Práctica # 0. U.P.I.I.T.A. PRÁCTICA # 0 ERRORES EXPERIMENTALES Y ANÁLISIS DE DATOS. dición. De forma general una medición per- I mite relacionar una magnitud física desconocida con una cantidad física conocida de OBJETIVOS: la misma dimensión. En cada medición se obtiene una magnitud de la cantidad física 1.- Se presentará una breve introducción a los errores de medición. Así como al manejo estadístico de los errores aleatorios. conocida; a ésta se le denomina como medida. Inexorablemente cuando se realiza una medición, las medidas obtenidas siempre 2.- Se hará una introducción al ajuste de curvas, por medio del método de mínimos cuadrados. diferirán con respecto al valor verdadero de la cantidad física en observación. Las discrepancias entre ambas cantidades se pueden II dividir en dos categorías: en equivocaciones y en errores de medición. INTRODUCCIÓN. Las equivocaciones las comete el experimentador, por ejemplo, cuando no utiliza un procedimiento adecuado de medición, ERRORES EXPERIMENTALES. cuando lee mal las escalas de un instrumento, etc.. Es conveniente de que antes de intro- Los errores de medición no son inhe- ducirnos a los errores de medición, se de una rentes al experimentador. Debido a la natu- definición de lo que se entiende por una me- raleza de éstos se pueden, a su vez, dividir 1 Práctica # 0. en dos categorías: en errores aleatorios, y en errores sistemáticos. A pesar de que ambos tipos de errores se presentan simultáneamen- U.P.I.I.T.A. entre sí. La media aritmética, , está dada por [1] , te en una medición, para fines de estudio se (0.1) analizan por separado. Los errores de medición sistemáticos son aquellos en los cuales siempre que se donde es la magnitud de la medida i-ésima. realiza una medición varias veces, y bajo las mismas condiciones, la afectan por igual, es es el número de mediciones, y La desviación de cada medida individual, , está dada por decir, siempre mantienen la misma magni. tud. Un ejemplo de este tipo de error se produce cuando un instrumento está mal calibrado y su lectura inicial no coincide con cero. (0.2) Cuando se hace un promedio de la desviación de todas las medidas, , se ob- tiene Los errores de medición aleatorios va- rían de forma impredecible cuando se mide . (0.3) la misma cantidad física, con los mismos equipos, y bajo las mismas condiciones. Éstos se deben generalmente a un gran número de factores que afectan de forma independiente a la medición. La cuantificación de la magnitud de este tipo de errores se puede realizar únicamente de manera estadística. A pesar de que se observa que el promedio de las medidas siempre es igual a cero, la magnitud del valor promedio de las desviaciones, es decir, Una cantidad que sirve para describir , (0.4) la magnitud de una cantidad física, es la media aritmética; aunque ésta tiene la desventa- no siempre es igual a cero. ja de que sólo es valiosa para los casos en La cantidad que se usa regularmente que se realizan varias mediciones sobre el para obtener la magnitud de las variaciones mismo objeto, y éstas no discrepan mucho en las medidas, es la desviación estándar, o 2 Práctica # 0. U.P.I.I.T.A. la desviación de la raíz media cuadrática, , una gráfica de barras. Para obtener una gráfica de este tipo se divide el eje de las absci- dada como [1] sas, en un intervalo que contenga a todas las . (0.5) medidas, es decir, en un intervalo ( ), donde Al cuadrado de la desviación estándar, , es la medida mínima, y es la medida máxima; y a su vez este , se le conoce como varianza, o algunas veces se le denomina como la desviación intervalo se subdivide en intervalos de clase estándar de la población, o la desviación es- más pequeños con un ancho tándar sesgada, debido a que en sentido es- de las ordenadas se grafica el número de tricto se calcula sólo cuando se toman un muestras, gran número de muestras para describir a la población. Usualmente el experimentador no puede obtener un conjunto de mediciones 1, intervalos ( , . En el eje que caen dentro de los ). El intervalo de clase, , se elige como [2] infinito, por esto en términos generales, es ; (0.7) deseable tener cuando menos 20 mediciones, para que las estimaciones de la desviación estándar sean confiables. Si se tiene un conjunto de muestras pequeño, que generalmente es el caso, se utiliza la desviación o si , el ancho del intervalo de clase se puede determinar de forma más adecuada con la regla de Sturger, dada por [2] estándar de la muestra no sesgada, la cual . (0.8) está definida como [1] Cuando en el eje de las ordenadas de . (0.6) una gráfica de barras se despliega la canti- Una forma visual de desplegar un conjunto de medidas, , con dad , denominada como frecuencia , ob- tenidas en una medición, es por medio de 1 Esta cantidad también se conoce también como frecuencia. 3 Práctica # 0. normalizada, en lugar de U.P.I.I.T.A. ; a la gráfica de barras se le conoce como histograma. cual tiene las siguientes características: , para ( , ), y . Si se grafica un histograma con varias mediciones de la misma cantidad física, y Analíticamente se puede escribir en éstas mediciones están influenciadas exclu- función de la media aritmética, y la desvia- sivamente por errores aleatorios; la curva ción estándar como envolvente del histograma generalmente . (0.9) tendrá la forma de una función gaussiana o normal, este comportamiento se muestra Al analizar la ecuación anterior se ob- cualitativamente en la figura 0.1. serva que puede existir un número infinito de curvas, las cuales estarán especificadas por la magnitud de , y de . Por ejem- plo, en la figura 0.2, se presentan dos de estas curvas. Figura 0.1. Histograma de un conjunto de medidas, y la curva envolvente de éste. Se puede apreciar de la figura 0.1. que existe una probabilidad mayor de que las medidas caigan cerca del valor de , que lejos de éste. La función gaussiana representa una Figura 0.2. La distribución normal del error o gaussiana, para dos valores de desviación estándar, y xm fija. distribución de probabilidad2 simétrica, la 2 Si se quiere estudiar de forma más exhaustiva a las distribuciones de probabilidad se puede consultar [3]. 4 Práctica # 0. U.P.I.I.T.A. En la figura anterior se aprecia que cuando , la curva está más esparcida En la figura 0.3. se presenta una gráfi- en el eje de las abscisas, que cuando ca de un conjunto de medidas influenciada . De este hecho se aprecia que entre por errores aleatorios, con una distribución más pequeña sea la magnitud de conjunto de medidas , , para un será un mejor estimador del valor verdadero de la magnitud física en observación. normal, y por un error sistemático. En la figura el valor representa al valor verdade- ro, el valor representa la magnitud del error sistemático. El error total de la medición en este caso, con una certeza del 99.73 La distribución normal posee una característica importante, y es que se puede %, estaría dado por la suma del error sistemático dado por y el error máximo asegurar que del 100% de las medidas realizadas, el 50 % de éstas, estarán comprendidas en el intervalo ; aleatorio. el 68.27% de éstas medidas estará comprendida en el intervalo ; etc.. Los resulta- dos anteriores se resumen en la tabla 0.1. Tabla 0.1. Probabilidad relacionada a las desviaciones estándar [4]. No. de desvia- Probabilidad de C o m p a r a c i ó n ciones estándar que la medida entre las medidas Figura 0.3. Conjunto de medidas influenciadas por errores aleatorios, y por errores sistemáticos. con respecto a la esté comprendi- c o m p r e n d i d a s media aritmética. da dentro del No. dentro del No. de de desviaciones d e s v i a c i o n e s estándar. estándar, y fuera El error total de una medición determina la inexactitud de la medición. Cuando se realizan en varias sesiones del él. 0.6745 50 1:1 1 68.27 2.15:1 2 95.45 21:1 puede observar que generalmente la media 3 99.73 370:1 aritmética obtenida en cada sesión de medi- 4 99.99366 15772:1 5 99.99995 1744000:1 las mediciones de una cantidad física, se ción será diferente, para resolver este incon- 5 Práctica # 0. U.P.I.I.T.A. veniente se utiliza la desviación estándar del valor medio, , la cual está en función del número de medidas y la desviación estándar como [1] donde es la variable dependiente, pendiente de la recta, pendiente, y es la es la variable inde- es la ordenada al origen. En términos prácticos si se realiza un . (0.10) experimento el conjunto de medidas que se puede obtener es finito; por lo tanto, si de- Con la ecuación anterior se puede presentar la incertidumbre de una medición. Si los resultados arrojados por la serie seáramos asociarle a estas medidas una ecuación lineal, de la ec. 0.11 se ve que existen múltiples opciones, que dependerán del de mediciones anteriores están muy próxi- valor específico que tomen y mos entre sí, se puede decir que la precisión todo de mínimos cuadrados es un criterio en la medición es elevada. con el cual es posible asociarle un modelo lineal a un conjunto de medidas ( . El mé- , ). Para ilustrar el método de mínimos cuadraMÍNIMOS CUADRADOS. dos nos auxiliamos de la figura 0.4., en la cual se muestran una serie de puntos expe- Uno de los objetos de estudio que es importante en la física es el estudio de los modelos lineales, tales como la ley de Ohm cuando la resistencia es constante, la distan- rimentales que van desde ( , ) hasta ( , ), y una recta propuesta que se les puede asociar a este conjunto de valores. cia recorrida por un objeto a velocidad constante, etc.. Los modelos anteriores se pueden representar analíticamente por la ecuación de una línea recta dada por , (0.11) 6 Práctica # 0. U.P.I.I.T.A. . (0.14) Ahora bien, si se quiere que las desviaciones de los puntos experimentales con respecto a la recta propuesta sean mínimas, se tienen que cumplir las siguientes condiciones: , (0.15) Figura 0.4. Recta propuesta asociada a un conjunto de puntos experimentales. y . (0.16) De la figura anterior se observa que cada punto ( , ), discrepa de la recta Resolviendo ambas ecuaciones se ob- propuesta por una cantidad cuya magnitud tienen los valores de es propuesta, estimados por el método de mí- . De aquí que la diferencia entre la rec- ta propuesta y cada valor experimental esta- y , de la recta nimos cuadrados, dados por ría dada por . (0.12) Despejando (0.17) de la ecuación anterior se obtiene (0.13) Observe de la ecuación 0.12. que puede asumir valores positivos o negativos. Por lo tanto es conveniente utilizar la suma de cuadrados de las desviaciones, cir, ,es de- La desviación estándar, incertidumbre, de los valores de la pendiente, nada al origen, , y la orde- , obtenidos por el método de mínimos cuadrados es [5] 7 Práctica # 0. U.P.I.I.T.A. , (0.18) y (0.21) , (0.19) factor E l está comprendido en el intervalo de [0,1]. Si el factor de correlación se aproxima a 1, la correlación entre los datos experidonde mentales, y la recta ajustada es alta, por lo es tanto se puede concluir que el ajuste es bueno. III . (0.20) DESARROLLO EXPERIMENTAL. Las incertidumbres representadas por las ecs. 0.18-0.20, tienen el mismo significado que las presentadas en la sección anterior. En esta sección se propondrán las activiSe sabe que muchos modelos dentro dades a realizar en primera actividad de la de la física no son lineales, o son lineales práctica: sólo sobre un intervalo limitado de valores. 1.- Con un flexómetro mida la longitud de la Además se tiene que el método de mínimos mesa del laboratorio, realice al menos 25 de cuadrados no garantiza por sí sólo que la mediciones. recta ajustada se correlacione adecuadamen- 2.- 1.- Con un flexómetro mida la longitud te con los valores experimentales. Si se de- del pasillo de uno de los edificios, realice al sea conocer que correlación, es decir, que menos 25 mediciones. tanto explica la recta ajustada a los datos 3.- Mida el tiempo en que tarda en caer una experimentales es necesario recurrir al factor pelota de tenis, que se suelta del segundo de correlación, , dado por [3] 8 Práctica # 0. U.P.I.I.T.A. piso de algún edificio de la Unidad, adquiera discuta la relación que guarda al menos 25 medidas. efecto. , con este De los tres conjuntos de mediciones Incluya el reporte el valor de la media obtenidos, haga en un papel milimétrico o aritmética con su incertidumbre respectiva, en un programa de cómputo como esto con una certeza del 99.99 %. Además MATLAB ®, el histograma de cada conjun- observe si se cumple que el 99.7% de las to de medidas, y trace la envolvente de és- medidas caen el intervalo de . tos. También, calcule la media aritmética, la desviación estándar, y la desviación estándar del valor medio; asociada a cada conjunto. Con los valores de y de En la segunda actividad de la práctica se corrobora la Ley de Ohm, dada por , (0.22) obtenidos, grafique la función gaussiana asociada a los valores experimentales. En el apéndice 1, se presenta un programa de MATLAB que rea- donde es el voltaje, es la resistencia, e es la corriente. Para este fin se monta arreglo que se muestra en la siguiente figura. liza las cálculos anteriores. Compare visualmente la envolvente del histograma de las medidas con la gráfica de la función gaussiana asociada a éstas, lo anterior para cada conjunto de medidas,. Discuta si es posible asegurar que las medidas realizadas están influenciadas únicamen- Figura 0.5. Arreglo experimental, para experimento de la Ley de Ohm. te por errores aleatorios, es decir, que si correspondencia entre la En el circuito anterior para un voltaje curva envolvente del histograma y la fun- fijo, mida la corriente que pasa a través de la ción gaussiana que obtuvo. resistencia. Varíe el voltaje de la fuente de existe una alta obtenidos de alimentación al menos 15 veces y anote la cada conjunto de medidas, diga cuál se dis- corriente correspondiente, con estos resulta- persa más, y a qué se lo atribuye. También dos haga una tabla, como la mostrada a con- Con los valores de tinuación. 9 Práctica # 0. U.P.I.I.T.A. Con los resultados obtenidos, discuta Tabla 0.2. Valores de Voltaje y de Corriente medidos con el circuito de la figura 0.5. si se corrobora la Ley de Ohm. APÉNDICE 1. Si considera que , y que ción lineal. Con el ajuste se encuentra la %% %% %% %% %% %% pendiente de la recta ajustada, , y se ob- %%% INGRESE LOS VALORES DE X %%% serva de la ec. 0.22, que este valor debe de x=[49.36 50.12 48.98 49.24 49.26 50.56 49.18 49.89 49.33 49.39]; , se puede hacer un ajuste por el método de mínimos cuadrados para una ecua- ser igual a . El valor de se puede medir directamente en el arreglo experimental, y se puede determinar utilizando el código de PROGRAMA DE MATLAB QUE REALIZA EL CÁLCULO DE LA MEDIA ARITMÉTICA, LA DESVIACIÓN ESTÁNDAR DE UN CONJUNTO DE MEDIDAS, Y LA GRÁFICA DE LA FUNCIÓN NORMAL ASOCIADA A ÉSTAS. %% LA FUNCIÓN mean DE MATLAB DA EL %% VALOR DE LA MEDIA ARITMÉTICA xmed=mean(x); colores para la resistencia. Compare los dos %% MATLAB CALCULA LA DESVIACIÓN %% ESTÁNDAR CON LA FUNCIÓN std valores anteriores con el obtenido por el de=std(x); ajuste de mínimos cuadrados, y explique las %% %% %% %% posibles divergencias. En el reporte presente la ordenada al origen, y la pendiente obtenida en el ajuste, con una incertidumbre del 99.97%. Además INGRESE EL VECTOR QUE COMPRENDA EL INTERVALO DE LAS MEDICIONES DE LA SIGUIENTE FORMA: x1=xmín:incremento:xmáx; x1=48:0.001:51; %% CÁLCULO DE LA CURVA GAUSSIANA senta un programa de MATLAB, que hace sigma=de; a=(2*pi)^(1/2); b=1/(a*sigma); c=exp(-(1/2).*(x1-xmed).^2./(sigma) ^2); y=c*b; los cálculos anteriores, y además obtiene la %% GRÁFICA DE LA CURVA GAUSSIANA gráfica de la ecuación de la recta ajustada figure(1); plot(x1,y,'r'),grid on; incluya el factor de correlación y discuta la calidad del ajuste. En el apéndice II se pre- junto con los valores experimentales. 10 Práctica # 0. U.P.I.I.T.A. title('Distribución normal'); xlabel('x'); ylabel('P(x)'); %%%%%%%%%%%%%AJUSTE DE POLINOMIO DE %% GRADO 1%%%%%%%%%%% %% HISTOGRAMA DE LOS VALORES %% EXPERIMENTALES %% INGRESA EL NÚMERO DE INTERVALOS %% DE CLASE,l. l=20; n=1; p=polyfit(x,y,n); m=p(1); b=p(2); %%%%%%%%%%SUMATORIA DE LOS VALORES %% DE X%%%%%% sum1=sum(x); %% GRÁFICA HISTOGRAMA. %%%%%%%%%SUMATORIA DE LOS VALORES %% DE Y%%%%%%%%% figure(2); title('Histograma'); hist(x,l); xlabel('Lecturas'); ylabel('Frecuencia'); sum2=sum(y); %% %% %% %% %% SE CREA UN ARREGLO PARA REALIZAR UNA GRÁFICA EN DÓNDE SE COMPARA LA CURVA AJUSTADA CONTRA LOS VALORES EXPERIMENTALES xi=linspace(0,58e-3,1000); z=polyval(p,xi); APÉNDICE 2. %% %% %% %% %% %% %% %% %% PROGRAMA DE MATLAB QUE CALCULA LA ORDENADA AL ORIGEN, Y LA PENDIENTE DE UNA RECTA; POR EL MÉTODO DE MINIMOS CUADRADOS. ADEMÁS, EL PROGRAMA CALCULA EL FACTOR DE CORRELACIÓN Y LAS INCERTIDUMBRES ASOCIADAS A LA PENDIENTE Y A LA ORDENADA AL ORIGEN. %%% INGRESE LOS VALORES DE y %%% y=[0 1 2 3 4 5 6 7 8 9 10 11 12 13]; %%%%%%%%SE REALIZA LA FIGURA %% CORRESPONDIENTE%%%%%%% figure(1); plot(x,y,'o',xi,z,'-'),grid; ylabel('Voltaje [V]'); xlabel('Corriente [A]'); title('Ajuste de mínimos cuadrados'); %%%%%%%%%%%%CÁLCULO DEL FACTOR DE %% CORRELACIÓN, r2.%%%%%%%%%%% yies=b+(m.*x); sum3=sum2/length(y); ssr=(yies-sum3).*(yies-sum3); ssr=sum(ssr); sst=(y-sum3).*(y-sum3); sst=sum(sst); r2=ssr/sst; r2=r2^(1/2); %%% INGRESE LOS VALORES DE x %%% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%%%%%%%%%%%% x=[0.014e-3 4.4e-3 8.91e-3 13.06e-3 17.36e-3 21.92e-3 26.13e-3 30.71e-3 35.98e-3 40.85e-3 45.45e-3 49.92e-3 53.78e-3 58.46e-3]; %%%%%CÁLCULO DEL ESTIMADO %% CONDICIONAL DE LA %% VARIANZA, sy.%%%% 11 Práctica # 0. U.P.I.I.T.A. sse=(y-yies).*(y-yies); sum4=sum(sse); sy=sum4/(length(y)-2); sy=sy^(1/2); [3] Miller I. Y Freund I., Probabilidad y Estadística para Ingenieros, Prentice Hall, %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%%%%%%%%%%%% %%%%CÁLCULO DE LA DESVIACIÓN %% ESTÁNDAR DE LA PENDIENTE, sm.%%% Tercera Edición, Capítulo: 4, pág. 355. [4] Gillies R, Instrumentation and Measurements for Electronic Technicians, Merrill Macmillan, Segunda edición, pág. 19. xcuad=x.*x; sxc=sum(xcuad); sucx=sum1.*sum1; den=(length(y).*sxc)-sucx; sum5=length(y)./den; sum5=sum5.^(1/2); sm=sy.*sum5; [5] Baird D, Experimentación una Introducción a la Teoría de mediciones y al Diseño de Experimentos, Pearson Educación, Se- %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%%%%%%%%%%%% gunda Edición, pág. 131. %%%CÁLCULO DE LA DESVIACIÓN %% ESTÁNDAR DE LA ORDENADA %%%%%%% %% AL ORIGEN, sb. %%%%%%%%%%%%%% sum6=sxc./den; sum6=sum6.^(1/2); sb=sy.*sum6; %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%%%%%%%%%%%% IV BIBLIOGRAFÍA. [1] Holman P., Métodos experimentales para ingenieros, Mc-Graw Hill, Segunda edición, págs. 65-66, 97. [2] Klaassen B., Electronic Measurement and Instrumentation, Cambridge University press, Primera edición en ingles, págs. 44, 48. 12