay que realzar más meddas, y dado que s > 0.05 s tomaremos como ídce de error σ( x ). v) El valor fal de la medda (el tempo que verte el pédulo e realzar 50 osclacoes) se expresa como Δt = (96.3±0.09) s. De esta forma el perodo es (ver errores de meddas drectas e el capítulo.4): Δ t T = = (.96 ± 0.008) s Error de ua medda drecta Es usual que ua magtud físca o se determe drectamete co ua medda, so a través de ua fórmula, gráfca, tabla, es decr, a partr de otras magtudes (que a su vez habrá sdo meddas drectamete o o). Se habla etoces de ua medda drecta. Por ejemplo, podemos usar la logtud y el período de las pequeñas osclacoes de u pédulo para determar la aceleracó de la gravedad g, que e tal caso se habrá meddo drectamete. Obvamete, la precsó co que se ha determado g depederá de algú modo de la de la logtud y el período. Ejemplo: Para eteder mejor este efecto de "propagacó" de los errores, cosderemos u ejemplo geométrco. Normalmete, o medmos drectamete el área S de u rectágulo, so que determamos la logtud de cada lado a y b, y usamos la expresó S = a b. Como la medda de S o es drecta, hay que asgarle algú error a partr de los errores a y b. Es fácl darse cueta de que el valor verdadero de S estará, co segurdad, compreddo etre los dos valores sguetes: (a + ε a ) (b + ε b ) = a b + (b ε a + a ε b );

20 (a - ε a ) (b - ε b ) = a b - (b ε a + a ε b ), e dode se ha desprecado el térmo pequeño ε a ε b. Así pues, es atural escrbr el resultado como S = a b ± ε S ; ε S = b ε a + a ε b. Los dos métodos más utlzados para calcular el error de ua medda drecta so los coocdos como método de los logartmos y método de las dervadas parcales. Veamos por separado cada uo de estos métodos. El método de los logartmos El resultado del ejemplo ateror os recuerda la regla de dferecacó del producto. De hecho, sempre que la fórmula para determar la magtud R sea de la forma R = ax b Y c (9) sedo a, b, c... costates y X, Y... las magtudes de partda co error coocdo, puede emplearse u algortmo rápdo de determacó del error, que cosste e tomar logartmos eperaos e la ecuacó cal dferecado a cotuacó, l R = l a + b l X + c l Y (0) dr dx dy = b + c () R X Y y cosderado que la "regla de propagacó de errores" cocde co la "regla de propagacó de dferecales", co lo que falmete se obtee ε R R ε X ε Y = b + c () X Y es decr, ua expresó para el error relatvo de R e térmos de los errores relatvos de las magtudes de partda. E la ecuacó () se ha escrto el módulo de cada sumado para teer e cueta el hecho de la propagacó de errores sempre es adtva. Ejemplo: El perodo de las pequeñas osclacoes de u pédulo smple de logtud L= (. ± 0.) cm es de T = (0.943 ± 0.006) s. Qué valor de la aceleracó de la gravedad g puede aceptarse a partr de estos datos?

21 Cosderado el pédulo como u osclador armóco smple, podemos emplear la coocda relacó g = 4 π T de dode resulta g = 4 π 0. m ( s) = 9.8 m/s. Tomado logartmos, dferecado y susttuyedo dferecales por errores obteemos εg εl εt = + = = g l T = = 0.07, Sabemos así que la costate g se ha determado, aproxmadamete, co u % de error. El error absoluto de g es por tato ε g = 0.07 (9.8 m/s ) = 0.7 m/s, co lo que el valor que se acepta para g resulta ser g = (9.8 ± 0.7) m/s Como acabamos de ver co este ejemplo, el método de los logartmos es muy secllo de emplear. S embargo, como o todas las ecuacoes so de la forma (9), exste stuacoes e las que o es posble hacerlo (por ejemplo, e el caso muy comú de que aparezca sumas). E estos casos, se puede emplear el método de las dervadas parcales, que pasamos a descrbr a cotuacó. Método de las dervadas parcales Supogamos que ua magtud R depede de otras magtudes X, Y,..., de las que se cooce sus valores aceptados y sus errores, a través de ua fucó arbtrara de la forma R = R( X, Y,...) (3) Dferecado la expresó ateror, obtedremos R R dr = dx + dy +... X Y (4) De u modo smlar a como se procedó e el método de los logartmos, se supoe ahora que la "regla de propagacó de errores" cocde co la "regla de propagacó de

22 dferecales", es decr, se susttuye los dferecales e la ecuacó (4) por los respectvos errores absolutos. S embargo, después de hacer esto debe tomarse el "módulo" de ε R y cosderar que el módulo de la suma es gual a la suma de los módulos. Así, la expresó fal para el error drecto (que admte ua deduccó rgurosa) es R R ε R = ε X + ε Y +K (5) X Y Ejemplo: Determíese el valor que debe aceptarse para g, determada co los datos del Ejemplo ateror, s se emplea el procedmeto de las dervadas parcales. Aplcado la expresó geeral (4) a la ecuacó para g, se obtee g ε g = l ε l g + T ε T + K = π π π l 8π 0. ε l + ε 3 T =. +. = 3 T T = = 0.7 Por tato, el valor aceptado para g es ahora g = (9.8 ± 0.7) m/s Es mportate destacar que el método de las dervadas parcales es completamete geeral y, por ello, puede també utlzarse e los casos e que es posble emplear el método de los logartmos.

23 3. REPRESENTACIONES GRÁFICAS Y TABLAS 3..- Normas para la represetacó gráfca de datos expermetales El método gráfco es muy coveete e tutvo para represetar los datos expermetales. Al estudar ua depedeca fucoal cualquera, es coveete escrbr los resultados e forma de tabla, dode a cada valor de u parámetro x correspode u valor determado de otro parámetro y. Normalmete, covee també costrur la gráfca correspodete a esta tabla. Para cocretar, magemos que los valores que ha resultado de u expermeto e el cual se ha determado la dfereca de potecal, V, etre los extremos de u codesador, y, e fucó del tempo, x, cuado se coloca el codesador e u crcuto de correte cotua que cotee ua ressteca de valor coocdo, so los sguetes x[t (s)] y[v (V)] Nótese que e cualquer tabla de datos, como la ateror, debe dcarse las magtudes físcas y sus udades e la cabecera de la msma. Además, las magtudes se ordea de tal forma que las varables depedetes sea posterores a las depedetes. S se toma el sstema de coordeadas rectagulares y se traza por el eje de ordeadas los valores del voltaje, y por el eje de abcsas los valores del tempo, se obtee u sstema de putos e el plao (ver Fg. 7) Descarga de u codesador Voltaje (V) tempo (s) Fgura 7. Ejemplo de represetacó gráfca de resultados expermetales.

24 Las gráfcas debe elaborarse sguedo los sguetes crteros: Cada gráfca que elaboremos cotará, como e el ejemplo ateror, co u breve título que se refera a la expereca físca a la que correspode los datos. Alteratvamete, puede r acompañada de u pe de fgura umerado, e el que se aparezca éste u otro tpo de formacó (descrpcó de dferetes símbolos utlzados, codcoes de medda,...). Por su parte, el título de cada uo de los ejes cotedrá la formacó sobre la magtud represetada y las udades e la que se expresa. La escala de los ejes será la adecuada para que los putos ocupe el máxmo espaco e la gráfca. Las dvsoes del eje, regularmete espacadas, dcará el valor correspodete, pero o así las posbles subdvsoes. La escala o tee por qué comezar e las coordeadas (0,0), ya que e muchos casos covee trasladar el orge a u puto arbtraro para utlzar totalmete el área de la gráfca. E el caso de exstr dferecas de varos órdees de magtud e los valores de los datos represetados, covee adoptar ua escala logarítmca e vez de leal. Como orma geeral, e la gráfca ha de ser claramete aprecables los putos expermetales y, para ello, se dca drectamete e la gráfca el error de las coordeadas del puto, trazado por él ua líea vertcal y otra horzotal, de modo que la dstaca del puto hasta los extremos de estas líeas es gual al error e la correspodete coordeada (ver Fg. 7) Iterpolacó e ua gráfca Es frecuete que se eceste obteer valores de alguas magtudes físcas a partr de gráfcas. Así, por ejemplo, cosdérese el caso ateror e que teemos ua gráfca que represeta los valores de la dfereca de potecal etre los extremos de u codesador e fucó del tempo para u crcuto de correte cotua RC. Nuestro objetvo será determar el valor del voltaje, V, para u determado valor del tempo o cocdete co guo de los tabulados para la costruccó de la gráfca. Para ello, se localzará sobre el eje de abcsas dcho valor temporal, t, y se represetará sobre él co su correspodete tervalo de error [t-ε t, t+ε t ].

25 A cotuacó se trazará sobre el valor de t y los extremos del tervalo de error sedos segmetos paralelos al eje de ordeadas hasta determar su puto de terseccó co la gráfca que represeta V e fucó del tempo, tal y como se muestra e la Fg. 8. A partr de dcho puto de terseccó se trazará ahora segmetos paralelos al eje de abcsas y se determará su puto corte co el eje de ordeadas. El valor de V se obtee como el valor leído sobre el eje de ordeadas para el puto de corte que parte del valor de t metras que el error de V se obtedrá como la semdfereca del tervalo de error que aparecerá sobre el eje cosderado, es decr, como ε V = (V M -V m )/, ver Fg Descarga de u codesador 5.0 Voltaje (V) V V M V m t - ε(t) t + ε(t) t tempo (s) Fgura 8. Iterpolacó e ua gráfca y determacó del tervalo de error Iterpolacó leal e ua tabla. Es frecuete que se eceste obteer valores de alguas magtudes físcas a partr de tablas umércas. Nosotros vamos a cosderar el caso de tablas de smple etrada que so aquéllas e que la varable depedete, y, es sólo fucó de ua varable depedete, x, es decr, y = f(x). Así, por ejemplo, cosdérese el caso e que aparece tabulados los valores de la vscosdad del agua, η, medda e cetposes para dferetes temperaturas, T, meddas e grados cetígrados, tal y como se muestra e la sguete tabla x[t(ºc)] Y[η(cp)]

26 Nuestro objetvo será determar el valor de y (que para el ejemplo propuesto es la vscosdad del agua) para u determado valor de x, e uestro caso la temperatura. E el caso e que el valor de x cocda co alguo de los valores de la tabla se tomará como valor de y el valor tabulado y se asgará u error de ± e la últma cfra decmal que aparezca tabulada. Así, e el ejemplo propuesto s os preguta cuál es el valor de la vscosdad del agua para ua temperatura de 0ºC, la respuesta sería que ésta es η = (.3037 ± 0.000) cp. Estamos ahora teresados e ecotrar el valor de y para u valor de x o cludo exactamete e la tabla. Para ello, se comeza por ecotrar aquellos valores de x etre los que se ecuetra uestro valor o tabulado. De este modo, la tabla presetará etoces la forma x x y y Cosderado que para el tervalo de x a x la expresó y = f(x) puede asmlarse a ua recta, podremos escrbr = + y y y y x x x ( x ) (6) que permtrá determar y e fucó de x o vceversa. Aplcado, por ejemplo, el método de las dervadas parcales el error de y, ε (y), vedrá dado por la expresó ε y y y = ε x (7) x x Así, s e el ejemplo propuesto estamos teresados e coocer el valor de la vscosdad del agua a ua temperatura de ( ± ) ºC, aplcado las expresoes aterores resulta para él u valor η = ( 0) =.3698 cp (8) 5 0

27 co u error de ε η = = cp (9) 5 0 co lo cual, expresado correctamete, resultaría η = (.4 ± 0.03) cp.

28 4.- AJUSTE LINEAL POR MÍNIMOS CUADRADOS 4..-Ajuste de ua recta por mímos cuadrados E u apartado ateror os hemos ocupado de la maera de obteer el mejor valor de ua magtud a partr de ua o varas meddas o cojutos de meddas. U problema dferete es determar la relacó fucoal etre dos magtudes x e y como resultado de u expermeto. Supogamos que, por razoes teórcas be fudadas, sabemos que etre x e y exste la relacó leal y = a x + b (30) y estamos teresados e determar los mejores valores de los parámetros a y b compatbles co u cojuto de meddas y correspodetes a los valores, també expermetales, x. Para cocretar, magemos que los valores que ha resultado de u expermeto e el cual se ha determado la dfereca de potecal etre los extremos de ua ressteca (y ), cuado la recorre corretes de dferete tesdad (x ) so los sguetes y (V) x (A) Como la relacó exstete etre los datos expermetales es leal (ley de Ohm). La forma más smple de resolver uestro problema es utlzar u método gráfco. Represetaremos para ello los resultados expermetales tal y como muestra la Fg. 9. El método más medato para evaluar los valores de a y b cosste e dbujar "a ojo" la recta que "parece acercarse lo máxmo posble" a los putos expermetales. Decdda la recta la evaluacó de su pedete a y su ordeada e el orge b es medata (a = tg α y b es el puto de corte de la recta co el eje de las ordeadas). Así para el caso partcular que os ocupa obtedríamos y = 0.9 x + 0.8

29 V(V) α b I(A) Fgura 9. Represetacó gráfca del voltaje e fucó de la tesdad S embargo, este método es muy subjetvo, pues dos expermetadores dsttos probablemete dbujaría rectas dferetes para ajustar u msmo cojuto de datos. Por este motvo, covee utlzar u método objetvo para obteer los parámetros de la relacó buscada. Para ello, supodremos coocdos los valores de a y b co lo cual es posble calcular, para cada uo de los datos expermetales, las desvacoes de los valores expermetales y respecto de los calculados a partr de la ecuacó (9) para x = x, a los que deotaremos como y'. Esta dfereca es Δ = y - y' (3) U bue crtero para la determacó de los valores de a y b cosste e mmzar la suma de los cuadrados de estas dferecas, lo que garatza que la suma de las desvacoes de los putos expermetales respecto a los ajustados es míma. Es decr, hemos de exgr que a y b mmce la catdad = = R = Δ = ( y y ) = ( y ax b) (3) = Para ello basta co exgr que las dervadas parcales de la ateror fucó co respecto a ambos parámetros sea guales a cero; es decr,

30 R = 0 a, R = 0 b (33) Las dos codcoes expresadas e la ecuacó ateror se traduce e u sstema leal de dos ecuacoes co dos cógtas, los parámetros a y b, que resulta ser x a x + b = xy a x+ b = y (34) sedo el úmero de datos. Estas ecuacoes se cooce como ecuacoes ormales para la determacó de a y b. E estas ecuacoes hemos omtdo los subídces para smplfcar la escrtura, pero hay que eteder que x = = x (35) e gual para el resto de los sumatoros. Las solucoes de las ecuacoes ormales so x ( x) x y y a =, x y a x = (36) b Volvedo al ejemplo propuesto aterormete, teemos que = 6, x = A, x = 9A, y = 3.6 V, xy = 99 AV co lo cual a = 0.94 V/A y b = 0.65 V, por lo que la relacó leal y = 0.94x es el mejor ajuste de ua recta a los datos expermetales segú el método de los mímos cuadrados. Recuérdese que por el método gráfco y a ojo habíamos obtedo a = 0.9 A/V y b = 0.8 V, valores muy aproxmados a los que hemos obtedo de este modo objetvo.

31 4..- Determacó de los errores e la pedete y la ordeada e el orge Los valores que se obtee por el método de los mímos cuadrados so, evdetemete, exactos porque se ha determado a partr de pares de datos los cuales so mprecsos. Para el cálculo del error asocado a ambos parámetros podría, e prcpo, utlzarse u método subjetvo cosstete e la determacó de éstos a partr de las pedetes y ordeadas e el orge de ua pareja extrema de rectas que estme "a ojo" los valores máxmos y mímos de a y b compatbles co los datos expermetales de que se dspoe. De este modo tomaríamos como errores de a y b la semdfereca de las pedetes y ordeadas e el orge de estas rectas. Al gual que e el apartado ateror es coveete, o obstate, dspoer de u crtero objetvo que permta estmar sempre del msmo modo el error asocado a ambos parámetros de la recta (el ateror método además sobrestma los valores del error e u factor / ). U razoameto estadístco rguroso que queda fuera del alcace de este maual proporcoa para estos errores las sguetes expresoes ε / s ( y) a =, ( x x) s ε b = ( y) (37) e dode x o es más que el valor medo de los datos x y e dode s ( y) = ( y ax b) (38) está relacoado co las desvacoes al cuadrado de los valores expermetales y respecto a los calculados a partr de la recta ajustada, ax + b. Así, para el ejemplo que os ocupa ocurre que s (y) = 0.3 V co lo cual ε a = 0.4 V/A, ε b = 0.3 V

32 so los valores estmados para los errores de ambos parámetros. Por lo tato, la expresó correcta de los parámetros a y b, co sus respectvos errores, sería a = (0.94 ± 0.4) V/A y b = (0.65 ± 0.3) V. E estadístca se defe el coefcete de correlacó leal r para cualquer cojuto de parejas de valores de la sguete maera xy x y ( ) ( ) x y y r = (39) x Puede demostrarse que los valores de r está compreddos etre + y -. Los valores postvos correspode a rectas crecetes y los egatvos a rectas decrecetes. Además, el valor del coefcete de correlacó os dca el grado de aleacó de uestros putos expermetales. El valor r = (- e el caso de rectas decrecetes) correspode a u cojuto de putos perfectamete aleados. Para putos meos aleados el valor de r es meor. De este modo, també es posble estmar el error de los parámetros de la recta e térmos de este coefcete de correlacó. Segú este método, los errores de a y b queda ε = a r N a, x εb = ε a (40) N dode r vee dado por la ecuacó (38) Ajuste de otro tpo de fucoes medate learzacó El caso de ua relacó leal que hemos tomado como ejemplo o es ta especal como podría pesarse porque muchas relacoes fucoales de terés puede learzarse co algú truco. He aquí alguos ejemplos y = ce dx l y = l c + dx y = cd x l y = l c + xl d y = c + d x y = c + d x.

33 Así, por ejemplo, para covertr ua relacó de tpo expoecal, tal como la expresada e la prmera de las aterores ecuacoes, e ua relacó leal basta co tomar logartmos eperaos e ambos lados de la gualdad y, posterormete, ajustar lealmete por mímos cuadrados la varable y = l( y / c) depedete x. ' frete a la varable Ajuste de datos medate ordeador El ajuste de cojutos de datos es u procedmeto egorroso y totalmete repettvo. Por ello, es habtual usar u programa de ordeador dseñado a este efecto, e el cual geeralmete se sertará los datos x e y, tras lo cual el programa os sumstrará todos los resultados de terés (valores de a y b co sus respectvos errores). E los laboratoros de Físca dspoemos de los programas SgmaPlot, Kaledagraph y Excel. Por ejemplo, s empleamos ua hoja de cálculo de Excel, la fucó ESTIMACIÓN.LINEAL os proporcoa los valores de la pedete de la recta, de la ordeada e el orge, y sus errores. Para ello, hemos de troducr e el argumeto de la fucó los sguetes datos: - Coocdo x: cojuto de datos de partda (varable depedete) - Coocdo y: cojuto de datos expermetales (varable depedete) - Costate: (s troducmos 0, forzamos que la ordeada e el orge, b, sea ula) - Estadístca: (para que la fucó devuelva també los errores de los parámetros de la recta). Ua vez que hemos completado los argumetos de la fucó, y la ejecutamos, obteemos la pedete de uestro ajuste e ua úca celda. Seleccoamos ahora u cojuto de celdas de 5 flas por columas, dejado la fucó e la prmera celda (la prmera a la zquerda). Etoces edtamos la fucó, úcamete hacedo clc co el rató e la barra de fucoes, y apretado smultáeamete las teclas CONTROL, ALT y ENTER aparece los datos requerdos:

34 pedete error de la pedete coefcete de correlacó r ordeada e el orge error de la ordeada e orge La formacó que resultará de terés e los ajustes que realcemos este curso ocupa las celdas o sombreadas. Para obteer más formacó, puede cosultarse la ayuda del programa Excel.

35 Elaboracó de ua memora Cada práctca requere dos clases de textos de documetacó. E prmer lugar, la toma de otas expermetales que regstra el expermeto. E segudo lugar, la memora co la que el equpo de trabajo elabora u forme del expermeto. Notas expermetales El propósto prmordal de las otas es la preservacó de los datos y de las observacoes que forma parte de cualquer vestgacó cetífca. Durate el expermeto covee cetrarse e cosgar la formacó de la maera más completa posble y dejar para más tarde la terpretacó, ya que e otro mometo será rrecuperable la vsó de la stuacó co todos sus detalles que dsfrutamos e plea expermetacó. Las otas debe ser claras, cocsas y, sobre todo, completas: se cosga toda aquella formacó ecesara para compreder e terpretar posterormete los datos, tato co respecto a las accoes realzadas, como el resultado de las meddas. Es muy mportate cosgar los datos expermetales de forma ordeada, utlzado tablas sempre que se haga u expermeto cambado ua varable determada. El formato de mesa permte aalzar los datos cojutamete, ver las tedecas de los datos, y localzar errores s los hubere. Memora del expermeto La presetacó de resultados de ua práctca se efectúa e ua memora que tee la sguete estructura de partes. Título y autores Resume Es ua sítess de la memora. Se expoe el objetvo prcpal del trabajo y se da los resultados fales así como las coclusoes más mportates. El resume de ua memora ha de ser muy breve, o más de 0 líeas. Itroduccó Comecemos el texto co ua troduccó dode se expoga el propósto de la expermetacó, los atecedetes del tema, y otras cosderacoes de carácter geeral. La troduccó juega u papel mportate e la artculacó del texto, ya que poe al lector e stuacó y le permte formarse ua expectatva sobre el cotedo del resto. La troduccó de ua memora será breve, o más de ua pága. Seccó Expermetal La Seccó expermetal cotee u forme sobre los procedmetos y las téccas de medda utlzadas, que permte eteder la metodología práctca de uestro expermeto. (Evtaremos extederos sobre casos comues y detalles be coocdos por todo el mudo) Observemos que la faldad de la Seccó expermetal es decr cómo hemos proceddo, o qué resultados hemos obtedo

36 Resultados y Dscusó Esta es la parte prcpal dode cluremos las meddas realzadas, presetamos los gráfcos correspodetes y cometamos las característcas prcpales de las observacoes realzadas. Para la dscusó se explca brevemete los fudametos físcos o modelos teórcos que se utlza y se muestra los ajustes de los datos segú la teoría. També se efectúa la terpretacó físca de los resultados expermetales y se cometa su sgfcacó geeral. Se ha de resaltar co clardad los resultados prcpales, como ahora las catdades físcas que se ha determado. Coclusoes Esta seccó cotee ua breve sítess de la vestgacó y las determacoes prcpales.

ERRORES EN LAS MEDIDAS (Conceptos elementales)

ERRORES EN LAS MEDIDAS (Conceptos elementales) ERRORES E LAS MEDIDAS (Coceptos elemetales). Medda y tpos de errores ormalmete, al realzar varas meddas de ua magtud físca, se obtee e ellas valores dferetes. E muchas ocasoes, esta dfereca se debe a causas

Más detalles

Teoría Simplificada de ERRORES Suscriben este documento los coordinadores de Laboratorio de Química, Física I y Física II.

Teoría Simplificada de ERRORES Suscriben este documento los coordinadores de Laboratorio de Química, Física I y Física II. Teoría Smplfcada de ERRORES Suscrbe este documeto los coordadores de Laboratoro de Químca, Físca I y Físca II. Defcoes Báscas: -Error absoluto (o error): Itervalo xe dode co máxma probabldad se ecuetra

Más detalles

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión Modelos de Regresó E muchos problemas este ua relacó herete etre dos o más varables, resulta ecesaro eplorar la aturaleza de esta relacó. El aálss de regresó es ua técca estadístca para el modelado la

Más detalles

6 Laboratori de Física

6 Laboratori de Física 6 Laborator de Físca Aálss de Errores.- Medda y cocepto de error..- Valor aceptado y error absoluto de ua medda Todo proceso de medda es ua apromacó del verdadero valor de lo que se pretede medr (es la

Más detalles

Experimento: TEORÍA DE ERRORES. UNIVERSIDAD DE ATACAMA Facultad de Ciencias Naturales Departamento de Física I. OBJETIVOS

Experimento: TEORÍA DE ERRORES. UNIVERSIDAD DE ATACAMA Facultad de Ciencias Naturales Departamento de Física I. OBJETIVOS Epermeto: I. OJETIVOS UNIVERSIDD DE TM Facultad de ecas Naturales Departameto de Físca TEORÍ DE ERRORES Idetfcar errores sstemátcos y accdetales e u proceso de medcó. ompreder los coceptos de eacttud y

Más detalles

División de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE)

División de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE) Comsó Ecoómca para Amérca Lata y el Carbe (CEPAL Dvsó de Estadístcas y Proyeccoes Ecoómcas (DEPE Cetro de Proyeccoes Ecoómcas (CPE Estmacó Putual de Parámetros Chrsta A. Hurtado Navarro Mayo, 006 Estmacó

Más detalles

Tema 1. La medida en Física. Estadística de la medida Cifras significativas e incertidumbre

Tema 1. La medida en Física. Estadística de la medida Cifras significativas e incertidumbre Tema. La medda e Físca Estadístca de la medda Cfras sgfcatvas e certdumbre Cotedos Herrameta para represetar los valores de las magtudes físcas: los úmeros Sstemas de udades Notacó cetífca Estadístca de

Más detalles

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx TEMA 3 Meddas de varabldad y asmetría 1. MEDIDAS DE VARIABILIDAD La varabldad o dspersó hace refereca al grado de varacó que hay e u cojuto de putuacoes. Por ejemplo: etre dos dstrbucoes que preseta la

Más detalles

Análisis de Regresión y Correlación Lineal

Análisis de Regresión y Correlación Lineal Aálss de Regresó y Correlacó Leal Dr. Pastore, Jua Igaco Profesor Adjuto. Aálss de Regresó y Correlacó Leal Hasta ahora hemos cetrado uestra atecó prcpalmete e ua sola varable de respuesta umérca o e seres

Más detalles

Los Histogramas. Histograma simple

Los Histogramas. Histograma simple Los Hstogramas El Hstograma es ua forma de represetacó de datos que permte aalzar fáclmete el comportameto de ua poblacó, ya sea per se, o por medo de ua muestra. U Hstograma se defe como u cojuto de barras

Más detalles

Intensificación en Estadística

Intensificación en Estadística GRADO EN VETERINARIA DEPARTAMENTO DE ESTADÍSTICA E IO 0-0 IV Curso Cero Itesfcacó e Estadístca Itroduccó a la fucó Sumatoro Itroduccó Cocepto de fucó sumatoro Aplcacoes Itroduccó Cocepto de fucó sumatoro

Más detalles

4º MEDIO: MEDIDAS DE POSICIÓN

4º MEDIO: MEDIDAS DE POSICIÓN 4º MEDIO: MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co

Más detalles

APROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS

APROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS APROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS Sugerecas para que mparte el curso Ha llegado el mometo e que es coveete resolver ejerccos aplcado

Más detalles

Métodos indirectos de estimación: razón, regresión y diferencia

Métodos indirectos de estimación: razón, regresión y diferencia Métodos drectos de estmacó: razó, regresó dfereca Cotedo. Itroduccó, defcó de estmadores drectos. Estmador de razó, propedades varazas. Límtes de cofaza. 3. Tamaño de la muestra e los estmadores de razó

Más detalles

Introducción a la Inferencia Estadística. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff

Introducción a la Inferencia Estadística. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff Itroduccó a la Ifereca Estadístca Dept. of Mare cece ad Appled Bology Jose Jacobo Zubcoff Modelos de Regresó mple Que tpo de relacó exste etre varables Predccó de valores a partr de ua de ellas Varable

Más detalles

Incertidumbre de las medidas.

Incertidumbre de las medidas. Icertdumbre de las meddas. Al realzar el proceso de medcó, el valor obtedo y asgado a la medda dferrá probablemete del valor verdadero debdo a causas dversas, algua de las cuales ombraremos más adelate.

Más detalles

MEDIA ARITMÉTICA. Normalmente se suele distinguir entre media aritmética simple y media aritmética ponderada.

MEDIA ARITMÉTICA. Normalmente se suele distinguir entre media aritmética simple y media aritmética ponderada. MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co u ejemplo:

Más detalles

La inferencia estadística es primordialmente de naturaleza

La inferencia estadística es primordialmente de naturaleza VI. Ifereca estadístca Ifereca Estadístca La fereca estadístca es prmordalmete de aturaleza ductva y llega a geeralzar respecto de las característcas de ua poblacó valédose de observacoes empírcas de la

Más detalles

Modelos de Regresión Simple

Modelos de Regresión Simple Itroduccó a la Ifereca Estadístca Dept. of Mare cece ad Appled Bology Jose Jacobo Zubcoff Modelos de Regresó mple Que tpo de relacó exste etre varables Predccó de valores a partr de ua de ellas Varable

Más detalles

Estadística Descriptiva

Estadística Descriptiva Estadístca Descrptva Poblacoes y muestras Varables. Tablas de frecuecas Meddas de: tedeca cetral-dspersó ESTADÍSTICA DESCRIPTIVA: Tee por objetvo recoplar, orgazar y aalzar formacó referda a datos de u

Más detalles

DISTRIBUCIÓN DE LA MEDIA Y EL TEOREMA DEL LÍMITE CENTRAL

DISTRIBUCIÓN DE LA MEDIA Y EL TEOREMA DEL LÍMITE CENTRAL Smposo de Metrología 4 al 7 de Octubre DISTRIBUCIÓ DE LA MEDIA Y EL TEOREMA DEL LÍMITE CETRAL Wolfgag A. Schmd Cetro acoal de Metrología Tel.: (44) 4, e-mal: wschmd@ceam.mx Resume: De acuerdo al Teorema

Más detalles

que queremos ajustar a los datos. Supongamos que la función f( x ) describe la relación entre dos cantidades físicas: x e y = f( x)

que queremos ajustar a los datos. Supongamos que la función f( x ) describe la relación entre dos cantidades físicas: x e y = f( x) APROXIMACIÓN DISCRETA DE MÍNIMOS CUADRADOS Las leyes físcas que rge el feómeo que se estuda e forma expermetal os proporcoa formacó mportate que debemos cosderar para propoer la forma de la fucó φ ( x)

Más detalles

GRADO EN PSICOLOGIA INTRODUCCIÓN AL ANÁLISIS DE DATOS Código Asignatura: FEBRERO 2010 EXAMEN MODELO A

GRADO EN PSICOLOGIA INTRODUCCIÓN AL ANÁLISIS DE DATOS Código Asignatura: FEBRERO 2010 EXAMEN MODELO A Febrero 20 EAMEN MODELO A Pág. 1 GRADO EN PICOLOGIA INTRODUCCIÓN AL ANÁLII DE DATO Códgo Asgatura: 620137 FEBRERO 20 EAMEN MODELO A Tabla 1: Para estudar la relacó etre las putuacoes e u test () y el redmeto

Más detalles

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES.

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. CONTENIDOS. VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. Itroduccó a la Estadístca descrptva. Termología básca: poblacó, muestra, dvduo, carácter. Varable estadístca: dscretas y cotuas. Orgazacó de datos.

Más detalles

ESTADÍSTICA poblaciones

ESTADÍSTICA poblaciones ESTADÍSTICA Es la parte de las Matemátcas que estuda el comportameto de las poblacoes utlzado datos umércos obtedos medate epermetos o ecuestas. ESTADÍSTICA La Estadístca tee dos ramas: La Estadístca descrptva:

Más detalles

UNIDAD TEMÁTICA 9 REGRESIÓN LINEAL Y CORRELACIÓN ENUNCIADO 1

UNIDAD TEMÁTICA 9 REGRESIÓN LINEAL Y CORRELACIÓN ENUNCIADO 1 ESCUELA UNIVERSITARIA DE TÉCNICA INDUSTRIAL UNIDAD TEMÁTICA 9 REGRESIÓN LINEAL Y CORRELACIÓN ENUNCIADO La sguete tabla muestra la ota fal e los exámees de estadístca (E) e vestgacó operatva (IO) de ua

Más detalles

Tema 2: Distribuciones bidimensionales

Tema 2: Distribuciones bidimensionales Tema : Dstrbucoes bdmesoales Varable Bdmesoal (X,Y) Sobre ua poblacó se observa smultáeamete dos varables X e Y. La dstrbucó de frecuecas bdmesoal de (X,Y) es el cojuto de valores {(x, y j ); j } 1,, p;

Más detalles

UNIDAD 14.- Distribuciones bidimensionales. Correlación y regresión (tema 14 del libro)

UNIDAD 14.- Distribuciones bidimensionales. Correlación y regresión (tema 14 del libro) UIDAD.- Dstrbucoes bdmesoales. Correlacó regresó (tema del lbro). VARIABLES ESTADÍSTICAS BIDIMESIOALES Vamos a trabajar sobre ua sere de feómeos e los que para cada observacó se obtee u par de meddas.

Más detalles

x x x x x Y se seguía operando

x x x x x Y se seguía operando . INTRODUCCIÓN. DEFINICIONES UNIDAD : Números complejos Cuado se teta resolver ecuacoes de segudo grado como por ejemplo x 4x 0, se observa que o 4 6 5 4 6 tee solucoes reales x x, pues o exste raíces

Más detalles

MEDIDAS DE FORMA Y CONCENTRACIÓN

MEDIDAS DE FORMA Y CONCENTRACIÓN MEDIDAS DE FORMA Y CONCENTRACIÓN 4..- Asmetría: coefcetes de asmetría de Fsher y Pearso. Otros Coefcetes de asmetría. 4.2.- La ley ormal. 4..- Curtoss o aplastameto: coefcete de Fsher. 4.4.- Meddas de

Más detalles

Orden de la tirada. Figura 1: Frecuencia relativa de cara para una sucesión de 400 tiradas.

Orden de la tirada. Figura 1: Frecuencia relativa de cara para una sucesión de 400 tiradas. Estadístca (Q) Dra. Daa M. Kelmasky 99. Teoremas límte Frecueca Relatva 0.5 0.6 0.7 0.8 0.9.0 0 00 00 300 400 Orde de la trada Fgura : Frecueca relatva de cara para ua sucesó de 400 tradas. La fgura muestra

Más detalles

1. Los postulados de la Mecánica Cuántica. 2. Estados Estacionarios. 3. Relación de Incertidumbre de Heisenberg. 4. Teorema de compatibilidad.

1. Los postulados de la Mecánica Cuántica. 2. Estados Estacionarios. 3. Relación de Incertidumbre de Heisenberg. 4. Teorema de compatibilidad. Parte : MECÁNICA CUÁNTICA 1. Los postulados de la Mecáca Cuátca.. Estados Estacoaros. 3. Relacó de Icertdumbre de Heseberg. 4. Teorema de compatbldad. 1 U breve repaso de Mecáca Clásca 1. Partícula clásca:

Más detalles

En esta sección estudiaremos el caso en que se usa un solo "Predictor" para predecir la variable de interés ( Y )

En esta sección estudiaremos el caso en que se usa un solo Predictor para predecir la variable de interés ( Y ) Regresó Leal mple. REGREIÓN IMPLE El aálss de regresó es ua herrameta estadístca la cual utlza la relacó, etre dos o más varables de modo que ua varable pueda ser predcha desde la (s) otra (s). Por ejemplo

Más detalles

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades MATEMÁTICA MÓDULO 4 Eje temátco: Estadístca y Probabldades Empezaremos este breve estudo de estadístca correspodete al cuarto año de Eseñaza Meda revsado los dferetes tpos de gráfcos.. GRÁFICOS ESTADÍSTICOS

Más detalles

Inferencia Estadística

Inferencia Estadística Ifereca Estadístca Poblacó y muestra Coceptos y defcoes Muestra Aleatora Smple (MAS) Cosderemos ua poblacó, cuya fucó de dstrbucó esta dada por F(), la cual está costtuda por u úmero fto de posbles valores,

Más detalles

REGRESIÓN LINEAL SIMPLE

REGRESIÓN LINEAL SIMPLE RGRIÓN LINAL IMPL l aálss de regresó es ua técca estadístca para vestgar la relacó fucoal etre dos o más varables, ajustado algú modelo matemátco. La regresó leal smple utlza ua sola varable de regresó

Más detalles

ENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN 2010 EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES.

ENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN 2010 EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. ENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. EJERCICIO a) ( putos) Racoalce smplfque la fraccó. 8 8 b) ( putos) Determe los coefcetes de la ecuacó 3 a b

Más detalles

Gráfica de los resultados experimentales: Variable Independiente: Variable Dependiente: Variable asociada:

Gráfica de los resultados experimentales: Variable Independiente: Variable Dependiente: Variable asociada: :: OBJETIVOS [3.] o Apreder a presetar los datos epermetales como grafcas -. o Apreder a usar las hojas de papel logarítmco Semlogarítmco o Determar la relacó matemátca de ua grafca leal de datos epermetales

Más detalles

RELACIÓN ENTRE DOS VARIABLES NUMÉRICAS REGRESIÓN LINEAL SIMPLE. CORRELACIÓN. realizar el calibrado en análisis instrumental.

RELACIÓN ENTRE DOS VARIABLES NUMÉRICAS REGRESIÓN LINEAL SIMPLE. CORRELACIÓN. realizar el calibrado en análisis instrumental. RELACIÓN ENTRE DOS VARIABLES NUMÉRICAS REGRESIÓN LINEAL SIMPLE. CORRELACIÓN Los métodos de regresó se usa para estudar la relacó etre dos varables umércas. Este tpo de problemas aparece co frecueca e el

Más detalles

. Si vamos calculando así las potencias n-ésimas de la unidad imaginaria, descubriremos que son cíclicas y que cada 4 términos se repiten: ( )

. Si vamos calculando así las potencias n-ésimas de la unidad imaginaria, descubriremos que son cíclicas y que cada 4 términos se repiten: ( ) Los úmeros complejos surje a ra de ecuacoes de la forma x + 0 Exste u certo paralelsmo etre este cuerpo el plao, cocretamete, lo que ha es ua correspodeca buívoca, es decr, ua relacó bectva etre C R R

Más detalles

G - Métodos de Interpolación

G - Métodos de Interpolación ESCUELA SUPERIOR DE NÁUTICA Y MÁQUINAS NAVALES / NAUTIKAKO ETA ITSASONTZI MAKINETAKO GOI ESKOLA TEKNIKOA FUNDAMENTOS MATEMÁTICOS G - Métodos de Iterpolacó Polomo de terpolacó de Lagrage. Polomo de terpolacó

Más detalles

Regresión - Correlación

Regresión - Correlación REGRESIÓN Regresó - Correlacó Aálss que requere la cosderacó de o más varables cuattatvas e forma smultáea. Aálss de Regresó: estuda la relacó fucoal de ua o más varables respecto de otra Aálss de Correlacó:

Más detalles

Estadística. Tema 2: Medidas de Tendencia Central.. Estadística. UNITEC Tema 2: Medidas de Tendencia Central Prof. L. Lugo

Estadística. Tema 2: Medidas de Tendencia Central.. Estadística. UNITEC Tema 2: Medidas de Tendencia Central Prof. L. Lugo Estadístca Tema : Meddas de Tedeca Cetral. Estadístca. UNITEC Tema : Meddas de Tedeca Cetral 1 Parámetros y Estadístcos Parámetro: Es ua catdad umérca calculada sobre ua poblacó La altura meda de los dvduos

Más detalles

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU APLICACIÓN EN PROBLEMAS DE INGENIERÍA Clauda Maard Facultad de Igeería. Uversdad Nacoal de Lomas de Zamora Uversdad CAECE Bueos Ares. Argeta. maard@uolsects.com.ar

Más detalles

MEDIDAS DE TENDENCIA CENTRAL

MEDIDAS DE TENDENCIA CENTRAL Probabldad y Estadístca Meddas de tedeca Cetral MEDIDAS DE TENDENCIA CENTRAL E la udad ateror se ha agrupado la ormacó y además se ha dado ua descrpcó de la terpretacó de la ormacó, s embargo e ocasoes

Más detalles

1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL

1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL Estadístca y probabldad 1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL 1.1 DISTRIBUCIONES ESTADÍSTICAS Se usa dagramas de barras, dode la altura de éstas represeta la recueca de cada

Más detalles

6. ESTIMACIÓN PUNTUAL

6. ESTIMACIÓN PUNTUAL Defcoes 6 ESTIMACIÓN PUNTUAL E la práctca, los parámetros de ua dstrbucó de probabldad se estma a partr de la muestra La fereca estadístca cosste e estmar los parámetros de ua dstrbucó; y e evaluar ua

Más detalles

Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGNIFICADO.

Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGNIFICADO. Tema 60.Parámetros estadístcos. Calculo propedades y sgfcado Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGIFICADO.. Itroduccó. Defcó de estadístca. Estadístca descrptva y estadístca ferecal.

Más detalles

I. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS

I. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS Estadístca Tema. Seres Estadístcas. Dstrbucoes de frecuecas. Pág. I. ANÁLISIS DESCIPTIVO DE UN CONJUNTO DE DATOS Seres Estadístcas. Dstrbucoes de frecuecas.. Defcó de Estadístca... Coceptos geerales...2

Más detalles

PARÁMETROS ESTADÍSTICOS ... N

PARÁMETROS ESTADÍSTICOS ... N el blog de mate de ada: ESTADÍSTICA pág. 6 PARÁMETROS ESTADÍSTICOS MEDIDAS DE CENTRALIZACIÓN Las tablas estadístcas y las represetacoes grácas da ua dea del comportameto de ua dstrbucó, pero ese cojuto

Más detalles

Estimación de Incertidumbres y presentación de resultados

Estimación de Incertidumbres y presentación de resultados Coceptos prevos Estmacó de Icertdumbres y presetacó de resultados Práctcas de Físca I y Físca II Departameto de Físca Aplcada I Escuela Poltécca Superor Matud: Propedad de u feómeo, cuerpo o sustaca que

Más detalles

Análisis Numérico y Programación. Unidad III. -Interpolación mediante trazadores: Lineales, cuadráticos y cúbicos

Análisis Numérico y Programación. Unidad III. -Interpolación mediante trazadores: Lineales, cuadráticos y cúbicos Aálss Numérco y Programacó Udad III -Iterpolacó medate trazadores: Leales, cuadrátcos y cúbcos Prmavera 9 Aálss Numérco y Programacó Coceptos geerales Problema geeral: Se tee u cojuto dscreto de valores

Más detalles

Máximos y Mínimos de funciones de dos variables

Máximos y Mínimos de funciones de dos variables Mámos Mímos de fucoes de dos varables Aplcacoes a Modelacó Matemátca AJUTE DE CURVA Regresó leal Lealzacó: epoecal, potecas razoes Coceptos geerales f() Problema geeral: e tee u cojuto dscreto de valores

Más detalles

GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA

GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA Área Matemátcas- Aálss Estadístco Módulo Básco de Igeería (MBI) Resultados de apredzaje Apreder el correcto uso de la calculadora cetífca e modo estadístco, además

Más detalles

Colegio Sagrada Familia Matemáticas 4º ESO ESTADÍSTICA DESCRIPTIVA

Colegio Sagrada Familia Matemáticas 4º ESO ESTADÍSTICA DESCRIPTIVA Colego Sagrada Famla Matemátcas 4º ESO 011-01 1.- TERMIOLOGÍA. TABLAS Y GRÁFICOS ESTADÍSTICOS ESTADÍSTICA DESCRIPTIVA La poblacó es el cojuto de de todos los elemetos, que cumpledo ua codcó, deseamos estudar.

Más detalles

Colegio Sagrada Familia Matemáticas 4º ESO

Colegio Sagrada Familia Matemáticas 4º ESO Colego Sagrada Famla Matemátcas 4º ESO 00-0 ESTADÍSTICA DESCRIPTIVA.- TERMIOLOGÍA. TABLAS Y GRÁFICOS ESTADÍSTICOS La poblacó es el cojuto de de todos los elemetos, que cumpledo ua codcó, deseamos estudar.

Más detalles

TRABAJO 2: Variables Estadísticas Bidimensionales (Tema 2).

TRABAJO 2: Variables Estadísticas Bidimensionales (Tema 2). TRABAJO : Varables Estadístcas Bdmesoales (Tema ). Téccas Cuattatvas I. Curso 07/08. APELLIDOS: NOMBRE: GRADO: GRUPO: DNI (o NIE): A: B: C: D: E los eucados de los ejerccos que sgue aparece los valores

Más detalles

Respuesta. Si 100 manzanas es una muestra suficientemente grande podemos ocupar el TCL. Por lo tanto:

Respuesta. Si 100 manzanas es una muestra suficientemente grande podemos ocupar el TCL. Por lo tanto: Curso: Estadístca Iferecal (ICO 8306) Profesores: Esteba Calvo, Pablo Huechapa y Omar Ramos Ayudates: José T. Meda, Fabo Salas y Daela Vlches PROBLEMA Cosdere que Ud. es dueño de u campo que produce mazaas,

Más detalles

2 - TEORIA DE ERRORES : Calibraciones

2 - TEORIA DE ERRORES : Calibraciones - TEORIA DE ERRORES : Calbracoes CONTENIDOS Errores sstemátcos.. Modelo de Studet. Curvas de Calbracó. Métodos de los Mímos Cuadrados. Recta de Regresó. Calbracó de Istrumetos OBJETIVOS Explcar el cocepto

Más detalles

V II Muestreo por Conglomerados

V II Muestreo por Conglomerados V II Muestreo por Coglomerados Dr. Jesús Mellado 31 Por alguas razoes aturales, los elemetos muestrales se ecuetra formado grupos, como por ejemlo, las persoas que vve e coloas de ua cudad, lo elemetos

Más detalles

CÁLCULO NUMÉRICO (0258)

CÁLCULO NUMÉRICO (0258) CÁLCULO NUÉRICO (58) Tema 4. Apromacó de Fucoes Juo. Ecuetre los polomos de meor grado que terpola a los sguetes cojutos de datos plateado y resolvedo u sstema de ecuacoes leales: 7 y 5-4 7 y 4 9 6.5.7.

Más detalles

n p(a ) = n p(a ) = n k Nº de casos favorables de A Nº de casos posibles de E p(a) = Capítulo PROBABILIDAD 1. Introducción

n p(a ) = n p(a ) = n k Nº de casos favorables de A Nº de casos posibles de E p(a) = Capítulo PROBABILIDAD 1. Introducción Capítulo VII PROBABILIDAD 1. Itroduccó Se dcaba e el capítulo ateror que cuado u expermeto aleatoro se repte u gra úmero de veces, los posbles resultados tede a presetarse u úmero muy parecdo de veces,

Más detalles

4. Fórmula de Lagrage El polomo de terpolacó de Hermte, p (x, de la fucó f e los putos dsttos x,,x admte la expresó: p( x f (x L (x + f '(x L (x, (Fór

4. Fórmula de Lagrage El polomo de terpolacó de Hermte, p (x, de la fucó f e los putos dsttos x,,x admte la expresó: p( x f (x L (x + f '(x L (x, (Fór Capítulo 4 Iterpolacó polomal de Hermte E determadas aplcacoes se precsa métodos de terpolacó que trabaje co datos prescrtos de la fucó y sus dervadas e ua sere de putos, co el objeto de aumetar la aproxmacó

Más detalles

2.4 Pruebas estadísticas para los números pseudoaleatorios

2.4 Pruebas estadísticas para los números pseudoaleatorios Capítulo Números pseudoaleatoros.4 Pruebas estadístcas para los úmeros pseudoaleatoros 34 E la seccó. se presetaro dversos algortmos para costrur u cojuto r, pero ése es sólo el prmer paso, ya que el cojuto

Más detalles

1 Estadística. Profesora María Durbán

1 Estadística. Profesora María Durbán Tema 5: Estmacó de Parámetros Tema 5: Estmacó de Parámetros 5. Itroduccó y coceptos báscos 5. Propedades de los estmadores 5.4 Dstrbucó de u estmador e el muestreo Objetvos del tema: Al fal del tema el

Más detalles

Interpolación polinómica.

Interpolación polinómica. 5 Iterpolacó polómca Itroduccó E muchas ocasoes e dferetes ramas de la geería, a la hora de resolver u problema, los datos de que se dspoe se ecuetra e tablas, como por ejemplo tablas estadístcas E la

Más detalles

Presentación de resultados y estimación de incertidumbres. Prácticas de Física I Departamento de Física Aplicada I Escuela Politécnica Superior

Presentación de resultados y estimación de incertidumbres. Prácticas de Física I Departamento de Física Aplicada I Escuela Politécnica Superior Presetacó de resultados y estmacó de certdumres Práctcas de Físca I Departameto de Físca Aplcada I Escuela Poltécca Superor Medda e certdumre Toda ceca epermetal se asa e oservacoes cuattatvas que llamamos

Más detalles

No debe entregar los enunciados

No debe entregar los enunciados Curso 01-13 EAMEN MODELO A ág. 1 INTRODUCCIÓN AL ANÁLII DE DATO ETIEMBRE 013 Códgo asgatura: 6011037 EAMEN TIO TET MODELO A DURACION: HORA Materal: Addeda (Formularo y Tablas) y calculadora (cualquer modelo)

Más detalles

Apuntes preparados por el profesor Sr. Rosamel Sáez Espinoza con fines de docencia

Apuntes preparados por el profesor Sr. Rosamel Sáez Espinoza con fines de docencia Aputes preparados por el profesor Sr. Rosamel Sáez Espoza co fes de doceca La meda Sea u cojuto de observacoes x 1,..., x, o agrupados. Se defe la meda o promedo, medate: x 1 La meda utlza todas las observacoes,

Más detalles

FÍSICA EXPERIMENTAL INCERTIDUMBRE ABSOLUTA Y RELATIVA. Medición de la longitud del largo del cuaderno:

FÍSICA EXPERIMENTAL INCERTIDUMBRE ABSOLUTA Y RELATIVA. Medición de la longitud del largo del cuaderno: FÍSICA EXPERIMENTAL INCERTIDUMBRE ABSOLUTA Y RELATIVA Medcó de la logtud del largo del cuadero: 9,5, cm,cm represeta la certdumre asoluta de la medda Qué ta sgfcatva es esa certdumre? 9,5, cm puede ser

Más detalles

Curso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple

Curso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple 1 Curso de Estadístca Udad de Meddas Descrptvas Leccó 2: Meddas de Tedeca Cetral para Datos Agrupados por Valor Smple Creado por: Dra. Noemí L. Ruz Lmardo, EdD 2010 Derechos de Autor 2 Objetvos 1. Calcular

Más detalles

Números Complejos PREGUNTAS MÁS FRECUENTES

Números Complejos PREGUNTAS MÁS FRECUENTES Repaso de º de Bachllerato Números Complejos PREGUNTAS MÁS FRECUENTES. Qué es la udad magara? Es u elemeto del que coocemos úcamete su cuadrado:.obvamete, o se trata de u úmero real.. Qué es u úmero complejo?

Más detalles

Ensayos de control de calidad

Ensayos de control de calidad Esayos de cotrol de caldad Fecha: 0170619 1. lcace. Este procedmeto es aplcable e la evaluacó del desempeño del persoal que ejecuta pruebas e la Dvsó de Laboratoros de Ifraestructura de la Coordacó de

Más detalles

R-C CARGA Y DESCARGA DE UN CONDENSADOR

R-C CARGA Y DESCARGA DE UN CONDENSADOR RC CARGA Y DESCARGA DE UN CONDENSADOR CONTENIDOS Estado trastoro de carga y descarga. Cálculo de la costate de tempo. Método de cuadrados mímos. Errores que se comete durate la evaluacó de τ OBJETIVOS

Más detalles

Supongamos que hemos aplicado el test F y hemos rechazado la H0.

Supongamos que hemos aplicado el test F y hemos rechazado la H0. Comparacó de medas tomadas de a pares CONDICION Meda s --------- ---------- ------ ---------- 0.00 3.0000 0.00 3.73 3 97.00 3.0000 4 93.00.44 TOTAL 98.73.6036 Supogamos que hemos aplcado el test F y hemos

Más detalles

AGRO Examen Parcial 1

AGRO Examen Parcial 1 AGRO 5005 009 Exame Parcal Nombre: Istruccoes: Por favor lea los eucados y las pregutas cudadosamete. Se puede usar el lbro las tablas de dstrbucó ormal la hoja de fórmulas provsta y la calculadora. Para

Más detalles

PARTE SEGUNDA: INFERENCIA ESTADÍSTICA

PARTE SEGUNDA: INFERENCIA ESTADÍSTICA ESTADÍSTICA II PARTE SEGUNDA: INFERENCIA ESTADÍSTICA TEMA III: INTRODUCCION A LA INFERENCIA III..- Itroduccó III..- La eleccó de la muestra. Tpos de muestreo III.3.- Muestreo aleatoro smple. Estadístcos

Más detalles

Apéndice 1. Ajuste de la función gamma utilizando el método de máxima probabilidad ( maximum likelihood )

Apéndice 1. Ajuste de la función gamma utilizando el método de máxima probabilidad ( maximum likelihood ) Apédces Apédces 357 Apédce. Ajuste de la fucó gamma utlzado el método de máma probabldad mamum lkelhood Se descrbe a cotuacó el ajuste de la fucó gamma utlzado e el apartado.2..2 pága 28. Véase Burguess

Más detalles

Incertidumbre en las mediciones directas e indirectas

Incertidumbre en las mediciones directas e indirectas Icertdumbre e las medcoes drectas e drectas Comezaremos por dstgur dos dferetes tpos de medcoes: Medcoes drectas: La medda de la cota se obtee e ua úca medcó co u strumeto de lectura drecta. Medcoes drectas:

Más detalles

4 METODOLOGIA ADAPTADA AL PROBLEMA

4 METODOLOGIA ADAPTADA AL PROBLEMA 4 MEODOLOGA ADAPADA AL PROBLEMA 4.1 troduccó Báscamete el problema que se quere resolver es ecotrar la actuacó óptma sobre las tesoes de los geeradores, la relacó de tomas de los trasformadores y el valor

Más detalles

ANALISIS DE DATOS EN PSICOLOGÍA I FEBRERO ª P.P. 2ª SEMANA UNIÓN EUROPEA

ANALISIS DE DATOS EN PSICOLOGÍA I FEBRERO ª P.P. 2ª SEMANA UNIÓN EUROPEA ANALII DE DATO EN PICOLOGÍA I FEBRERO 007 1ª P.P. ª EANA UNIÓN EUROPEA 30 5 15 35 0 30 40 5 30 45 5 10 50 18 10 55 7 5 Tabla 1. Dstrbucó de u grupo de mujeres () y otro de hombres () e ua prueba de compresó

Más detalles

EJERCICIOS RESUELTOS TEMA 3.

EJERCICIOS RESUELTOS TEMA 3. INTRODUCCIÓN AL ANÁLII DE DATO EJERCICIO REUELTO TEMA 3. 3.1. La ampltud total de la dstrbucó de frecuecas de la tabla 1. es: A) 11; B) 1; C). Tabla 1. Estatura e cetímetros de ños de 1 meses de edad.

Más detalles

Estadística aplicada al Periodismo

Estadística aplicada al Periodismo Estadístca aplcada al Perodsmo Temaro de la asgatura Itroduccó. Aálss de datos uvarates. Aálss de datos bvarates. Seres temporales y úmeros ídce. Probabldad y Modelos probablístcos. Itroduccó a la fereca

Más detalles

MEDIDAS DE CENTRALIZACIÓN

MEDIDAS DE CENTRALIZACIÓN Educagua.com MEDIDAS DE CETRALIZACIÓ Las meddas de cetralzacó so estadístcos que releja algú valor global de la sere estadístca. Las prcpales meddas de cetralzacó so: Meda artmétca smple. Meda artmétca

Más detalles

Qué es ESTADISTICA? OBJETIVO. Variabilidad de las respuestas. Las mismas condiciones no conducen a resultados exactamente similares PROBLEMA SOLUCIÓN

Qué es ESTADISTICA? OBJETIVO. Variabilidad de las respuestas. Las mismas condiciones no conducen a resultados exactamente similares PROBLEMA SOLUCIÓN Qué es ESADISICA? Es u couto de la rama de las Matemátcas Es algo aburrdo que mplca u motó de cuetas 3 Es u couto de téccas que se puede usar para probar cualquer cosa 4 Es u couto de coocmetos téccas

Más detalles

FUNCIONES ALEATORIAS

FUNCIONES ALEATORIAS Uversdad de Medoza Ig. Jesús Rubé Azor Motoya FUNCIONES ALEATORIAS Ua varable aleatora se defe como ua fucó que represeta gráfcamete el resultado de u expermeto a los úmeros reales, esto es, X(), dode

Más detalles

Trata de describir y analizar algunos caracteres de los individuos de un grupo dado, sin extraer conclusiones para un grupo mayor

Trata de describir y analizar algunos caracteres de los individuos de un grupo dado, sin extraer conclusiones para un grupo mayor árbara Cáovas Coesa Estadístca Descrptva 1 Cálculo de Probabldades Trata de descrbr y aalzar alguos caracteres de los dvduos de u grupo dado, s extraer coclusoes para u grupo mayor Poblacó Idvduo o Udad

Más detalles

Facultad de Ciencias del Mar. Curso 2008/09 25/06/09

Facultad de Ciencias del Mar. Curso 2008/09 25/06/09 Estadístca Covocatora de Juo Facultad de Cecas del Mar. Curso 8/9 5/6/9 Los ríos Waccamaw y Lumber, e Carola del Norte (EEUU) se caracterza por ua rca bodversdad. E los últmos años estos ríos ha vsto crecer

Más detalles

Calificación= (0,4 x Aciertos) - (0,2 x Errores) No debe entregar los enunciados

Calificación= (0,4 x Aciertos) - (0,2 x Errores) No debe entregar los enunciados EAMEN MODELO A Pág. 1 INTRODUCCIÓN AL ANÁLII DE DATO FEBRERO 018 Códgo asgatura: 6011037 EAMEN TIPO TET MODELO A DURACION: HORA Materal: Addeda (Formularo y Tablas) y calculadora (cualquer modelo) Calfcacó

Más detalles

TEMAS CUESTIONARIO DE AUTOEVALUACIÓN

TEMAS CUESTIONARIO DE AUTOEVALUACIÓN TEMAS 1-2-3 CUESTIOARIO DE AUTOEVALUACIÓ 2.1.- Al realzar los cálculos para obteer el Ídce de G se observa que: p 3 > q 3 y que p 4 >q 4 etoces: La prmera desgualdad es falsa y la seguda certa. La prmera

Más detalles

NOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD

NOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD NOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD 1. CONCEPTO DE ESTADÍSTICA : Es la ceca que estuda la terpretacó de datos umércos. a) Proceso estadístco : Es aquél que a partr de uos datos umércos, obteemos

Más detalles

Estadística Descriptiva

Estadística Descriptiva Estadístca Descrptva Poblacó: Es u cojuto de elemetos co ua determada característca. Muestra: Es u subcojuto de la poblacó. Muestreo: Es el proceso para elegr ua muestra que sea represetatva de la poblacó.

Más detalles

EXAMEN DE MATEMÁTICAS APLICADAS I Temas 12 a 15

EXAMEN DE MATEMÁTICAS APLICADAS I Temas 12 a 15 1 EXAMEN DE MATEMÁTICAS APLICADAS I Temas 1 a 15 1. Ocho persoas, co smlar destreza e mecaografía, teclearo 0 líeas de teto e u ordeador. El tempo empleado, e mutos, el úmero de errores cometdos, fuero:

Más detalles

Estadística Espacial. José Antonio Rivera Colmenero

Estadística Espacial. José Antonio Rivera Colmenero Estadístca Espacal José Atoo Rvera Colmeero 1 Descrptores del patró putual Tedeca cetral 1. Meda cetral (Meda espacal). Meda cetral poderada 3. Medaa cetral (medaa espacal) o se utlza amplamete por su

Más detalles

Como en ningún caso se conoce el valor verdadero de una medida es aconsejable hablar de error aparente.

Como en ningún caso se conoce el valor verdadero de una medida es aconsejable hablar de error aparente. ERRORES EXPERIMENTALES E todo proceso de medcó este lmtacoes dadas por los strumetos usados, el método de medcó, el observador (u observadores) que realza la medcó. Asmsmo, el msmo proceso de medcó troduce

Más detalles

Práctica 11. Calcula de manera simbólica la integral indefinida de una función. Ejemplo:

Práctica 11. Calcula de manera simbólica la integral indefinida de una función. Ejemplo: PRÁCTICA SUMAS DE RIEMAN Práctcas Matlab Práctca Objetvos Calcular tegrales defdas de forma aproxmada, utlzado sumas de Rema. Profudzar e la compresó del cocepto de tegracó. Comados de Matlab t Calcula

Más detalles

Estadística Contenidos NM 4

Estadística Contenidos NM 4 Cetro Educacoal Sa Carlos de Aragó. Sector: Matemátca. Prof.: mea Gallegos H. 1 Estadístca Cotedos NM 4 Udad: Estadístca y Probabldades. Apredzajes Esperados: * Recoocer dferetes formas de orgazar formacó:

Más detalles

Estadística. Tema 6: Análisis de Regresión.. Estadística. UNITEC Tema 6: Análisis de Regresión Prof. L. Lugo

Estadística. Tema 6: Análisis de Regresión.. Estadística. UNITEC Tema 6: Análisis de Regresión Prof. L. Lugo Estadístca Tema 6: Aálss de Regresó. Estadístca. UNITEC Tema 6: Aálss de Regresó Modelos de Regresó E muchos problemas este ua relacó herete etre dos o mas varables, resulta ecesaro eplorar la aturaleza

Más detalles

CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA. Los datos sintéticos son elementos de suma importancia en los sistemas de diseño en

CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA. Los datos sintéticos son elementos de suma importancia en los sistemas de diseño en CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA 3. Itroduccó Los datos stétcos so elemetos de suma mportaca e los sstemas de dseño e presas de almaceameto, ya que se evalúa el propósto del sstema co sumo

Más detalles