Experimentacidn

Experimentacin

Una introduccin a la teora de mediciones y al diseo de experimentos Segunda edicin

D. C. Baird
Royal Military College, Kingston, Ontario

TRADUCCION Jess Castro Pea Coordinador Acadmico-Lab: de Fsica Universidad Autnoma Metropolilana-U.A. REVISION TECNICA Juan Amrico Gonzlez Menndez Profesor de la Facullad de Ciencias UNAM

MBXICO.

ARGENTINA. BRASIL. COLOMBIA. COSTA F C A . CHILE ESPAA * GUATEMALA. PER. PUERTO RICO. VENEZUELA

EDICION EN INGLES
Cover design: Ben Santora Manufacturing buyer: Paula Benevento

EXPERIMENTACION: UNA INTRODUCCION A LA TEORIA DE MEDICIONES Y AL DISEO DE EXPERIMENTOS

~~~ ~~~ ~

Traducido de la segunda edicin en ingls de: EXPERIMENTATION: AN INTRODUCTION TO MEASUREMENT THEORY AND EXPERlMENT DESIGN Prohibida la reproduccin total o parcial de esta obra, por cualquier medio o mtodo sin autorizacin escrita del editor DERECHOS RESERVADOS E 1991 respecto a la primera edicin en espaol por PRENTICE-HALLHISPANOAMERICANA, S. A. , '

Calle 4 NQ25-2e piso Fracc. Ind. Alce Blanco, Naucalpan de Jurez, Edo. deMxico, C.P. 53370
ISBN 968-880-223-9

Miembro de la Cmara Nacional de la Industria Editorial, Reg. Nm. 1524 Published Language Edition English Original by Copyright Z MCMLXXXVIII by Prentice-Hall, Inc. A l l Rights K e w \ e d
ISBN 0-13-295338-2

o A n

IMPRESO EN MEXICOIPRINTED IN MEXICO

A MARGARET

Contenido

Prefacio

xi

1
2

Enfoque del trabajo de laboratorio Medicin e incertidumbre

2- 1 2-2 2-3 2-4 2-5 2-6 2-7 2-8 2-9 2-10 Naturalezabsicadelprocesodemedicin 8 Presentacin digital y redondeo 10 Incertidumbreabsoluta y relativa 11 Error sistemtico 12 Incertidumbreencantidadescalculadas 13 Incertidumbreenfuncionesdeunasolavariable 14 Mtodo general para la incertidumbre en funciones de una solavariable 15 o msvariables 18 Incertidumbreenfuncionesdedos Mtodo general para la incertidumbre en funciones dedos o msvariables 20 Compensacin de errores 23

1
8

viii

CONTENIDO

2-1 1

Cifras significativas Problemas 24

23

Estadstica de la observacin
3- 1 3-2 3-3 3-4 3-5 3-6 3-7 3-8 3-9 3-10 3-1 1 3-12 3-13 3-14 3-15

26

Incertidumbre estadstica 26 Histogramas y distribuciones 27 Valorescentralesdelasdistribuciones29 Amplituddelasdistribuciones 30 Importancia de la media y ladesviacin estndar 32 Distribucin deGauss y muestreo 34 Relacin entre la distribucin de Gauss y las observaciones reales 35 Media de la muestra y desviacin estndar de la media 38 Desviacin estndarde la muestra 39 Aplicacin de la teora de muestreo a las mediciones reales 40 Efecto del tamao de la muestra 41 Desviacin estndarde valorescalculados 43 Desviacin estndar de valorescalculados:casos especiales 46 Combinacindedistintostiposdeincertidumbre 49 Rechazo de resultados 50 Problemas 5 1

Pensamiento cientfico y experimentacin

4-1 4-2 4-3 4-4
4-5

54

Observaciones y modelos 54 Construccin modelos de 61 Prueba de modelos tericos 70 Uso del anlisis de lneas rectas 76 El caso de las constantes indeterminadas

78

Diseo de experimentos
5-1 5-2

83
83 lnea recta

Cmo probar un modelo existente Ecuaciones con grfica en forma de

85

CONTENIDO

5-3
5-4

5-5
5-6 5-7

Planeacin experimentos de 92 Diseo de experimentos cuando no existe un modelo Anlisis dimensional 99 Mediciones del tipo de diferencias 102 Experimentos sin control sobre las variables de entrada Problemas 107

98

105

Evaluacin experimentos de
6- 1 6-2 6-3 6-4 6-5 5-6 6-7 6-8 6-9 6- 10 6-1 1 6-12 6-13 6-14

111

Enfoque general 11 1 Las etapas de la evaluacin delexperimento 113 Grficas 16 1 Comparacin entre modelos existentes y sistemas 1 17 Clculo de valores a partir del anlisis de lneas rectas 122 Casos de correspondencia imperfecta entre el sistema y el modelo 127 El principiodeminimoscuadrados 128 Ajuste por mnimos cuadrados de funciones no lineales 132 Precaucionescon el ajustepormnimoscuadrados 133 Bsqueda de funciones 134 Representacin polinominal 136 Precisinglobaldelexperimento 137 Cifras significativas 139 El conceptodecorrelacin 140 Problemas 144

Redaccin de informes cientficos

7- 1 7-2 7-3 7-4 7-5 7-6 7-7 7-8

149

Labuenaredaccin es importante El titulo 151 El formato 151 La introduccin 152 El procedimiento 154 Resultados 157 Las grficas 159 El anlisis 159

149

CONTENIDO

Apndices

Propiedades matemiiticas de la distribucin normal o de Gauss

Al-1 Al-2 Al-3 Laecuacin de la curvadedistribucindeGauss Desviacin estndar de la distribucin de Gauss Areas bajo la curva de distribucin de Gauss 164 169 169

164

El principio de mnimos cuadrados

A2-1 A2-2 A2-3 Mnimos cuadrados y medias de las muestras 172 Ajustede mnimos cuadradosauna lnea recta 173 Ponderacin en los clculos estadsticos 175

172

Tablas de diferencias y clculo de diferencias finitas

A3-1 A3-2 Fundamentos matemticos 178 Aplicacin de las tablasdediferenciasa

178
los valoresmedidos
184

Experimento de muestra
A4- 1 A4-2 Diseo del experimento Informe 196 187

187

Bibliografa Respuestas a los problemas lndice

200
202

205

Prefacio

La primera edicin del presente libro fue escrita para apoyar la sugerencia de que, independiente de los objetivos que se fijen para un curso superior introductorio de laboratorio de fisica, no deberan pasarse por alto los principios de experimentacin bsicos que, de hecho, podran convertirse en el tema principal del mismo. Los cursos elementales de laboratorio de fisica son especialmente adecuados paraeste propsito, puesto quelos sistemas y las teoras considerados en ellos por lo general son lo suficientemente sencillos para que las caractersticas bsicas de lamedicin y la experimentacin puedan, con facilidad, resultar evidentes y comprensibles. Tal enfoque en el trabajo del laboratorio de fsica puede, por tanto, beneficiar a una amplia gama de estudiantes y no slo a aquellos que en el futuro proseguirn una carrera profesional en fsica. Este propsito, enel que se bas la edicin de 1962, al parecer sigue siendo vlido. De entonces a la fecha ha habido muchos cambios enla prctica de la experimentacin, en parte debidoa la introduccin de nuevos instrumentos, pero principalmente a causa del enorme impacto dela computacin electrnica. No slo podemos lograr ahora, conrelativa facilidad, un rigor analtico de los datos posterior al experimento que hace veinticinco aos hubiese sido absolutamente imposible, sino que las posibilidades de conduccin de la experimentacin misma han aumentado enormemente, gracias a la disponibilidad del anlisis de informacin en base de datos o al control por computadora de los aparatos empleados. No obstante lo revolucionario que estos cambios han resultado en la conduccin real de los experimentos, ha habido, sin embargo, poca o ninguna moxi

xi

PREFACIO

dificacin en los principios bsicos que sustentan la experimentacin, an y es preciso entrenarse en tales principios. En realidad, hoy da quiz sea an ms necesario de lo que era hace veinticinco aos hacer hincapi en estos principios, teniendo en cuenta la posibilidad actual de que el experimentador quede totalmente aislado del fenmeno que investiga por una barrera casi impenetrable de equipos de procesamiento de datos y de nuevos procedimientos de anlisis. En estas nuevas circunstancias, fallas del todo inadvertidas pueden producir resultados finales de poco o ningn significado. A menos que tengamos una comprensin clara y completa de todas las fases de nuestro experimento y su anlisis de datos, dejaremos, a nuestro riesgo, la conduccin del proceso completamente en manos de la computadora. El plan de este libro es, su en mayor parte, el mismo que en la edicin anterior, aunque el texto ha sido reescrito casi por completo. El captulo 1 ofrece un enfoquedel trabajo en el laboratorio defsica superior introductoria que facilita el encuentro con la naturaleza esencial de la experimentacin cientfica. Los captulos 2, 3 y 4 proporcionan la informacin bsica sobre los procedimientos cientficos, estadsticos y de medicin en los que est fundadoel diseo de experimentos. El captulo 5 presenta paso a paso los requerimientos prcticos para disear un experimento, yel captulo 6 describe los procedimientos correspondientes para la evaluacin de los resultados experimentales una vez efectuadas las mediciones del caso. Al cabo del cuerpo principal del libro del captulo 7 ofrece algunas sugerencias para redactar informes de laboratorio. Los apndices tratan temas que, si bien pertinentes por su contenido, de haberse incluido en el cuerpo principal del texto, hubiesen entorpecido el desarrollo natural de ste. Esto incluye la deduccin matemtica de algunas delas ecuaciones consideradas enel texto principal. Con todo detalle, adems se presenta un experimento de muestra, empezando por el diseo del experimento en s, describe la conduccin real del mismo y la evaluacin de sus resultados y concluye con el informe final. Los contenidos temticos aqu presentados han conformado, durante muchos aos, el ncleo de enseanza en nuestro laboratorio de fsica, para primer ao en la universidad y estoy agradecido a las generaciones de estudiantes cuya experiencia no siempre grata con este material, nos hadado la oportunidad de mejorarlo continuamente. Por ltimo, quiero dar las graciasaJill Hodgson y Rachel Desrosiers por su generosa e inapreciable ayuda en la preparacin del manuscrito. D. C. Baird

1
Enfoque del trabajo de laboratorio
La finalidad primera de este libro es que se use en cursos superiores introductorios al laboratorio defsica. Sin embargo, fue escrito con la esperanza de que sirva para un propsito mucho ms amplio:el de proporcionar una introduccin al estudio dela experimentacin en general, independientemente del rea en la que se realizan los experimentos. Algunos de los que estudian introduc: cin al laboratorio de fsica podrn proseguir carreras con investigacin en fsica, por lo que este libro puede servirles como una introduccin adecuada para la continuacin de sus estudios. Muchos otros seguirn carreras en reas completamente diferentes, o quiz en otras ciencias. Cualquiera que seasu necesidad, el laboratorio de fsica puede proporcionarles una introduccin til a los principios fundamentales en que se basan los experimentos de cualquier tipo. Para nuestros fines, la experimentacin tiene una definicin muy amplia: por experimentacin entendemos el proceso completo de identificar una porcin del mundo que nos rodea, obtener informacin de ella e interpretarla. Esta definicin cubre una variedadmuy grartde de actividades: desdeun bilogo con bata blanca que divide molculas de ADN hasta un fabricante que hace una encuesta para determinarlas preferencias individuales de crema dental.Se pretende que este libro satisfaga las necesidades de todos aquellos que se encuentran ocupados en cualquier clase de estudio sobre el mundo que nos rodea.

Eso incluye a los que no estnrealmente involucrados en la experimentacin. Con frecuencia todos nos enfrentamos con el requisito de por lo menos
1

ENFOQUE DEL TRABAJO DE LABORATORIO CAP. 1

expresar un juicio sobrela informacin experimental que otros proporcionan, aun cuando no estemos conectados activamente conel proceso de generarla. Por ejemplo: nuestro trabajo profesional puede requerir que tomemos una decisin entre ofertas competitivas de equipos que cumplen con ciertas especificaciones o, como miembros del pblico en general, se nos puede pedir que tengamos una opinin sobre temas como los posibles riesgos para la salud que implican las plantas nucleoelctricas, cun seguros son los aditivos en los alimentos, el impacto de la lluvia cida sobre el medio ambiente o la influencia de las polticas monetarias nacionales sobre el desempleo. Lo que todos estos ejemplos tienen en comn es el papel prominente que tiene enellos la informacin experimental. Esos problemas pblicos nos imponen la responsabilidad de tomar nuestras propias decisiones, y stas deben de basarse en nuestra evaluacin de la confiabilidad de la informacin experimental. Aun en asuntos menos importantes omos repetidamente afirmaciones como la de quelas pruebas cientficas han demostrado que podemos controlar la caries o los dolores de cabeza en un x% utilizando ciertos productos. Nuestra eleccin de un nuevo automvil puede depender de la evaluacin que hagamos de la exactitud delos valores de consumo de combustible que se le atribuyen. Todos por igual, los cientficos y los profanos, nos enfrentamos diariamente con el requisito de estar enterados con respecto a la naturaleza de la informacin experimental y las formas en que sta se obtiene para poder ser adecuadamente escpticos con respecto a su confiabilidad. Para regresar a nuestra afirmacin de que un curso de laboratorio en fisica puede proporcionar una introduccin al tema de la experimentacin en general, es natural que nos preguntemos cmo puede usarse para ese propsito un laboratorio tpico, con sus experimentos acostumbrados. La respuesta se encuentra no tanto en los experimentos mismos, como en la actitud con que los abordemos. Esto quedar claro conforme proceda nuestro estudio delos mtodos experimentales, pero en este punto puede ser til ilustrar la propuesta con unos cuantos ejemplos. Para ofrecer dichos ejemplos debemos anticipar un poco el trabajo del captulo 4, y hacer notar que veremos todo lo que sea susceptible de experimentacin en trminos de sistemas. Por un sistema entenderemos, en general, cualquier entidad definida y aislada que funciona de una maneraespecfica. Suponemos que podemos influir o controlar el sistema, y nos referimos a los mtodos que tenemos al alcance para hacerlo como las entradas. Tambin suponemos que el sistema realizar alguna o algunas funciones identificables, y nos referiremos aellas como las salidas. Los diversos ejemplos que siguen aclararn el uso de esa terminologa. Por ejemplo, un economista puede ver la economa de un pas como un sistema con un extenso conjunto de entradas y la correspondiente variedad de salidas. El sistema mismo incluir l a ca-

CAP. 1 ENFOQUE DEL TRABAJO DE LABORATORIO

pacidad productiva total de bienes y servicios, medios de transporte, suministro de materias primas, habitantes, oportunidades para el comercio exterior, estado del tiempo y muchas otras cosas. Las entradas son aquellas cosas que podemos controlar: la oferta de dinero, las tasas de impuestos, el gasto pblico, los aranceles a las importaciones, etc. Las salidas son las cosas que no podemos controlar directamente; sus magnitudes las determina el sistema y no nosotros. Las salidas de un sistema econmico incluirn el producto interno bruto, el ndice de desempleo, el ndice de inflacin, la balanza de comercio exterior, etc. Sera muy reconfortante y conveniente si pudiramos asegurar los valores deseados de esas salidas mediante una manipulacin sencilla, pero no podemos hacerlo. No importa lo deseable que eso sea., no podemos ordenarle al producto interno bruto o al ndice de desempleo de un pas que tenga un cierto valor; estamos restringidos a controlar nuestras entradas, y aun as tenemos problemas. En un sistema tan complejo como una economa nacional, las conexiones entre las salidas y las entradas son intrincadas e indirectas. Un cambio en una variable de entrada es probable que tenga efecto en un gran nmero de variables de salida, en vez de la nica salida en la que estamos interesados. Por ejemplo, un intento de aumentar el producto interno bruto de u n pas reduciendo las tasas impositivas es posible que tenga al menos un xito parcial, pero el efecto simultneo sobre otras salidas puede ser igualmente prominente y no tan deseable, como puede ser un posible incremento de la tasa de inflacin. Los mtodos de que disponemos para manejartales situaciones son complicados, pero, con un sistema de tal complejidad, el grado de xito alcanzado por los polticos y economistas demuestra que todava h,ay lugar para hacer mejoras substanciales. Existen otros sistemas que, aunque todava son complejos, son lo bastante sencillos para que los podamos controlarcon u n xito razonable. Consideremos, por ejemplo, un reactor nuclear. Aqui el sistema tiene un nmero menor de controles de entrada y de salidas, y la situacin est definida con ms claridad. Las entradas incluyen la posicin de las barras de control, la cantidad y el tipo de combustible, la rapidez de flujo del refrigerante, etc. Las salidas incluyen cantidades como la densidad de flujo de neutrones, la potencia total producida, la vida til de los elementos de combustible, etc. En este caso la conexin entre las entradas y las salidas es lo suficientemente sencilla (aunque todava no es directamente de uno a uno) para que sea posible u n nivel razonable de control. En otro nivel msfamiliar, toda1 supermercado es u n sistemacon entradas y salidas cuya manipulacin constituye un experimento sobre el sistema. Cada vez que el gerente del supermercado altera el precio de las papas (una de sus entradas) de hecho est realizandoun experimento, porque quiere detectar un cambio consecuente en una o ms de sus salidas (por ejemplo, sus utilidades al final de la semana). Si no es ca.paz de percibir la alteracin deseada en sus salidas, se le puederequerir que revise su decisin original, y de

ENFOQUE DEL TRABAJO DE LABORATORIO CAP. 1

nuevo altere el precio de las papas. En otras palabras, est ensayando continuamente las propiedades de su sistema por medio del experimento, y su habilidad para detectar los resultados experimentales puede hacer toda la diferencia entre prdidas y ganancias. De manera incidental, debemos hacer notar tambin que, en el ejemplo del gerente del supermercado, algunas de sus entradas y salidas tienen que ver con la gente (horarios de trabajo, salarios, moral, productividad, etc.); y en uso del enfoque de sistemas en todos los problemas, tanto hucaso de que este manos como mecnicos, suene como un enfoque demasiado mecanicista de la vida, debemos hacer notar que mucho de nuestro trabajo subsecuente se ocupar de los lmites en la validez de los mtodos experimentales. Todos hemos escuchado la frase: se ha demostrado cientficamente presentada como un argumento irrefutable, y debemos estar alertas a los peligros de una confianza equivocada en la infalibilidad cientfica. Pero, volviendo a nuestros sistemas, cmo se apIica todo esto al curso de laboratorio de fsica? De hecho, si vamos a preparar personas para que se incorporen a una poblacin cientficamente letrada, no sera mejor atacarlos problemas importantes de una buena vez, y empezar a decidir si el contenido lo made mercurio del pescado hace queno sea seguro comerlo? Sin embargo, lo es que estos son problemas en extremo difciles. La evidencia no es fcil de obtener y su interpretacin normalmente es incierta; hasta los mismos expertos estn en desacuerdo, aveces en forma enrgicay pblica. Es casi imposible hacer una contribucin significativa a la solucin de problemas tan complejos sin desarrollar primero nuestras habilidades utilizando situaciones ms sencillas. Para iniciarnos en ello, vamos a pensar en algunos de estos sistemas ms sencillos. Un motor de gasolina es un sistema que es sencillo en comparacin con cualquiera de los ejemplos anteriores. El sistema incluye el motor, el suministro de combustible, la estructura, la atmsfera circundante, etc. Las entradas pueden serlos controles obvios comoel suministro de combustible, la relacin combustible/aire, la sincrona del encendido, etc., y las salidas, como siempre, son los factores cuyo valor lo determina el sistema: el nmero de revoluciones por minuto, la cantidad de calor producido, la eficiencia, la composicin de los gases de escape, etc. Este. es todava un sistema un tanto complejo,peroempezamosa ver quepueden existir relacionesrelativamente simples entre las entradas y las salidas. Por ejemplo, la relacin de entrada y salida entre la posicindel acelerador y las revoluciones por minutoen un motor de gasolina es lo suficientemente directa y predecible para que la mayora de las personas la observemos todos los das. Sin embargo, notemos que el efecto de esa entrada no est restringido a la nica salida en la que estamos in-

CAP. 1 ENFOQUE DEL

TRABAJO DE LABORATOFllO

teresados (revoluciones por minuto); otras salidas, como el calor producido, la composicin de los gases de escape y la eficiencia, tambin son alteradas por esa entrada, aunque en general estemos predispuestos para ignorar ese acoplamiento. En este ejemplo empezamos a llegar a la etapa en la que nuestro sistema es lo bastante sencillo para que comencemos a trabajar en la teora de la experimentacin. Avancemos un paso ms y consideremos el ejemplo de un pndulo simple. Ese es tambin un sistema; sin embargo, es un sistema que incluye algunas cosas ms que el hilo, la masa, el soporte y el aire que lo rodea. Ms an, slo tiene dos entradas inmediatamente obvias: la longitud del hilo y las condiciones iniciales segn las cuales empieza el movimiento. Las salidas son tambin reducidas en nmero. Aparte de pequeos efectos secundarios, incluyen slo la frecuencia de oscilacin y la amplitud de las oscilaciones. Por ltimo, la conexinentrelas entradas y lassalidas es relativamentedirecta y reproducible. Alterar la longitud del hilo del pndulo nos dar pocas sorpresas cuando midamos la frecuencia de oscilacin. Aqu, por lo tanto, tenemos u n sistema en el que los principios de experimentacin sern claramente visibles. Si lo usamos para desarrollar la capacidad de controlar sistemas y evaluar sus salidas, desarrollaremos la competencia necesaria para atacar luego problemas ms importantes, pero tambin ms complejos. Esto nos da la clave para por lo menos darle algn uso constructivo al curso de laboratorio de fsica. Hay una razn real para trabajar c-on un pndulo, pero slo si lo visualizamos en forma adecuada. Si lo vemos slo como el pkndulo que todos hemos hecho antes, nuestra nica reaccin ser de total aburrimiento.Sin embargo, si lo vemos como un sistema, igual que un supermercado, un aeropuerto, u n reactor nuclear o la economa nacional, pero que difiere de ellos slo en que es lo bastante sencillo para que lo podamos entender relativamente bien, proporcionar una excelente simulacin de los problemas del mundo real. He aqu la justificacibn para apoyarnos en este curso de laboratorio de fsica para ensear experimentacin. Los sistemas que incluye son lo bastante sencillos para que estn cerca de ser comprensibles, y la prctica con ellos nos preparar para proseguir ms adelante con nuestro trabajo real en sistemas importantes y complicados. Sin embargo, debemos tener cuidado con la manera en que practiquemos con estos sistemas sencillos. Obtendremos slo un beneficio muy limitado si nos restringimos a conjuntos de instrucciones que nos dicen cmo hacerexperimentosparticulares. Sies nuestraintencinproporcionar una base para proceder a cualquier tipo de anlisis de informacin en la ciencia, la tecnologa, los negocios o cualquiera de las ciencias sociales, tendremos que dar una preparacin para una gran variedad de circunstancias experimentales. En algunas reas dominan lasfluctuaciones al azar, como en las ciencias biolgicas; en otras, como la astronloma, las mediciones deben de ser

ENFOQUE DEL TRABAJO DE LABORATORIO CAP.

precisas, pero el control sobre la materia del experimento es limitado. El alcance es enorme. Como dijimos antes, trataremos de identificar los principios generales de la experimentacin, con la esperanza de que sean vlidos y tiles,sin importar el objeto futuro o el tipo de la experimentacin. El resto de este libro los expese ocupar deesos principios, y supondremos de aqu en adelante que rimentosdelaboratorio se considerarncomo ejercicios parailustrar esos principios. Puede ser obvio ahora que muchos de los procedimientos tradicionales en los primeros cursos de laboratoriosean inadecuados para nuestros propsitos. Por ejemplo, evitamos pensar en un experimento como un procedimiento para reproducir cierto resultado correcto, cualquier desviacin del cual hace que estemos equivocados. En lugar de eso, simplemente evaluamos de manera imparcial las propiedades de nuestro sistema en particular y tomamos los resultados como vengan. Adems, no tiene caso buscar algn procedimiento a seguir: eso no es ms que pedirle a alguien que nos diga cmo hacer el experimento. En la vida real rara vez hay alguien dispuesto a decirnos qu hacer o cul debe de ser nuestro resultado; nuestra utilidad depender dela capacidadpara tomar nuestras propias decisiones sobre cmo manejar la situacin. Toma gran cantidadde prctica y experiencia desarrollar la confianza en nuestras propias decisiones sobre la conduccin de cualquier procedimiento experimental, y este curso de laboratorio de fsica no es demasiado pronto para empezar. Pondremos, por lo tanto, mucho nfasis en la planeacin del experimento, porque sta es la etapa en la cual se necesita mucha dela habilidad para experimentar. Es importante evitar la tentacin de considerar la planeacin preliminar como una prdida de tiempo o una distraccin de la tarea que se supone ms importante de hacer las mediciones. Se debe contar con tiempo reservado explcitamente para un anlisis y una planeacin adecuada del experimento antes de que se inicie el verdadero proceso de medicin. Adems, es necesario que aprendamos a trabajar dentro del marco de los aparatos disponibles. Toda experimentacin profesional est sujeta a limitaciones sobre los recursos, y gran parte de la habilidad para la experimentacin consiste en optimizar el rendimiento experimental a partir de esos recursos. Adems, las restricciones en el tiempo simplemente simulan las circunstancias en las que se hace la mayor parte de la experimentacin real. El aparato mismo nunca ser ideal. Sin embargo, esto no debe verse como un defecto sino como u n reto. El verdadero trabajo de evaluar resultados experimentales consiste en separar el grano de los resultados tiles de la paja de los errores y la incertidumbre. El experimentador debe aprender a identificar las fuentes de error por s mismo y, de ser posible, eliminarlas o hacer las correcciones que requieran. Sin embargo, aun con el mayor cuidado, siempre habr un residuo irreducible de incertidumbre, y es responsabilidad del experimentador evaluar la precisin del

CAP. 1 ENFOQUE DEL TRABAJO DE LABORATORIO

resultado final, cantidad que es tan importante como el resultado mismo. La capacidad de cumplir tales requisitosse puede adquirir solamente porel verdadero contacto con unas condiciones de trabajo realistas, y es una injusticia comn que se comete conlos estudiantes de los primeros cursos de laboratorio de fsica, proporcionarles aparatos que estn ajustados con demasiado cuidado, o darles, en otras formas, la impresin de que los experimentos son ideales. Eso es lamentable, porque los fundamentos de la futura destreza estn en la respuesta constructiva a las limitaciones experimentales. En resumen, el uso del tiempo de laboratorio resultar ms fructfero resolverse por cuando los experimentos se acepten como problemas que deben el estudiante mismo. Ciertamente se cometern errores de juicio, pero podemos aprender de manera ms eficiente de la experiencia personal con las consecuencias de nuestras decisiones, que de seguir rgidamente algn procedimiento correcto establecido. Lo que aprendernos es ms importante que lo que hacemos. Esto no quiere decir, sin embargo, que debamos mostrar indiferencia complaciente con el resultado del experimento. El desarrollo de nuestras habilidades experimentales slo se lograr si tomamos en serio el reto de obtener el mejor resultado posible de cada experimento. La redaccin de los informes de laboratorio debe enfrentarse con el mismo espritu constructivo. En la vida profesional tiene muy poco caso dedicar tiempo y esfuerzo a un experimento a menos que podamos comunicar en forma conveniente el resultado a los dems. Tenemos la obligacin con nuestros lectores de expresarnos de manera clara, si no elegante, s con claridad. Es incorrecto considerar que sa es la responsabilidad de los expertos de la facultad de letras, y redactar informes en un laboratorio cientfico elemental debe de aceptarse como una oportunidad de ejercitarse en la composicin descriptiva. La elaboracin de un informe que degenera en una mera indicacin de que el experimento se realiz es poco menos que una prdida de tiempoy de oportunidades para una prctica necesaria. La redaccin de informes al nivel que se sugiereaqu es casi intil sin una crtica y una revisin adecuadas. Las oportunidades de mejorarla se hacen mucho ms obvias en retrospectiva, y esa revisin detallada debe considerarse como una parte indispensable del trabajo en un laboratorio de docencia.

Medicin e incertidumbre
2-1

NATURALEZA BASICA DEL PROCESO DE MEDICION

La medicin es el proceso de cuantificar nuestra experiencia del mundo exterior. El cientfico escocs del siglo XIX, Lord Kelvin, dijo alguna vez: Cuando uno puede medir aquello de lo que est hablando y expresarlo en nmeros, sabe algo acerca de ello; pero cuando no puede medirlo, cuando no puede expresarlo en nmeros, su conocimiento es escaso e insatisfactorio: podr ser un principio de conocimiento, pero escasamente ha avanzado su conocimiento a la etapa de una ciencia. Aunque sta pueda parecer una afirmacin un poco exagerada, sigue siendo cierto que las mediciones constituyen uno de los ingredientes bsicos de la experimentacin. No alcanzaremos un nivel satisfactorio de competencia en la experimentacin sin un conocimiento de la naturaleza de la medicin y lo que significa el enunciado de las mediciones.
Es obvio queel proceso de cuantificacincasi invariablemente trae consigo la comparacin con alguna cantidad dereferencia (cuntos pasos mide de largo el patio?). De igual manera, es obvio que el buen orden en la sociedad requiere de un acuerdo extendido sobrela eleccin de cantidades de referencia. El problema de esos patrones de medicin, definidos por la legislacin y sujetos a convenciones internacionales, es amplio e importante. Nadie que est interesado seriamente en la medicin puede ignorar el problema de definiry realizar patrones en su Area de trabajo. Sin embargo, exponer aqu ese importante tema nos distraera de nuestra preocupacin principal, que es el proceso de medicin. Por lo tan8

SEC. 2-1

NATURALEZA BASICA DEL PROCESO DE MEDICION

to, dejaremos el tema de los patrones sin ninguna otra mencin posterior, excepto parahacer referencia a los textos que se indican en la bibliografia, y abordaremos el estudio del proceso mismo de medicin. Empecemos en el nivel ms bsico con una medicin aparentemente sencilla: tratemos de averiguar de qu tipo de proceso se trata y qu tipo de afirmacin se puede hacer. Si le doy a alguien el cuaderno en el que escribo esto y le pido que mida su longitud con una regla, la respuesta es invariable: la longitud del cuaderno es de 29.5 cm. Pero esa respuesta nos debe hacer pensar; Len realidad se nos pide que creamos que la longitud del cuaderno es de exactamente 29.50000000 . . . . . . . cm? Seguro que no; es claro que esa afirmacin est fuera de los lmites de la credibilidad. Entonces, cmo vamos a interpretar el resultado? Un momento de reflexin en presencia del cuaderno y de una regla nos har darnos cuenta de que,lejos de determinar el valor correcto o exacto, lo nico que podemos hacer en forma realista es acercarnos al borde del cuaderno sobre la escala, dicindonos conforme avanzamos: Puedo asegurar que e! resultado es menos de 30 cm?, menos de 29.9 cm?, menos de 29.8 cm?. La respuesta a cada una de estas preguntas indudablemente ser S. Pero conforme avancemos sobre la escala, llegaremos a un punto en el cual ya no podremos dar con confianza la misma respuesta. En ese punto debemos detenernos, y de ese modo identificamos un extremo del intervalo que se convertir en nuestro valor medido. De manera semejante podramos acercarnos al borde del cuaderno ppr abajo, preguntndonos a cada paso: Estoy seguro de que el resultado es mayor de 29.0 cm? ~ 2 9 . 1 cm?, y as sucesivamente. Una vez ms debemos de llegar a un valoren el cual nos tendremos que detener, porque ya no podremos decir con seguridad que el resultado es mayor. Mediante la combinacin de esos dos procesos identificamos un intervalo sobre la escala. Ese es el intervalo ms pequeo que, hasta donde podemos estar seguros, contiene el valor deseado; sin ernbargo, no sabemos en qu punto del intervalo est ese valor. Esta es la nica consecuencia realista del proceso de medicin. No podemos esperar resultados exactos y tendremos que contentarnos con medidas que toman la forma de intervalos. Este ejemplo no slo ilustra la naturaleza esencial del proceso de medicin sino que tambin nos proporciona una gua para hacer las mediciones mismas. El proceso de aproximarse al valor que buscamos acotndolo por ambos lados nos recuerda la necesidad de dar el resultado como un intervalo, y tambin hace ms fcil identificar los extremos del mismo.

Lo que resulta al final de nuestra discusin es muy importante. Cuando hagamos mediciones e informemos desus resultados debemos tener siempre en cuenta este punto clave y fundamental: las medidas no son simples nmeros exactos, sino que consisten en intervalos, dentro de los cuales tenemos confianza de que se encuentra el valor esperado. El acto de la medicin requiere

10

MEDICION E INCERTIDUMBRE CAP.

que determinemos tantola localizacin como el ancho deese intervalo, y lo hacemos utilizando con cuidado la percepcin visual cada vez que hacemos una medicin. No existen reglas para determinar el tamao del intervalo, porque depender de muchos factores del proceso de medicin. El tipo de medicin, la figura de la escala, nuestra agudeza visual, las condiciones de iluminacidn, todas tomarn parte en determinar la anchura del intervalo de medicin. El ancho, por lo tanto, debe determinarse explcitamente cada vez que se haga una medicin. Por ejemplo, es un error comn creer que, cuando se hace una medicin usando una escala graduada, el error de lectura es automticamente la mitad de la divisin de la escala ms pequea. Esta es una simplificacin excesiva Y err6nea de la situacin. Una escala con divisiones muy finas quese use para medir un objeto con bordes mal definidos pllede dar un intervalo de medicin ms grande que varias de las divisiones ms pequeas; por otra parte, 1111objeto bien definidoconbuenascondiciones visuales puedepermitir la identificacin de un intervalo de medicin mucho menor que la divisin ms pequea de la escala. Cada situacin debe evaluarse en forma individual.

2-2

PRESENTACION DIGITAL Y REDONDEO

Hay otros aspectos que tambin pueden confundir el problema. Considere, por ejemplo, u n instrumento que da una lectura digital. Si un voltmetro digital indica que cierta diferencia de potencial es de 15.4 V, quiere eso decir que el valor es exactamente de 15.40000. . .? Por supuesto que no, pero, qu significa? Eso depende de las circunstancias. Si el instrumento se fabrica de manera que lea 15.4 V porque el valor real es ms cercano a 15.4 de lo que es 15.3 o 15.5, entonces lo que significa es: esta lectura est entre 15.35 y 15.45. Por otra parte, se puede hacer un reloj digital de manera que cambie su indicacin de 09.00 a 09.01 exactamente a las 9.01. Entonces, si vemos que marca las 09.00, sabemos que la hora est entre las 9.00 y las 9.01; sta es una interpretacin un poco diferente de la que es adecuada para el voltmetro digital. De nuevo, cada situacin debe juzgarse por s misma.

Estos dos ejemplos de representacin digital ilustran un concepto mBs general: la inexactitud inherente a l proceso de redondear. Aun cuando no surja una inexactitud de la capacidad limitada para hacer mediciones, el simple enunciado de una cantidad numt.rica puede contener inexactitudes. Consideremos la atit-macin:
7r =

3.14

Todos sabemos que no cs as, porque podemos recordar, al menos, algunas de las cifras siguientes: 3.14159. . . ; entonces, qu queremos decir cuando cita-

SEC. 2-3

INCERTIDUMBRE ABSOLUTA

Y RELATIVA

1 1

mos a como 3.14? S10 puede significar que a tiene un valor ms cercano a 3.14 de lo que es a 3.13 o 3.15. Por lo tanto, nuestra afirmacin es que r e s t lo que algunasveces entre 3.135 y 3.145. Este margen de posibilidad representa se conoce como el error de redondeo. Esos errores pueden ser pequeos e irrelevantes, o pueden volverse significativos. Por ejemplo, en un clculo largo, hay la posibilidad de que los errores de redondeo se acumulen, y resulta ms sensato, especialmente en esta poca de gran disponibilidad decalculadoras, llevar el clculo con ms cifras de las que se podra pensar queson necesarias. Un error semejante de redondeo puede aparecer en enunciados sobre mediciones. Algunas veces omos decir que alguien ha realizado una medicin en una escala que se aproxim al milmetro, o alguna otra frase parecida. Esa no es una manera correcta de citar una medida, ya que hace confuso el valor real del intervalo de la misma. Sin embargo, nos encontramos con tales afirmaciones y, si nos vemos obligados a tratar con medidas representadas en esa forma, slo podemos suponer quela divisin de la escala que se cita representa algn tipo de valor mnimo del tamao del intervalo de medicin.

2-3

INCERTIDUMBRE ABSOLUTA Y RELATIVA

Cualquiera que sea el medio por el que hayamos hecho una medicin, el resultado final deber ser un intervalo que representa, hasta donde nuestra capacidad lo garantice, los lmites dentrdde los que se encuentra el valor deseado. En el ejemplo que usamosal principio, el experimentador nicamente puede ser capaz de afirmar con seguridad que la longitud del cuaderno est entre 29.4 y 29.6 cm. Aunque el nico resultado significativo de un proceso de medicin consiste en un intervalo o segmento como se, con frecuencia es deseable, para propsitos de descripcin o de clculo posterior, enunciar deotra forma el valor citado. Tomamos el intervalo de 29.4 a 29.6 y lo renombramos 29.5 ? O. 1 cm. Aunque obviamente no es ms que una expresin del intervalo original con el nombre cambiado, esa nueva forma tiene ciertas ventajas. Nos da un valor central, de 29.5, O. 1, que podemos utilizar en clculos posteriores. Tambin nos da otro valor, que se conoce como la incertidumbre de la medida, con el que podemos juzgar la calidad del proceso de medicin y puede usarse en clculos separados de incertidumbres. Una desventaja de esta forma de expresarlo es que se podra citar nicamente el valor central de 29.5. A menos que recordemos claramente que slo la cantidad completa (29.5 2 0.1) sirve como una expresin correcta del resultado, y podemos ser desordenados al hacer mediciones o reportes sobre ellas, olvidando la presencia esencial de la incertidumbre.Todosdeberamos convertir en una prctica invariable asociar un valor de incertidumbre con una lectura, tanto al momento de hacer la medicin como despus de este proceso, siempre que se cite su valor o se utilice para clculos posteriores.

12

MEDICION E INCERTIDUMBRE CAP. 2

Como la cifra de i 0. 1 cm representa la magnitud o el intervalo en que la lectura de 29.5 es incierta, a menudo se le llama la incertidumbre absoluta de la medida, y usaremos con consistencia esta terminologa. Ade-

ms, otro5 aspectos pronto se vuelven importantes. Cun significativa es una incertidumbre de i O. 1 cm? Cuando medimos la longitud de ut1 cuaderho, es significativa hasta cierto punto. Si estamos midiendo la distancia entre dos ciudades, una incertidumbre de 2 O. 1 cm es probable que sea completamente insignificante. Por otra parte,si estamos midiendo el tamao de una bacteria microscpica, una incertidumbre de f 0. l cm hara que la medicin careciera de sentido. Por esta razn, con frecuencia es deseable comparar la cifra de incertidumbre con el valor de la medicin misma; hacindolo as se puede evaluar en forma realista cun significativa esla incertidumbre. Definimos la razn: incertidumbre relativa
=

incertidumbre absoluta valor medido

En el caso de nuestro ejemplo: incertidumbrerelativa

=

o. 1 2 29.5
~

$- 0.003

Esta incertidumbre relativa con frecuencia se cita como un porcentaje, de modo que, en este caso, la incertidumbre relativa sera de 5 0.3%. Esa cantidad nos da u n sentido mucho mejor de la calidad de la lectura, y a menudo la Ilamamos la precisin de la medida. Ntese que la incertidumbre absoluta tiene las mismas dimensiones y unidades que la medida bsica (29.5 cm es incierto en 0.1 cm), en tanto que la incertidumbre relativa, por ser un cociente, no tiene dimensiones o unidades, y es un nmero puro.

2-4

ERROR SISTEMATICO
El tipo de incertidumbre que hemos considerado surge de una insuficiencia que ocurre naturalmente en el proceso de medicin. Hay un tipo de error diferente que puede aparecer cyandoalgo afecta todaslas lecturas de una serie en forma igual o consistente. Porejemplo, un voltmetro o un tornillomicromtrico pueden tener mal ajuste del cero, una regla de madera puede haberse encogido, una persona puede apretar sistemticamente el botn de u n cronmetro de segundo despus del suceso, y as por el estilo. Esos errores se llaman errores sistemticos. de los cuales una subclase es la de los errores de calibracibn.

SEC. 2-5

INCERTIDUMBRE CANTIDADES ENCALCULADAS

13

Como esos errores sistemticos no son visibles de inmediato cuandose hace una medicin, es necesario estar alerta y recordar en todo momento la posibilidad de que se presenten. Por ejemplo, los ceros de las escalas deben verificarse automticamente cada vez que se use un instrumento. Aunque puede ser ms dificil verificar su calibracin, la exactitud de los medidores elctricos, cronmetros, termmetros y otros instrumentos no debe darse por buena y debe verificarse siempre que sea posible. La presencia de una pantalla de lectura digital con visibilidad precisa, con cuatro o cinco cifras supuestamente significativas, tampoco debe tomarse como prueba de precisin y ausencia de error sistemtico en un instrumento. La mayor parte de un lote de cronmetros electrnicos que adquirimos en nuestro laboratorio para usarlos en1 la docencia, que supuestamente podan medir intervalos de tiempo con precisin de milisegundos, result tener errores de calibracin hasta de un 14%. No :se deje engaar; vea todos los instrumentos de medicin con desconfianza y verifique su calibracin siempre que sea posible.

2-5

INCERTIDUMBRE EN CANTIDADES CALCULADAS

En las secciones anteriores nos hemos ocupado slo del concepto de incertidumbre de una sola medida. Sin embargos, es raro que el proceso se termine con una sola medicin. Casi invariablemente el resultado yue deseamos es una combinacin de dos o ms cantidades medidas, o es, por lo menos, una funcin calculada a partir de una sola medida. Podemos intentar, por ejemplo, calcular el rea transversal de un cilindro a partir de la medida de s u dimetro, o su volumen a partir de medidas tantodel dimetro como dela altura. Las diferentes mediciones sern a veces de diferentes tipos, como en el clculo de g a partir de los valores de la longitud y el periodo de u n pndulo. En esos casos, es obvio que la presencia de incertidumbre en las medidas originales traer consigo la presencia de una incertidumbre ten el valor final calculado, que es la que ahora tratamos de encontrar. Para los propsitos de esta seccin, supondremos que nuestras incertidumbres tienen el carcter de alcances o intervalos dentro de los que estamos casi seguros que se encuentra el valor correcto. Para los valores, calculados, encontraremos intervalos dentro de los que, de nuevo, podamos estar casi seguros que ah estn los valores buscados. Eso significa que tenemos que hacer nuestros cidculos para el peor caso de combinacin de incertidumbres. Esta tal vez sea una suposici0n pesimista, pero veremos ms adelante, en el captulo 3, cmo las probabilidades asociadas con varias combinaciones de errores nos permitenhacer una estimacin ms realista y menos pesimista. Sin embargo, por el momento vamos a suponer que queremos calcular, a partir de las incertidumbres de los valores originales, el mximo margen de posibilidad para el valor calculado.

14

MEDICION E INCERTIDUMBRE CAP. 2

2-6

INCERTIDUMBRE EN FUNCIONES DE UNA SOLA VARIABLE

Consideremos una cantidad medida x,, con una incertidumbre 5 &x,y consideremos un valor calculado z que es una funcin de la variable x. Sea:

Esta funcin nos permite calcular el valor requerido zo a partir de unvalor medido X O . Ms an, la posibilidad de que x pueda variar de x,, - 6x a x, + Ax, implica un intervalo de posibles valores de z de zo - 6za zo 6z. Ahora queremos calcular el valor de 6z.Esa situacin se ilustra grficamente en la figura 2-1, en la cual, para una f(x) dada, podemos ver cmo el valor medido x, da lugaralvalorcalculado zo, y cmo el intervalo Ifr 6 x alrededor de x,, produce un intervalo correspondiente ? 6z alrededor de zo. Antes de considerar los mtodos generales de evaluar 6z, es instructivo ver cmo se propagan las perturbaciones finitas en funciones sencillas. Consideremos, por ejemplo, la funcin:

z = x2

Figura 2-1

Propagacin de incertidumbre de una variable a otra

SEC. 2-7

METODO GENERAL PARA LA INCERTIDUMBRE EN FUNCIONES...

15

Si x puede variar entre x, - 6x y x, y zo 62, donde:

+ 6x,entonces z puede variar entre zo - 6z

Podemos ignorar ( 6 ~ ) ya ~ ,que 6x se supone quees pequea comparada con x,, e igualar zo con xi, lo que da para el valor de 6z:

62 = 2xosx
Esto puede expresarse ms convenientemente en trminos de la incertidumbre relativa 6z/zo:
" "

6z
zo

- 2X06X
X ;

- 2-

6x
x0

As pues, la incertidumbre relativa del valor calculado es dos veces la de la me-

dicin inicial.

Aunque es esencial tener en mente la naturaleza de la incertidumbre propagada, como lo ilustra el uso de diferencias finitas, puede lograrse una simplificacin considerable de la formulacin lograda usando clculo diferencial.

2-7

METODO GENERAL PARA LA INCERTIDUMBRE EN FUNCIONES DE UNA SOIA VARIABLE

De la seccin anterior, las diferencias finitas 6z y 6x se pueden expresar en trminos de la derivada dz/dx. Por lo tanto, podemos obtener el valor de z usando primero las tcnicas normales para obtener dz/dx en la siguiente forma:

y escribiendo despus:

Este es u n procedimiento relativamente simple, y funcionar bien en los casos para los cuales el planteamiento de diferencias finitas llevara a una excesiva complejidad algebraica. As, por ejemplo, si

z=

(x2 + 1)

16

MEDICION E INCERTIDUMBRE CAP. 2

entonces:

dz x2 + 1 - x . 2 ~ (x2 + 1)? dx

y finalmente:

6z

1 -x2 6x ( 1 4-

Este clculo habra sido muy complicado con cualquier otro planteamiento. Ms aim, nos da una expresin general para 6z en funcin de x y 6x;cualquier valor deseado en particular puede obtenerse haciendo x = xo. Usemos ahor8 estas tcnicas para evaluar incertidumbres de algunas funciones comunes. al
Potencias

Consideremos:

= X"

6 z = nxfl-'6x
1-0 significativo de este resultado se hace un poco ms obvio cuando se expresa en trminos de la incertidumbre relativa. As,
X

Por l o tanto, cuando se evalan potencias, la incertidumbre relafiva del resultado es la incertidumbre relativa de la cantidad original multiplicada por la potencia respectiva. Esto ser vlido tanto para potencias como para races, de modo que la precisihn disminuye s i una cantidad se eleva a potencias y mejora al sacar races. Esta situacihn debe \,igilarse con cuidado en u n experimento que implique potencias. Cuanto ms alta es la potencia, mayor ser la necesidad de una alta precisin inicial.
b] Funciones trigonomtricas

S610 trabajaremos un ejemplo, ya que los dems se pueden tratar de manera

semejante. Consideremos

= senx

SEC. 2-7

METODO GENERAL PARA LA INCERTIDUMBRE

EN FUNCIONES,..

17

Aqu se cumple

dz
dx

"

cos x

Y
6z = (cos x) 6x

Este es un caso en el que el mtodo elemental de insertar x, ? 6x muestra ms claramente el resultado. Utilizando la aproximacin cos 6x obtenemos
6x = cos x sen 6x
lo que muestra quela 6x en el resultado anterior es en realidad sen 6 x en el lmite, para ngulos pequeos. Slo en el caso de una incertidumbre muy grande podr ser significativa esta diferencia, pero es mejor entender la naturaleza del resultado. Es claro que 6x deber expresarse en radianes. Este resultado normalmente tendr una aplicacin directa cuando se trate de aparatos como los espectrmetros.
C]

Funciones logartmicas y exponenciales

Consideremos:
z = log, x

Aqu,
"- -

dz dx

I x

62 = - 6 X
X

La incertidumbre relativa se puede calcular como de costumbre. Si

z = e"

y entonces:
6z = e"6.x

18

MEDICION E INCERTIDUMBRE CAP.

Este es u n caso importante, ya que las funciones exponenciales ocurren frecuentemente en la ciencia y la ingeniera. Estas funciones pueden hacerse muy sensibles al exponente cuando tomavalores mucho mayores que la unidad, y la incertidumbre 6z puede volverse muy grande. Esto le parecer familiar, por ejemplo, a cualquiera que haya observado las fluctuaciones de corriente en un diodo termoinico que resultan de variaciones muy pequeas en la temperatura del filamento. Como se dijo antes, este mtodo puede aplicarse fcilmente a cualquier funcin no enumerada arriba evaluando la derivada respectiva y usando la ecuacin 2- l .

2-8

INCERTIDUMBRE EN FUNCIONES DE DOS O MAS VARIABLES

Si el resultado se debe calcular a partir de dos o ms valores medidos, x, y , etc., la incertidumbre de ese resultado puede verse de dos maneras diferentes, como se mencion en la seccin 2-5. Podemos ser tan pesimistas como sea posible y suponer que las desviaciones reales de x y y ocurren combinndose de manera tal que desven el valor de z tan lejos como sea posible de su valor central. De esta manera, calcularamos un valor de 6z que da la anchura extrema del intervalo de posibles valores de z. Por otra parte, podemos argumentar que es ms probable que se combinen las incertidumbres de las medidas bsicas de una manera menos extrema, donde algunas harn contribuciones positivas a 6z y otras contribuciones negativas, de modo que el valor resultante de 6z ser menor que el que da la suposicin pesimista. Este argumento es vlido, y ms adelante nos ocuparemos del problema de la incertidumbre probable de cantidades calculadas. Sin embargo, porel momento vamos a calcular el valor de 6 z que representa el ms amplio margen de posibilidad para z. Este enfoque, si bien es pesimista, ciertamente es seguro, ya que, si &x, 6y, etc., representan lmites dentro de los cuales estamos casi seguros que se encuentran los valores actuales, entonces el valor calculado de 6z dar los lmites dentro de los cuales tambin estamos seguros que se encuentra el valor actual de z.
y se es er que usaremos para las primeras dos funciones.
a]

El enfoque inicial ms instructivo usael mtodo elemental de sustitucin,

S u m a de dos o ms variables

Consideremos: z = x + y

SEC. 2-8

INCERTIDUMBRE EN FUNCIONES

DE DOS O M A S VARIABLES

19

La incertidumbre en z se obtiene a partir de:

y el valor mximo de 6z se obtiene escogiendo signos semejantes todo el tiempo. As pues:

zo 2 62 = (x0

* ax) + ( y o 2 6y)
+ 6y

6z = 6x

Como era de esperarse, la incertidumbre en la suma es solamente la suma de las incertidumbres individuales. Podemos expresarla en trminos de la incertidumbre relativa:

pero no se logra una mayor claridad.

b l Diferencia de dos variables1

Consideremos: Como en el caso anterior, se obtendr 6z a partir de:

z=x-y

Pero aqu podemos obtener el valor mximo de6z escogiendo el signo negalivo para 6y, lo que da, una vez ms:

z o

-+

6z =

(x0

* 6x) - ( y o * ay)
+ 6y

62 = 6x

Podemos ver en esta ecuacin que, cuando x, yyo son muy cercanas y x - y es pequea, la incertidumbre relativa puede adquirir valores muy grandes. Esto es, en el mejor caso, una situacin insatisfactoria, y la precisin puede ser tan baja que anule el valor de la medicin. Esa condicin es en particular peligrosa, ya que puede pasar inadvertida. Es perfectamente obvio que, si fuera posible evitarlo, nadie intentara medir la longitud de mi cuaderno midiendo la distancia de cada borde a un punto alejado un kilmetro para luego restar las dos longitudes. Sin embargo, puede suceder que el resultado deseado se obtenga por sustraccin de dos medidas hechas por separado (en dos termmetros, dos relojes, etc.), y el carcter de la medicin como diferencia puede no ser claro. En consecuencia, todas las mediciones que tengan que ver con diferencias debern de tratarse con el mayor cuidado. Es claro que la forma de evitar esa dificultad es medir la diferencia de manera directa, en vez de obtenerla por sustraccin de dos cantidades medidas. Por ejemplo: si uno tiene u n aparato en el que dos puntos estn a potenciales respecto a tierra de VI = 1500 V y Vz =

20

INCERTIDUMBRE E

MEDICION

CAP. 2

1510 V , respectivamente, y la cantidad que serequiere es V2 - V,, slo un voltmetro de muy alta calidad permitira medir los valores de Vz y VI con la exactitud requerida para lograr incluso un 10% de precisin en V2 - V,. Por otro lado, un voltmetro de banco ordinario de 10 V, conectado entre los dos puntos para medir V, - VI directamente, dara de inmediato el resultado deseado, con un 2 o 3% de precisin.

2-9

METODO GENERAL PARA LA INCERTIDUMBRE EN FUNCIONES DE DOS O MAS VARIABLES

Los ltimos dos ejemplos, tratados porel mtodo elemental, sugieren que, una vez ms, el clculo diferencial puede ofrecer una simplificacin considerable a este tratamiento. Es claro que, si tenemos:
z =f

kY )

la cantidad apropiada paracalcular 6zes la diferencial total dz, que est dada por:

Tomaremos esta diferencial y la trataremos como una diferencia finita 6z que se puede calcular a partir de las incertidumbres 6x y 6y. Esto es:

y las derivadas df/ax y df/dy normalmente se calcularn con los valores x, y yo, para los que se necesita 62. Podemos encontrar que, dependiendo de la funcin f ,el signo de df/dx o af/dy resulte ser negativo. En ese caso, utilizando nuestro requisito pesimista para el valor mximo de 62, escogeremos los v-alores negativos apropiados para 6x o 6y, obteniendo de ah una contribucin total positiva a la suma.
al Producto de

dos o ms variables

Supongamos que:
z = xy

Para usar la ecuacin 2-2 necesitamos los valores de &/&xy &/ay Estos son:

SEC. 2-9

METODO GENERAL

PARA LA INCERTIDUMBRE EN FUNCIONES

...

21

Por lo que el valor de 6z est dado por:

L a significacin de este resultado se ve con ms claridad cuandose convierte a la incertidumbre relativa:

6z = y 6x + .r r y

As pues, cuando la cantidad deseada es el producto de dos variables, la incertidumbre relativa es la suma de las incertidumbres relativas de las componentes.
El caso ms general de una funcin compuesta, que se encuentra muy comlinmente en la fsica, implica un producto algebraico que tiene componentes elevadas a diferentes potencias. Sea

en donde a y b pueden ser positivas o negativas, enteras o fraccionarias. En ese caso la formulacin se simplifica de manera significativa tomando los logaritmos de ambos lados antes de diferenciar. A s :

log

= a

log x

b log J

de donde, diferenciando implcitamente, se obtiene:

-

dz

= 0-

d.r + bdv

Como de costumbre, tomamos las diferencides como diferencias finitas, y obtenemos: 62 6.x 6\. - = u - ~ + h.Y

Ntese que este proceso da la incertidumbrl: relativa de manera directa, y eso con frecuencia es conveniente. Si se requiere la incertidumbre absoluta 62, se puede evaluar simplemente multiplicando a l incertidumbre relativa por el valor calculado zo, que normalmente est disponible. Esta forma de diferenciacin implcita sigue siendo el procedimiento ms sencillo, aun cuando la misma z est elevada a alguna potencia. Porque, si la ecuacin es:
7-

= ,y?

es innecesario reescribirla como:

22

MEDICION E CAP. INCERTIDUMBRE

y partir de ah, porque, si sacamos logaritmos:

2 log 2 = log x
de donde:

+ log y

lo que da 6z/z,como se requera.

bl
Cocientes

Estos se pueden tratar como productos, enlos cuales algunas de las potencias son negativas. Como antes, el valor mximo de 6z se obtendr despreciando los signos negativos de la diferencial y combinando todos los trminos en forma aditiva.

Si se encuentra una funcin distinta a las ya enumeradas, funciona porlo general alguna forma de diferenciacin. Con frecuencia es conveniente diferenciar una ecuacin en forma implcita, evitando as el requisito de calcular explcitamente la cantidad desconocida en funcin de las otras variables. Por ejemplo, consideremos la ecuacin para lentes delgadas:

-1 = - 1+ - 1 .f o '
en donde la distancia focal f es funcin de las cantidades medidas la distancia al objeto o y la distancia a la imagen i. Podemos diferenciar l a ecuacin implcitamente, y obtenemos:
"

d f =

" "

do

di
i2

o2

Es posible ahora calcular de manera directadf/f,y con ms facilidad que si se escribe f explcitamente como funcin de o e i y se diferencia. De esta forma podemos preparar una frmula para la incertidumbre en la que se pueden insertar directamente todas las incgnitas. Asegrese de que se usen los signos adecuados para que todas las contribuciones a la incertidumbre se sumen para dar los lmites extremos de posibilidad del resultado.
Cuando la funcin sea tan grande y complicada que no se pueda obtener un valor general de 6z,siempre podemos tomar los valores medidos xo, yo,etc., y encontrar zo. Podemos entonces trabajar con dos resultados diferentes, uno utilizando los valores numricos propios de x, + &x, y , + 6y ( o yo - &y,si es el

SEC. SIGNIFICATIVAS 2-1 1 CIFRAS

23

adecuado), etc., para obtener uno de los valores extremos de z, y el otro utilizando x, - &x,etc. Esos dos valores correspondern a loslmites de z, y as sabremos el valor de 62.

2-1 O COMPENSACION DE ERRORES

Puede darse una situacin especial cuando se trata con variables compuestas. Consideremos, por ejemplo, la relacin bien conocida para el ngulo de mnima desviacin Dmde un prisma con ndice de refraccin n y ngulo al vrtice A :

Si A y Dm son variables medidas con incertidumbres 6A y &Dm, la cantidad n es el resultado requerido, con una incertidumbre 6n. No obstante, sera falaz calcular la incertidumbre enA + D m , luego en sen ( A + &), y combinarla con la incertidumbre en sen + A , tratando la funcin como un cociente de dos variables. Eso se puede ver considerando el efecto en n de un incremento en A . Tanto sen $ ( A + Dm) como sen + A aumentan, y el cambio en n no es en consecuencia tan grande. La falacia consiste en aplicar los mtodos de las secciones precedentes a variables que no son independientes (como son A + Dmy A ) . El remedio seria reducir la ecuacgn a una forma en la que todas las variables sean independientes, o bien regresar a los principios bsicos y usar directamente la ecuacin 2-2. Los casos que tienen que ver con errores que se compensan deben de vigilarse con cuidado, ya que pueden, si se tratan en forma incorrecta, dar lugar a errores en los clculos de incertidumbre que son dificiles de detectar.

2-1 1 CIFRASSIGNIFICATIVAS
Como los clculos tienen tendencia a producir resultados que consisten en largas filas de nmeros, debemos de tener cuidado de citar el resultado final con sensatez. Si, por ejemplo, se nos da el voltaje a travs de un resistor como 15.4 i O. 1 V, y la corriente como 1.7 _f 0.1 A, podemos calcular el valor de la resistencia. La raz6n V/Ique sale en mi calculadora es 9.0588235 ohms. Es sta la respuesta correcta?, claro queno. Un breve clculo demuestra que la incertidumbre absoluta en la resistencia es cercana a 0.59 ohms.As que, si las primeras dos cifras decimales del valor calculado son inciertas, es claro que el resto carece de sentido. Una afirmacin como la de que R = 9.0588235 ? 0.59 ohms es, por lo tanto, absurda. Debemos de dar nuestros resultados de manera tal que la respuesta y su incertidumbre sean consistentes, p. ej.: R = 9.06 ? 0.59 ohms.

24

MEDICION E INCERTIDUMBRE CAP. 2

Pero, esta afirmacin es realmente vlida? Recuerde que las incertidumbres citadas originalmente para Ve 1 tenan el valor de 2 0. 1, que contiene una cifra significativa. Si no conocemos esas incertidumbres con mayor precisin, no tencrnos derecho a atribuirle dos cifras significativas a la incertidumbre en R. Nue5tro enunciado final, vlido y consistente en s mismo es, por lo tanto{ R = 9.1 t- 0.6 ohms. S)losi tuviramos verdaderas razones para creer que nuestra incertidumbre original era exacta hasta la segunda cifra significativa, podramos pretender hasta c i a cifras significativas en la incertidumbre final y un valor calculado que corresponda con ms precisin a R. En trminos generales, debemos m a r seguros de que l o s valores dados a la incertidumbre sean consistentes con la precisin de las incertidumbres bsicas, y que el nmero de cifras que se dan en el resultado final sea consistentc con s u incertidumbre. Debemos de evitar las afirmaciones del tipo z = 1.234567 2 O. I o = 1.2 2 0.000001.

PROBLEMAS

2 . A l leel u n voltimetro 4 u n amperirnetro de aguja y escala, y evalo cisualmente el margen de incertidumbre. Esto! seguro de que la lectura del ampermetro esti entre 1 .24 y 1.25 A, y la del voltmetro entre 3.2 y 3.4 1.'. Exprese cada medida como u n \.alar cenrral 2 incertidumbre, > evale la incertidumbre relativa de cada medicibn.

CAP. 2 PROBLEMAS

25

7. En el escritorio mencionado en el problema 1, se mide el ancho, y se esti segllro de

que la medida cae entre 78.2 y 78.4 cm. Cul esla incertidumbre absoluta en el rea calculada de la cubierta del escritorio?

8. AI medir la resistencia de un resistor, la lectura del voltmetro era de 15.2 5 0.2 V , y la lectura del amperimetro era de2.6 ? 0.1 A. Cul cs la incertidumbre absoluta de la resistencia calculada usando la ecuacin R = V/I?

10. Un experimento para medir la densidad d de un objeto cilindrico utiliLa la ecuaciOn d = / n / d / ,en donde:

11. La distancia focal, f,de un lente delgado se va a medir usando la ecuacin l / o l / i = 1/ f , en donde:

==

clistanc~ia3 l a

clisran<ia al objeto

irna~cll =

0.154 5 0.002 0.382 1 0 . 0 0 2

111 111

Cul es el valor calculado de la distancia focal, su incertidumbre absolula y su incertidumbre relativa?

12. Una rejilla de difraccin se usa para medir l a longitud de onda de la luz, usando la ecuacin d sen 0 = X. El valor medido de tl t:s de 13" 34' 2 2 ' . Suponiendo que el valor de d e s de 1420 X 10 -!I m y que se puede ignorar su incertidumbre, cul es la incertidumbre absoluta y la relativa en el valor de X?
13. Se da un valor como 14.253

14. Se da un valor como 6.74914

2 0.50;'o. Enncielo como un valor ? incertidumbre absoluta, ambos con el nmero adecuado de cifras 5ignificativas.

? O. l . Reescrbalo con el nmero adecuado de cifras significativas. Si el valor se diera como 14.253 2 O. 15, cbmo debera de escribirse?

Estadstica de la observacin
3-1

INCERTIDUMBRE ESTADISTICA
En el captulo anteriornos ocupamos delas mediciones en las cuales la incertidumbre poda estimarse usando un criterio personal.En ellas, suponiendo que hayamos juzgado la situacin con exactitud, la medicin sistemtica deber producir resultados coherentes. A veces, no obstante, la medicin reiterada conduce a resultados claramente diferentes. Por ejemplo, si usamos un contador y registradorelectrnico Geiger para medir la actividad deuna fuenteradiactiva, y decidimos obtener, paraunaconfiguracindada,la cantidad de partculas en un intervalo de 10 segundos, encontraramos que los resultados obtenidos al contar varios intervalos sucesivos de 10 segundos no son iguales. Podemos encontrarnos conla misma situacin en mediciones que implican un discernimiento visual. Si, por ejemplo,queremosencontrar la imagen formada por una lente delgada, acaso no seamos capaces de determinar la posicin de la imagen con suficiente exactitud como para obtener, en forma repetida, la misma lectura en un buen medidor de alta precisin. Ya sea que la fluctuacin resulte inherente al sistema sujeto a investigacin (como en la fuente radiactiva, donde la fluctuacin surge de la naturaleza esencial de la desintegracin radiactiva espontnea), o que provenga de nuestras dificultades para efectuar la medicin, debemos aprender a hacer afirmaciones sensatas sobre mediciones que muestren variaciones de este tipo. Qu clase de afirmaciones ser posible hacer? Ya no podemos, como antes, aseverar al tenor de Estoy prcticamente seguro de que la respuesta se
26

SEC. 3-2

HISTOGRAMASY DISTRIBUCIONES

27

halla en el intervalo. . .. Dehecho,haciendoa un ladoporcompleto la imposibilidad de obtener respuestas correctas, encontraremos que la dificultad estriba no tanto en la elaboracin de respuestas razonables, sino en saber qu preguntas inteligentes hacer. Descubriremos entonces que las nicas preguntas sensatas implican, como al principio, intervalos en nuestra escala de valores;esta vez, empero,interpretadosentrminosdeprobabilidad y no de certidumbre. Nuestra bsqueda de una solucin ser indudablemente prolongada, mas, al cabo, la respuesta resultar sencilla y elegante. Para iniciar nuestra indagacin, volvamos a la situacin original. Supongamos que hemos hecho una sola medicin, y que, para comprobar nuestro trabajo,hemosefectuadoesta medicinporsegunda vez y obtuvimosun resultadodiferente.Qu se suponequedebemos hacer? Nopodemos, en modo alguno, afirmar que una es correcta y la otra errnea. Cul POdramos elegir como la correcta? Frente a esta ambigedad, la reaccin natural sera intentarlo una tercera vez, con la esperanza, quizs, de que la tercera medicin confirme una u otra de las dos primeras. Muy probablemente sta no sea tan complaciente, y simplemente aumente an ms la confusin al ofreceruna terceraposibilidad.Enfrentados a estacomplejidadcreciente, podramos resolver seguir efectuando mediciones para ver qu sucede. Supongamos que nuestra curiosidad nos ha impulsado a realizar una cantidad considerable de mediciones sucesivas, digamos100, y ahora nos preguntamos: Cul es la respuesta? Como mencionbamos antes, es ms significativo plantearse: cul es la pregunta? Eio depende mucho de la aplicacin que queramos darle a los resultados. Un fsico que mide la posicin de una imagen ptica acaso est buscando algo que a 1 le gustara considerar como la respuesta correcta.Unapersonaquemida la actividad deunafuenteradiactiva tal que se vea obligado a quizs desee emplear el resultado en forma determinar la cantidaddepartculasqueobtendrenunintervalode 10 segundos el da siguiente. Un socilogo que efecta una encuesta de opinin pblica tal vez quiera pronosticar el resultado de las prximas elecciones, etc. No hay una sola pregunta ni una respuesta nica. El tratamiento que demos a nuestros resultados fluctuantes depender de las circunstancias. Consideremos ahora algunas de las posibilidades.

3-2

HISTOGRAMAS Y DISTRIBUCIONES
Supongamos que hemos efectuado ya 100 mediciones de cierto parmetro y que ahora debemos dar a conocer nuestros resultados. La primera respuesta a la pregunta Qu se obtuvo?, es la contestacin ms bien inadecuada de Ejecut la medicin 100 veces, y aqu estn los 100 resultados. Esto quiz no tenga errores, pero difcilmente resultar til. A nuestro auditorio se le har

28

LA

ESTADISTICA DE

OBSERVACION CAP. 3

dificil encontrarle sentido a una simple lista de nmeros y, naturalmente surgirin pregunlas tale5 como: Hay alguna regularidad en los resultados?, ,alguno clc e!los aparece con m i s frecuencia que los dems?, etc. A fin de mostrar las cat-;tctCrstic;+s de las mediciones con ms claridad. valerse de algn tipo de pt-esen[aciOn grit'ica tesultaria, sin duda, muy ttil.
Una forma comn dc presentacibn es el histograma. Para construir este diagrama, se di\,ide l a escala sobre la cual se eutienden la:, mediciones en in[er\a105, y \c determinan l o j resultados que corresponden a cada inter~alo. Se grafican luego eslas cantidades en una escala vertical, en funcihn de los intcr\alos m i s m o s . Es conveniente usar u n diagrama de barras para indicar los grupos de

resultados, lo cual resultar similar a la figura 3-1. De inmediato.nuestra

Tabla 1
~~~~~ ~ ~~~ ~~~~ ~

85 92 96 97 97 97 100 101 101 102 1 o2 103 103 105 106 106 1 07 108 108
40

1211 09 121109 122110 122 110 122 111 122 111 122 111 123111 123111 123 112 123 112 123112 124113 124113 124 113 125 113 125 113 125 113 126 114

114 114 114 115 116 116 116 117 117 118 118 119 119 120 120 120 120 121 121

131 132 133 134 134 134 135 136 137 137 137 144 148 149

127 127 127 127 128 128 128 128 128 128 130 130 130 130 130 130 131 131 131

734

2 > , -

m ti

30
20

a:

r
j

10

r i

Ii

20

1 .

4 0

60

80

100

120

140

160

Valor

SEC. 3-3

VALORES CENTRALES

DE DISTRIBUCIONES LAS

29

comprensinde las medicionesmejoraenormemente,pues ahorapodemos apreciar de un solo vistazo cmo se distribuyen los valores a lo largo dela escala. Esta distribucin es la clave para una interpretacin satisfactoria de las mcdiciones. Normalmente encontramos que los resultados tienden a presentarse con ms frecuencia en la mitad del rango, y si la situacin es as y no estamos en posibilidad de hacer ninguna otra afirmacin sensata, siempre podremos consolarnos con aseverar simplemente que las observaciones tienen una tendencia central. Eso puede ser suficiente, y una vez que hallamos desarrollado el histograma,podremosdarporconcluida esla fase denuestrotrabajo. Muchos resultados de procesos de medici0nse presentan con sencillez mediante el histograma correspondiente. Gracias a ste, el lectorpuedeapreciar la distribucin y sacar sus propias conclusiones.

3-3

VALORES CENTRALES DE LAS DISTRIBUCIONES

A menudo, sin embargo, queremos ir ms lejos y, a guisa de sustituto del histograma completo, deseamos encontrar alguna forma abreviada de describir la distribucin sin tener que mostrar efectivamente el diagrama completo. Podemos, por tanto, buscar respuestas a preguntas como: Qu resultado purticular caracteriza mejor al grupo de observaciones en su totalidad? Hay varios valores posibles para esta designacin, y escogemos u n o de ellos, con base en el uso futuro que daremos a la informacin. Las diferentes posibilidades son:
a]

La moda

La mayora de las distribuciones tienen u n punto mximo o pico cerca del centro. Si ese pico est bien definido, el valor sobre la escala horizontal en que ocurre se llama moda de la distribucin. Siempre que queramos llamar la atencin sobre esta concentracin central de nuestros valore5 medidos, mencionamos el valor modal. A veces una distribucin tendr dos puntos mximos; en este caso la denominamos distribucin bimodal y sealamos los dos valores modales.
bl
La mediana

Si colocarno\ todos nuestros resultados en orden numrico y los dividimos a la mitad en dos partes iguales, el valor correspondiente a esta lnea divisoria se llama mediana. Como es obvio que las Breas bajo las grficas de distribucin representan grupos de observaciones (la barra de la izquierda de la figura 3-1 representa 5 observaciones; la segunda de la izquierda 9; por tanto las dos juntas representan 14, y as sucesivamente), la mediana es aquel valor en el cual una lnea vertical divide a la distribuciljn en dos partes de rea equivalen-

30

ESTADISTICA DE LA OBSERVACION CAP. 3

tes. La medianasuelecitarseamenudo en la investigacinsociolgica;se habla, por ejemplo, de la mediana de los salarios de ciertos grupos de empleados, etc.
c]

La media

El tercero de los valores comnmente citados es el conocido promedio o media aritmtica. Para un grupo de N observaciones, x,, la media X se define como

Ms adelante veremos que, para nuestros propsitos,la media es la ms til de

las tres cantidades que hemos definido.

Ntese que, para una distribucin simtrica, la media, la mediana y la moda coinciden todas en el centro dela distribucin. Si, por otra parte, la distribucin no es simtrica, cada una tendr un valor diferente. Para el histograma que aparece enla figura 3- 1, los valores de la media, la mediana y la moda se muestran en la figura 3-2, que ilustra su relacin con la distribucin. Si la distribucin es marcadamente asimtrica, la diferencia entre la moda, la mediana y la media puede ser sustancial. Considere, por ejemplo, la distribucin del ingreso familiar en un pas dado. La presencia de millonarios, aunque sean relativamente pocos, tiene un efecto sobrela media que contrarresta a muchos miembros de la poblacin en el extremo inferior de la escala de salarios. Deesta manera, la moda y la media difieren sustancialmente. Este ejemplo ilustra el cuidado que se requiere para interpretar las estadsticas que se manejan. Habitualmente, las personas que emplean datos estadsticos suelen hacerlo en la forma que ms conviene a sus propsitos especficos.

3-4

AMPLITUD DE LAS DISTRIBUCIONES

Consideremos ahora otra cuestin: En qu medida nuestro valor elegido representa a la distribucin en su conjunto? Esto es, cun seguro resultausar un solo valor. como sustituto de toda la distribucin? Ahora no podemos justificar los procedimientos que a continuacin se describirn. En su lugar, confiaremos en la intuicin de que, cuanto ms amplia sea la distribucin, menor ser la importancia que podamos asignar a cualquiera de los tres valores centrales. Por otra parte, cuanto ms estrecha sea la distribucin, tanto ms autorizados nos sentiremos a confiar en la media, la moda o la mediana como los valores representativos de la distribucin.

SEC. 3-4

AMPLITUD DE LAS DISTRIBUCIONES

31

30

20

10

20

40

60

80

100

140

160

Media 119 Mediana 120 Moda 125 I

Figura 3-2 La relacin entre un histograma y \u media, mediana y moda

Formulemos, pues, una cantidad que ser una medida de la amplitud de la distribucin. Podramos inventar muchas de tales cantidades, pero, por razones de las que no es preciso ocuparnos por ahora, determinaremos una cantidad de uso casi universal. Definimosla desviacin estndar de la distribucin S , carno

32

ESTADISTICA DE LA OBSERVACION CAP.

La definici6n es hasla cierto punto arbitraria porque, ai definir una medida de l a amplitud de la distribuciOn, pudimos haber escogido a r a s potencias de la cantidad (C- .v,), y en~pleado otros denominadores. Hay, sin embargo, varias razones para esa eleccin; estas razones y la importancia de la desviaci6n estndar se aclararn cn brebe.

Aqu podenios hacer una pausa para resumir el progreso alcanzado hasla ahora. Si hemoshecho ya medicionessucesivas deunacantidaddada y queremos establecer el resultado en trminos numricos, tenemos varias opciones al respecto: a) desarrollar el histograma correspondiente; b) dar la moda, a l mediana, o a l nicdia como parmetros de la localizacin de la distribucibn, y c) considerar la desviacin estndar como medida de la confianza que podemos tener en los resultados. A \ x e s dejamos el resultado de u n proceso de medici6n en esta forma; las cantidades involucradas se entienden universalmente. y el procedimiento es aceptable. Para nuestro propbsito actual, buscamos una interpretaci6n cuantitatiix ms detallada de l o s \.alores citados.

3-5

IMPORTANCIA DE LA MEDIA Y LA DESVIACION ESTANDAR

En esta seccibn y las siguientes, por razones que resultarn claras ms adelante, pasa-emos por alto la moda y la mediana y nos restringiremos a la interpretacibn numkrica de la media y la desviacihn esrndar. Ya que la presencia de I'luctuaciones al azar nos ha privado de la oportunidad de identificar un inter\ alo realista dentro del cual podenlos estar seguros de que se encuentra nuestro u l o r buscado, debemos cambiar nuestras expectativas del proceso de medicibn. Como hemob dicho antes, no es tanlo cuestin de obtenzr respuestas razonables a las preguntas que nos hacernos, sino como el saber qu preguntas inteligentes cabe hacer.Especificamente,porsupuestoque no tiene sentido preguntar: iCu1 es la respuesta correcta? Ni siquiera es razonable plantearse: Ilespuks de cien observaciones de este parmetro, ,quobtendr en la prxima medici6n'? t m nica5 preguntas sensatas tienen que er no con l a certeza, sino con la probabilidad, y s o n varias las interrogantes distintas que cabe hacer sobre probabilidades. Podriamos pregutltat-, pot- ejemplo: ;cul es la probabilidad de q u e el resultado 1 0 1 forme parte de un cierto intervalo de \,aloresen nuestra escala'? Esta es u n a pregunta inteligente, y con base en ella pueden concebirw fcilmente \,arias 1-espuestasramnables. Si, por ejemplo, de nuestras 100 mediciones originales, una cierta porcibn de los resultados queda incluida en ese inter\.alo particular, podramos, i'on todo-derecho, elegir esa fraccibn como el indicc de

SEC. 3-5

IMPORTANCIA DE LA MEDIA

Y LA DEiSVlAClON ESTANDAR

33

probabilidad que buscamos. Esa no sera una suposicin aventurada, y bien podramos proponer una descripcin normalizada de nuestra distribucin considerando la porcin de la totalidad de mediciones efectuadas que corresponde a u n intervalo especificado, corno x f S. E,jto transmitira satisfactoriamente informacin sobre nuestro conjunto de observaciones a otras personas, pero surge un problema mayor cuando descubrimos que nuestros resultados de probabilidades estn especficamente relacionados con nuestro histograma en particular. Si tuviramos que efectuar otra serie de 100 observaciones manteniendo todas las condiciones igual que al principio, con la esperanza de obtener el mismo histograma, quedaramos decepcionados. El nuevo histograma no coincidira con el primero con exactitud. Podra tener caractersticas generales semejantes con respecto a su localizacin y amplitud, pero su estructura detallada no sera la misma que antes, y por ta.nto obtendramos respuestas diferentes a preguntas sobre probabilidades. ,Cmo, entonces, encontraremos respuestas a nuestras interrogantes de modo tal que aqullas revistan cierta importancia cuantitativa ampliamente comprendida? Una solucin consiste en desistir describir nuestro histograma en particular y empezar a hablar sobre distribuciones tericas definidas. Estas pueden no ser claramente significativas para nuestro conjunto particular de observaciones, pero ofrecen la enorme ventaja de que, como son construcciones tericas definidas, tienen propiedades que son definidas, constantes, y ampliamente comprendidas. Muchas de esas distribuciones tericas se han desarrollado para propsitos especiales, pero ,aqu nos ocuparemos de una sola: la distribucin Gaussiana o normal. La distribucin de Gauss se utiliza para interpretar muchos tipos de mediciones fsicas, en parte debido a que las circunstancias mecnicas de muchas mediciones fsicas guardan estrecha correspondencia con los fundamentos te0ricos de la distribucin Gaussiana, y en parte porque la experiencia demuestra que la estadstica Gaussiana s proporciona una descripcin razonablemente exacta de muchos sucesosreales. Slo para otro tipo comn de mediciones fsicas es ms apropiada otra distribucin: a l observar fenmenos como la desintegracin radiactiva debem05 emplear la Idistribucin conocida como distribucin de Poisson, pero, aun en casos como ste, la diferencia con la estadistica de Gauss resulta significativa slo en niveles de muy bajas ocurrencias. Puede ahondarse en la estadstica de Poisson en libros que se ocupen de m& todos experimentales de la fsica nuclear o la de alta energa. A excepcibn de estos casos especiales, podemos sentirnos razonablemente seguros de que la esladstica Gaussiana puede aplicarse con provecho a la mayora de las mediciones reale\. Sin embargo, debemos recordar 5iempI-e que, a menos que efectivamente comprobemos que nuestras mediciones corresponden a una distribucibn de Gauss, estamos dando por hecho que la estadstica Gaussiana es aplicable y

34

ESTADISTICA OBSERVACION CAP. DE LA

que, por tanto, debemos mantenernos alerta frente a cualquier invalide esta hiptesis.

evidencia que

3-6

DlSTRlBUClON DE GAUSS Y MUESTRE0

Aun cuando, para utilizarla con provecho, no hace falta saber mucho sobre los orgenes de la distribucin de Gauss, es interesante saber por qu su deduccin le confiere especial importancia para muchas mediciones fsicas. La distribuhiptesis de quela desviacin total cin de Gauss puede deducirse a partir la de de una cantidad medida x, respecto de un valor central X , es la resultante de una gran cantidad de pequeas fluctuaciones que ocurren al azar. Para construir un modelosencillo de esta situacin, supongamos que hay m de esas contribuciones a la desviacin total, cada una de igual magnitud a, y con la misma probabilidad de ser positiva o negativa. Si repetimos el proceso de medicin muchas veces, obtendremos un conjunto de valores que van de X + ma, para una observacin en la que todaslas fluctuaciones resultan ser positivas simultneamente, a X - ma, si todas ocurren en sentido negativo. Para una suma aleatoria como sta, de cantidades positivas y negativas (como en la caminata al azar), puede demostrarse que la suma ms probable es cero, lo que significa que los valores ms comunes de x estn en la vecindad de X.Por tanto, la curva de distribucin tiene un valor mximo hacia la mitad, es simtrica, y decae suavemente a cero en x = X + ma y x = X - ma. Si este concepto se lleva al caso lmiteen el que un nmero infinito de desviaciones infinitesimales contribuyen a la desviacin total, la curva tiene la forma que se muestra en la figura 3-3. Considerando ala curva exclusivamente desde el punto de vista matemtico por ahora, su ecuacin puede expresarse as:

Aqu la constante C es una medida de la altura de la curva, ya que y = C para X,en el centro de la distribucin. La curva es simtrica alrededor de x = X y tiende a cero asintticamente. Es obvio que la cantidad h determina la amplitud de la curva, ya que slo es un multiplicador en la escala x. Si h es grande, la curva es estrecha y alta en relacin a su amplitud; si es pequea, la curva es baja y ancha. La cantidad h sin duda debe de estar relacionada con la desviacin estndar a de la distribucin, y se puede demostrar que la relacin en cuestin es
S =

(Emplearemos letras latinas, por ejemplo S para la desviacin estndar, para las cantidades asociadas con conjuntos finitos de observaciones reales; y letras

SEC. 3-7

RELACION ENTRE LA DlSTRlBUClON DE GAUSS Y LAS...

35

Figura 3-3

L a curva de distribucin Gaussiana.

griegas, como u, al referirnos a distribuciones definidas, o a un universo de observaciones, segn se describe en la secci6n 3-7.) Ahora que tenemos una ecuacin definida para la distribucin, toda la ambigedad original sobrela interpretacin de la desviacin estndar en trminos de probabilidad desaparece, y tenemos valores definidos, nicos y permanentes. Por ejemplo, el rea incluida dentro del intervalo X + u para una distribucin Gaussiana es de 68%, y dentro del intervalo X f 2a es de 95%, e igual ocurre para todas las distribuciones Gaussianas. La relacin entrelos valores de u y las reas bajola curva de distribucin normalse muestra en la figura 3-4 con las lneas verticales trazadas a intervalos de 1u y 20 a partir del valor central. Es muy conveniente contar con valores definidos como estos, porque podemos afirmar sin lugar a dudas que cualquier valor particular en u n conjunto Gaussian0 tiene una probabilidad del 68% d estar incluido en el intervalo X + u, y una probabilidad del 95% de caer dentro deX + 20. En el apndice 1 se encontrar una explicacin ms detallada de las propiedades matemticas de la distribucin Gaussiana.

3-7

RELACION ENTRE LA DlSTRlBUClON DE GAUSS Y LAS OBSERVACIONES REALES

Los resultados ofrecidos en la seccin anterior proporcionan mtodos tiles y precisos para interpretar las medias y las desviaciones estndar, pero los problemas

36
Y

ESTADISTICA DE LA OBSERVACION CAP. 3

2a

lo

IO

20

SEC. 3-7

RELACION ENTRE

LA DlSTRlBUClON DE

GAUSS Y LAS...

37

Desde que estamos haciendo supuestos con base en varias bien definidas hiptesis. En primer lugar, daremos por sentado que la distribucin del universo en cuestin es Caussiana, y llamaremos X a su media y a a su desviacin estndar. Estasuposicinnospermitehacerafirmaciones comocsta: si efectuamos una sola medicin con nuestro equipo, sta tiene una probabilidad del 68% de estar incluida en X f a, y una probabilidad del 95% de formar parte de X + 2a. Esta parece una proposicin alentadoramente exacta y explcita, pero adolece de un defecto abrumador: no sabemos (ni jams sabremos) cules son los valores de X y u. En otras palabras,el hacer una sola observacin de u n parmetro sujeto a fluctuacin al azar, no habremos ganado prcticamente nada. Slo podremos afirmar que nuestro valor tiene una probabilidad del 68% de estar incluido en algo y a cierta distancia de algo ms, lo que no es de gran utilidad. Nuestra nica esperanza radica en clbtener alguna informacin, aunque sea dudosa, acerca de la distribucin del universo en cuestin. Como ya hemos afirmado, jams podremos determinar la distribucin del universo con toda exactitud, porque eso requerira de un nmero infinito de observaciones. Slo podemos confiar en que, si repetimos nuestro proceso de medicin razonablemente para obtener una muestradel universo, esta muestra nos permitir hacer alguna estimacin de los parmetros del universo en su totalidad. Puesto que estamos partiendode la premisa bsica de quela distribucin del universo es una funcin matemtica definida (yasea Caussiana o de algn otro tipo, tambin bien-definida), podemos evaluar matemticamente las propiedades de las muestras con ;especto a las del universo de observaciones individuales. Aqu enunciaremos simplemente es1 as propiedades sin demostrarlas. Se recomienda al lector interesado en la deduccin matemtica de estos resultados que consulte alos textos tradicionales de estadstica,en donde encontrar secciones que tratan de la teora del muestreo. Las propiedades de las muestras se aclaran si consideramos el concepto de muestreo repetido. Consideremos que hemos hecho 100 observaciones con cierto dispositivo. Esta ser nuestra primera muestra. Calculemos ahora su media y su desviacin estndar y anotmoslas.Efectuemosacontinuacin otro conjunto de 100 observaciones y anotetnos su media y su desviacin estndar correspondientes. Repitamos el proceso hasta tener un nmero infinito de muestras, cada una con su propia media y desviacin estndar, grafiquemos luego las curvas de distribucin de las medias y las desviaciones estndar respectivas. Por supuesto que nuncallevaremos a cabo un proceso como Pstc con observaciones reales, pero, conociendo la funcin matemtica representativa de nuestro universo original de observaciones aisladas, podemos simular matemticamente ese muestreo repetido, y deducir as las propiedades de las muestras en comparacin con las del universo original de observaciones particulares. Los resultados de tales clculos de la distribucin de mediasy desviaciones

38

ESTADISTICA DE

LA OBSERVACION CAP. 3

estndar delas muestras pueden apreciarse en las figuras 3-5 y 3-6, y se explicarn ms ampliamente en las secciones siguientes.

m ._ u

a,

Figura 3-5 Curva de distribucin de observaciones aisladas y medias de la muestra. (Nhtese que la escala vertical de las dos curvas no es la misma. Se han graficado con un valor mximo comn, solamente para propsitos de
ilu1raci0n.)

3-8

MEDIA DE LA MUESTRA Y DESVlAClON ESTANDAR DE LA MEDIA

Si la distribucin del universo de observaciones aisladas es Gaussiana, la teora del muestre0 indica que la distribucin de las medias de la muestra tambin es Gaussiana. Adems, la distribucin de medias de la muestra tiene otras dos propiedades muy importantes. Primera: est centrada en X , el centro de la distribucin original de observaciones individuales; segunda: es ms estrecha que la distribucin original. Esa estrechez es muy significativa, porque demuestra de inmediatola mejora en precisin derivada de las muestras, en comparacin con las observaciones aisladas; las medias de las muestras se agrupan con mayor densidad alrededor de la media del universo que en el caso de las observaciones aisladas.Ladispersinreducidadelasmediasde las muestras se representacon un parmetro muy importante: la desviacin estndar de la

SEC. 3-9

DESVlAClON ESTANDAR DE LA MUESTRA

39

"

Figura 3-6 La distribucin de desviaciones estndar de la muestra.

distribucin de medias de las muestras. Este parmetro viacin estndar de la media, y su valor es
u r n =
U
"

se denomina la des-

di

(3-5)

donde N es la cantidad de observaciones de la muestra. As pues, una muestra en particular tiene un 68% de probabilidad de estar incluida en el intervalo X k u,,,, y un 95% de probabilidad de formar parte del intervalo X k 2u,. Estosintervalossonmspequeosque los correspondientesaobservaciones aisladas, y proporcionan una medida cuantitativa la de precisin mejorada que es posible lograr con el muestreo. Obsrvese que la proposicinsobre medias de las muestras,si bien es precisa, an no nos sirve de mucho,pues todava incluye los parmetros desconocidos X y u. La resolucin de esta dificultad y la importancia de la desviacin estndar de la muestra se pondrn en claro muy pronto. Mientras tanto, fijemosbrevementenuestraatencinen la otrapropiedadimportante de las muestras: la distribucin de las desviaciones estndar de las muestras.

3-9

DESVIACION ESTANDAR DE LA MUESTRA

Las desviaciones estndar de la muestra corresponden tambin a una distribucin Gaussiana, cuyo centro constituye la desviacin estndar del universo, u.

40

ESTADISTICA DE LA OBSERVACION CAP.

La distribucin se ilustra en la figura 3-6. Sin embargo, como podr apreciarse en seguida, la varianza de las desviaciones estndar de las muestras no nos interesar tanto comola varianza de las medias de las muestras, y pospondremos hasta la seccin 3-1 1 un anlisis adicional de la varianza de las desviacionesestndar de las muestras.

3-1 O APLICACION DE LA TEORIA DE MUESTRE0 A LAS MEDICIONES REALES

Las propiedades de la muestra que acabamos de presentar son muy interesantes, pero, cmo pueden ayudarnos si no tenemos acceso a las distribuciones reales, ya sea para las medias o para las desviaciones estndar de las muestras? Tenemos una muestra aislada con su media y su desviacin estndar, y ninguna idea respecto de cmo se relacionan stas con los valores del universo del caso. Nuestro problema, por tanto, consiste en encontrar una relacin entre los resultados tericos y las propiedades de las muestras que nos permitan inferir las propiedades del universo a partir delos valores de la muestra. Como es obvio, no podemos esperar obtener una informacin exacta. Adems, debemos partir de una premisa bsica, evidentemente imprecisa: suponemos que nuestro nico parmetro, la desviacin estndar de la muestra, nos proporciona, a su vez, el parmetro de la desviacin estndar del universo respectivo. De hecho, puede demostrarse que la mejor estimacin de la desviacin estndar del universo est dada por la cantidad

Esta difiere slo un poco de nuestro valor original de la desviacin estndar para un conjunto dado de observaciones. La N en el denominador de laexpresin original se ha cambiado por N - I , y la diferencia entre las dos cantidades, obviamente, resulta significativa slo para valores pequeos de N . De aqu en adelante, cuando hablemos de la desviacin estndar de una muestra, daremos por sentado que estamos usando la ecuacin en esta nueva forma, y que en realidad estaremos considerando la mejor estimacin del valor del universo, u. Admitiendo a nuestra desviacin estndar de la muestra como la mejor estimacin de u, estamos ahora en condiciones de hacer una clara proposicin sobre nuestra muestra aislada. Podemos reformular la ecuacin 3-5 y definir
S , =

r N
S

(3-7)

SEC. 3-1 I EFECTO DEL TAMAO DE LA MUESTRA

41

como la desviacin estndar de la media, que ahora es una cantidad conocida derivada de nuestra muestra real. Ahora podemos afirmar: nuestra media de la muestra X tiene una probabilidad del 68% de estar incluida en X + S,, y una probabilidad del 95% de formar parte de X f 2S,. Esta es una afirmacin ms aproximada a lo que necesitamos, pero todava no es completamente satisfactoria. Nos dice algo acerca de una cantidad que conocemos, X, en trminos de otra que ignoramos,X . En realidad necesitamos que la proposicin sea a la inversa: queremos poder afirmar algo sobre nuestra incgnita X , en trminos de una cantidad X, cuyo valor s conocemos. Por fortuna, es posible probar que la proposicin inicial sobre probabilidades puede invertirse para producir nuestro resultado deseado. Con ello, deduciremos la proposicin por la cual hemosestadotrabajandodesdequeempezamosnuestro anlisis sobre la estadstica de lascantidadesfluctuantes.Nuestraproposicinfinal es: Hay una probabilidad del 68% de que la media del universo, X , est incluida en el ! Z S,, y del 95% de que forme parte del intervalo X k 2S,. Esta ya intervalo X I es, por ltimo, una afirmacin sobre la cantidad desconocida, X , en trminos de cantidades perfectamente identificadas, X y S,. Sobre nuestra escala de valores x tenemos ahora un intervalo real y conocido entre R - S, y R + S,, y sabemos que hay una probabilidad del 68% de que nuestro parmetro buscado X forme parte de este intervalo. Esta afirmacin nos proporciona la respuesta que hemos estado buscando, y nos acerca tanto como es posible a la informacin exacta sobre el valor central fijo de nuestro parm&ro observado. Vale la pena familiarizarse muy bien con los argumentos que hemos expuesto en las secciones anteriores; el proceso de medicin consiste en mucho ms que simplemente hacer unas cuantas observaciones y sacar el promedio sblo porque aparentemente eso es lo correcto.

3 1 1 EFECTO DEL TAMAO DE LA MUESTRA

En cualquier proceso de muestreo, sin duda alguna, cuanto ms grande sea la muestra, tanto ms precisas sern nuestras afirmaciones finales. Aunque la precisin de un valor medio aumenta slo en proporcin directa a la raz cuadrada del nmero de observaciones de la muestra (ecuacin 3-5), de todos modos se incrementa, y las muestras ms gramdes tienen medias ms precisas. Puede haber, no obstante, restricciones de tiempo u oportunidad, y no siempre podemos obtener muestras del tamao deseable. En general, deber procurarse un acomodo entre las conflictivas exigencias de precisin y de tiempo, y un buen diseo experimental habr de tener en cuenta este arreglo en la planeacin preliminar. Sin embargo, en ocasiones puede ser necesario el contentarnos con muestras pequeas. Frente a esta indeseable eventualidad, debemos

42

ESTADISTICA DE LA OBSERVACION CAP. 3

estar conscientes de la magnitud de prdida resultante en precisin. Se da, en primer lugar, la influencia sobre el valor de la desviacin estndar de la media; cuanto ms pequea sea N , tanto mayor ser el valor de S, y ms amplio el intervalo en la escala de x que tiene el 68% de probabilidad de contenerel valor X del universo. En segundo lugar, para muestras pequeas debemos tenet una fe decreciente en el uso de la desviacin estndar de la muestra, S, como mejor estimacin del valor u del universo. Para ilustrar esto, recordemos la curva de distribucin para ladesviacin estndar de la muestra que apareceen la figura 3-6.Aqucabepreguntarse: dada la existenciadeestadistribucin, cun buena es nuestra "mejor estimacin" de la desviacin estndar del universo, y cmo vara sta con el tamao de la muestra? La respuesta ha de basarse enla amplitud de la distribucin de las desviaciones estndar de las muestras, y por tanto debemos calcular la desviacin estndar de esta distribucin.Esto se denomina la desviacin estndar de la desviacinestndar. (Obviamente este proceso, se comprende, podra aplicarse indefinidamente, pero, por fortuna, debemos detenernos en esta etapa.) El valor de la desviacin estndar de la desviacin estndar, calculada matemticamente a partir de la ecuacin de la distribucin Caussiana, es

(3-8)
De esta manera, la amplitud de la distribucin de desviaciones estndar de la muestra est relacionada con su valor central u por el factor numrico l / a L " f i . Como cabria esperar, la exactitud de la desviacin estndar de la muestra como mejor estimacin del valor del universo depende del tamao de la muestra. Por ejemplo, con un tamao de 10, la ecuacin 3-8 revela que nuestro valor S para la muestra aproximatiene un 68% de probabilidad de estar incluido en un rango de + damente a + u/4, del valor a del universo. En correspondencia, el intervalo que tiene un 95% de probabilidad de contener la media de la muestra tiene una amplitud de u/2 respecto del valor a del universo. Esto no representa una alta precisin en la medicin. Vemos, por tanto, confirmada la advertencia dada con anterioridad: los clculos estadsticoscon muestras pequeas debern intentarse slo cuando no exista otra alternativa. A fin de proporcionar una apreciacin global de la confiabilidad de las estimaciones de u a partir de muestras . de tamao diferente, la tabla 3-1 con4'2(N - 1) para valores diversos de N . tiene algunos valores representativos de

d a ,

Esos valores se ilustran en la figura 3-7 para N = 3, N = 10 y N = 100. Los lmites de + lu/S se han considerado en estas curvas, las cuales ilustran, para varios tamaAos de muestras, los intervalos en los que hay una probabilidad del 68% de que se encuentre la desviacin estndar de nuestra muestra. Para valores de N menores de alrededor de 10, es evidente que los intervalos para probabilidades del 68 o del 95% se vuelven tan grandes en comparacin con el valor central que casi no

SEC. 3-1 2 DESVlAClON ESTANDAR DE VALORES CALCULADOS

43

TABLA 3-1
a

Exactitud de lasestimaciones de a partir de muestras de tamao variable

d 2 ( N - 1) 1.4 2.0 2.4 2.8 3.1 3.4 3.7 4.0 4.2 5.2
6.1

68% de confianza 95% N 2 3 4 5 6 7 10 15 20 50

8 9

de confianza

2 3 4 5
6

0.7

7 8
IO

15
:10 :iO 1o0

1.2 1.4 1.6 1.7 1.8 2.0 2. I

2.6
4.9

1 .o

100

14.1

9.8

3.2

7.0

tiene sentido intentar una estimacin de u. Rara vez, pues, vale la pena intentar cualquier clase de anlisis estadstico con muestras que tengan menos de 10 observaciones. En todo caso, al presentar resultados de anlisis estadstico, es esencial sealar el tamao de la muestra. Si queremos que nuestros valores para la media y la desviacin estndar de la media sean interpretados segn la regla del 68 y el 95%, debemos proporcionar a nuestros lectores la oportunidad de juzgar la exactitud de nuestras estimaciones.

3-1 2 DESVIACION ESTANDAR DE VALORES CALCULADOS

En el captulo 2 consideramos la incertidumbre de valores calculados de z , y supusimos que la incertidumbre de las observaciones originales estableca intervalos dentro de los cuales estbamos casi seguros de que se encontraban los valores buscados. Partiendo de la hiptesis pesimista de que los errores en los diversos parmetros observados se combinaban del peor modo, calculamos el mximo rango de variacindel valor calculado a fin de llevar ste tan lejos del valor central como fuese posible. Ya hemos sugerido antes que esto representa u n enfoque poco prcticoy pesimista, y que u n parmetro ms til sera u n valor probable para 62, basado en las diferentes probabilidades asociadas con la desviacin de los parmetros originales x, y , etc., de sus valores centrales. Los lmites dados por este parmetro sern, naturalmente, menores que + 6 2 , pero esperamos que stos tengan una importancia cuantitativa real. Esta validez estadstica podr darse slo si las incertidumbres en x y en y son

44

ESTADISTICA DE LA OSSERVACION CAP. 3

n = 10

a)

U b)

n=3

C)

cstadsticamente significativas, y en los clculos que siguen supondremos que las mediciones de .Y y de y han sido lo bastante numerosas para justificar un cSlculo de las desviaciones estndar S, y S,. Esperamos ahora calcular un valor de S: que revihta la misma importancia para los valores de z que la que S , y S, tienen para x y -Y. Debemos, con todo, preguntarnos para empezar qu querernos decir con Suponemos que la medicin se da en parejas de observaciones x, .v obtenidas por repeticicin del proceso de observacin bajo condiciones idknticas (por ejemplo, l a corriente que pasa por un resistor y el voltaje entre sus extremos, medidos con la intencihn de calcular la resistencia R ) . Cada pareja de observaciones proporcionar un valor de z , y, si la repeticin da N pares, tendremos
S T .

SEC. 3-1 2 DESVIACION ESTANDAR

DE VALORES CALCULADOS

45

un conjunto de N valores de z que estn distribuidos de acuerdo con las flucS:, es la tuaciones en las mediciones originales. La cantidad que requerimos, desviacin estndar de ese conjunto de valores de z. Estos valores individuales de z acaso nunca se calculen uno por uno, pues hay una forma ms fcil de hacerlo. Podemos calcularlas medias X y 7 de los conjuntos de valores de x y y , y obtener 2 en forma directa valindonos de la premisa (vlida si S,, S, y Sr son pequeas comparadas con X, 7 y I , respectivamente), de que
-

Sin embargo, esta distribucin de los valores d e z nos da la importancia de la desviacin S; que estamos a punto de calcular. Si suponemos quelos universos de los valores dex, y y z tienen una distribucin Gaussiana, el parmetro a, (del cual nos disponemos a calcular la mejor estimacin en trminos de distintos valores de S z ) tendr la importancia usual; esto es, cualquier valor de z tendr una probabilidad del 68% de estar incluido a f u, del valor central. Como antes, sea

z = f (Y, y)

= f b ,Y )

y consideremos variaciones 6 xy S y que producen a su vez una variacibn 6z en el valor calculado de z . El valor de 6 z estar dado por

6z = - 6x
6X

Esta variacin puede emplearse valores diferentes de z , ya que

6Y para calcular la desviacin estndar de los N

62

i - 6y

6Z

Pero

S;

1 N

(ay)* =

st

46

ESTADISTICA DE

L A OBSERVACION CAP. 3

y, como para los fines presentes puede considerarse que Sx y Sy son variaciones

independientes,

Por esto. finalmente

Si z es una funcin de ms de dos variables, la ecuacin se extiende agregando trminos semejantes. De este modo, si las componentes de un clculo tienen desviaciones estndar con cierto grado de confiabilidad, puede hallarse un valor para la incertidumbre probable del resultado, donde probable tiene verdadera importancia cuantitativa.
El clculo se ha realizado en trminos de la varianza o desviacin estndar de las distribuciones de x y y . Sin embargo, en la prctica real, no se emplea la varianza de la muestra directamente; es preciso calcular las mejores estimaciones de a,, a,,, etc., y, de acuerdo conla ecuacin 3-6, utilizar el valor modificado de la desviacin estndar con denominador N - 1 en vez de N . El resultado final constituir entonces una mejor estimacin de oZ,La desviacin estndar de la media de z puede calcularse luego directamente usando la ecuacin 3-5, lo cual proporcionar los lmites que tienen un 68% de probabilidad de contener el valor fijo buscado.

Ntese que la mayora delos experimentos no se llevan a cabo de acuerdo con las suposiciones restringidas del desarrollo anterior. Si, por ejemplo, estamos estudiando la rapidez de flujode agua por un tubo, mediramos la rapidez de flujo, el radio del tubo, y la longitud de este por separado, y decidiramos luego la cantidad de observaciones en cada muestra con base en la precisin intrnseca de la medicin del caso. No podemos, por tanto, usar la ecuacin 3-9 directamente, ya que las diferentes desviaciones estndar Ss no son compatibles. La solucin estriba en calcular primero la desviacin estndar de la media para cada uno de los parmetros originales. Si stas se usan en la ecuacin 3-9, el clculo nos dar inmediatamente una desviacin estndar de la media de z.

3-1 3 DESVIACION ESTANDAR DE VALORES

CALCULADOS: CASOS ESPECIALES

Vamos ahora a aplicar la ecuacin 3-9 a unos cuantos ejemplos comunes. En todos los casos que siguen, se da por sentado quelas diferentes desviaciones es-

SEC. 3-1 3 DESVlAClON ESTANDAR

DE VALORES CALCULADOS: CASOS...

G

47

tndar S's son las mejores estimaciones del valor verso.

al Suma de dos variables

correspondiente al uni-

z = x + y

Aqu

Advirtase que este resultado justifica la ecuacin 3-7; el valor medio de una muestra, ( C x , ) / N ,es precisamente una funcin del tipo z = x + y , en dondex y y resultan ser mediciones independientes del mismo parmetro. De este modo, si
z = -N (x,+x2+x_l+.*.)

ax2

"

az

ax,

1/N

a' -

I/N

etc.

bl

Diferencia de dos variables

z=x-y

Aqu
az -=

ax

1,

"

a:? a.Y

= -1

pero, nuevamente

S, =

48

ESTADISTICA DE LA OBSERVACION CAP. 3

Recordando la seccin 2-8b, puede observarse que ese anlisis sobre la medicion de diferencias sigue siendo vlido.
cl Producto de dos variables

Y
S? = vy2sz

+ x2s.;

El calor especifico de S; con los valores particulares x, y y,, de x y y , puede obtenerse sustituyendo -u, y y , en las ecuaciones. Como erael caso para la incertidumbre de los productos, la ecuacin se expresa ms claramente en trminos de valores relativos de S, y obtenemos que

dl Variables elevadas a potencias

Aqu

z = xu

S;

z/nZ x ? ( u -

li

Sf

De nueva cuenta, esto resulta ms instructivo cuando se expresa en trminos de valores relativos:

SEC. 3-1 4 COMBINACION DE DISTINTOS TIPOS DE INCERTIDUMBRE

49

el

El caso general de potencias y productos

z = xayb
Los resultados de las dos secciones precedentes pueden, desde luego, ampliarse para dar:

En contraste con el caso de las incertidumbres combinadas, no hace falta conceder especial importancia a las potencias negativas de la funcin original; en la ecuacin para S,, las potencias ocurren en forma cuadrtica y automticamente producen un resultado positivo. Si se encuentra una funcin distinta a las ya sealadas, el empleo de la ecuacin 3-9 dar el resultado deseado. Cabe sealar,por cierto, que para una funcin de una sola variable la ecuacin 3-9 se reduce a la misma forma del caso de las incertidumbres, es decir la ecuacin 2-1. Esta correspondencia es predecible para una situacin en la que no tenemos la interaccin de probabilidad entre dos o ms variables. Por ltimo, aunque en las secciones 2-5 a 2-9 presentamos u n buen nmero de enfoques diferentes para el clculo de lmites externos de incertidumbres, la desviacin estndar de z es una cantidad definidaen forma exclusiva, y no hay alternativas al empleo de la ecuacin 3-9.

3-1 4 COMBINACION DE DISTINTOS TIPOS DE INCERTIDUMBRE

Para desgracia de la elegancia matemtica en los clculos, a menudo requerimos definir la incertidumbre en un resultado que incluye parmetros con diferentestipos deincertidumbre.Podemos, por ejemplo,necesitar la incertidumbre en

donde, x es una cantidad a la cual se le han asignado lmites exteriores + 6x, dentro de los cuales estamos casi seguros de que se encuentra su valor real, en tanto queyes una cantidad cuya incertidumbre es de naturaleza estadstica; tal vez se trate de unadesviacin estndar S , de la muestra, o de una desviacibn estndar &/<N, de la media. Y necesitamos determinar un ndice de incertidumbre

SO

ESTADISTICA DE LA OBSERVACION CAP. 3

para z . Nuestra primera dificultad es definir siquiera la incertidumbre en z. Estamos tratando de combinar dos parmetros que tienen, en efecto, curvas de distri cin completamente diferentes. Una es la funcin normal de Gauss; la otra es un rectngulo, limitado por los valores x, + 6x y x, - 6x,y plano en la parte superior, pues el valor real de x puede, por igual, darse en cualquier punto dentro del intervalo x, + 6x. Cualquiermtodogeneralpara resolvereste problema probablemente resulte demasiado complejo para el uso comn, pero disponemos ya de una aproximacin sencilla basada en el procedimiento que sigue. En el clculo de z utilizamos la media de la muestra, 7,para el valor dey, lo que implica que la media del universo considerado tiene una probabilidad de aproximadamente f deestar incluidoen el intervalo7 f Calculemos, pues, lmites de x que tambin tengan una probabilidad de f de encerrar el valor real. Como la distribucin de probabilidad de x es rectangular, f del rea bajo la curva de distribucin estn encerrados por lmites separados por una distancia igual a f del rango total deposibilidades, esto es, $ de 2 6x. La amplitud total del espacio con probabilidad de f es, por tanto, de de &x,y los lmites de incertidumbre son de f f 6x.

Sy/m

La cantidad $ 6 x es, por lo tanto, compatible con S , / m puesto que ambos se refieren a una probabilidad de f . Puede usarse ahora la ecuacin 3-9, introduciendo f 6x para el valor de la desviacin estndar de la media de .Y, y S J f l p a r a la funcin de y. Esto dar un valor de incertidumbre para z que puede interpretarse de acuerdo con laregla de los f . Ntese, empero, que los lmites para el 95% deprobabilidad no sonsimplemente el doblede amplios que para la probabilidad de f ; habra que calcular stos por separado utilizando el mtodo anterior.

3 1 5 RECHAZO DE RESULTADOS
Una ltima propiedad prctica de las curvas de distribucin tiene que ver con los valores que quedan fuera. Siempre existe la posibilidad de cometer una equivocacin, tal vez al leer equivocadamente una escala o al mover accidentalmente un instrumento entre el ajuste y la observacin. Nos veremos, por tanto, en la tentacin de justificar demodo parecido una observacin en particular que diverja claramente de lo que de otra forma sera un grupo compacto de valores. Esta, sin embargo, es una tentacin peligrosa, ya que la curva de Gauss permite la existencia de valoresdivergentes de la parte central de la distribucin. Ms an, una vez que admitamosla posibilidad de depurar las observaciones, puede resultar muy difcil saberdnde detenerse. Dependemos, pues, del juicio del experimentador. Esto noes precisamente irracional, puesto

CAP. 3 PROBLEMAS

51

que el experimentador sabe ms de la medicin que cualquier otra persona, ya que puede disponer de criterios para tomar decisiones que pueden ser muy tiles. Con el tiempo, se han formulado muchas reglas empricas para el rechazo de observaciones, pero stas deben utilizarse con prudencia. Sera ridculo, por ejemplo, aplicar una regla para rechazar un resultado que estuviera apenas fuera del lmite que fija la regla si hay, adems, otras observaciones justo dentro del lmite. Hay tambin la posibilidad de que se haya registrado informacin adicional relativa al resultado aislado en el momento mismo en que se verific, y eso puede ayudarnos a decidir considerarlo o rechazarlo. El consejo que deseamos al tomar este tipo de decisiones puede encontrarse en las propiedades de la disfribuciih Gaussiana. En una distribucin Gaussiana la probabilidad de obtener resultados fuera de los lmites de 20 es del 5% (como ya se vio); ms all de los lmites de 3a, es de f To, y fuera de los La decisin de rechazar relmites de 4a la probabilidad, es menor de 6 x sultados sigue siendo responsabilidad del experimentador, por supuesto, pero podemos afirmar, en trminos generales, que los resultados incluidos ms all de los lmites de 3a muy probablemente sean equivocaciones, y quedarn, por tanto, descartados al cabo. Sin embargo, puede surgir un problema a causa de nuestra falta de informacin acerca del universo de observaciones y sus parmetros X y a. Cuanto mejor seanuestroconocimientode a, ms seguros podremos estar de que cualquier observacin muy divergente y aislada proviene de una causa verdaderamente accidental, tal como un error humano, mal funcionamiento de los aparatos, etc. As, por ejemplo, si hemos efectuado 50 observaciones que se agrupan dentro del 1 % del valor central y obtenemos luego un resultado que se ubica a una distancia del 10% relativo, podemos estar razonablemente seguros para sugerir que esta ltima observacinno pertenece al mismo universo que las 50 precedentes. El requisito bsico, antes de justificar cualquier rechazo, es confiar en la distribucin principal delas observaciones del caso. Sin duda alguna, no hay justificacin para aceptar dos resultados y rechazar luego una tercera medicin sobre la base de u n criterio de 3a. A menos que el argumento del rechazo sea plenamente convincente, la mejor opcin es considerar todas las observaciones, nos gusten o no. Tambin es sensato recordar que muchos de los principales descubrimientos de la fsica tuvieron su origen en observaciones que diferan de lo esperado.

PROBLEMAS
Las siguientes observaciones referentes a ngulos (dadas en minutos de arco), se efectuaron al medir el espesor de una pelcula de helio liquido. Suponga que las observa-

52

ESTADISTICA DE LA OBSERVACION CAP. 3

&mes reflejan incertidumbre al aLar, y que son una muestra de un universo de Gauss. Apliquelas en seguida en los problemas 1-14.
34 38 33 38 38 36 3.5 47 43 36 40 32 36
40

31 33 40

46 4.5 36 43 38 32 48 40

40 38 39

34

34

1. Dibuje el histograma de las observaciones. 2. Identifique la moda y la mediana. 3 . Calcule la media. 4. Calcule la mejor estimacin de la desviacin estndar del universo. 5. Calcule la desviacin estndar de la media. 6. Calcule la desviacin estndar de la desviacin estndar 7. a) Dentro de qu lmites hay una probabilidad del 68% de que est incluida una observacin particular? b) Qu lmites dan una probabilidad del 95%? 8. ;Dentro de qu lmites la media tiene a) una probabilidad del 68%, y b) una probabilidad del 95% de estar incluida? 9. Dentro de qulmites la desviacin estndar de la muestra tiene a) una probabilidad del 68%, y b) una probabilidad del 95% de estar incluida? IO. Calcule el valor de la constante h en la ecuacin de la distribucin Gaussiana. 11. Si hubiramos obtenido una observacin individual de 55 en el conjunto, se decidira por aceptarla o por rechazarla? del conjun12. Tome dos muestrasescogidas al azar, de cinco observaciones cada una, to principal de observaciones. Calcule las medias y desviaciones estndar de las muestras para ver cmo se relacionan entresi y con los valores ms precisos obtenidos del grupo total. 13. Si el experimento requiere que la desviacin estndar de la media no sobrepase el I oio del valor de la media, jcuntas observaciones se requiere hacer? 14. Si la desviacin estndar de la distribucin del universo ha de definirse dentro del 5%, jcuntas observaciones debern efectuarse? 15. Una serie de mediciones consecutivas del dimetro del corte transversal circular de un Alambre, dio por resultado una media de .62 mm con una desviacin estndar de la muestra de .O4 mm. Cul es la desviacin estndar del valor calculado para el rea de corte transversal? 16. Al medir la longitud de onda de las dos lneas amarillas del espectro del sodio, kstas resultan de 589.1 I x 10-9my 589.68 x 10-9m, respectivamente, cada una con desm. Cul es ladesviacin estndar para la diferencia viacin estndar de .15 x calculada de longitud de onda entre las dos lineas?

CAP. 3 PROBLEMAS
17. Sc u\a u n pndulo simple para medir
,~

53

de T dan una media de 1.82 seg y una desviacin estndar de la muestra de .O6 seg. Diez mediciones de I dan una media de.823 m y una desviacin estndar de la muestra de .O14 m. Cul es la desviacin estndar de la media para el valor calculado de g?

usando T = 2a.\i//g . Veinte mediciones

4
Pensamiento cientfico y experimentacin
4-1

OBSERVACIONES Y MODELOS
En este captulo examinaremos brevemente la naturaleza de la actividad cientfica, con la esperanza de que se vea cmo los diferentes tipos de experimentacin surgen en forma natural de los problemas que se encaran en diversas circunstancias experimentales. Para comprender mejor la naturaleza del pensamiento cientfico, es til volver a los fundamentos y simular que estamos creando un nuevo campo de investigacin cientfica desde el principio.

al

identificacin de las variables significativas

travs de la observacin, un fenmenototalmente nuevo, nuestra primera pregunta natural es: qu causa esto? Esta fuela interrogante que se hizo con respecto a la difraccin de la luz, la radiactividad, la superconductividad, las pulsaciones, y casi con todos los fenmenos fsicos. Es la misma pregunta que se sigue haciendo con relacin a la naturaleza de las partculas elementales, los cambios climticos, el cncer y, por supuesto, muchos otros temas. Plantear preguntas sobre las causas originales, empero, puede conducirnos a dificultades filosficas, y es mejor reconocer que nuestras preguntas naturales sobre las explicaciones de los fenmenos fsicos en realidad se refieren a las relaciones entre las variables observadas. Normalmente, la primera fase de investigacin sobreun fenmeno nunca antes estudiado consiste en una bsqueda de las variables que parecen estar relacionadas. Mediante la identifi54

AI encontrar,a

SEC. 4-1

OBSERVACIONES Y MODELOS

55

cacin de estas variables significativas, reducimos el campo de investigacin a niveles prcticos y facilitamos el trabajo sistemtico tanto a nivel experimental como terico. Por ejemplo, un punto de partida vlido para una teora de la evolucin biolgica puede ser una proposicin sobre observaciones relacionadas como sta: los tipos de fsiles estn relacionados con la edad de las rocas en que se hallan.

Es interesante notar que, enesta etapa inicial del quehacer cientfico, podemos plantear proposiciones relativamente definidas porque estamos considerando observaciones reales. Esto explica la reputacin de que las actividades cientficas conducen a la verdad cientfica sobre el universo. Tal proposicin, sin embargo, debe restringirse a laetapa inicial del diagnstico, en la cual identificamos las variables significativas del caso.A esta etapa le siguen otras, en las que nos ocupamos de un tipo de actividades totalmente diferentes.
bl
Concepto del modelo

Una vez que hemos analizado nuestro fenmeno nuevoy estemos conscientes de las variables significativas, podemos pasar al siguiente nivel de complejidad. Para ilustrar esta etapa, consideremosun ejemplo elemental: supongamos que vamos a pintar una pared y queremos saber cunta pintura habr que comprar. Debemos conocer el rea de la pared, as que, qu podemos hacer? Nuestra reaccin natural sera-medir la longitud de la pared y su altura, y luego multiplicarestascantidades. Pero, esto qu nos dara? Adems, qu nos hace creer que el producto resultante tiene algo que ver con la pared? Cuando multiplicamos estos dos nmeros, efectivamente obtenemos algo: el rea del rectngulo del todo imaginario definido poresas dos dimensiones. Esto puede guardar o no alguna relacin con el rea de la pared. Lo importante es darse cuenta de que estamos tratando con dos categoras completamente diferentes. Primera: est la pared real cuya rea desearnos conocer. Segunda: est el rectngulo conceptual, por completo inventado, construido a partir de definiciones,existente slo en nuestra imaginacin, y, que en este caso, se especifica con las dos longitudes medidas. Por lo general no somos conscientes de esta distincin tan importante, porque todos estamos tan familiarizados con el concepto de los rectngulos que una simple casi inconsciente mirada a la pared nos da la seguridad de que un rectngulo es una representacin satisfactoria de ella. Pero supongamos que no fusemos capaces de discernir de este modo, y que estamos ciegos y no hemos hecho ms quemedir la base y un lado dela pared, sin pensar en los ngulos o cualquier otra propiedad de la misma. Podramos multiplicar nuestras dos dimensiones para obtener un rea que no tuviera relacin alguna con una pared cuya forma resultara ser la de un paralelogra-

56

PENSAMIENTO ClENTlFlCO

Y EXPERIMENTACION CAP.

mo. Para evitar incurrir en este tipo de error, como experimentadores ciegos tendramos que recordar que el proceso de multiplicacin nos da el rea de un rectngulo meramente hipottico, y que esa rea resultar significativa para la pared slo en la medida en que la construccin hipottica est en correspondencia con la pared real. Para verificar esa correspondencia, tendramos que conocer las diversas propiedades de los rectngulos, y comparar tantas deesas propiedades con la pared real como fuese posible. Tendramos que probar con propiedades como rectitud de los lados, esquinas en ngulo recto, igualdad de las diagonales, etc. Slo despus de haber comparado una cantidad suficiente de propiedades entre la construccin rectangular y la pared real, y de encontrar que se corresponden en forma adecuada, podremos confiar en que el rea del rectngulo imaginario es una aproximacin suficientemente buena con respecto al rea real de la pared en cuestin.
Ya hemos identificado una distincin muy importante: por una parte, lenemos el mundo real y nuestras percepciones de l; por la otra, las construccioa partir de conjuntos dedefiniciones. nes hipotkticas,imaginarias,creadas Una construccin de stas se denomina a menudo modelo de la situacin, y el uso de los modelos es casi universal en nuestro pensamiento, sea stecientifico o no. El pintor tiene en mente un rectngulo imaginario cuando se propone pintar la pared. Adems de la flor real en su mano, el botnico est consciente del concepto de esa especie, definida por una lista comn de propiedades. El economista que estudial a economa de un pas desarrolla un conjunto de definiciones y ecuaciones cuyas propiedades I espera que sean semejantes a aqullas berdaderas de la economa real. Los modelos nos proporcionan un marco de referencia para el pensamiento y la comunicacin, una descripcin esquemtica de los sistemas, una base para el clculo, una gua para el estudio futuro, y muchas otras ventajas.

Los modelos son de muchos tipos diferentes, pero tienen una caracterstica en comn: son conceptos inventados. Se construyen conla intencin de que correspondan tan exactamente como sea posible con el mundo real, mas nin-, gn modelo puede ser jams una rplica exacta de su contraparte real. Pertenecen a diferentes categoras: una paredno puede ser realmente un rectngulo, ni una rueda u n crculo. Sin embargo, las propiedades de un modelo pueden ser semejantes a las del mundo real, y, en trminos generales, un modelo resulta iltil en la medida en que s u 5 propiedades si corresponden con las del mundo real.
cl Comparacin entre los modelos y el mundo real

AI emprender u n experimento cientifico normalmente no estamos conscientes de la medida en que las propiedades de nuestro modelo y las de su contraparte en el mundo real se corresponden, y es necesario, como fundamento para todo

SEC. 4-1

OBSERVACIONES Y MODELOS

57

trabajo posterior, empezar probando el modelo contra el sistema real. Slo si se demuestra experimentalmente que las propiedades del modelo guardan una correspondencia adecuada con las del sistema real tendremos razn, como el pintor que se dispone a solicitar la pintura, para dar el siguiente paso. De paso, debemos advertir que, para que sea til desde el punto de vista cientfico, un modelo o concepto debe ser efectivamente verificable mediante la observacin. De este modo, una proposicin relacionada con el nmero de ngeles que pueden danzar sobre la cabeza de un alfiler no puede merecer el calificativo de cientfica. Esto no quiere decir que las nicas ideas tiles son las que podemos verificar con la experiencia; slo que hay proposiciones que pertenecen a campos ajenos a la ciencia. Esas otras proposiciones podrn ser perfectamente vlidas, tal vez como enunciados matemticos o filosficos, o como juicios ticos o estticos.
dl
Refinamiento de los modelos

En general, una situacin experimental incluir, primero, al sistema mismo y, segundo, a un modelo o modelos del sistema. Sin importar qu otro factorest comprendido, ser una parte esencial de la tarea del experimentador el comprobar las propiedades del modeloen comparacin con las propiedadesdel sistema real. Inevitablemente, en principio, nuestro modelo ser incompleto e inexacto. Por ejemplo: retome-mos el caso del pintor y la pared. Si el pintor verifica, con precisin cada vez mayor, las propiedades de los rectngulos en comparacin con las de la pared, casi con certeza llegar a un punto en el que comenzar a encontrar discrepancias. En ese momento, podr modificar su modelo: un ngulo aqu, una longitud all, etc., para hacerlo ms correspondiente con la pared real, y el rea calculada constituir una estimacin cada vez ms exacta del rea real de la pared. Sin embargo, aun conestos ajustes el modelo sigue siendo un concepto inventado, y e l rea calculada conbase en I pertenece al modelo. En el trabajo cientfico, en general, debemos sentirnos en libertad de modificar o cambiar nuestros modelos en el momento en que sea necesario. Para empezar, el modelo es una construccin nuestra, y se trata slo de una idea presente en nuestras mentes. AI proponernos efectuar un cambio, por tanto, nuestra nica consideracin ser la utilidad bsica de la idea, y el mayor provecho que aporte si se modifica de alguna forma. Puesto que probablemente es imposible construir una descripcin verbal o matemtica de un fragmento de la realidad natural que sea un equivalente exacto y completo de ste, es preciso aceptar que un proceso de refinamiento continuo y de eventual reemplazo de los modeios, forma parte natural del acontecer cientfico. Y es asunto propio normal de los cientficos, ya sean puros, aplicados o sociales, el aplicar el

58

PENSAMIENTO ClENTlFlCO Y EXPERIMENTACION CAP.

proceso de comparar modelos y sistemas en una bsqueda continua del mejoramiento de los modelos. Por lo general, esto no es un proceso fcil, pues los modelos que tenemos ahora son tan buenos como las generaciones de cientficos han sido capaces de hacerlos a lo largo de la historia. Por otra parte, no hace falta preocuparnos enteramente por el mejoramiento delos modelos. Aunque ningn modelo pueda ser el equivalente exacto de la situacin real, con frecuencia las propiedades de nuestros modelos y sistemas se corresponden suficientemente bien para nuestros propsitos. Si es as, no es necesario preocuparnos por las fallas subyacentes. Podemos proceder confiados a efectuar nuestra tarea particular, siempre que recordemosvolver a verificar peridicamente la situacin que nos ocupa, y confirmar la adecuacin continua del modelo.
e]

La construccin de modelos en la historia de la ciencia

Con el bosquejo anterior, es posible que uno tenga la impresin de que en el desarrollo cientfico hay cierto tipo de secuencia nica que va de la observacin a la generalizacin y de esta al modelo. De hecho, el pensamiento cientfico con mucha frecuencia evolucion de esa manera. Sin embargo, la secuencia no es invariable.Haymuchosejemplosdeunaideabsicainventada,que constituye el fundamento de un modelo, que fue fruto de la especulacin pura de su creador, sin que el mismo estuviera consciente de las observaciones que podan asociarse directamente con su conjetura. Cabe recordar, por ejemplo, la especulacin de De Broglie sobre el modelo ondulatorio de la materia, que se public en 1924 antes de que ninguno de los fenmenos pertinentes fuese observado en forma directa, o la invencin de Fermi del concepto del neutrino casi cuarenta aos antes de su observacin directa. No hay un proceso nico de investigacin cientfica, un mtodo cientfico exclusivo. Las ideas y las observaciones tienden a entremezclarse de un modo u otro en su avance, sin una preeminencia automtica de una sobre las dems. Con todo, independientemente del orden preciso que siga una investigacin, hay un aspecto que permanece invariable: la actividad fundamental de la experimentacin cientfica consiste en comparar las propiedades de los modelos con las propiedades correspondientes del mundo real.

No hemos examinado en absolutolos procesos mediante los cuales se introducen nuevas ideas como base de teoras totalmente nuevas. Es relativamente fcil comprender cmo una idea existente puede sufrir un proceso de refinamiento continuo y adquirir una correspondencia cada vez ms estrecha con la observacin pertinente,sin que haya modificacin alguna de los conceptos fundamentales de la teora en cuestin. (Consideremos, por ejemplo, la teora de Ptolomeo sobre los epiciclos planetarios.) Por otra parte, una teora

SEC. 4-1

OBSERVACIONES Y MODELOS

59

como la de la relatividad general de Einstein, o la mecnica ondulatoria de Schroedinger, pueden proponerse solamente despus de realizar una revisin completamente radical de los conceptos y modos de pensar bsicos. Una revisin as no es fcil, en parte porque nuestras ideas actuales tienden a conformar los procesos de observacin de tal manera que se induce la concordancia entre el concepto y la observacin. Un concepto, definicin o principio por largo tiempo establecido, por su misma familiaridad, a menudo restringe nuestra visin de modo que slo vemos lo que estamos condicionados a ver. Esto puede dificultarnos advertir la discrepancia, tal vez pequea pero decisiva, que puede originar una revisin radical del pensamiento al respecto. La manera en que estas grandes revoluciones del pensamiento cientfico hanocurrido, se describen en los libros de Kuhn, Cohen, y Harr sealados en la Bibliografa. Podra pensarse que, despus de esas grandes revoluciones, un modelo o teora superados seran descartados inmediatamente para hacer lugar al substituto. De hecho, muchos modelos o teoras no han gozado de utilidad duradera: hoy da no se oye mucho acerca del flogisto, o de los elementos tierra, fuego, aire y agua; pero ste no es siempre el caso. Muy a menudo un modelo superado tiene una correspondencia tan aceptablemente buena con el sistema que, por lo comn y en atencin a la sencillez, puede seguir siendo muy til, toda vez que no esperemos obtener la mayor precisin que es posible lograr, lo sera slo si utilizramos un modelo de mayor generalidad.
fl
Comparacin detallada entre modelos y sistemas

Resumiendo nuestro anlisis hasta ahora, tenemos cuatro componentes en el esquema de investigacin cientfica: 1) la observacin, 2) una idea construida en nuestra imaginacin, 3) el proceso de comparar las propiedades de la idea con el mundo real, y 4) la posibilidad de modificar progresivamente la idea para mejorar la concordancia entre el modelo y el sistema. Nos ocuparemos ahora de los procedimientos reales con los que podemos compararlas propiedades de modelos y sistemas. A este efecto no bastar tener un concepto grfico, un tanto vago, de la situacin: para proporcionar una base adecuada de comparacin debemos ser tan explcitos como sea posible. Por lo comn, esto requerir Ilevar a cabo una observacin cuantitativadel sistema y emplear procedimientos matematicos para especificar el modelo. Veamos en seguida algunos ejemplos especficos y analicemos los distintos niveles de complejidad en la construccin de modelos. Consideremos una banda elstica colgada de su extremo superior, y de cuyoextremoinferiorpodemoscolgar pesos. La forma msrudimentariade ideacin respecto a las propiedades del sistema sera una descripcin verbal de su comportamiento. Podramos afirmar algo como conformecuelgo ms

60

PENSAMIENTO ClENTlFlCO

Y EXPERIMENTACION CAP.

pesos del extremo de la banda elhstica, sta se estira ms. Esta descripcin verbal y su observacin repetida en otras partes podra llevarnos a inventar el concepto general de estiramiento para servir de modelo. Pero si queremos refinar el modelo para hacerlo ms til en una comparacin detallada con la observacin, nuestros mtodos de descripcin puramente verbales comenzarn a fallarnos. En efecto, no podemos perfeccionar un concepto tan vago como el estiramiento sin recurrir a la precisin descriptiva que nos permiten los mtodos de expresin numrico y matemtico. Podramos entonces hacer una serie de mediciones del alargamiento de la banda elstica en funcin del peso aplicado, con la expectativa de que stas nos sugieran un concepto ms explcito. Obtendramos as una serie de observaciones como las que se muestran en la tabla 4-1. (Ntese que nuestra intencin es conocer los pesos con exactitud, de modo que, en aras de la simplificacin, hacemos caso omiso de la incertidumbre en cllas. Las longitudes son mediciones hechas por nosotros, por lo que han de expresarse en trminos de incertidumbre.) Ahora que tenemos las medidas, nos dan stas una descripcin completa y adecuada del comportamiento del sistema? En realidad no. Es difcil juzgarlo a partir de un conjunto de cantidades en una tabla, y es mucho mejor hacerlo basados en alguna forma de presentacin visual. Una simple grfica de las observaciones comprender toda la informacin contenida en la tabla, y proporcionar, adems, el enorme beneficio de facilitar la apreciacin visual de los resultados. Presentamos, pues, un diagrama como el de la figura 4-1, en el que hemos graficado, adems de los valores centrales de las variables medidas, los inlervalos reales en los que las observaciones de alargamiento resultaIron inciertas. Advirtase que no hemos hecho ms que representar las observaciones en la grfica. En esta etapa el conjunto de observaciones es lo nico que tenemos, y no hay justificacin para incluir nada mis en la grfica..

TABLA 4-1 Alargamiento vs. peso e n una muestra elstica.

Peso, kg

Alargamiento, m

0.05

0.15 0.20 0.25 0.30

o. 10

0.03 t- 0.01
0.04 0.08 o. 13 0.19

0.35

0.40 0.45

o.34

0.30

0.38 0.39

SEC. 4-2

CONSTRUCCION DE MODELOS

61

0.4

6 P

0.3

G) ._

0.2

o. 1

I
Figura 4-1

o. 1

0.2

0.3

0.4

Peso. kg

Grfica del alargamiento m . peso en la muestra elbrica hule

Esto completa la primera etapa del proceso: la observacibn. Ahora debemos de emprender la siguiente etapa de construccin de u n modelo, o modelos, del sistema.

4-2

CONSTRUCCION DE MODELOS
El tipo de proceso quese requiere en las diversas etapas depende mucho del experimento en particular. Por ejemplo, podemos estar experimentando sobre un fenmeno para el cual no hay directrices previas. En este caso nuestra tarea podra consistir en generar dgn tipo de modelo. Por otra parte, podramos tener alguna propuesta o teora previa que pudiese ser aplicada a nuestro sistema, creando as un modelo. Cualesquiera que sean las circunstancias, haremos una distincin entre los modelos quesonempricos y los que son tericos. Por modelo emprico entenderemos el que est basado solamente en las observaciones, sin referencia alguna a la operacin interna y detallada del $istema. El proceso de construccin y su utilidad respectivas se describirn ms

62

PENSAMIENTO ClENTlFlCO

Y EXPERIMENTACION CAP. 4

adelante. Por otro lado, un modelo terico se construye en forma ms general, no slo para un intervalo particular de observaciones, y se basa en algn concepto o principio sobre el modo actual de operacin del sistema. La naturaleza de los modelos tericos y su utilidad, tambin sern analizados. Consideremoscada tipo por separado. al
Modelos empricos

En esta seccin supondremos que hemos efectuado un conjunto de observaciones sobre un sistema para el cual no existe un modelo. Por tanto, todo lo que tenemos es un grupo de observaciones sobre alguna propiedad del sistema. Podra tratarse, digamos, de las mediciones de peso vs. alargamiento en nuestra grfica banda elstica, y los resultados probablemente tomaranla forma de una como la de la figura 4-1. Nuestro problema, entonces, es construir un modelo adecuado. Qu podemos hacer? Hay varias posibilidades, y las consideraremos en orden de complejidad creciente.
1) Enunciado verbal. El modelo ms sencillo de todos sera una simple descripel pecin verbal de la variacin: !El alargamiento aumenta uniformemente con so, segn una curva en forma de S. Ntese que an esta sencilla frase es una , construccin. Tan pronto como dejemos de considerar las observaciones individuales y empecemos a ocuparnos de la variacin del alargamiento con el peso, habremos realizado la transicin de enunciados sobre observaciones particulares a conjeturas elaboradas sobre el comportamiento del sistema. Incluso una proposicin imprecisa como la antes sealada podra, con mediciones ms minuciosas, resultar insatisfactoria. Quizs, por ejemplo, la variacin sea escalonada y no continua. Se hace hincapi aqu en la naturaleza hipottica de tales afirmaciones, como recordatorio de que siempre debemos estarconscientes de la distincin entre afirmaciones sobre las observaciones mismas, y afirmaciones que parecen referirse a las observaciones, pero que en realidad son afirmaciones sobre nuestras ideas concernientes a las observaciones.

2) Trazar una curva continua por los puntos. La siguiente etapade complejidad relativa en la construccin de modelos est representada por un proceso que suele llevarse a cabo tan comnmente (por lo general sin la debida apreciacin de su importancia) que recibe el nombre del encabezado de esta seccin. Recordemos de paso que, comovimos al principioen la grfica de observaciones (figura 4-1), sta contiene los puntos observados y nada mcis; an no tenemos fundamento paraincluir nada ms enel diagrama. Ineludiblemente, habr cierta dispersin en los puntos por su incertidumbre inherente, pero es posible basar la construccin de nuestro modelo sobre la hiptesis bsica y nica de que, pese a la incertidumbre y la dispersin, el comportamiento real del sistema es suave y continuo. Ntese que ste es nuestro concepto o idea, y

SEC. 4-2

CONSTRUCCION DE MODELOS

63

que, cuando trazamos una curva suave (figura 4-2) por los puntos, estamos dando por sentada su validez para el sistema. La hiptesis de un comportamiento suave y continuo puede ser vlida con un alto grado de exactitud para muchos sistemas, como, por ejemplo:el movimiento planetario, para el cual se idearon por vez primera muchos delos procedimientos conocidos parael tratamiento de observaciones. Sin embargo, en todos los casos la responsabilidad de decidir suponer o no un comportamiento suavey regular recae en el experimentador, y la suposicin deber hacerse solamente si la familiaridad con el sistema lleva a la conviccin cuidadosamente considerada de que es vlida. Las ventajas de suponerun comportamiento regular y de trazar una curva suave por los puntos, pueden ser sustanciales. Uno de los beneficios ms obvios est asociado con la interpolacin y la extrapolacin. Consideremos que tenemos el conjunto de observaciones mostradas originalmente en la figura 4-1, y quehemostrazadounacurvacontinuapor los puntos segn se muestra en la figura 4-2. Nuestro conocimiento del sistema es bueno en los

o. 1
Figura 4-2

0.2

0.3

0.4

Peso. kg

Unacurvasuave

por las observaciona.

64

PENSAMIENTO ClENTlFlCO Y EXPERIMENTACION CAP. 4

0.4

E
+-

0.3

.a, _

d
C

P m 3 0.2

o.1

o.1

I 0.2

0.3

0.4

Peso, kg

puntos en los que se han hecho mediciones reales. Sin embargo, si deseamos conocer el valor del alargamientoparaun pesointermedioentredosde nuestros valores medidos, tendremos un problema. Podramos reutilizar los dispositivos y hacer la medicin deseada, pero por muchasrazones este plan de accin podra resultar ya sea imposible o indeseable. Nos quedamos entonces slo con la posibilidad de inferir el valor deseado sobre la base de las mediciones practicadas. La curva suave y continua que hemos trazado proporciona una forma de hacerlo, comose muestra en la figura 4-3. Debemos, no obstante, tener cuidado de recordar queel resultado obtenido por interpolacibn es un valor inferido, dependiente de nuestra eleccin sobre la curva suave. De manera similar, puede emplearse una curva suave y continua para extrapolar ms all del intervalo existente de valores, como se muestra en la figura 4-4. Este procedimiento nos permite hacer conjeturas sobre valores fuera del intervalo medido, pero la validez del procedimiento obviamente es mucho ms limitada que en el caso de la interpolacibn. Debemos tener muy buenas razones para creer que el comportamiento del sistema sigue siendo regular ms alldel inter-

SEC. 4-2

CONSTRUCCION DE MODELOS

65

0.4

6 * c a, ._

0.3

0.2

0.1

0.1

0.2

0.3

0.4

Peso, kg

valo medido, porque la variacin uniforme dentro del intervalo medido no ofrece, por s misma, ninguna garanta sobre u n margen ms amplio de comportamiento (figura 4-5).

Los mtodos matemticos para la interpolacin y extrapolacin se presentan en el Apndice 3 , y pueden aplicarse para obtener valores intermedios mediante el clculo, sin trazar efectivamente la cllrva suave. Estos mtodos, con todo, siguen siendo dependientes de la hiptesis de comportamiento regular y continuo del sistema, y los valores inferidos basan su validez en la confiabilidad de esa suposicin.
Debido a quela validez de la interpolacin y la extrapolacin est limitada por la suposicin de un comportamiento suave y regular, del sistema considerado, las oportunidades de error abundan. Si, por ejemplo, le presentramos a alguien la grfica de temperatura contra tiempo (figura 4-6), sin especificar el sistema, y le pidiramos que infirierael valor de la temperatura para u n tiempo intermedioentredosvaloresmedidos, la respuesta uwal es el valor que

66

PENSAMIENTO ClENTlFlCO Y EXPERIMENTACION CAP. 4

Figura 4-5

La extrapolacin no es una de las ciencias exactas.

muestra la grfica. Podramos revelarle entonces que la grfica representa las temperaturas al medioda de los primeros das del mes, y que estamos preguntando por una temperatura a la medianoche. De igual manera, a cualquiera que crea en la validez infalible de la extrapolacin se le puede preguntar por qu no ha ganado una fortuna en la bolsa de valores. Antes de dejarel tema del trazado de curvas suaves por los puntos, rnerece mencionarse un procedimiento final. Comnmente encontramos grficas en las cuales los puntos se han unido mediante segmentos de lneas rectas (figura 4-7) o alghn artificio similar. Cmo debemos interpretarun diagrama de este tipo? Seguramente no nos estn pidiendo que creamos que esos segmentos representan el comportamiento del sistema entre los puntos medidos, y el nico beneficio posible parece ser el proporcionar cierto tipo de nfasis. A veces, en un diagrama con varias grficas, las cuales posiblemente se intersecten, los segmentos en cuestin si nos ayudan a identificar las diferentes grficas, ya que esos segmentos no representan con satisfaccin a ninguno de los dos compo-

SEC. 4-2

CONSTRUCCION DE MODELOS

67

Tiempo Figura 4-6 Uso potencialmente lala/ de la interpolaciim.

nentes bsicos de la experimentacin, es decir las observaciones y los modelos, raramente son benficos y al usarlos pueden llevarnos a resultados engaosos. Para el trabajo cientfico no se recomiendan, excepto en casos especiales.

3) Bsqueda de funciones. Como una forma ms elaborada de trazar curvas continuas por puntos, podemos usar una variedad de mtodos matemticos para encontrar una funcin analtica quese ajuste a esos puntos. Desde luego, pese a toda la elaboracin matemtica que representan, estos procedimientos todava dependen para su validez de la suposicin bsica de un comportamiento regular en el sistema; las curvas y funciones asociadas constituyen nurslro concepto del comportamiento del sistema. Con todo, las funciones generadas empricamente para ajustarse a conjuntos de observaciones pueden ser m u y tiles. Como modelos matemticos del sistema pueden, con precisihn variable, aplicarse paraobtener valoresinferidosdealgunascaractersticas del sistema. Por ejemplo, se pueden usar modelos matemticos de la economa nacional para evaluar el efecto probable sobre el producto nacional bruto de u n

68

PENSAMIENTO ClENTlFlCO Y EXPERIMENTACION CAP. 4

cambio en las tasas del impuesto sobre la renta, o, en otro caso de precisin ailn mayor, los modelos matemticos del movimiento planetario nos permiten predecir la hora de la salida del Sol maana por la maana o la echa del prximo eclipse. Por ahora basta sealarla posibilidad de construir modelos matemticos empricos del sistema. Los mtodos respectivos se describirn en el caplulo 6.
b]
Modelos tericos

L o s modelos tericos son parte de nuestra ya familiar fsica teirica. Todas las teoras analticas en la fsica se construyen con bloques conceptuales blisicos, como definiciones, axiomas, hiptesis, principios, etc., seguidos de una deri\,acin analtica a partir de estos puntos bsicos de partida. Como todos l o s elernentosde las teorassonconstruccionesde la imaginacinhumana, l a s

MODELOS SEC. 4-2 CONSTRUCCION DE

69

teoras mismas y los resultados de stas son, de igual manera, construcciones imaginarias. Su pertinencia para los sistemas reales deber evaluarse a travs de la experimentacin. Vamos a ilustrar la situacin usando un ejemplo particular. Consideremos un sistema en el que podemos soltar un baln de acero para que caiga libremente por efecto de la fuerza de gravedad, y midamos su tiempo de cadadesde diferentes alturas. Si quisiramos construir un modelo emprico de este sistema, podramos simplemente medir el tiempo de cadadesde varias distancias diferentes y graficar los resultados, que se veran como algo parecido a la figura 4-8. Podramos aplicar entonces alguna de las tcnicas de la seccin precedente para obtener un modelo emprico del sistema. Si, en cambio, quisiramos construir un modelo terico de la misma situacin, nuestro enfoque sera completamente diferente. Tendramos queescoger un conjunto de axiomaso hiptesis bsicos a partir de las cuales derivaramos los resultados requeridos. Por ejemplo, podramos decidirnosa usar comohiptesis bsica un valor supuesto dela aceleracin del baln:
a =

9.81 m seg-2

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

Distancia, m

Figura 4-8 Grfica del tiempo de cada vs. distancia para un objeto con cada

libre.

70

PENSAMIENTO ClENTlFlCO

Y EXPERIMENTACION CAP.

Ntese que esta hiptesis ya contiene varios supuestos acerca del sistema, con lo cual se inicia nuestro proceso de construccin de un modelo inventado. Por ejemplo: al escoger un valor constante para la aceleracin, implcitamente estamos despreciando la presencia de resistencia del aire. Tenemos todo el derecho de hacerlo. Comoel modelo es nuestro, somos libres de construirloen la forma que nos plazca. Que tal hiptesis lo haga un buen modelo o no, es algo que an no podemos asegurar. Como segundo ejemplo, estamos despreciando tambin los efectos asociados con la relatividad general, y si sta es una falla grave o no igualmente estar por verse. Por supuesto, deberamos tratar deestimar por adelantado la validez de las suposiciones que estn implcitas en el modelo,peroconfrecuencianuestracapacidadparahacerlo es limitada. Siempre existe algn punto en el cual tenemos que decidirnosa empezar la experimentacincon el modelo tal como est, y apoyarnos en los resultados experimentales para saber si acaso es necesario un refinamiento adicional del modelo. Suponiendo quelos mtodos del clculo diferencial seanapropiados para nuestro problema, podemosproceder con la derivacin. Por integracin, obtenemos que:
D =

9.81t

(suponiendo o

O en t = O)

Y
x =

9.81 t2

(suponiendo x

O en t = O)

En el curso del razonamiento, todos los supuestos que se incluyen constituyen nuevos componentes del modelo. El resultado final para la variable medible, el tiempo de cada, es una propiedad del modelo. Su aplicabilidad al sistema deber ser el siguiente tema de investigacin.

4-3

PRUEBA DE MODELOS TEORICOS

Consideremos ahora un experimento real de cada libre bajo la accin de la gravedad que dio los resultados que se muestran en la tabla 4-2. Estas mediciones describen el comportamiento del sistema. Tambin tenemos el comportamiento del modelo en la forma de la funcin obtenida analticamente:

SEC. 4-3

PRUEBA DE MODELOS TEORICOS

71

TABLA 4-2 Tiempodecadamedido experimentalmente vs. distancia, para un objeto en cada libre.
Distancia, x, m
.1 .2 .3 .4 .6 .7

Tiempo, t, seg
,148 ? .O15 ,196 ,244 ,290 ,315 ,352 ,385 ,403

.5

.8

Nuestra tarea consistir, en cierto modo, en comparar esos dos resultados, aunque no est del todo claro cmose har esto. Una sugerencia sencilla sera introducir los diversos valores de x en la ecuacin y calcular los valores correspondientes de t. Luego podramos comparar stos con los valores medidos. Si coinciden exactamente, quiz podramos confiar en que el sistema y el modelo se corresponden. Sin embargo, la probabilidad de que eso ocurra es minscula; aparte de todo lo dems, la presencia deincertidumbre en lasmedidas eliminara la posibilidad de una correspondencia exacta. No obstante, lo ms importante es que es muy poco probable que nuestro modelo est totalmente libre de fallas y deficiencias si:temticas. De hecho, uno de nuestros principales propsitos en la experimentacin es detectar esas discrepancias y tratarlas constructivamente. La posibilidad de hacerlo con eficacia empleando la comparacin aritmtica elemental es pequea. Para nuestros fines es mucho ms significativo el comportamiento global del sistema, y la mejor manera de apreciarlo es en una grfica. La grfica de nuestras observaciones, que se muestra en la figura 4-9(a), consiste en una serie de puntos. La grfica del comportamiento del modelo es una curva, y se muestra a su vez en la figura 4-9(b). Las dos grficas juntas nos dan una impresin visual de la relacin entre las propiedades del sistema y el modelo. Nuestra comparacin, sin embargo, sera todava ms detallada si pudiramos tomar una de las grficas y colocarla sobre la otra. Al hacerlo, obtendremos el diagrama compuesto que se muestra en la figura 4-9(c). Ntese que este diagrama contiene dos componentes diferentes: 1) puntos que representan las propiedades del sistema,y 2) una lnea que corresponde a la funcin analtica que pertenece al modelo. Al fin podemos hacer una comparacibn detallada entre las propiedades globales del sistema y del modelo. Por una inspeccin visual directa podremos

72

PENSAMIENTO ClENTlFlCO Y EXPERIMENTACION CAP. 4

0.3

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

la1

Distancia, m

0.4

0.1

0.2

0.3

0.4

0.5

0.6

(bl

0.7 0.8 Distancia, m

0.4 -

$ 0.3 [5,

0 Q

0.2

o. 1
0.1

0.2

0.3

0.4
( C)

0.5

0.6

0.7

Distancia, m

0.8

Figura 4-Y El proceso de comparar las propiedades de un sistema real con las propiedades de u n modelo.

SEC. 4-3

PRUEBA DE MODELOS TEORICOS

73

afirmar si el modelo y el sistema se corresponden, divergen o lo que sea. Enumeraremos las distintas posibilidades con ms detalle en el captulo 6. Por el momento, debemos observar cuidadosamente la clase de afirmacin que podemos hacer al final de un experimento. Podemos aseverar solamente que el comportamiento del modelo y del sistema estuvieron (o no estuvieron) en correspondencia en tal y tal medida. No tiene sentido angustiarse por la decisin de si una teora es verdadera, correcta, falsa, o lo que fuere. Debemos evitar emplear trminos comoestos, aunque estemos seguros en lo personal de tener clara la situacin, dadas las mltiples oportunidades de ser mal interpretados. Es mucho mejor catalogar una teora o un modelo como satisfactorio o suficientemente bueno, o alguna otra denominacin parecida, porque todas estas decisiones son relativas a los propsitos que nos animan. Por ejemplo, nuestro sencillo modelo de aceleracin constante bajo la accin de la gravedad puede ser perfectamente satisfactorio parr. encontrar la profundidad de unpozo dejando caer una piedra dentro de I, pero no seria adecuado para calcular la trayectoria de un ,vehculo espacial en ruta hacia la Luna. Si ste fuera nuestro objetivo, tendramos que construir una teora ms refinada hasta que tuviramos una que fuera suficientemente buena para ese propsito. Aun entonces podramos encontrar que una teora que sea adecuada para los cohetes lunares resulte inadecuada para describir el movil teora de la gravitacin de Newmiento del planeta Mercurio. Para este fin, a ton debe reemplazarse con la teora de la relatividad general de Einstein. Como antes, la adecuacin de la teorfa de Einstein para describir la rbita de Mercurio (en un nivel particular de precisin) no prueba que sta sea cierta o correcta,simplementeque es lo suficientementebuena para ese propsito. Igualmente, la presencia de la teora de Einstein no desacredita ni a la teora de la gravitacin de Newton ni a nuestro sencillcl modelo deaceleracin constante bajo la accin de la gravedad. La mayora de las personas no miden la profundidad de un pozo usando la teora de la relatividad de Einstein. En general, los empleamosunateoraparticularporque es suficientementebuenapara propsitos que tenemos entre manos.Si se desea una precisin mayor en cualquier momento, los refinamientos necesarios podrn introducirse segn se requiera (a menos, por supuesto, que estemos trabajandoen las fronteras del conocimiento en un rea en particular, y el 0b:jtculo principal entonces ser la ausencia de una teora superior). Como ya no vamos aseguir usando el e,ngaoso concepto de verdad o falsedad de las teoras y modelos, dependeremos de nuestra propia decisin de que el modelo escogido sea suficientemente bueno o no para nuestropropsito. Una de las metas principales del diseo de experimentos es, por tanto, probar los modelos que utilizamos y verificar su adecuacin para nuestro propsito. Si se planea adecuadamente, el experimento mismo nos dir si nuestro modelo o teora es lo bastante bueno.

74

PENSAMIENTO ClENTlFlCO Y EXPERIMENTACION CAP.

De paso, cabe sealar una interesante cuestin filosfica. Aun cuando nuestro sistema y el modelo parezcan estar en completa correspondencia, debemos ser cuidadosos al enunciar el resultado. Todo lo que podemos afirmar es que, a un nivel particular de precisin, no hemos logrado observar discrepancia alguna entre el sistema y el modelo; no podemos decir que hemos probado que una teora sea correcta. Por otra parte, es posible ser ms afirmativos si estamos seguros de que las propiedades del modelo y del sistema discrepan en una cantidad que claramente excede la incertidumbre de la medicin; podemos afirmar sin duda alguna que el modelo no est en correspondencia con el sistema. Si uno quiere, podemos decir que hemos probado que la teora es falsa, aunque, aun en este caso, sera mejor calificarla de impropia o inadecuada. Antes de continuar, debemos hacer notar que este proceso de comparar sistemas y modelos depende de nuestra capacidad para trazar las grficas de las funciones que aparecen en los modelos. En otros tiempos esto presentaba dificultades sustanciales aun para funciones sencillas, como la parbola, y a menudo dificultades insuperables para funciones ms complicadas. Pero ahora, el uso de las computadoras nos permite hacer la comparacin directamente. Si disponemos de una computadora o terminal adecuada, podemos hacer arreglos para que nuestros resultados experimentales se desplieguen directamente, ya sea en papel en una graficadorao en una pantalla de presentacin de video, junto con la grfica de cualquier funcin que escojamos. Hay ventajas enormes en este uso de las computadoras, porque es muy fcil cambiar las caractersticas o los parmetros del modelo en una bsqueda de mejor correspondencia entre modelo y observaciones. Podemos tambin ensayar funciones completamente diferentes, con lo que ampliamos enormemente la gama de modelos que se pueden comparar con el sistema. La figura 4-10 muestra una de esas grficas, en la cual la computadora nos ha presentado dos grficas posibles, lo que hace sumamente fcil la eleccin entre las dos funciones. Si adems somos lo suficientemente afortunados para alimentar la salida de nuestros sistemas de medicin directamente a la computadora, de modo que se posibilite un procesamiento continuo de observaciones y la comparacin con los modelos, tendremos a nuestra disposicin todo un nuevo dominio de la experimentacin. La computadora no solamente evaluar nuestro experimento en forma continua, permitiendo un refinamiento del modelo sobre la marcha, sino tambin puede usarse para controlar los dispositivos mismos, elevando as nuestro experimento a un nivel de operatividad que no es factible alcanzar con mtodos de trabajo manuales. Sin embargo,aun en estaeradelas computadoras,nodebemos descuidar el desarrollo de nuestra propia competencia personal en la experimentacin. En primer lugar, cuando no hay una computadora disponible, estamos

SEC. 4-3

PRUEBA DE MODELOS TEORICOS

75

30.0

25.0

a
>-

+ 03
pj

20.0

15.0
10.0

5.0

0.0

m m

m
N

m m

m
Q

ul

X
Figura 4-10 Funciones generadas por computadora comparadas con observaciones experimentales.

obligados a apoyarnos en nuestros propiosrecursos. En segundo, aun cuando nosocupemosde la experimentacinbasada en computadora, corremos el riesgo de obtener resultados completamente sin sentido a menos que estemos totalmente conscientes de cadadetalle del manejo y los clculos del experimento que se han alimentado a la computadora. Por tanto, a finde aumentar nuestra propia pericia personal, debemos dirigir nuestra atencin a los procedimientos tradicionales que constituyen la base de casi toda la experimentacin. Si estamos restringidos a usar lpiz, papel cuadriculado y regla, estamos prcticamente obligados a comparar el modelo con el sistema usando la nica funcin cuya grfica es fcil de dibujar: la lnea recta. (Por razones bastante obvias excluimos de nuestra consideracin a l otra grfica sencilla, el crculo.) Una gran proporcin de anlisis experimentales sigue llevndose a cabo en forma lineal, y aunque las tcnicas grficas puedan ser engorrosas y tediosas en comparacin con la facilidad de la graficaci6n asistida por computadora, los mtodos son lo suficientemente poderosos, importantes y comunes en su aplicacin para que tengamos que familiarizarnos con ellos.

76

PENSAMIENTO ClENTlFlCO Y EXPERIMENTACION CAP.

4-4

USO DEL ANALISIS DE LINEAS RECTAS

Nuestro objetivo es arreglar el proceso de trazado de la grfica de modo tal que el comportamiento del sistema y el modelo se representen en una grfica de forma lineal. Consideremos nuestra funcin anterior para el tiempo de cada libre bajo la accin de la gravedad:

la que nos lleva a una representacin parablica en una grfica de I , s. Supo~ , ecuacin niendo que furamos a graficar, no vs. S, sino / vs. x ~ 'nuestra
t = .45 1 5 ~ ~ "

podra entonces compararse con la ecuacin de una lnea recta: variable vertical Ahora bien, con variable Lertical variablehorizontal
= =

pendiente

variablehorizontal

= .y1'*

pendiente

.45 15

Los valores experinlentales de .y1)* y be dan en la tabla 4-3 y se grafican en la figura 4-1 l . Esta grfica tambin contienela lnea que representa la funcin, y la simplificacibn resultante eb inmediatamente ob\ia. Todo el proceso de comparacihn se facilita, y podemos identificar de inmediato el grado de correspondencia entre el modelo y el sistema.
Nbtese que el proceso habra sido igualmente eficaz si hubiramos graficado t 2 vs. ,Y en lugar de t \'s. La pendientehabrasidodiferente,pero la oportunidaddecomparar el modelo y el sistema hubiese sidoigualmente buena. Observemos por ltimo que, e11 este ejemplo. las propiedades del modelo fueron especificadas completamente, y que la lnea que representa el compor-

SEC. 4-4

USO ANALISIS DEL

DE LINEAS RECT,AS

77

TABLA 4-3 Tiempo de cada medido experimentalmente vs. raz cuadrada de la distancia para un objelo que cae libremente.
Distancia, x, m
.1
P , m*

Tiempo, f, seg

.2 .3
.4

,316

,441 .S48

.I48 +- .O15
.i96

.S
.6
.I

,632
,101 ,175 ,894

.8

,837

,244 .290 .315 .352 ,385 ,403

0.40

0.30
m
! A

d a
0.20

0.10

0.2

0.4

0.6

(Distancia)2, m

0.8

Figura 4-1 1 Comparaciorl entre las propiedade5 de u n modelo y del ililcrna cuando \e exnreSa en forma de linea recm.

78

PENSAMIENTO ClENTlFlCO Y EXPERIMENTACION CAP.

tamiento del modelo en la figura 4-1 1 es nica. Esta situacin es ligeramente diferente si el modelo incluye parmetros de los cuales no conocemos el valor; ste ser el tema de la seccin siguiente.

4-5

EL CASO DE LAS CONSTANTES INDETERMINADAS

Consideremos que estamos realizandoun experimento con un resorte para determinar su alargamientocondiferentes pesos. Supongamosqueestamos conscientes de la propuesta (debida a Hooke) de que el alargamiento x puede considerarse proporcional a la carga W. Esta propuesta,

constante x u .

constituye un modelo inventado del sistema; supongamos pues que queremos probar este modelo contra nuestro sistema. El nico problema es que probablemente no sepamos qu valor de la constante (de elasticidad) usar para nuestro resorte. Pongamos por caso que hemos hecho mediciones del alargamiento vs. carga y los hemos graficado en la figura 4-12(a). Qu debemos hacer para representar el comportamiento del modelo? La ecuacin

constante x W

en realidad representa el conjunto infinito de lneas rectas en el plano W - x que tienen todos losvaloresposiblesdependiente,desdecero hasta infinito, que corresponden al intervalo infinito de posibiIidades para el valor de la constante. Algunas deestas lneas estn representadas en la figura4-12(b). Qu, entonces, constituye el resultado de nuestra comparacin? Colocar una grfica encima de la otra produce el diagrama que se muestra en la figura 4-12(c), y nos da la oportunidad de escoger una lnea que sea compatible con los puntos experimentales. Pero cul lnea o lneas hemos de escoger? Es claro que las lneas OA y OB no tienen una relacin obvia con las observaciones y se pueden omitir. Por otra parte, podemos identificar un cierto haz de lneas que est incluido en la regin de incertidumbre delos puntos medidos. Podemos apreciar visualmente los extremos de ese haz, y los representan las lneas OC y OD. Dentro de estos lmites, todas las lneas tienen cierto grado de consistencia con las observaciones, pero ninguna lnea aislada se destaca como nica adecuada. Por tanto, todo lo que podemos afirmar por el momento es que las observaciones son compatibles con el modelo dentro de un cierto intervalo de pendientes. Esto significa que hay un cierto intervalo de valores de estiramiento (que es una propiedaddelmodelo)quesonconsistentesconnuestrosistema.Nuestra

SEC. 4-5

EL CASO DE LAS CONSTANTES INDETERMINADAS

79

(a)

Carga

(b)
A

Carga

Carga

Figura 4-12 El uso de anliii, de linea\ recta\ para obtener el valor de una constante indeterminada en u n modelo.

conclusin, entonces, es que si tenemos una constante inicialmente indeterminada en nuestro modelo, se puede utilizar 1-1 proceso de experimentacin para determinar,dentrodeuncierto intervallo, el valor que es apropiado pa-

80

PENSAMIENTO ClENTlFlCO

Y EXPERIMENTACION CAP. 4

ra nuestro sistema. Esta es, de hecho, la forma normal de determinar valores experimentales de parmetros fsicos. Se utiliza comnmente porque, adems de que el uso de la grfica casi siempre es necesario para comparar modelos y sistemas, los mtodos grficos para obtener valores de las constantes experimentales ofrecen tantas ventajas adicionales en el mejoramiento de laprecisin que su uso es apremiantemente atractivo. Las posibilidades de error al emplear solamente el clculo algebraico sin verificarlo grficamente, son muy grandes. Supongamos que estamos tratando de obtener un valor calculado, por ejemplo, la resistencia elctrica de un resistor a partir de la variacin del voltaje entre sus extremos y el de la corriente que pasa porl. Haramos pares de observaciones de I y V, y procederamos a usar V = R I directamente para obtener unvalor de R en cada par de valores V, I por medios meramente algebraicos. Luego podramos esperar obtener un valor ms exacto de R calculando el promedio de todos los valores resultantes de R. Este enfoque sin embargo, es deficiente de varios modos. Fundamentalmente, desde luego, no satisface el requerimiento primordial de comparar las propiedades del sistema y el modelo, y las consecuencias para la exactitud de nuestro valor d e R pueden ser graves. Si todos nuestros pares devalores de V, I, dieran el mismo, o casi el mismo, valor de R, podramos confiar en nuestra medicin de R, aun sin dibujar la grfica de V,I. Empero, en el ms probable caso de que nuestros valores de R no resulten ser todos iguales, no tenemos manera, sin la grfica, de interpretar las variaciones. Podramos, por ejemplo, encontrar un caso en el que, como lorevelara el trazado de la grfica, los puntos mostraran msdispersin de la que esperbamos. [Vase la figura 4-13(a).] Usando un mtodo grfico, todava podramos escoger una lnea recta adecuada (que pasara por el origen, si estamos seguros de que el origen es un punto medido), y tener una confianza razonableen nuestro valor de R obtenido a partir dela pendiente. Nuestra confianza se justifica porque la apariencia de la grfica nos convence de que estamos tratando con una simple dispersin alrededor de una variacin bsicamente lineal. Nuestro clculo algebraico, no grfico, nos dara por otro lado valores que corresponden a las pendientes de las lneas 0.4, OB, OC, etc. En una simple tabla de datos, la variabilidad resultante no tendra sentido alguno,y n o lograramos mayor comprensin de lo que est pasando. Como una ilustracin ms significativa de lo inadecuado del enfoque algebraico y no grfico, consideremos un caso en el que cierta falta de correspondencia entre el modelo y el sistema da lugar ya sea a una ordenada al origen inesperada, o a una desviacin del comportamiento lineal a partir de un cierto

SEC. 4-5

EL CASO DE LAS CONSTANTES INDETERMINADAS

81

O
Figura 4-13 pendientes.
Uso de las grficas para evitar errores en

la dererrninacibn dc

alcance. Aplicando el enfoque grfico, fcilmente podemos detectar y compensar esas discrepancias entre el modelo :y el sistema. En el primer caso, la grfica nos permite obtener un valor confiable de R a partir de la pendiente, que, en esos casos, no se ve afectado por la presencia de la ordenada al origen. En el segundo caso, obtendramos el valor de R a partir de la pendiente de la

82

PENSAMIENTO ClENTlFlCO

Y EXPERIMENTACION CAP. 4

porcin lineal de la variacin de I vs. V , eliminando justamente los puntos no lineales, porque quedan fuera del alcance del modelo. La oportunidad de hacer este discernimiento puede derivarse nicamente de la inspeccin visual de la grfica, que aclara la situacin de un vistazo. Aqu, como antes, el clculo algebraic0 y no grfico delos pares de valores aislados de V, I dara valores de R que corresponden [vase la figura 4-13(b) y (c)] a las pendientes de OA, OB, OC, etc. Esas pendientes no tienen nada que ver con el valor que buscamos, y si las incluyramos en un promedio de cantidades calculadas algebraicamente, slo lograramos introducir un error en nuestros resultados. Como deesta manera nos aseguramos de que nuestro resultado final est libre de esas fuentes de error sistemtico, no importa si sabemos el origen de las discrepancias o no. Para el propsito de obtenerel valor del parmetro que se estudia, es suficiente en esta etapa identificar simplemente la existencia de la discrepancia y asegurarse de que no introduzca errores en el resultado. Podemos proceder despus a considerar los posibles orgenes de la discrepancia. Hemos examinado el proceso para obtener valores de constantes inicialmente indeterminadas nicamente en trminos de pendientes. En principio, como una recta tiene dos grados de libertad en un plano, es posible obtener de ella una pendiente y una ordenada al origen como dos partes de informacin independientes. Debido a eso, se puede hacer que un experimento d valores para dos parmetros independientes que aparezcan en la teora. Los mtodos especficos en la prctica al respecto, se tratarn en el captulo 6.

5
Diseo de experimentos

En el captulo 4 describimos las diferentes circunstancias en las que comparamos las propiedades de los modelos y las de los sistemas. Encontramos tal diversidad que no nos sorprender el enterarnos de que no hay una sola forma de planear los experimentos. Las tcnicas y procedimientos que usemos dependern de las circunstancias, y describiremos procedimientos que son adecuados para una gran cantidad de casos. La relacin no es exhaustiva, pero encontraremos que los principios generales son vlidos en una amplia variedad de circunstancias experimentales. Supondremos desde el principio que, como resultado de la investigacin preliminar, ya conocemos las variables significativas; algunas de ellas estarn bajo nuestro control y pueden servir como variables de entrada; las otras tomarn valores determinados por el sistema, y sern las variables de salida. En las secciones siguientes supondremos quelas variables de entradase pueden separar y controlarse individualmente; de otra forma,si todas varan a la vez, la interpretacin de los resultados ser mucho ms difcil. A menudo enfrentamos esta desafortunada circunstancia enla experimentacin profesional, pero aqu nos restringiremos al caso de un experimento totalmente controlado.

5 1

COMO PROBAR UN MODELO EXISTENTE

En esta seccin nos ocuparemos de situaciones en las cuales ya se dispone de un modelo de algn tipo. Este modelo podra ser una sugerencia de las ms
83

84

EXPERIMENTOS DISEO DE

CAP. 5

sencillas (tal vez inclusototalmenteemprica),como F = kx o V = RZ, o podra derivarse de una teora importante y compleja como la teora de la relatividad general de Einstein. Cualquiera que sea la naturaleza del modelo, sus propiedades casi invariablemente tomarn la forma de una relacin funcional entredos o msvariables. Nuestroobjetivo principalser, comosiempre, comparar las propiedades del modelo con las del sistema. Slo una vez que, mediante pruebas experimentales, nos hayamos convencido de que, al menos en u n cierto intervalo, el sistema y el modelo se corresponden, podemos sentirnos motivados a seguir adelante conel clculo de la cantidad que queremos medir. Ntese que nuestra decisin de queel modelo sea satisfactorio o no, debe basarse en el experimento mismo. No vamos, por supuesto, a tratar de tomar una decisin en cuestiones carentes de sentido como: Es el modelo o la teora cierto o falso? correcto o incorrecto?, o cualquier otra parecida. Como ya hemos dicho muchas veces, todos los modelos son imperfectos en principio, y simplemente necesitamos saber siel modelo es lo bastante bueno para nuestros propsitos, al nivel de precisin que queremos. S10 nuestro experimento mismo puede proporcionar las bases para tomaresa decisin, y tenemos que tratar de asegurarnos, mediante un diseo cuidadoso, de queas sea. Una vez que hemos verificado que nuestro modelo es suficientemente bueno, podemos proceder a calcular nuestra cantidad desconocida, sin olvidar que, si nuestra situacin cambia y se requiere adems precisin mayor, debemos replantearnos la cuestin de si el modelo es adecuado para nuestro propsito. Como explicamos en la seccin 4-3, encontraremos, casi invariablemente, que las mejores maneras de probar modelos de sistemas fsicos implican un tratamiento grfico. En principio queremos dibujar una grfica que ilustre el comportamiento del modelo, y sobreponer en ella los puntos que representan nuestras observaciones del comportamiento del sistema. Para hacerlo en forma sencilla, empero, hay ciertos requisitos que debemos de cumplir. En primer lugar, como una grfica (tal como la consideramos) es un diagramabidimensional,debemoslimitarnos inicialmentea dos variables. En muchos casos esto se satisface automticamente, como ha ocurrido en todos los ejemplos anteriores. En otros casos,sin embargo, nuestra variable ser funcin de dos(o ms) variables independientes. No podemos graficar tresvariables como coordenadas en una hoja de papel cuadriculado bidimensional (aunque los diagramas tridimensionales se pueden generar por computadora, y se ven con frecuencia en la literatura cientfica). En consecuencia, para nuestros propsitos, es necesario simplificar el experimento manteniendo una de las variables de entrada constante mientras estudiamos la dependencia de la variable de salida respecto de la otra. Podemos modificar entonces la segunda variable con un nuevo valor fijo yrepetir el proceso. Con unaserie de mediciones

SEC. 5-2

ECUACIONES CON GRAFICA

EN FORNIA DE LINEA RECTA

85

como sta, podemos construir una imagen relativamente completa del comportamiento del sistema. Obsrvese que el xito del proceso depende de nuestra hiptesis bsica de que es posible mantener una de las variables de entrada constante, independientemente de la variacin de la otra. Si este aislamiento de las variables de entrada no es posible, tendremos problemas; algunas de las tcnicas necesarias se mencionarn en la seccin 5-2(b). Para nuestro propsito actual vamos a ,suponer que tenemos slo una variable de entrada, ya sea porque slo existe una, o porque podemos aislar una manteniendo las otras constantes. Nuestro procedimiento experimental es claro: tenemos que medir la variacin de la variable de salida con la variable de entrada, y graficarla para hacer la comparacin con la correspondiente grfica del modelo. Sin embargo, como hemos sugerido en la seccin 4-3, hara falta una computadora para dibujar incluso funciones sencillas no lineales, y las ventajas de dibujar nuestras grficas en forma de lnea recta son tan arrolladoras que slo tomaremos en cuenta este planiieamiento.

5-2

ECUACIONES CON GRAFICA EN FORMA DE ILINEARECTA

al
Casos sencillos

Si el modelo considerado cottiene slo funciones lineales (como la distancia recorrida a velocidad constante en funcin del tiempo, o la diferencia de potencial a travs de una resistencia constante en funcin de la corriente), no tendremos mayor dificultad; la ecuacin ya est en forma lineal. Sin embargo, se raramente es el caso, y enfrentamos casi invariablemente la necesidad de convertir las funciones que encontremos en el modelo a la forma lineal. Ya hemos afrontado ese requerimiento en la seccin 4-3. Ah la funcin era:
t
=

0.4515~

(enunidadesdemetros pendiente

y segundos)

y, evidentemente, si queremos representar esta ecuacin variable vertical debemos definir

=
X

en la forma lineal:

variablehorizontal

consrante

variable vertical variablehorizontal pendiente

y tambin:

= t = x? = 0.4515

constante

= 0

86

DISENO DE EXPERIMENTOS CAP. 5

Este es un caso sencillo, y con frecuencia no es tan fcil ver cmo una ecuacin puede convertirse a la forma lineal. No hay reglas definidas para hacerlo. La mejor manera es tener claro en nuestra mente la forma ala cual queremosllegar: variablevertical
=

pendiente x variablehorizontal

constante

y ensayar distintas posibilidades con las cantidades de nuestra ecuacin original, hasta conseguir la forma requerida. En los problemas al final de este captulo, se ofrecen oportunidades de prctica al respecto.

Ntese que no hayunresultado nico en esteproceso. A veces, una ecuacin dada puede expresarse en forma lineal de diferentes maneras. Por ejemplo, la ecuacin:
t = 0.4515~/*

puede emplearse con igual eficacia en cualquiera de estasformas equivalentes:

con las elecciones adecuadas de variable vertical, variable horizontal y pendiente. Hay una cierta tendencia convencional a trazar grficas con la variable de entrada horizontaly la variable de salida vertical, pero no es un estricto requisito hacerlo as. Debemos escoger la forma de grfica que mejor sirva a nuestro propsito. Ese propsito deber incluir no slo los requerimientos experimentales bsicos (prueba de modelos, etc.), sino tambin la comodidad y conveniencia del experimentador. Para eso, debern graficarse las variables tan sencillamente como sea posible. Por ejemplo, considere un experimento para determinar el coeficiente de viscosidad mediante el anlisis del flujo de un lquido por un cubo. La ecuacin adecuada (ecuacin de Poiseuille), es

donde Q
f

= =

a =

1 =
g

rapidezde flujo diferenciadepresinatravs radio del tubo longitud del tubo coeficiente de viscosidad

del tubo

E n este caso, una opcin posible sera graficarQ vs. (7rd/8k)f, una grfica cuya pendiente sera igual a l / q . Sin embargo, sta sera una eleccin poco inteli-

SEC. 5-2

ECUACIONES CON GRAFICA

EN FORMA DE LINEA RECTA

87

gente por una serie de razones. En primer lugar, aumenta muchsimo la cantidad de clculos requeridos para trazar la grfica, porque cada valor de P debe las cantidadesa y P, de multiplicarse por 7rd/8P. En segundo lugar, cada una de tiene una incertidumbre asociada; si sta se combina cada vez con la incertidumbre de P,tendramos una incertidumbre falsamente acrecentada para la cantidad compuesta (por ejemplo, a se medira una sola vez, y su incertidumbre no se debera combinar con la de P , como si cada vez que midiramos P , se combinara otra medicin de a con ella). En este caso, sin duda, el camino ms sensato es graficar Q vs. P, y usar 7rd/8$ como la pendiente, evitando as todas las dificultades mencionadas antes. En general, es mejor graficar variables tan sencillas como sea posible, y dejar lo ms que se pueda de los clculos para hacerlos una sola vez al estimar el resultado con la pendiente.
bl
Uso de las variables compuestas

En muchos casos puede convenirnos (o incluso ser absolutamente necesario) usar variables compuestas. Considere, por ejemplo el llamado pndulo compuesto; una lmina rgida de forma arbitraria que se deja oscilar bajo la accin de la gravedad, lrededor de un eje perpendicular al plano dela misma [figura 5-l(a)]. El modelo normal de su oscilacin (para ngulos pequeos) da el periodo T como:

donde T h k

= =

g =
=

periodo de oscilacin (variable de salida) distancia del centro de masa al punto de soporte (variab!e de entrada) aceleracin de la gravedad (constante y conocida) radio de giro alrededor del centro de masa (constante y desconocida)

Las formas de esta ecuacin con grfica rectilnea no son inmediatamente obvias, pero es evidente la imposibilidad de ponerla en la forma lineal requerida si escogemos que x y y sean funciones sencillas de h y T. Sin embargo, es posible la conversin a la forma lineal usando variables compuestas. Elevando al cuadrado ambos lados de la ecuacin, obtenemos:

Por tanto
T2h =

4T2(h2 k2)

88

DISEO DE EXPERIMENTOS CAP. 5

que es lineal, con variablevertical variablehorizontal pendiente

=

h2

= T2h
=
6
n

473.

ordenada al origen = - k 2 Vale la pena estudiar este ejemplo, ya que ilustra muy claramente la superioridad del anlisis lineal sobre otros mtodos. U n enfoque comnmente T v s . h, que se muestra en la fiempleado en este experimento usa la grfica de gura 5-l(b). Resulta que k puede obtenerse a partir de las longitudes de las intersecciones A B y CD; si se requiere g , se tiene que obtener por el clculo de este valor de k . Las ventajas de la forma lineal de anlisis son claras. Primera: la grfica de T vs. h no da una base para comparar el sistema con el modelo, a menos que se utilice una computadora para dibujar la grfica de la funcin T ( h ) . Segunda: no se puede obtener una estimacin confiable de la incertidumbre del resultado final de esta grfica, mientras que, por otra parte, la incertidumbre total se puede obtener fcilmente de la grfica lineal. Tercera: el uso de una interseccin en ngulos tan pequeos como los que se ilustran en la figura 5-l(b) es muy poco confiable, ya que cambios pequeos en la colocac i h de las lneas pueden provocar grandes cambios en la longitud de la porcin intersectada; una forma lineal, en contraste, nos permite determinar la pendiente de la grfica con mucha confiabilidad. Cuarta: el resultado usando el mktodo de interseccin se determina nicanlente con unos cuantos puntos en l a vecindad de las intersecciones, y no obtenemos beneficio alguno de los dems punlos; pero cuando dibujamos una lnea recta, todos los puntos pueden contribuir a la eleccin de una lnea. Por ltimo, las grficas lineales dan g y k a partir dc mediciones casi independientes sobre la grfica, mientras que, con cl otro mlodo, cualquier inexactitud en el valor de k se propaga automticanlcnte al valor de p.
El uso de las variables compuestas tambin puede ser conveniente cuand o hay dos o mhs variables de entrada separadas.En tales casos, aun cuando el uso de variables compuestas no sea absolutamente necesario para una grfica

lineal (como fue el caso en el pndulo compuesto). a menudo proporcionan la

SEC. 5-2

ECUACIONES CON GRAFICA EN FORMA DE LINEA RECTA

89

BO

DISEO DE EXPERIMENTOS CAP. 5

forma ms elegante y eficaz de trazar nuestras grficas. Se mencion antes que, si un sistema incluye dos variables de entrada independientes, podramos estudiar la variacin de la variable de salida con cualquiera de las variables de entrada aislada, mientras se mantiene la otra variable de entrada constante a varios niveles discretos. Por ejemplo, si queremos medir el calor especfko de u n fluido por calorimetra de flujo continuo, podemos permitir que fluya a una cierta rapidez de flujo msico m , por un tubo calentadoelctricamente en el cual la rapidez de generacin de calor por unidad de tiempo es Q. La ecuacin del balance de calor resultante (despreciando prdidas, etc.) ser:
Q = mC AT

en donde C es el calor especfico del fluido que queremosmedir, y AT es la diferencia de temperatura entre los extremos de entrada y salida del tubo. Sin duda tanto Q como m soncontrolablesporseparado,ypodemos realizar nuestro experimento estudiando lasvariaciones de AT con m, manteniendo Q fijo a varios niveles, o podemos estudiar la variacin de AT con Q, manteniendo HZfijo a varios niveles. Podramos entonces graficar ya sea AT vs. l/m, en cuyo caso las varias pendientes tendrian valores de Q / C , o AT vs. Q, lo que dara las diferentes pendientes como mC. Sin embargo, existe otra posibilidad: si tratamos el producto m ATcomo una variable y lo graficamos contra Q, obtendremos una grfica que resume toda nuestra informacin sobre el sistema al incorporar ambas variables de entrada simultneamente, ya sea que hayamos controlado los valores de n~o no, En este caso, nuestra pendiente simplemente tendra el valor C, y tendramos una formasencilla de probarel modelo y obtener nuestra incgnita en un solo paso. Ese uso de las variables compuestas es muy comn, y, como antes, la eleccin de la combinacin de variables y el modo de graficarlas pueden adaptarse tanto ala conveniencia del experimentador como alos requerimientos del experimento. Si surgiese alguna dificultadal interpretar las observaciones graficadas empleando variables compuestas (tal vez una dispersin inesperada, o alguna desviacin sistemtica de la linealidad), siempre podremos obtener informacin adicional del sistema graficando pares de variables individualmente, ms bien que en combinacin. Esto frecuentemente ayuda a identificar el origen de la dificultad.
c]

Grficas logaritmicas

A menudo es deseable, y a veces absolutamentenecesario,graficar

las variables en forma logartmica. Por ejemplo, muchos procesos fisicos implican funciones exponenciales de la siguiente forma:

SEC. 5-2 ECUACIONES CON GRAFICA

EN FORMA DE LINEA RECTA

91

donde y y x son variables medidas ya y b son constantescuyos valores se van a obtener a partir del experimento. La ecuacin se puede expresar en forma lineal tomando logaritmos de base e en ambos lados: log, y
=

log, a

+ bx

De este modo, si graficamos log, y en el eje vertical y x en el horizontal (lo que se conoce como grfica semilogartmica), nuestro modelo dar una lnea recta. La pendiente nos dar el valor de b, y la ordenada al origen el valor de log, a. Ntese que, si se toman logaritmos debase 10 en lugar de base e, slo se afecta la ordenada al origen, y eso puede ser conveniente si slo estamos interesados en la pendiente.

El uso de tales grficas logartmicases muy comn, debidoa la frecuente ocurrencia de funciones exponenciales en los modelos de procesos fsicos y qumicos. Pero, adems, las grficas logaritmicas se usan incluso para simples funciones algebraicas. Considere, por ejemplo, la funcin y
=XL

Tomando logaritmos de amboslados, ya sea de base 10 o de base e, obtenemos: log y = 2 log x Esta ecuacin es lineal, con: variable vertical variablehorizontal pendiente
= = =

1% Y log x 2

As pues, una dependencia funcional, como la de un simple cuadrado, se pue-

de probar usando esas grficas logaritmicas (que se conocen como grficas log-log).

Pero, cul sera la ventaja de ese tipo de representacin comparada con graficar, como hemos recomendado hasta ahora, y vs. x2? Unarespuesta obvia es que nos permite trazar, en una hoja de papel dimensiones de razonables, variaciones que seran muy extensas para una graficacinconvencional con escalas lineales. Se puede graficar convenientemente en una sola hoja de papel un intervalo de una potencia de 10 en nuestras observaciones; un alcance sobre un factor de 100 resulta muy difcil, y un factor de loo0hace prcticamente imposible una graficacin satisfactoria. Para alcances tan grandes como stos de nuestras variables, slo la grfica logartmica permite una presentacibn realista de los resultados.

92

DISEmO DE EXPERIMENTOS CAP. 5

Una segunda ventaja delas grficas logartmicas tiene que ver con la potencia de la funcin. Si nuestro sistema se comporta de manera que la funcin

sera mejor modelo que y = .x2, ese hecho probablemente se nos escapara si graficramos y vs. 2.Simplemente obtendramos un conjunto de puntos que se desvan de una lnea recta, y el origen de la discrepancia no sera inmediatamente obvio. Por otro lado, la grfica log-log nos seguiradando unalnea recta. Esto significara que una funcin que incluya una potencia seguir siendo un buen modelo. Por supuesto, la pendiente de la lnea no sera 2 , y el valor mejorado del exponente, 1.8, se obtendra dela pendiente de la grfica log-log. Ms adelante (enel captulo 6) consideraremos los usos de la grficalog-log para la construccin de modelos empricos que incluyen esas potencias. Por el momento, baste sealar que, enla etapa del diseo de un experimento, la posibilidad de graficacin semilogaritmicas o log-log debe tenerse en mente, ya sea que el tipo de funcino el margen de variacin de las variables sugieran que es la adecuada.

5-3

PLANEACION DE EXPERIMENTOS
Enumeraremos ahora los pasos reales, prcticos, con los cuales nos preparamos para hacer el experimento. Estos le podrn parecer tediosos a alguien cuya ambicin sea avanzar en el experimento tan rpido comosea posible, y preocuparse despus de qu hacer con los resultados. De hecho, para muchos de los experimentos sencillos que se encuentran comnmente en los laboratorios de enseanza, el minucioso cuidado quevamos a recomendar podr parecer ocioso y pedante. Pero debemos recordar que los sencillos experimentos de los laboratorios de instruccin son meras simulaciones, en una forma adecuadamente simplificada, de las situaciones mucho ms complejas y decisivas que nos encontraremos ms tarde en los sistemas reales. Si en un primer laboratorio de fsica olvidamos medir el dimetro de un alambre al efectuar un experimento de elasticidad, probablemente eso no importe mucho; podemos regresar ms tarde al laboratorio y cumplir con la medicin faltante y, aunque no lo hiciramos, no se acabara el mundo. Pero, si diez aos ms tarde estamos planeando hacer algn experimento sobre astronoma de rayos X en una nave espacial, y nos damos cuenta hasta que nuestro experimento est en rbita de que hemos olvidado medir alguna caracterstica esencial del detector, habremos desperdiciado el costoso complejo espacial de alguna organizacin y no seremos precisamente populares. Debemos de adquirir lo ms pronto posible

EXPERIMENTOS SEC. 5-3 DE PLANEACION

93

el hbito de la planeacin meticulosa y concienzuda de nuestros experimentos, aun si, por ahora, pueda parecer a veces superflua.

Los pasos de la planeacin son los que siguen:

al Identificar el sistema

y el modelo

Esto puede parecer algo trivial, pero es mejor tener claro desde el principio Por ejemplo, en el experimento del bacul es el tema de nuestro experimento. ln que cae, nos vamos a preocupar por la resistencia del aire o no? Si decidimos ignorarla, no estamos siendo irresponsables; estamos nicamente definiendo un aspecto de nuestro modelo. Siksa es una buena decisin o no, se aclarar despus con el experimento mismo. Si el comportamiento del sistema resulta estar en correspondencia con el comportamiento del modelo al nivel de precisin que practicamos, podremos sentirnos satisfechos de que no tena caso perder el tiempo en efectos pequeos. Si elegimos una opcin insatisfactoria, nuestros resultados experimentales nos indicarn muy pronto la necesidad de reconsiderar el punto. As que, desde el principio, debemos determinar los lmites del sistema y del modelo, y proceder a probar la situacin.
b] Elegirlasvariables

Normalmente alguna magnitud en el experimento se presentar como la eleccin obvia para una variable de salida. Si hay slo una variable de entrada, no hay problema. Si hay varias variables de entrada, debemos tratarde identificar una como la variableindependienteprincipal, y variar las otras en niveles discretos.
cl Linealizarlaecuacin

Las ecuaciones que representan el comportamiento del modelo deben expresarse ahora en una forma en la que su grfica sea m a lnea recta, segn se describe en la seccin 5-2. Como ya hemos mencionado, no hay una eleccin nica y correcta para la forma lineal. Escogemos una forma que sirva a nuestros propsitos de manera conveniente y eficaz. Por ejemplo, si nuestra ecuacin incluye alguna cantidad desconocida cuyo valor se va a determinar en el experimento, probablemente sea mejor usar una forma de lnea recta que tome la incgnita como pendiente. Es posible, por supuesto, determinar cantidades desconocidas a partir de la ordenada al origen, pero, debido a que las ordenadas al origen pueden estar sujetas frecuentemente a errores que surgen de los defectos del instrumento o de otros errores sistemticos, en general es preferible obtener nuestras incgnitas de las pendientes. Si la ecuacin contiene dos

94

DISEO DE CAP. EXPERIMENTOS

incgnitas, probablemente sea mejor encontrar una forma que nos permita obtener una incgnita a partir de la pendiente y la otra, de la ordenada al origen.
dl
Elegir el alcance de las variables

Antes de empezarlas mediciones mismas, debemos decidir sobre los intervalos en que esperamos hacerlas. Por lo comn, es mejor planear un intervalo para la variable de entrada de por lo menos un factor de 10. Cuanto mayor sea, mejor, y un alcance menor a menudo puede dar una base insatisfactoria para comparar el comportamiento de los sistemas y los modelos. Obviamente no podemos escoger directamente el intervalo de valores de las variables de salida: el sistema mismo nos dar esos valores. Sin embargo, todava debemosser cuidadosos. Puede haber lmites de los instrumentos ms all de los cuales puede ocurrir un dao, por ej.:lmites elsticos, calentamiento excesivo de resistores de precisin, sobrecarga de medidores y otros instrumentos. Hacer mediciones de prueba meticulosas nos permitir determinar el intervalo de variablesde entrada que impide que sobrecarguemos cualquier parte del sistema, Este es el momento de considerar cuidadosamente todos los aspectos de las especificaciones la caja de resistencia de los instrumentos. Por ejemplo, tiene marcada encima la corriente mxima permitida para cada escala? Si es as, la incorporamos en la eleccin del alcance de las variables. Si no, vamos a buscar esos valores en el catlogo. En todo caso, debemos asegurarnos de que los lmites se identifiquen y se observen. Ser demasiado tarde cuando el olor de aislante quemado y una columna de humo azul llamen nuestra atencin hacia las fragilidades de los aparatos de medicin fsica, y el costo de su reemplazo.
e) Determinar
la precisin del experimento

No debemos emprender un experimento sino hasta que tengamos una idea general de la precisin que esperamos lograr enel resultado final. Eso no quiere decir que podamos garantizar unnivel de precisin terminal, pero s que debemos tener una cifra como meta que nos gue para elegir nuestros mtodos de medicin. Por ejemplo, la peticin de Medir la aceleracin de la gravedad usando un pndulo, en s misma prcticamente carece de sentido. En respuesta a esta solicitud podramos invertir diez minutos con aparatos burdos y obtener un resultado con una precisin del lo%, o bien, pasar semanas enteras con equipo refinado y costoso y lograr el 0.01 070. Slo podemos tener una impresin realista de lo que se espera con un requerimiento como el de Medir g usando un pndulo simple, con una aproximacin del 2% y tratando de no emplear ms de dos horas en ello. La cifra del 2% nos da unaidea general de la clase de mediciones que se nos pide hacer. Deberamos tener un objetivo como se en mente para cada experimento; ello servira como base para proceder a un diseo realista de nuestro experi-

EXPERIMENTOS SEC. 5-3 DE PLANEACION

95

mento. Podemos intentar asegurarnos de que, por una parte, todas nuestras mediciones sean de suficiente precisin para contribuir con provecho al resultado final, y, por otra, no perder tiempo y esfuerzo haciendo mediciones con una precisin muy por encima de la que se requiere. Para ver cmo puede llevarse a cabo tal diseo, volvamos al ejemplo del pndulo y nuestra expectativa de incertidumbre del 2% en el valor de g. Sabemos que el resultado para g, aunque se obtendr grficamente, en esencia involucra mediciones de P y de T (bajo la forma de 72). Si la incertidumbre en cualquier medida ya sea de P o de 72 excede el 2%, hay pocas probabilidades de que sta contribuya ventajosamente a una determinacin de g con aproximacin del 2%. Supongamos que, comb primera aproximacin,elegimos restringir la incertidumbre tanto de P como de TL para que estn incluidas en el 1 Yo; cules son las implicaciones que esto tiene para las mediciones de P y de T? Nuestro primer paso debe ser, haciendo mediciones de prueba, asegurar la incertidumbre absoluta con la que podemos hacer las mediciones de I y de T. Una vez que hayamos determinado estas incertidumbres, podemos encontrar los lmites de los alcances de las medidas de P y de T que permitirn quela precisin sea aceptable. Vamos a suponer que, con los aparatos disponibles, pensamos que podemos medir longitudes con una incertidumbre absoluta de f 1 mm. Cul es la longitud para la cual esto da una precisin del 1 %?
"

o. 1

0.01

(P en cm)

Por tanto:

As, mientras nuestras longitudes sean mayores de 10 cm, la contribucin a la incertidumbre total dePest dentro delmites aceptables, y hemos identificado un lmite en el alcance aceptable de P .
Cules son las implicaciones para T? Si vamos a asignarle una precisin del 1% a 7 2 , necesitamos un 0.5% en T. El periodo de oscilacin se determinar midiendo el tiempo para un nmero especificado de oscilaciones con algn tipo de temporizadoro de cronmetro.Vamos a suponer que estamosutilizand o un cronmetro que (como podemos comprobar intentandola medicin en la prctica), nos permite medir el tiempo de un cierto nmero de oscilaciones con una aproximacin dek 0.2 seg. Ntese que esta cifra de 0.2 seg debe ser la incertidumbre global en todo el proceso de medicin del tiempo, comprendida nuestra apreciacin personal de la posicin del pndulo para apretar el botn, los tiempos de respuesta para reaccionar, etc.; no es suficiente considerar slo

96

DISEO DE EXPERIMENTOS CAP. 5

la incertidumbre de la lectura de la manecilla estacionaria del cronmetro. En todo caso, si tenemos una incertidumbre global en la medicin del tiempo de k0.2 seg, podemos calcular la precisin de cualquier intervalo medido, 1, como 0.2/1. Esta es la cantidad que deseamos restringir a valores inferiores a 0.5%, por lo que la condicin limitante es:
-

0.2
t

0.005

Luego, el valorlmite de est dado por

t
= -=

0.2 40 seg 0. 005

Esto es, suponiendo que escogemos el nmero de oscilaciones del pndulo de manera que siempre estemos midiendo tiempos mayores de 40 seg, podemos esperar que nuestras medidas contribuirn efectivamente auna determinacin final de g dentro del 2%. Por supuesto que no podemos garantizar que ese plan experimental resultar en un valor de g con una incertidumbre menor del 2%; siempre existe la posibilidad de contribuciones inesperadas a la incertidumbre o de un error sistemtico insospechado. Pero, al menos, podemos evitar hacer mediciones que no tengan posibilidad alguna de contribuir provechosamente al resultado final.

En esta etapa debemos reflexionar sobre si cada medicin se va a consio si las flucderar en trminos de un intervalo estimado de incertidumbre, tuaciones al azar son lo suficientemente grandes para requerir el uso de mtodos estadsticos. Si este ltimo es el caso, algunas mediciones de prueba nos permitirn hacer una estimacin preliminar de la varianza, con lo que podremos escoger el tamao de muestra que se necesita para lograr la precisin requerida. En esta etapa debemos recordar las advertencias sobre la inexactitud en las muestras pequeas que se dieron en la seccin 3-1 l. Pero, adems debemos recordar quelos intentos para mejorarla precisin aumentando el tamao de la muestra pueden ser ingratos. La expresin para la desviacin estndar de la media involucra a JN de modo que si una muestra de prueba de 10 mediciones sugiere que sea deseable, digamos, un aumento de diez veces en la precisin, el tamao de la muestra tendra que aumentarse en un factor de100. U n tamao de muestra de 1000 puede no ser factible, y tendramos que buscar algn otro camino hacia el aumento de la precisin.
Ya sea que las mediciones sean de naturaleza estadstica, o que tengan una incertidumbre estimada, sencilla, ser posible decidir en esta etapa si cada medicin en el experimento puede hacerseen forma satisfactoria o no. Si al parecer alguna medida est restringida a una incertidumbre que excede nuestras

SEC. 5-3

PLANEACION DE EXPERIMENTOS

97

aspiraciones de diseo, debemos obtener un mtodo ms preciso de medir esa cantidad particular, o, si eso no es posible, reconocer que nuestro lmite anterior para la incertidumbre final del experimento era irrealizable con los aparatos disponibles, y que ser necesaria la revisin de ese lmite. Asimismo, evaluando la contribucin de cada magnitud en el experimento a la incertidumbre final, podremos identificar cualquier medida ( o medidas) que contribuyan decisivamente al resultado final, ya sea por su baja precisin intrnseca, o por la forma en que entra en los clculos (p. ej.: alguna cantidad elevada a una potencia alta, o una cantidad que se tiene que obtener como la diferencia de dos valores medidos). Una vez que se identifiquen, se les puede dar una especial atencin a esas medidas para que su incertidumbre se mantenga bajo controlal mximo posible. Todo el detalle descrito en esta seccin puede parecer que constituye u n enfoque innecesariamente exigente para u n experimento pequeo y sencillo, pero es conveniente recordar, una vez ms, que nos estamos ejercitando para experimentos de mucho mayor envergadura. e importancia, en los que las consecuencias de una falta de planeacin adecuada pueden ser graves y costosas.
f]
Elaborar el programa de medicin

Despus de determinar las variables, los alcances y la precisin del experimento, lo ideal es concluir su diseo elaborando un programa de medicin completo y explcito. Este normalmente tomar la forma deuna tabla queincluye todas las cantidades por medir en el experimento, y que proporciona tambin espacio para cualquier clculo requerido para dibujar las grficas. U n programa de medicin completo permitir al experimentador, durante el transcurso del experimento, concentrarse en la conduccin real del experimento. Mientras se manipulan aparatos y se hacen mediciones, normalmente hay bastante qu hacer sin la necesidad continua de decidir qu hacer despus. El programa de medicin ayudar tambin a resguardarse de la omisin accidental de alguna medicin significativa, que podra pasarse por alto a resultas de la presin de la misma experimentacin. Como ya hemos observado reiteradamente, toda esta planeacin podr parecer como una bulla excesiva e innecesaria para un experimento sencillo. Sin embargo, estas recomendaciones representan nada menos que el mnimo bsico de preparacin para cualquier experimentacin seria, y no debe perderse oportunidad alguna para la formacin temprana de hbitos cuidadosos de diseo y planeacin de experimentos. Es importante evitar la tentacin de apresurarse a seguir con el experimento, dejando hasta despus la tarea de decidir qu hacer con los resultados; es mucho ms benfico adquirir el hbito de re-

98

DISENODE CAP. EXPERIMENTOS

servar el tiempo necesario para disear y planear mente antes de empezar las mediciones en s.

el experimento adecuada-

5 4 DISEO DEEXPERIMENTOSCUANDO
NO EXISTE UN MODELO
Esta situacin se presenta cuando, por ejemplo, estamos observando algn fenmeno tan nuevo que todava no se ha construido un modelo terico al respecto, o bien nos ocupamos de un sistema que es tan complejo, como un sistema de ingeniera o algn aspecto de la economa nacional, que acaso nunca sea posible construir un modelo terico de l. Si no tenemos un modelo existente para probarlo, nuestro objetivo al experimentar con el sistema podra tener diversas modalidades. Podramos estar motivados por la simple curiosidad o por una necesidad prctica de informacin sobre el sistema. A unnivel superior, quizs nos interesen las posibilidades de construir modelos. Podemos estar buscando una gua para la construccin de un modelo terico,o, si esto resulta muy difcil, desear obtener.mediciones que sirvan de base para un modelo puramente emprico del sistema.Como se mencion en el captulo 4, los modelos empricos, aun si no se tiene una comprensin terica detallada, son sumamente tiles. Pueden servir para sistematizar lo que pensamos deun sistema complejo, y con frecuencia son esenciales para clculos matemticos sobre el sistema como la interpolacin, la extrapolacin, el pronstico, etc. Cualquiera que sea nuestra motivacin, probablemente nos gustara encontrar una funcin o grfica que proporcione un ajustesuficientemente bueno para las observaciones. Los mtodos para encontrar funciones adecuadas se describirn en el captulo 6, y nos restringiremos por el momento al problema de disear el experimento. A falta de un modelo existente, el diseo del experimento puede ser relativamente directo, especialmente si podemos aislar las variables de entrada de modo que podamos variar una mientras mantenemos fijos los valores de las otras. Nuestro diseo del experimento consistir, simplemente, en medir la variable de salida en intervalos adecuados de las variables de entrada para construir una imagen del comportamiento del sistema tan completa como sea posible. Por supuesto, si no podemos aislar las variables de entrada, rendremos problemas, y ese caso se considerar en la seccin 5-7. Aun si no contsemos con una teora previa acerca del fenmeno, es sensato aprovechar cualesquier sugerencia disponible sobre funciones que pueda ser adecuada a nuestro sistema, y comprobar esa posibilidad en el comportamiento del mismo. Una forma de obteneresas sugerencias, se presentar en la seccin siguiente.

SEC. 5-5

ANALISIS DIMENSIONAL

99

5-5

ANALISISDIMENSIONAL
Aunque no exista una teora completa de un fenmeno fsico, todava es posible obtener una provechosa orientacin parala realizacin de un experimento mediante el mtodo del anlisis dimensional. Las dimensiones de una cantidad fsica (mecnica) son su expresin en trminos de las cantidades elementales de longitud, masa y tiempo, abreviadas como L, M y T. As, por ejemplo, la velocidad tiene dimensionesde L T-l; la aceleracin, L T-2; la densiel trabajo (igual a dad, ML-3;la fuerza (igual a masa x aceleracin), IWLT-~; fuerza x distancia), ML2 T-2, etc. El principio empleadoen el anlisis dimensional se basa en el requisito de que las dimensiones finales en los dos lados de una ecuacin deben de corresponder. De esta manera, si sabemos que g est relacionada con la longitud y el periodo de un pndulo,es obvio que la nica forma de que la LT-2de la aceleracin en el lado izquierdo pueda compensarse del otro lado es incorporando la longitud a la primera potencia (para obtener la L ) , y dividiendo entre el periodo al cuadrado (para proporcionar T - 2 ) .En seguida, pues, podemos afirmar que, independientemente de la forma terica final de la ecuacin, sta debe tener la estructura
g
=

(constante adimension,al) x

longitud periodo2

Advirtase que el proceso no puede dar informacin sobre constantes adimensionales (nmeros puros como x, etc.), y por eso siempre debemos incluir la posibilidad de su presencia en las ecuaciones obtenidas por anlisis dimensional. El mtodo general es como sigue: considrese una cantidadz que se supone es funcin de las variables x, y, etc. Escribimos la relacin en la forma

x y y . Ahora escribimos las dimensiones del lado derecho en trminos de las dimensiones de x y y y las potencias u y b. En segundo lugar, establecemos como

donde u y b representan potencias numricas a las cuales se tendrn que elevar

condicin que la potencia final de la dimensin M en el lado derecho debe ser igual a la potencia que conocemos de z. Hacemos lo mismo con L y T, obteniendo as tres ecuaciones simultneas que nos permiten calcular los valores de u, b, etc.

1 O0

DISEO DE EXPERIMENTOS CAP. 5

Como ejemplo, consideremosla velocidad de propagacin t; de las ondas transversales en una cuerda. Podriamos suponer que esa velocidad estar determinada por la lensi6n Ten la cuerda y w masa por unidad de longitud, m . Escribimos:

Las dimensiones adecuadas son: de c : de T

de m

LT"
(fuerza): (masaporunidaddelongitud):

MLT-'
ML" '

Por tanto:

Entonces, comparando una por una las potencias de M , L y Ten los dos lados de la ecuacin, obtenemos: para M : para L: para T :

O = a + b
I=a-b

-1 = -2a

para lo cual las soluciones son obviamente:

y obtenemos, finalmente:

(constanteadimensional)

Este procedimiento es muy valioso, porque aun sin contar con una teora fundamental detallada, proporciona una prediccin relativa al comportamiento del sistema. Ese puedeser un punto de partida para la investigacin experimental, y si el experimento muestra consistencia entre el comportamiento del sistema y el modelo producido por el anlisis dimensional, tendremos una confirmacin de la validez de la eleccin original relativa a las variables. Si el experimento muestra una discrepancia, debemos observar de nuevo nuestras primeras suposiciones sobre las cantidades que influyen en el experimento. Nb-

SEC. DIMENSIONAL 5-5 ANALISIS

1o1

tese que en el ejemplo anterior obtuvimos tres ecuaciones para slo dos incgnitas. Por tanto, la situacin en realidad estaba excesivamente determinada, y tuvimos la fortuna de que las ecuaciones que contenan a y b fueron consistentes. Si no lo hubieran sido, habramos sabido inmediatamente que nuestra suposicin relativa a los constituyentes de u era errnea. Por muy poderoso quesea este mtodo, desde luego surgirn dificultades cuando la magnitud bajo estudio sea funcin de ms de tres variables. Entonces tendremos ms de tres potencias desconocidas, pero slo tres ecuaciones a partir de las cuales determinarlas. En este caso,no es posible una solucin nica, pero se puede encontrar una solucin parcial en trminos de combinaciones de variables. Por ejemplo, consideremos la rapidez de flujo Q de un fluido de coefir y longitude bajo una diferencia de ciente de viscosidad q por un tubo de radio presin P. Es claro que todas estas cantidades son significativas para determinar la rapidez de flujo, y por ello cabe sugerir la relacin:
Q
Pa4bqcrd

Las dimensiones de esas cantidades son como sigue:

Q P q

(volumenporunidaddetiempo): (fuerza por unidad de rea):

L3T" MLT-' L
X

L-' = ML-IT-'

e tubo): (longitud del

(coeficientedeviscosidad,definido comofuerzapor unidad de rea por unidad de gradiente de velocidad):

(MLT-2)(L2)"(LT-'
r
(radio del tubo):

L-')-' - ML-1T-l

De este modo:

Y, comparando potencias de

M: L: T:

O=a+c

3 = - ~ + b - ~ + d
- 1 = -2a - c

102

DISEO DE EXPERIMENTOS CAP. 5

Aqu tenemos cuatro incgnitas y slo tres ecuaciones, as que, en general, no es posible una solucin completa.Sin embargo, podemos obtener parte de ella, porque es obvio que las ecuaciones para M y T nos dan:

a = l

c = -1
Por tanto, la ecuacin de Q debe contener el factor P/q. La parte restante de la solucin puede escribirse slo como

b+d=3
Pero, al reexpresarla como

d=3-b
podemos ver que Q debe contener el producto r 3 / r b ; tambin que contiene Pb, por lo que tenemos

Como es inconcebible que Q aumente con P, si todas las dems cantidades permanecen constantes, es evidente que b debe tener un valor negativo, y podemos invertir el factor Y/r para obtener, finalmente:

La cantidad b sigue siendo desconocida, y eso es lo ms que el anlisis dimensional nos puede acercar a la solucin completa. Sin embargo, aun esta solucin parcial puede servir de gua para experimentar en una situacin para la que no exista una teora fundamental previa. El anlisis dimensional puede ampliarse para abarcar magnitudes trmicas y elctricas, pero en esos casos surgen las ambigedades y requieren una consideracin especial. El anlisis respectivo podr encontrarse enlos textos convencionales sobre calory electricidad, o en textos especializados de anlisis dimensional.

5-6

MEDICIONES DEL TIPO DE DIFERENCIAS

y definida entre las variables de entrada y las de salida, y que las variables de

En todas las secciones anteriores hemos supuesto que haba una relacin clara
y estabanrelativamente

entrada mismas eran fcilmenteidentificables

bien

SEC. 5-6

MEDICIONES DEL DE TIPO

DIFERENCIAS

103

controladas. Sin embargo, enfrentamos a veces circunstancias en las que no somos tan afortunados. Tal vez nuestras variables de entrada no se puedan aislar claramente, de manera que, cuando todas estn variando al mismo tiempo, es difcil identificar el efecto de cada una en la salida del sistema. O tal vez el sistema es tan complejo yest sujeto a tantos factoresvariables que resulta difcil juzgar siel efectoen el que estamos interesados siquiera existe. Para afrontar circunstancias como stas, se han ideado ya muchas tcnicas experimentales, en su mayora de naturaleza estadstica. Las descripciones de esas tcnicas pueden consultarse en los textos de estadstica citados en la Bibliografa. Para nuestros propsitos actuales, nos restringiremos a una breve descripcin de los problemas que surgen en diferentes niveles de complejidad e incertidumbre.
a] Experimentos de medicin de diferencias en las ciencias fsicas

Supongamos, por ejemplo, que deseamos estudiar algn efecto relativamente pequeo, como la extensin de un alambre de acero duro con la aplicacin de una carga. No slo es pequeo el efecto, sino que tambin est sujeto a una serie de factores que lo perturban; la temperatura, por ejemplo. Por tanto, si medimos simplemente la extensin bajo un cierto peso sin garantizar la estabilidad de temperatura, no podemos estar seguros de quela extensin que midamos se pueda atribuir nicamente ala influencia en la que estamos interesados, es decir, al peso. Y no slo eso, pues si, adems, no nos es posible controlar efectivamente la temperatura, nunca podremos estar seguros del efecto del peso en el alambre. La solucin es una medicin de efecto-nulo. Si medimos simultneamente la longitud de dos muestras, una con peso y la otra libre, cabe esperar que la diferencia en su comportamiento se atribuya a la magnitud en que estamos interesados, en este caso el peso. Por supuesto, debemos tratar de asegurarnos de que, hastadonde sea posible, las dos muestras sean idnticas, que estn sujetas a las mismas influencias, como la temperatura, y que difieran en un solo aspecto: el peso aplicado a ellas. Afortunadamente tal correspondencia no es muy difcil de lograr si estamos hablando de alambres de acero. Podernos estar cerca de hacer que la situacin de los dos alambres sea idntica montndolos muy cerca uno del otro (para hacermnimas las diferencias de temperatura entre ellos) y tomando otras precauciones semejantes. Y, como queremos que las propiedades originales de las dos muestras sean tan aproximadamente idnticas como sea posible, podemos simplemente tomarun tramo de alambre y partirlo en dos, haciendo que un pedazosea la muestra que se va a cargar y el otro la muestra de comparacin que indicar el efecto nulo. Nuestra capacidad de cortarla muestra en dos partes nos permite realizar convenientemente una gran variedad de mediciones del tipo de diferencias, y obtener una alta precisin en la deteccin de efectos pequeos, que de otra manera quedaran ocultos sin remedio por los

104

DISEO DE EXPERIMENTOS CAP. 5

factores de perturbacin. Esta experimentacin del tipo de medicin de diferencias es muy comn, y se encontrar en toda la gama de fenmenos fsicos. Con frecuencia terminamos errando, a menos que verifiquemos el desempeo de nuestro sistema experimental en ausencia de la influencia que estamos estudiando, as como en su presencia. A veces, incluso, los resultados nos sorprenden, y haramos bien enseguir el consejo de Wilson(vase la Bibliografa), y reflexionar sobre esta afirmacin: Por numerosos experimentos se ha probado en forma concluyente que el golpear tambores y gongs durante un eclipse solar provoca que el brillo del sol regrese.
b)
Experimentos de medicin de diferencias en las ciencias biolgicas

AI ilustrar las mediciones de efecto nulo usando el alargamiento de un alambre de acero bajoel efecto de un peso, nos hemos topado con un aspecto muy til: para garantizar la semejanza de la muestra experimental y la muestra de comparacin, tomamos nuestra muestrabsica y la dividimos en dos. En el caso de alambres de acero y otros materiales semejantes, eso no presenta problemas. Sin embargo, otros sistemas no se prestan con la misma facilidad.

Supongamos que deseamos medir la efectividad de un nuevo medicamento para un tipo particular de enfermedad.Es claro que tendramuy poco valor si no hiciramos otra cosa que slo administrar el medicamento a un paciente que sufre la enfermedad y vigilar si hay mejora. Hay demasiadas variables y factores perturbadores para que podamos atribuir confiadamente cualquier cambio en la condicin del paciente al medicamento. Si queremos aislar el efecto dela medicina sola, es claro que trataramos de disear algn tipo deexperimento de diferencias, en el que observaramos el efecto nulo as como la influencia del medicamento. Una situacin como sta, empero, presenta dificultades obvias que no se encuentran al experimentar con alambres de acero. La renuencia de la mayora de los seres humanos a ser partidos en dosimposibilita el crear una autntica muestra de efecto nulo. Podramos aprovechar a una segundapersona comomuestradeefectonulo,peroenfrentaramos inmediatamente toda la variabilidad de respuesta que procurbamos evitar al emplear muestras idnticas. Enfrentados a lo inevitable de la variabilidad biolgica, nuestro nico recurso consiste en compensarlacon el aumento del nmero. Desistimos de nuestros intentos por experimentar con sujetos individuales y conformamos un grupo experimental, expuesto a la influencia que se estudia, y un grupo de control. El grupo de control se forma de modo que sea tan estrechamente comparable con el grupo experimental como sea posible, y que difiera slo en que no recibir el tratamiento que constituyeel tema de la investigacin. Espe-

SEC. 5-7

EXPERIMENTOS SIN CONTROL SOBRE LAS VARIABLES DE ENTRADA

105

ramos que est expuesto a todas las influencias perturbadoras que afectan al grupo experimental, que responda a ellas del mismo modo que ese grupo y, por tanto, que proporcione la medicin del efecto-nulo buscada. Acaso haga faltaincluir muchos refinamientos en estetipo deexperimentacin, porque los efectos que buscamos medir a menudo pueden ser muy pequeos en comparacin con todas las influencias perturbadoras. Por ejemplo, para disminuir las distorsiones subconscientes de los resultados en experimentos mdicos sobre sujetos humanos, es comn ofrecer a los integrantes de u n grupo en control un sustituto inocuo de la sustancia real administrada al grupo experimental (un placebo), al tiempo que se mantiene tanto a los experimentados como a los sujetos bajo estudio, en la ignorancia respecto de a quin se administra la sustancia real y a quines la simulada (el llamado experimento doblemente a ciegas).

Los diseos experimentales que incluyen un grupo experimental y un grupo de control cuidadosamente equiparado, son prcticamente universales en los estudios biolgicos, ya sea que estemos tratando de medir la posible caracterstica carcingena de algn colorante alimenticio en grandes grupos de desafortunados ratones, o los efectos benficos de las actividades musicales en el desempeo acadmico de los alumnos de escuelas primarias.

5-7

EXPERIMENTOS SIN CONTROL SOBRE LAS VARIABLES DE ENTRADA

A veces tenemos que disear un proceso para estudiar algn sistema sobre el cual no tenemos control alguno. Si ste es e R caso, no nos quzda otra alternativa q u e l a observacin simple y sin manipulacin del sistema, y nuestra tarea consiste en disear el proceso de observacin (talvez no tengamos justificacin para llamarlo un expenmento) para optimizar nuestras oportunidades de comparacin efectiva entre las propiedades del sistema y las de cualquier modelo que tengamos en mente. En los casos de una conducta claramente definida del sistema y de modelos bien definidos, puede ser que no afrontemos mayor dificultad. Por ejemplo, un astrnomo puede a.ufrir la frustracin de su incapacidad de influir en la materia de su experimento, pero su sistema normalmente funciona de una manera bien definida, permitiendo con frecuencia mediciones sumamente exactas. De esta manera, no es muy difcil decidir que la teora de la relatividad general de Einstein se ajusta a las observaciones de la rbita del planeta Mercurio mejor de lo que ocurre con la teora de la gravitacin de Newton.

106

DISEODEEXPERIMENTOSCAP.

En otros casos, sin embargo, las preguntas que nos hacemos pueden ser ms difciles de contestar. Porejemplo: Ha alteradola calidad de un producto la introduccin de un nuevo detalle en la manufactura o no? Aun cuando todo lo dems en el proceso de manufactura se mantenga tan constante como sea posible, la observacin demostrar que el producto vara de una mueStra a otra; oculta estavariacin el efecto en el que estamos interesadoso no? En tales casos, sin tener control sobre las variables de entrada, nuestro estudio se convierte en un ejercicio de procedimientos de muestreo, y existe todo un campo de investigacin industrial con el nombre de control de calidad. La literatura sobre estadstica y diseo estadstico de experimentos es muy amplia, pero algunos de los textos enumerados en la Bibliografa proporcionarn un punto de partida.
y su falta de control sobre las entradas, plantean problemas que sonsencillos en

Con todo, aun los procesos industriales, con sus fluctuaciones inherentes

comparacin con algunos de los problemas cuya solucin buscamos hoy da. Por ejemplo: Mejora la adicin de fluoruros a los suministros de agua de las ciudades la salud dental de la poblacin, y produce, acaso, otros efectos, posiblemente dainos? Causan las plantas nucleoelctricas una mayor incidencia de leucemia en su vecindad o no? En tales casos, tenemos casi todos los problemas a los que se puede enfrentar un experimentador. Hay poco o ningn control sobre las variables de entrada; hay una amplia variacin en la respuesta individual; la respuesta puede ser slo de naturaleza probabilstica; puede haber largos retrasos para observar una respuesta; rara vez hay una oportunidad de observar un efecto genuinamente nulo (normalmente no llevamos a cabo encuestas de sensibilidad adecuadas antes deque el ayuntamiento empiece a aadir fluoruros, o antes de que la planta nucleoelctrica se construya), y por lo general hay una multitud de factores externos que confunden. Lo nico que podemos hacer es llevar a cabo nuestro proceso de muestreo con tanto cuidado como sea posible. Debemos obtener una medicin artificial de efecto nulo conformando un grupo experimental, tan grande como sea posible, que est bajo la influencia que estamos estudiando, y un grupo de control, que esperamos est exento de esa influencia, que en todos los dems aspectos corresponda con el grupo experimental tan estrechamente como sea posible.
Lo principal de este tipo de trabajo de experimentacin o estudio, radica en la habilidad y el cuidado con quese haga el muestreo. Los efectos que se estudian son normalmente tan sutiles que, a consecuencia tan slo de variaciones en el procedimiento de muestreo, no es raro que distintas encuestas arrojen conclusiones completamente contradictorias. De hecho, es sabido que personas con particulares intereses de por medio pueden proporcionar resultados de encuestas que prueban su argumento, obteniendo el resultado que desean mediante un control cuidadoso en sus procedimientos de muestreo. Muchos de

CAP. 5 PROBLEMAS

107

los problemas en los que las cueszlones cientficas tienen especial relacin con las polticas de gobierno, presentan esta caracterstica de variables de entrada incontrolables, y todos deberamos familiarizarnos tanto como sea posible con los procedimientos empleados enel muestre0 y las pruebas de significancia. De esta manera seremos capaces de juzgar tan exactamente como se pueda las demandas usualmente conflictivas de los protagonistas. AI afrontar problemticas de tal complejidad, debemos a menudo desistir de emplear las pautas conocidas de pensamiento que otrora se han aplicado con xito en otras reas. Por ejemplo, el trmino prueba se usa legtimamente en muchos contextos. Podemos probar resultados matemticos basados en principios matemticos. La palabra se usa tambin (tal vez menos legtimamente) con referencia a las medidas cuandoel nivel de incertidumbre lo permite. Hemos probado queel Sol est a mayor distancia de la Tierra que la Luna (aunque sera mejor decir simplemente que la distancia medida es mayor). Pero hay otros campos en los que no podemos usar la palabra en absoluto. Todos hemosescuchado,porejemplo,que la evidencia que relaciona fumar cigarrillos con el cncer pulmonar es solamente estadstica, y que el dao no se ha probado. Esas situaciones son confusas, en parte porque los efectos observables aparecen slo en trminos de probabilidades, y tambin porque esos efectos pueden aparecer solamente despus de que han pasado muchos aos. En tales casos, el concepto de prueba debe modificarse. En la actualidad se ha reemplazado por el concepto de correlacin. Los estudios de correlacin dan resultados, expresadosen trminos de probabilidades, que difierenen carcter de las ntidas relaciones causa-efecto con las que estamos familiarizados en otros experimentos. Sin embargo, pueden ser igualmente vlidos para identificar los factores que influyen en los sistemas. El concepto de correlacin se tratar ms ampliamente en la seccin 6-14.

PROBLEMAS
1. Un cientfico afirma quela velocidad final de cada de un paracaidista depende slo

de la masa del individuo y de la aceleracin debida a la gravedad. Vale la pena montar un experimento para comprobarlo?

2. El alcance de un proyectil disparado con una velocidad u a un ngulo con la horizontal a debe depender de su masa, la velocidad, el ngulo y la aceleracin de la gravedad. Encuentre la forma de la funcin respectiva.
3. Se sabe que la presin dentro de una burbuja de jabn depende de la tensin superfi-

cial del material y el radio de la burbuja. Cul es la naturaleza de esa dependencia? es luncin de la constante de rigidez (par/unidad de deflexin angular) del soporte y el momento de inercia del cuerpo oscilante. Cul es la forma de la funcin?

4. El periodo de un pndulo de torsin

108

DISEO DE EXPERIMENTOS CAP. 5

5. La deflexin de una viga de seccin circular apoyada enlos extremos y cargada en el centro dependedel peso de la carga, la distancia entre los apoyos, el radio de la viga y el mdulo de Young del material. Deduzca la naturaleza de la dependencia.
E n lodos los problemas que siguen, enuncie las variables o conrbinuciones de vaP.rables que debengraficarse paru verificar la variacin sugerida,y diga cmo puede encontrarse la incgnita (pendiente, ordenada al origen, etc.). 6. La posicin de u n cuerpo que parte del reposo y est5 expuesto a una aceleracin

constante est descrita por

= tat

donde

y t son las variables medidas. Determine

u.

7. La frecuencia fundamental de vibracin de una cuerda est dada por:

donde n, I y T son las variables medidas. Determine

m.

8. La velocidad de flujo de salida de un fluido ideal por u n orificio en el lado de un tanque est dada por

donde t y P son las variables medidas. Determine

9 . U n pndulo cnico tiene un periodo

dado por

donde 7 y

(Y

son las bariables medidas; I e5 fija y conocida. Delerminr R.

10. La deflexin de una viga en cantilever se expresa por

donde d , W y /

5011

11. 1.a c.le\acin capilar de

las Xariables medidas; a y O son fijas y conocida\. Determine Y .

1111

tluido cn un t u b o est dada par

h = 2U

PRR

donde ir y R

5011

las Lariables medidas; p y g son fijas y conocidas. Determine n.

1111

12. 1-a ley de los gase5 para

qas ideal es

PC = RT
donde p y 7 m
1

variables medidas; c es fija y conocida. Determine K .

CAP. 5 PROBLEMAS 13. El efecto Doppler de la frecuencia para una fuente

1 o9

en movimiento est dado por

donde f y u. son variables medidas;

es fija y conocida. Determine 2;.

14. La expansin lineal de un slido est descrita por

I = lO(l
15. La ley de refraccin es
p.^

+ a.At)

donde I y AI son variables medidas; Ioes constante, pero desconocida. Determine u. sen O1 =
p,

p 2

sen O2
pz.

16. La ecuacin de las lentes delgadas (o de los espejos) puede expresarse como

donde O, y O2 son variables medidas;

es fija y conocida. Determine 1

1+ " = 1S

S'

donde .S y S' son variables medidas. Determinef. Hay funcin. Cul es la mejor?

dos maneras de gral'icar esta

17. La frecuencia de resonancia de un circuito L - C en paralelo est dada por

=
"

\E

donde

y C son variables medidas. Determine

L.

18. La fuerza entre cargas electrostticas est descrita por

= 47rgr2

F y r son variables medidas para 4, y 4, fijas y conocidas. ;Cmo comprueba la Icy inversa del cuadrado?
19. La fuerza entre corrientes est descrita por:

donde F, i,, iz y r son variables medidas; p,, y I son constantes. L C h o comprueba la forma de la dependencia?
20. La descarga de un capacitor est descrita por

donde Q y

son variables medidas. K es fija y conocida. Determine C'.

110

EXPERIMENTOS DISEO DE

CAP. 5

21. La impedancia de u n circuito R - C en serie es

z=
22. La variacin relativista

dl?>+1

W2C2

donde 2 y w son variables medidas. Determine

R y C.

de la masa con la velocidad es

donde m y

son variables medidas. Determine / n o y c.

23. Las longitudes de onda de las lneas en la serie de Balmer del espectro del hidrgeno estn dadas por

donde X y n son variables medidas. Determine R .

tvaluacln de experimentos

6 1 ENFOQUE GENERAL
Aun cuando hayamos terminado de hacer las mediciones en un experimento, todava resta por cumplir una parte igualmente significativa del proceso: debemos evaluar la importancia de lo que se ha hecho. Al realizar el experimento, nuestro objetivo es poderhacer alguna proposicin al cabo. Es importante identificar con claridad lo que queremos enunciar, y asegurarnos que el enunciado es tan exacto y completo como sea posible as como que est perfectamqnte justificado por nuestras observaciones. La forma precisa en que evaluemos el experimento en su conjunto, depender del tipo de experimento que hayamos realizado. Como ya explicamos en los captulos 4 y 5, podramos haber trabajado con o sin u n modelo terico, y nuestras mediciones pueden o no estar dominadas por fluctuaciones estadsticas. Los procedimientos a seguir, pues, variarn en consecuencia. Antes de proseguir, empero, debemos advertir dos hechos generales. Primero, siempre debemos tener presente que los resultados experimentales son valiosos. A menudo son resultantes de un amplio programa experimental que absorbe a mucha gente y grandes cantidades de dinero. A cualquier escala de costo, los resultados pueden ser nicos e irrecuperables. Es preciso admitir la obligacin de extraer cada pice disponible de informacin a partir de nuestras observaciones, y asegurarnos de que nuestra proposicin final es tan completa como sea posible. El segundo hecho general tiene que ver con la objetividad.
111

112

EVALUACION DE EXPERIMENTOS CAP.

Es casi imposible evitar emprender un experimento abrigando algunaidea preconcebida de lo que debe ocurrir. Debemos, sin embargo, disciplinarnos para ser tan objetivos como podamos, as y el resultado del experimentoes distinto de lo esperado o deseado, o nos decepciona de algn modo, nuestro dey realista, ber es estar preparados para exponerel resultado en forma honrada y obtener con base en ello la orientacin requerida para el trabajo futuro.

En el laboratorio de enseanza, donde a veces es difcil tener en mente los objetivosfinalescontodaclaridad,y es fcilencambioolvidar que nuestros experimentos sirven para simular tareas reales en el mundo del trabajo, comnmente nos encontramos con la creencia equivocada de quela misin consiste en reproducir los valores conocidos de magnitudes experimentales. Si, por ejemplo, estamos midiendo la aceleracin de la gravedad y obtenemos un valor de 9.60 m.seg-2, y nuestra respuesta difiere del resultado correcto, concluimos que estamos equivocados.El error entonces puede atribuirse porconveniencia a losinstrumentos.Dehecho,comonohayresultados correctosdelasmagnitudesexperimentales,nuestrasituacinenefecto tiene que ver con la comparacin de dosvalores medidos de una cantidad. Cada valor medido tiene sus caractersticas propias, as como su propio intervalo de incertidumbre. Evaluar la importancia de una discrepancia entre dos valores medidos independientes de una misma cantidad, es realmente una tarea compleja y difcil. Es mucho mejor, en principio, desarrollar nuestra habilidad para medir tan confiablemente como sea posible, y evaluar su intervalo de incertidumbre con la mayor exactitud; ms tarde podremos preocuparnos de comparar nuestras mediciones con las de otras personas. As que cuando estamos efectuando mediciones de magnitudes de las que de antemano conozcamos concerteza un valor ms preciso, es mejor disciplinarnos para evitar pensar en ese valor ms preciso o estndar; es mejor adquirir experiencia y fortalecer la confianza en nuestro propio trabajo. Esta confianza har falta ms adelante, cuando nos dediquemos a la experimentacin profesional, en la que deberemos hacernos responsables de nuestros propios experimentos, y medir fenmenos que acaso nunca hayan sido medidos antes. De modo que si obtenemos un valor de 9.60 m . seg-2 para g , dmonos cuenta d e igual manera que la incertidumbre del caso es de + 0.3 m . seg2, y el resultado no es tan malo como podramos pensaralprincipio. Si vamos a reclamar por algo, que sea por los f 0.3 m . seg2, pero no tenemos por qu sentirnos culpables al respecto si nuestro dispositivo experimental, con u n esfuerzo normal, noes capaz de dar una precisin mejor que el 3%. No debemos engaarnos por la forma en que suelen citarse los valores aceptados de algunas magnitudes fsicas en los libros de texto. Estos valores con frecuencia se men-

SEC. 6-2

LAS ETAPAS EVALUACION LA DE DEL EXPERIMENTO

113

cionan de manerams bien ocasional, y los textos rara vez aclaran el que estas cantidades son resultantes de una complicada labor por parte de generaciones de cientficos expertos. Para nosotros, es muy instructivo leer la historia detallada de tales mediciones, podrn hallarse excelentes ejemplos de ello en el libro de Shamos citado en la Bibliografa. Debemos rehuir la improvisacin con magnitudes como stas, y no esperar reproducirlas con toda exactitud en dos horas de trabajo en un laboratorio elemental. Lo principal es enunciar el resultado del experimento con honradezy objetividad plenas. Indudablemente el experimentador debe esforzarse con seriedad por sacar el mximo provecho del experimento, asegurndose de que el resultado final sea tan confiable cmo sea posible, y los lmites deincertidumbre tan estrechos como el experimento lo permita. En todos los casos, no obstante, lo esencial es ser realista.

6-2

LAS ETAPAS DE LA EVALUACION DEL EXPERIMENTO

El proceso de evaluacin de resultados de u n experimento consta de varias fases. En primer lugar, debemos obtener los valores de las magnitudes bsicas y sus incertidumbresrespectivas.Ensegundo,debemosevaluar el gradode correspondencia entrelas propiedades del sistema y las del modelo. En tercero, es preciso calcular los valores de cualquier propiedad del sistema que nos hayamos propuesto medir desdeun principio. Por ltimo, habr quehacer una estimacin de la precisin global del experimento. Consideremos ahora uno a uno estos pasos.

al

Clculo de cantidades elementales

El primer paso para obtener el resultado de nuestroexperimento consiste en calcular las cantidades elementales que lo componen. Por ejemplo, un experimento con pndulo simple cuyo propsito es determinar un valor de g, probablemente dar, como variable de entrada, un conjunto de lecturas de la longitud P. La variable de salida estar representada por un conjunto de mediciones de los tiempos requeridos para un cierto nmero de oscilaciones, y a partir de ellos podrn calcularse luego los valores del periodo T. Nuestro propsito actual es calcular los valores de P y T y sus incertidumbres; esto conformarla base para el anlisis grfico posterior. La eleccin del procedimiento depender aqu de si hemos optado por hacer una evaluacin subjetiva de los intervalos de incertidumbre de cada medida, o si hemos considerado que las fluctuaciones al azar son lo bastante significativas para hacer deseable el tratamiento estadstico.

114

EVALUACION DE EXPERIMENTOS CAP, 6

b]

Incertidumbre estimada

En el caso del pndulo simple, la primera variable a considerar es P. Aqu acaso encontremos que medir la longitud del pndulo con una regla de madera nos permite identificar intervalos, como los que se describenen la seccin 2-3, dentro de los que estamos casi seguros se hallan nuestros valores. Por tanto, nuestros datos experimentales aparecern como un conjunto de valores de P en esta forma: valores + incertidumbre. Tambin es concebible, si hemos estado contando oscilaciones y midiendo tiempos con un cronmetro, que podamos de igual modo identificar intervalos en la escala de tiempo dentro de los cuales estamos casi seguros se encuentran nuestros valores de tiempo. Estos tambin se expresarncomotiempo + incertidumbre. Sin embargo,sta todava no es nuestra variable T. Tal vez contemos 15 oscilaciones del pndulo, obteniendo un valor para el tiempo de 18.4 + 0.2 seg, y el valor del periodo, o tiempo requerido para una oscilacin, deber obtenerse por divisin como 1.227 + 0.013 seg. Ntese queno slo debecalcularse as el valor central, sino tambin el valor de la incertidumbre. En trminos algebraicos sencillos tenemos que (&)(18.4
k

0.2)

= - -t

18.4 15

0.2 15

1.227 t 0.013

Es importante no pasar por alto este tipo de modificacin significativa del valor de incertidumbre; ser necesaria siempre que se hagan clculos aritmticos de las magnitudes bsicas.
El resultado final del proceso de este experimento ser un conjunto de valores de P y T, completo con sus incertidumbres, y estaremos listos para construir el trazado de nuestra grfica.
c]

Incertidumbre estadstica

Si la repeticin del proceso de medicin ha mostrado fluctuaciones al azar en una o en ambas variables, quiz resolvamos, como se explic en la seccin 5-3(e), considerar una muestra de observaciones, cuyo tamao se escoge de acuerdo con la magnitud aparente de la dispersin de los datos a fin de lograr la precisi6n requerida. Como debemos reducir el conjunto resultante de mediciones a una forma adecuada para graficar, tenemos que expresar la muestra en la forma valor central + incertidumbre. Cabe recordar que, segn expusimos en la seccin 3-10, la forma ms adecuada para elegirlas es normalmente la media de la muestra y la desviacin estndar de lamedia, dada la importancia fcilmente reconocible de estas cantidades. Suponiendo que quede claro en nuestro informe que estamos citando medias de las muestras y desviaciones es-

SEC. 6-2 LAS ETAPAS EVALUACION LA DE

DEL EXPERIMENTO

115

tndar de las medias, todo el mundo entender que estamos especificando intervalos con una probabilidad del 68% de contener la media del universo en cuestin.

Al tiempo que hacemos estas afirmaciones sobrela importancia cuantitativa de nuestras mediciones, valela pena recordar las advertencias hechasen la seccin 3-5. Las muestras de mediciones que encuentra uno en el trabajo normal del laboratorio de fsica, a menudo son demasiado pequeas para permitir una evaluacin de la distribucin de frecuenciareal del universo del que fueron tomadas. Por consiguiente, al atribuir las propiedades numricas de la distribucin Gaussiana a nuestra muestra, slo estamos haciendo una suposicin. Por lo comn la hiptesis es suficientemente buena, pero debemos de recordar sin duda alguna que se trata slo de una suposicin.
En este puntorecordemostambin las advertenciassobre las estimaciones de u en muestras pequeas que se hicieron en la seccin 3-1 1, y vcrifiquemos adems que los clculos son significativos. En general, no vale la pena adoptar un enfoque estadstico con menos de 10 observaciones; para algunos propsitos particulares podran requerirse muchas ms. Por otro lado,es til pensar por anticipado en la interpretacin de las regiones de incertidumbre en la grfica. Si ambas variables en nuestro experimento tienen caractersticas estadsticas semejantes, la media y la desviacin estndar dela media de cada punto nos perrnitirn dibujar, para cada puntode la grfica, un pequeo rectngulo cuya interpretacin ser evidente. Podriamos tener bastantes dificultades si nuestro experimento da variables de dos clases diferentes. Es muy probable que en, digamos,el experimento de cada libre bajo la accin de la gravedad usado como ejemplo en la seccin 4-2, una variable, la distancia de cada, tenga apropiadamente una incertidumbre estimada, y que la otra requiera un tratamiento estadstico que considere desviaciones estndar de la media. Si furamos a graficar valores derivados de estos dos tipos diferentes de tratamiento, nuestros intervalos de incertidumbre sobre los dos ejes seran diferentes. El intervalo de incertidumbre en una dimensin dar casi un 100% de probabilidad de contener el valor deseado, mientras que la probabilidad de la otra dimensin ser de slo el 68%. En un caso como ste, ser dificil saber cmo interpretar la grfica, y convendra ms hacer corresponder las variables en mayor medida. Considerando que u n intervalo de dos veces la desviacin estndar de la media nos da una probabilidad del 95uio de incluir el valor del universo, podemos usar 2S, como nuestra incertidumbre para la variable tratada estadsticamente, lo cual nos da u n intervalo de incertidumbre para cada punto de la grfica con aproximadamente la misma importancia en ambas dimensiones.

116

EVALUACION DE EXPERIMENTOS CAP. 6

En esta etapa, por uno u otro proceso, la medicin de cada magnitud en el experimento se habr reducido a un valor central y su incertidumbre, pero an no estamos debidamente preparados para empezar a trazar la grfica real. Si se va a dibujar esta grfica con una variable en un eje y la otra variable en el segundo eje (como peso vs. alargamiento para un resorte, o corriente vs. diferencia de potencial para un resistor), entonces podemos proceder directamente. Sin embargo, es igualmente comn representar cantidades en la grfica que deben construirse a partir de las mediciones originales por algn proceso de clculo aritmtico ( T 2vs. P para un pndulo, t vs. Jh para la cada libre bajo la accin de la gravedad, etc.). No hay, desde luego, mayor dificultad en realizar estos clculos aritmticos tan sencillos, pero no debemos olvidar que los valores deincertidumbretambindeberncalcularseotra vez. Sivamos a representar valores de T 2en la grfica, las barras o los rectngulos de incertidumbre deben dar el intervalo real en el que la misma T 2es incierta. Todas estas magnitudes calculadas debern proporcionarse con sus propios intervalos de incertidumbre, y slo entonces estaremos listos para empezar a trazar la grfica del experimento.

6-3

GRAFICAS
Ya sea que la grfica sirva como una mera ilustracin del comportamiento de un sistema fsico o sea la clave para evaluar el experimento y calcular el resultado, la meta es colocar las observaciones de manera que sus caractersticas se presenten tan claramente como seaposible. Eso implicar elecciones apropiadas de escala, proporciones, etc. Primero, asegrese de que el papel cuadriculado es lo suficientemente grande. Es una prdida de tiempo graficar observaciones que tienen una precisin del 9 ' 0 enunahojade papel de 12 x x 18 cm, donde una tpica incertidumbre de trazado es tal vez del 2%. Como veremos ms adelante, se perder informacin valiosa a menos que las incertidumbres de los puntos sean claramente visibles, y por ello es necesario asegurarse de que el papel de la grfica sea suficientemente grande. Segundo, haga que la grfica llene el rea disponible. Estose puede lograr escogiendolas escalas de manera que la trayectoria general de la grfica pase aproximadamente a 45" de los ejes, y suprimiendo el cero si es necesario. Si se est graficando la resistencia de un alambre de cobre como funcinlade temperatura, ylos valores van de 57 a 62 ohms, empiece la escala de resistencia en 55 ohms y prolongarla hasta 65. Si la escala empieza en cero, la grfica se ver como un techo plano sobre una hoja en blanco, y llevar muy poca informacin. Hay, sin embargo, excepciones en las que puede ser importante conservar el origen como parte de la grfica. Puede ser deseable, o incluso necesario, examinar el comportamiento de la grfica cerca del cero en uno o en ambos

SEC. 6-4

COMPARACION ENTRE MODELOS

EXISTENTES Y SISTEMAS

117

ejes. Enotrasocasiones,parapropsitosdeilustracin, tal vez deseemos mostrar claramente la escala de alguna variacin en relacin con el valor cero. No obstante, para efectos del anlisis grfico quenos ocupa, en general es mejor hacer que la grfica abarque todo el papel. El mtodo de marcar cada medida sobre el papel de la grfica depende, hasta cierto punto, de la preferencia personal. Una caracterstica esencial, por supuesto, es asegurarse de que el intervalo de incertidumbre se indique claramente. Slo si esto se cumple, puede tener algn sentido el proceso de comparar el comportamiento del sistema con el del modelo, y se puede evaluar la incertidumbre de cualquier clculo futuro de pendientes, etc. A cada punto dela grfica le asignamos una cruz, con barras verticales y horizontales que indiquen el intervalo de incertidumbre, o podemios hacer de cada punto un pequeo rectngulo que rodee el valor medido e indique el intervalo de incertidumbre en cada coordenada con su dimensin horizontal y vertical. Mientras los intervalos de incertidumbre estn indicados claramente, quizs no importe el mtodo que escojamos: lo importante es adquirir el hbito de marcar las incertidumbres en cada grfica que dibujemos. Tambin es conveniente anotar en la grfica misma, o en su encabezado, la ]naturaleza de las incertidumbres, es decir, lmites extremos estimados, incertidumbres estadsticas de 1S o 2S, etc. Puede resultar muy frustrante el tratar de apreciar la importancia de una grfica si tenemos que buscar por todo el texto para descubrir qu significan las marcas de incertidumbre. Si se tienen que dibujar varias grficas en una misma hoja de papel, cercirese de que stas se distinguen con toda claridad usando smbolos o colores diferentes, o por algn otro medio.

6-4

COMPARACION ENTRE MODELOS EXISTENTES Y SISTEMAS

Una vez que todas nuestrasobservaciones est& representadas en la grfica, estamos listos para proceder con la siguiente eta,pa: la comparacin entre las propiedades del sistema, que ahora estn representadas ante nuestros ojos, y las propiedades de cualesquiera modelos que estn disponibles. Nuestro procedimiento depender de las circunstancias, y describiremos las diversas situaciones caso por caso. En todolo que sigue supondremos que, a causa de la dificultad de representar propiedades no lineales de los modelos en grficas dibujadas a mano, hemos escogido o rearreglado nuestras variables de modo quelas grficas tomen forma lineal. Supongamos, en primer lugar, que tenemos un modelo totalmente especificado que no contiene cantidades indeterminadas. El propsito de nuestra

118

EVALUACION DE EXPERIMENTOS CAP.

investigacin experimental ser, pues, ver nicamente cun bien corresponden las propiedades del modelo a las del sistema. Para esto, simplemente tendramos que trazar sobre nuestra grfica, a la misma escala, la grfica de la funcin que representa las propiedades del modelo. En la figura 4-10 se ilustr ya un caso tpico, en el que las observaciones del tiempo de cada de un objeto en funcin de la distancia se compararon con la expresin analtica
t
=

0.4515~/~ de esa situacin.

que representa nuestro modelo terico

Pero, cmo vamos a juzgar el grado de correspondencia? Aqu es donde la presencia de los intervalos de incertidumbre cobra una importancia decisiva. Si slo hubisemos graficado puntos sin barras de incertidumbre, la inevitable dispersin de los puntos significara que la probabilidad de que la lnea qce representa las propiedades del modelo pase por lo menos por uno (digamos no por ms de uno) de los puntos, ser demasiado pequea.De este modo, cmo podramos afirmar algo sensato sobre el resultado de la comparacin? Si, en de posibilidad de locambio, los puntos de la grfica representan intervalos calizacin de los valores graficados, es posible hacer enunciados lgicamente satisfactorios. En otro caso, como el de la figura 4-10, la lnea que representa al modelo pas por la regin de incertidumbre de cada punto,y podemos sostener justamente eso. Ntese, una vez ms, que esto no significa que hayamos probado que la ecuacin era verdadera o correcta o algo parecido. Lo que podemos afirmar es que el modelo y el sistema son consistentes, o estn de acuerdo o son compatibles, o alguna frase por el estilo. Debemos estar seguros de que utilizamos el lenguaje correcto, porquede otra manera estamos mal interpretando la situacin, y corremos el riesgo de desorientar a la gente. Obsrvese tambin que debemos de ser cuidadosos al expresar que hemos encontradocorrespondencia,consistencia,concordancia, o lo que fuere, entre el modelo y el sistema, nicamente al nivel de precisin de nuestro experimento. Nada de nuestro proceso nos autoriza a dejar de considerar el hecho de que, a un nivel superior de precisin en las medidas, podran surgir discrepancias no detectables en nuestro experimento. Considerado ya el caso en el que modelo y sistema resultan tener propiedades que no son distinguibles al nivel de precisin aplicado, debemos estudiar los otros casos en que las propiedades del modelo y las del sistema no se traslapan completamente. Veamos una a una las distintas posibilidades.
a]

No hay discrepancia detectable

Este es el caso que ya hemos analizado en detalle.Se ilustra en la figura 6-l(a).

SEC. 6-4

COMPARACION ENTRE MODELOS EXISTENTES

Y SISTEMAS

119

b] Correspondencia en parte del rango Con mucha frecuencia se encuentran circunstancias enlas que un modelo proporciona una descripcin satisfactoria de un sistema, siempre que el valor de alguna variable no sobrepase o quede dentro de cierto lmite. En este caso, la comparacin grfica aparecer como en la figura 6-l(b) o (c). Un ejemplo del caso (b) serael flujo de un fluido por un tubo, en el cual la proporcionalidad entre rapidez de flujo, y columna de presin slo es satisfactoria por debajo del inicio de la turbulencia. La figura 6-l(c) podraservir para ilustrar lavariacin de la resistividad de un metal con la temperatura, para la cual el modelo lineal deja de funcionar a las temperaturas ms baja.s. En cualquier caso que corresponda a esta categora, enunciaramosel resultado de la comparacin en trminos tales como Observamos una correspondencia (compatibilidad, consistencia, etc.) entre el modelo y las observaciones slo en tal o cual intervalo; se observ quelas propiedades del modelo y las del sistema divergen significativamente a partir de tal y o cual valor. Ntese nuevamente que debemos resistir la tentacin de juzgar que algo est mal porque no encontramos una correspondencia completa entre los modelos y los sistemas en todo el rango. Tanto los modelos como los sistemas existen por su propio derecho, y no podemos prejuzgar hasta qu punto sus propiedades se van a traslapar. De hecho, la deteccin de los lmites de validez de un modelo particular puede proporcionar pistas importantes para mejorarlo.
cl Ordenadas al origen o interceptos

Una situacin bastante comn tiene que ver con las ordenadas al origen. La grfica del comportamiento del modelo puede pasar por el origen, pero el comportamiento observado del sistema quizs no, segn se ilustra en las figuras 6-l(d) y (e). Una discrepancia como sta puede surgir de diversos tipos de desajuste entre el modelo y el sistema, y la informacin sobre esas ordenadas al origen puede ser muy til para analizar situaciones experimentales. Por lo general, es muy conveniente, al trazar grficas, verificar el comportamiento del modelo y el del sistema en el origen; este aspecto se consider ya en la seccin 6-3, sobre dibujo de grficas. Como vimos en la seccin 4-5, el anlisis grfico de un experimento es muy valioso porque nos permite obtener respuestas libres de errores sistemticos asociados con interceptos inesperados. Sin embargo, aun con esta proteccin, lo mejor en general es saber si existe un intercepto inesperado, para que podamos comprobar el grado total de correspondencia entre el modelo y el sistema.
d] Dispersin inesperada de los puntos

Como se explic en el captulo sobreplaneacin de experimentos, es indispensable evaluar cuidadosamente la incertidumbre de nuestras mediciones antes

/++++

c/./
.'gura 6-1

/
(g)

+ + + + +
i

L a comparacin entre sistemas y modelos.

SEC. 6-4

COMPARACION ENTRE MODELOS EXISTENTES

Y SISTEMAS

121

de empezarel experimento en s, y, a la luz del ndice de precisin terminal propuesto, elegir las opciones adecuadas de mtodos de medicin. Si hemos hecho todo eso en forma satisfactoria, encontraremos, al trazar la grfica, que hay consistencia entre la dispersin delos puntos y las incertidumbres en las mediciones. Esto se ilustr en la figura 6-l(a). Sin embargo, las cosas no siempre funcionan como qisiramos,y no es raro quenos hallemos enla situacin ilustrada en la figura 6-l(f),que resulta, simplemente, de la presencia de factores en nuestrosmtodosdemedicinque no identificamos al hacernuestra evaluacin inicial sobre la incertidumbre de las mediciones.

No debemos contentarnos con dejarla situacin as. Vale la pena revisar los instrumentos para averiguar la causa de esa fluctuacin. Podra ser algo tan simple como una conexinelctrica suelta, o el no haber agitado una solucin caliente, y siempre ser confortante ver que tales discrepancias desaparecen. Si, por alguna razn, no es posible mantener el experimento en cursoy tomar medidas para reducir la dispersin, tal vez sea necesario trabajar con los resultados tal como estn y enunciar lo mejor que podamos en lo relativo al grado de correspondencia entre el modelo y el sistema. Quizs podamos afirmar algo como las observaciones se distribuyen uniformemente alrededor de la lnea que representa el modelo. Para los casos en que tenemos que obtener informacin numrica a partir de las lneas trazadas usando tales mediciones experimentales, vase la seccin 6-7.
e]
No correspondencia entre el sistema y el modelo

Muy rara vez encontramos circunstanciasen las que el comportamiento del sistema no se parece en absoluto al comportamiento del modelo [figura 6-l(g)];si todo en el experimento funciona comose espera, este es un resultado que sera poco probable. Los modelos pueden ser, en principio, representaciones inadecuadas del comportamiento del mundo fsico, pero no tendran la condicin de modelos si fueran tan malos como los que estamos ilustrando en el caso presente. Una falta de correspondencia tan grave como sta, es seal clara de un autntico error en el experimento. Podra tratarse de un error de interpretacin de las variables, una equivocacin al rectificar la ecuacin, una incorrecta disposicin de los instrumentos, o una equivocacin al hacer las observaciones, calcular los resultados, trazar la grfica. De ser posible, vuelva hasta el principio, revise todo, y empiece de nuevo. Si no e:s posible verificar los aspectos instrumentales del experimento, cercirese de que no haya errores en todos los procesos analticos y aritmticos. Si todos los intentos por descubrir el error fallan, especifique el resultado del experimento con toda honradez y objctividad. Siempre existe la posibilidad de que hayamos descubierto algo nuevo. En todo caso, si estamos sinceramente sorprendidos por alguna discrepancia entre un instrumentobien verificado y un modelo lconfiable, lo ms seguroes que un informe honrado de nuestra situacin le interese a otras personas.

122

EVALUACION DE EXPERIMENTOS CAP. 6

En todo lo anterior hemos procurado hacer hincapi en un punto importante: no debemos pensar que el experimento nos da un resultado correcto o incorrecto. Simplemente llevamos a cabo nuestro proceso experimental con tanto cuidado cam0sea posible, y presentamos luego los resultados en la forma ms honrada y objetiva que podamos.No est mal recordar que de vez en cuando los modelos slo pueden proporcionar una representacin parcialmente satisfactoria del comportamiento de los sistemas. Lo ms importante es que conozcamos los lmites de validez de los modelos, y la forma en que stos fallan pueden proporcionar valiosas evidencias a quienes buscan mejorarlos.

6-5

CALCULO DE VALORES A PARTIR DEL ANALISIS DE LINEAS RECTAS

En todas las secciones anteriores nos hemos ocupado de modelos que estaban especificados por completo, incluyendolos valores numricos de todas las cantidades que intervienen. En tales casos, el propsito experimental era simplemente comparar el comportamiento delsistema y el del modelo. Sin embargo, como se consider en la seccin 4-5, tambin es posible, y de hecho muy comn, usar el anlisis de lneas rectas para determinar, con respecto a alguna magnitud del modelo, el valor numrico adecuado para nuestro sistema. En tales casos nuestro modelo no est completamente especificado, porque incluye una o varias magnitudes de valor inicialmente desconocido. No es posible, entonces, trazar una grfica del modelo para compararlo con los puntos. En este caso, la grfica contiene originalmente los puntos solos, como se muestra en la figura 6.2(a). Supongamos que hemos estado midiendolos valores de corriente que pasa por un resistor y la diferencia de potencial entre sus extremos, y que deseamos comprobar las observaciones contra el modelo:
V = IR

En ausencia de un valor especificado de R , el comportamiento del modelo est representado por todas las lneas en el plano I, I/ que tienen la ecuacin:
V = constante x I.

donde la constante puede tomar cualquiervalor entre cero e infinito. En principio podemos simplemente trazar estas lneas en la misma grfica quelas mediciones, y determinar, primero, hasta qu punto el comportamiento del modelo y el del sistema se traslapan. En segundo lugar, a partir del haz de lneas

SEC. 6-5

CALCULO DE VALORES A PARTIR DEL ANALISIS DE LINEAS RECTAS

123

+
+
.+
i

Figura 6-2 Ajuste de una lnea recta a las observaciones.

que est en lasregiones de incertidumbre de todos los puntos, podemos determinar el intervalo de valores deR que es apropiado para nuestro sistema (esto se ilustr antes en la figura 4-1 1). Sin embargo, para este propsito eso no es tan simple como parece, porque, con base en los valoresmedidos que se muestran en la figura 6-2(a), no tenemos derecho a prejuzgar el comportamiento

124

EVALUACION DE EXPERIMENTOS CAP. 6

del sistema en el origen. Es mejor dejar la cuestin de los interceptos para un anlisis ulterior, y decidir simplemente sobreel conjunto delneas rectas que es consistente con las observaciones. Hayvariasmanerasdehacerlo; la mssatisfactoria, el mtodolestadstico, se explicarmsadelante.Mientras tanto, noscontentaremoscon procedimientos mecnicos ms simples, y llevaremos a cabo la prctica consagrada por aos de trazar la lnea recta que mejor se ajuste a los puntos. Hacer esto a ojo requiere algn auxilio mecnico que no ocultela mitad de los puntos. No se puede usar una regla opaca, pero una regla o una escuadra transparentes son aceptables. Probablemente el mejor auxiliar sea un trozo de hilo oscuro: puede estirarse sobre los puntos y moverse con facilidad hasta encontrar la posicin ms satisfactoria. Si se tropieza con dificultades para juzgar visualmente la tendencia de un conjunto de puntos, a menudo resulta muy iltil sostener la hoja de la grfica a la altura dela vista, y ver en direccin de los puntos. Esto facilita ms el poder apreciar la acumulacin de los puntos alrededor de unalnea recta, o una desviacin sistemtica de la lnea recta, que con el examen convencional de visin directa. Hay varias lneas rectas que podemos identificar con provecho. Lamejor lnea recta (cualquiera que sea el significado d mejor) es una candidata obvia. Adems, podemos hacer una estimacin de cunto se puede girar esa mejor lnea en uno u otro sentido, hasta que ya no podamos considerarla como aceptable para ajustarse a los puntos. Estas dos lneas nos proporcionarn un valor de la incertidumbre en la pendiente. En los casos en los que resulta difcil identificar una mejor linea y sus lmites de incertidumbre, a veces es til recordar que nuestros puntos y sus incertidumbres son en realidad una muestra de toda una banda de valores sobre el plano. La ocupacinde esa banda por nuestras observaciones puede ser irregular, dado el nmero limitado de estas ltimas, y esto dificulta nuestra eleccin de lneas. Si ste es el caso, con frecuencia nos sirve el imaginar que la banda est poblada con los millones de mediciones que podramos hacer con los instrumentos. As, podemos tratar de adivinar en nuestra grfica dnde podran estarel centro y las orillas de esa banda, y ello nos permitir elegir nuestraslneas.En la figura6-2(b),por ejemplo, podramos haber escogido A B como nuestra mejor lnea, y considerado quelas lneas CD yEF(marcadas) contendrancasi la totalidad del universo infinito de mediciones.Las lneas CF y ED (no dibujadas) representaran entonces, respectivamente, la pendiente ms pronunciada y la menos pronunciada de las lneas consistentes con los puntos observados. Una vez que hayamos escogido nuestras lneas, podemos emprender la determinacin del valor numrico de sus pendientes, de modo que podamos obtener el resultado que queremos, como en este caso del ejemplo de V = IR,

SEC. 6-5

CALCULO DE VALORES A PARTIR DEL ANALISIS DE LINEAS RECTAS

125

el valor de R. Ntese que, para nuestros propsitos, lacuestin de la pendiente no tiene nada que ver con el ngulo que formanlas lneas en el papel cuadriculado; estamos hablando de intervalos en los valores medidos de las variables I y V , y las pendientes deben calcularse analticamente. Para una lnea como la A B en la figura 6-3, busque con cuidado cerca de los extremos e identifique puntos en donde la lnea cruza, tan exactamente como sea posible, una interseccin de las lneas del papel cuadriculado. Identifique las coordenadas (II, V,) e (Z2, Vz) de esas intersecciones, y evale la pendiente como: pendiente Luego, tenemos que
R
=
=
-~ -

v 2
12

VI I,

pendiente

lo que nos da el resultado que buscbamos. Por supuesto, en expresiones ms complicadas el valor de la pendiente puede darnos la respuesta deseada slo despus de hacer un clculo con otras can1:idades medidas.
Debemos ejecutar este proceso tres veces. Nuestra lnea A B nos dar nuestro mejor valor elegido para R , y las otras dos lneas, CF y ED (no diD

Figura 6-3 La mejor pendiente y sus limites extremos.

126

EVALUACION DE EXPERIMENTOS CAP. 6

bujadas) nos proporcionarnel lmite superior y el inferior, fuera delos cuales estamos casi seguros de que no se halla el valor de R. Por lo comn encontraremos que estos valores extremos del intervalo de incertidumbre son aproximadamente equidistantes del valor central, y serposible finalmente citar nuestro valor de R como

valor f incertidumbre

A veces, podr parecer que nuestra mejor lnea y las dos lineas de lmites extremos no estn uniformemente espaciadas. La razn es que, por lo general, la grfica contiene muy pocos puntos para permitir una buena apreciacin la de posicin de las lneas. Aunque en ocasiones ocurran circunstancias en las que los experimentadores se sienten obligados a expresar el resultado como
valor

+
-

incertidumbre 1 incertidumbre 2,

el discernimiento visual de una grfica rara vez es suficientemente preciso para justificar este procedimiento. Debe evaluarse de nuevoposicin la de las lneas en la grfica en busca de una configuracin simtrica, ms plausible. Si en nuestro experimento la respuesta deseada no es directamente igual a la pendiente, nuestra expresin para la pendiente puede contener un cierto nmero de cantidades, y nuestra incgnita tendr que calcularse a partirlade pendiente por un proceso aritmtico separado. Si esas otras cantidades tienen incertidumbre en s mismas, la incertidumbre del resultado tendr que obtenerse combinando la incertidumbre en la pendiente con las dems incertidumbres, aplicando al efecto las tcnicas del captulo 2.

Es natural a estas alturas pensar en la importancia de la incertidumbre asociada con cantidades extradas de las grficas. Esto depender del tipo de incertidumbre marcada en la grfica. Si las barras indican los lmites extremos de variacin posible (evaluadas subjetivamente o de 2S, en el caso de fluctuaciones estadsticas), entonces los lmites de la pendiente sern de naturaleza semejante. Si los puntos se han marcado con lmites de lS,, las pendientes lmites CF y ED (no dibujadas) probablemente representen lmites que implican una probabilidad mayor del 68%, ya que las lneas lmites se han trazado con un sesgo pesimista. En lo anterior hemos supuesto que la dispersin encontrada en los resultados finales est dentro del intervalo de incertidumbre que se predijo. En consecuencia, el uso delas lneas lmite da lugar a un valor muy bien definido de la incertidumbre de la pendiente. Sin embargo, si la dispersin est muy afuera

SEC. 6-6

CASOS DE CORRESPONDENCIA IMPERFECTA ENTRE EL SISTEMA ...

127

del intervalo esperado de incertidumbre (debido a una fuente insospechada de fluctuacin), entonces no hay una disposicin nica de lneas dentro de las cuales estemos casi seguros de que se encuentra el resultado. En tal caso, y en todo trabajo de precisin, no existe substituto para el mtodo de mnimos cuadrados, que se describir en la seccin 6-7. Ntese que al escoger nuestras tres lneas deliberadamente, hemos excluido al origen de nuestras consideraciones. Lo hicimos precisamente porque el comportamiento del sistema en el origen puede ser una delas cosas que queremos examinar. Si la grfica del comportamiento del modelo pasa por el origen, debemos inspeccionar nuestras tres lneas en esa regin. Es muy poco probable que nuestra lnea central pase exactamente porel origen, pero, si el rea entre las dos lneas lmite efectivamente incluye el origen, podemos afirmar que hay consistencia entre el modelo y el sistema, al menos en nuestronivel actual de precisin. Slo si a todas luces ambas lneas lmite intersectan el eje en un lado del origen, podemos afirmar que hemos identificado con precisin una coordenada al origen inesperada. Si el comportamiento del modelo nos induce a esperar una ordenada al origen de la que confiamos obtener el valor de alguna magnitud, la interseccin de las tres lneas con el eje en cuestin nos dar esa coordenada al origen directamente en la forma deseada: valor f incertidumbre.

6-6

CASOS DE CORRESPONDENCIA IMPERFECTA ENTRE EL SISTEMA Y EL MODELO

En los casos en los que la correspondencia entre el modelo y el sistema es slo parcial, debemos tener cuidado que al obtener nuestros resultados evitemos introducir errores sistemticos debidos a discrepancias. Con referencia lasafiguras 6-l(b) y (c), consideremos primero los casos en que los valores medidos corresponden adecuadamente con la lnea recta del modelo slo denfro de un intervalolimitado.Desdeluegoquenuestroclculodependientesdeber restringirse a esas regiones en las que el sistema y el modelo son compatibles. Los puntos que se desvan sistemticamente de la lnea sin duda resultan de circunstanciasfsicasnoincluidas en el modelo, y obviamente es inadecuado incluirlas en cualquier clculo basado en este ltimo.Por tanto, hacemos caso omiso de todos los puntos que se desvan sistemticamente del comportamiento de unalnea recta por una cantidad que evidentemente sobrepasa Ias incertidumbresestimadas y la dispersinobservadade los puntos, y derivamos nuestra pendiente y su incertidumbre de la regin lineal.

128

EVALUACION DE EXPERIMENTOS CAP.

Un segundo aspecto a considerar tiene que ver con las coordenadas al origen. Aunque el comportamiento del modelo pase por el origen, no es raro observarquenuestragrficamuestraunacoordenadaalorigen.Esta desviacin puede provenir de causas muy variadas; afortunadamente, muchas de ellas no son de consecuencia. Si la discrepancia que causa la coordenada al origen afecta a todas las mediciones de la misma manera (como un error de cero no detectado en un instrumento, o una falsa fuerza electromotriz constante en un circuito elctrico), entoncesla grfica nos dar una pendiente libre del error Es prudente,pues,disponer sistemticoquede otro modo se introducira. nuestro experimento de modo que el resultado pueda obtenerse de la pendiente de la grfica, mientras que aquellas magnitudes que puedan estar sujetas a un error sistemtico indeterminado debern relegarse al papel de ordenadas al origen. Esta capacidad del anlisis grfico de proporcionar resultados libres de muchos tipos de error sistemtico, es una de sus principales ventajas.

6-7

EL PRINCIPIO DE MlNlMOS CUADRADOS

Todos los procedimientos descritos en las secciones anteriores tienen una caracteristica en comn: se basan en el discernimiento visual por parte del experimentador. As, aunque los procedimientos se utilicen muy comnmente y con provecho, son vulnerables a la crtica de que, aun cuando se apliquen con mucho esmero, no podemos estar bien seguros de la importancia cuantitativa de los resultados. Seria muy reconfortante que pudiramos emplear algn procedimiento matemtico para identificar la mejor lnea para un conjunto de puntos dado, porque entonces nos liberaramos de la inseguridad del juicio personal. Adems, podramos confiar en llegar a saber lo que queremos decir con la mejor linea, y evaluar la precisin de tal eleccin.

El procedimiento en cuestin se basa en el principio estadstico de los mnimos cuadrados. Consideraremos ste en su aplicacin restringida para escoger una lnea recta que se ajuste a los valores medidos (una explicacin ms detallada sobre el principio en general, podr verse en el Apndice 2). Supongamos que tenemos un conjunto de Nvalores de una variabley, medidos como funcin de la variable x. Debemos restringirnos al caso especial de que toda la incertidumbre se limita a la dimensin y : esto es, los valores de x se conocen exactamente, o al menos, con una precisin tanto mayor que la de los valores de y, como para poder despreciar la incertidumbre en la dimensin x . Si no se puede satisfacer esta condicin, el tratamiento sencillo que se explica a continuacin no ser vlido. El mtodo puede ampliarse para abarcarel caso de incertidumbre en ambas dimensiones, pero el procedimiento no es sencillo; el lector interesado en ahondar al respecto encontrar una excelente exposicin en el libro de Wilson citado en la Bibliografa.

SEC. 6-7

EL PRINCIPIO DE MlNlMOS CUADRADOS

129

Figura 6-4 Ajuste de una lnea recta a u n conjunto de puntos por el principio de mnimos cuadrados.

La pregunta por contestar ahora con nuestro procedimiento matemtico es: cul de todas las lneas en el plano x - y escogemos como la mejor, y qu queremos decir con la mejor? El princi:pio de mnimos cuadrados permite hacer esta eleccin con base en las desviaciones de los puntos en direccin vertical a partir de las lneas. Sea AB en la figura 6-4 una candidata ala categora de mejor lnea. Consideremos todos los intervalos verticales entre los puntos y lalnea, de los cuales PzOz es tpico.Definiremos como mejor lnea aquella que minimiza la suma delos cuadrados delas desviaciones como P 2 0 z . Ntese que no tenemos la oportunidad a considerar que un criterio inventadocomo ste proporcionealgncaminoautomticoa las respuestas

130

EXPERIMENTOS CAP. DE EVALUACION

verdaderas o correctas. Se trata, simplemente, de una opcin de criterio para optimizar la trayectoria de nuestra lnea entre los puntos. Hay que reconocer, empero, que si ofrece algunas ventajas sobre otras posibilidades, como minimizar la tercera potencia de los intervalos, o la primera, etc. Aunque no hace falta, en general, que nos ocupemos directamente de la justificacin lgica del principio de mnimos cuadrados tal como lo aplicamos, es interesante el darse cuenta de cul es la base de su validez propuesta. Se puede probar que procedimiento de minimizar los cuadrados de las desviaciones da lugar, en muestreos repetidos, a una menor varianza de los parmetros resultantes, como por ejemplo la pendiente, que al usar cualquier otro criterio. En consecuencia, tenemos derecho a confiar ms enlos resultados obtenidos usando el principio de mnimos cuadrados, que en el caso de cualquierotro mtodo comparable; de aqu que el uso de este principio est muy difundido. Expresemos ahora el principio de mnimos cuadrados en forma matemtica. Definimos que la mejor lnea es aquella que lleva a su valor mnimo la suma

y deseamos obtener los parmetros, pendiente m y ordenada alorigen b, de esa

mejor lnea.

Sea la ecuacin de la mejor lnea:

y=mx+b
La magnitud de la desviacin PQ, es el intervalo entre un ciertovalor medido y iy el valor de y en ese punto, para el valor de x. Este valor y se puede calcular a partir del valor correspondiente de x como mx, + b, de modo que, si le Ilamamos &yi a cada diferencia, tenemos:

ayi = yi - (mxi

+ b)

El criterio de mnimos cuadrados nos permite obtener los valores deseados de n? y 6 , a partir de la condicin

Y escribimos:
[ y, - (mxi

+ b)I2 = M

SEC. 6-7

EL PRINCIPIO DE MlNlMOS CUADRADOS

131

Luego, la condicin para que sea un mnimo es

aM =o
am

aM
ab

-0

Un breve ejercicio algebraic0 nos permite entonces obtener los valores de la pendiente y la ordenada al origen de la mejor lnea, que son:
m=

N C (xlyr) - 2 xi c yi N c. x - (C X i ) 2

Con esto,hemoslogrado reemplazar el usoa veces cuestionabledel juicio personal, por un procedimiento matemtico, que da resultados de importancia bien precisada y aceptabilidad universal. Adems, como el nuevo mtodo tiene cierta significacin estadistica, cabe esperar una forma ms precisa para el clculo deincertidumbre.Dehecho, el principiodemnimos cuadrados nos permite obtener inmediatamentevalores de la desviacin estndar de la pendiente y la ordenada al origen, lo que nos da incertidumbres de significacin estadstica conocida.
La desviacin estndar dela pendiente y la ordenada al origen se calculan en trminos dela desviacin estndar dela distribucin de valores de S y alrededor de la mejor lnea, que llamaremos S,. Esta ltima est dada por:
S, =

Jc.

N - 2
(No se preocupe porque unadesviacin estndar se calcule usando N - 2 en el denominador, en vez de N - 1 o N , esto es consecuencia de aplicar la definicin de la desviacin estndar a la posicin de una lnea en un plano). Los valores de S,,, y Sb estn dados entonces por S, = S , x

d N c x:

N
- ( c . xJ2

Estos pueden utilizarse en combinacin con los valores de m y b para indicar intervalos con el significado normal, es decir que los intervalos de una des-

132

EVALUACION DE EXPERIMENTOS CAP. 6

viacin estndar nos dan una probabilidad del 68% de encerrar el valor central del universo en cuestin, dos desviaciones estndar 95%, etc. Una ventajamuy importante del mtodo de mnimos cuadrados es que nos proporciona valores estadsticamente significativos de las incertidumbres en la pendiente y la ordenada al origen, que se derivan objetivamente de la dispersin real en los mismos puntos, sin perjuicio de cualquier afirmacin optimista que queramos hacer sobre las incertidumbres de los valores medidos. En el Apndice 2 se encontrar una descripcin matemtica ms completa del mtodo de mnimos cuadrados. En ese apndice se encontrar tambin una ampliacin del mtodo, que hemos excluido del presente anlisis. Si, en nuestro experimento, los puntos utilizados enel clculo de mnimos cuadrados no son igualmente precisos, debemos usar algn procedimiento que le asocie mayor importancia a las mediciones ms precisas. Este procedimiento se denomina ponderacin. El uso de los procedimientos de ponderacin no se limita al ajuste de lneas rectas; son aplicables siempre que queramos combinar observaciones de alguna manera, aunen un proceso tan sencillo como el de determinar la media de un conjunto de valores de precisin desigual. Las ecuaciones para encontrar ,una media ponderada y para hacer un clculo ponderado de mnimos cuadrados, pueden estudiarse en el Apndice 2.

6-8

AJUSTE POR MlNlMOS CUADRADOS DE FUNCIONES NO LINEALES

Los procedimientos empleados enla seccin 6-7 para determinar la pendiente y la ordenada al origen de la mejor linea recta pueden, desde luego, aplicarse, al menos en principio, a funciones no lineales. Podemos expresar una ecuacin anloga a la ecuacin (6-1) para cualquier funcin, y todava aplicar un requisito semejante a la ecuacin (6-2) para expresar la obtencin del mnimo de la cantidad M con respecto a los parmetros del modelo que escogimos. Si las ecuaciones que resultan para los parmetros son fciles de resolver, podemos proceder a calcular sus valores tal como lo hicimos para las lneas rectas.

Con frecuencia, sin embargo, no es fcil resolver las ecuaciones. En tales casos desistimos de obtener una solucin analtica del problema, y nos atenemos a la computadora para que nos proporcione soluciones aproximadas con base en tcnicas iterativas. Construimos una funcinde prueba, calculamos la suma de las diferencias al cuadrado, y luego variamos la funcin elegida hasta que se encuentre un mnimo para esa suma. La exposicin de estos mtodos basados en computadora puede verse en el texto de Draper y Smith que se cita

SEC. 6-9

PRECAUCIONES CON EL AJUSTE DE

MlNlMOS CUADRADOS

133

en la Bibliografa. Con todo, si puede hallarse un mtodo para probar un modelo en forma lineal, la solucin, en efecto, ser ms sencilla. Advirtase bien que, en todos los casos, es responsabilidad del experimentador escoger el tipo de funcin que ha de emplearse; todo lo que el mtodo de mnimos cuadrados puede hacer es proporcionarnos, para la funcin escogida, los valores de los parmetros que mejor se ajustan a las observaciones.

6-9

PRECAUCIONES CON EL AJUSTE DE MlNlMOS CUADRADOS

Los procedimientosmatemticospara el ajuste de mnimos cuadrados son completamente imparciales. Al emplear las ecuaciones (6-3) y (6-4) para ajuste lineal, stas harn pasar una lnea recta por cualquier conjunto de puntos, haciendo caso omiso por completo de si una funcin rectilnea es la adecuada. Si, por ejemplo, nuestro experimento nos ha dado un conjunto de observaciones (figura 6-5), que muestra sin lugar a dudas la falla de un modelo lineal, y si, sin mayor cuidado, empleamos el procedimiento de mnimos cuadrados con todo el conjunto de observaciones, obtendremos los parmetros de una lnea, A B que notiene significacin alguna, ya sea para el modelo o para el sistema. Es preciso, pues, poner atencin para evitar el uso irreflexivo del mtodo de mnimos cuadrados.
Esta advertencia es tanto ms importante en una pocaen la que, como sabemos, todos podemos cargar enel bolsillo maquinitas que nos pueden dar, tocando apenas unas cuantas teclas, los parmetros demnimos cuadrados para cualquier conjunto de nmeros que queramos insertar. Conviene recordar que, si estamos comparandolneas rectas con nuestro conjunto de mediciones, es porque nosorros mismos resolvimos que era sensato hacerlo. No debemos, por tanto, considerar siquiera el uso de un procedimiento de mnimos cuadrados, en tanto no hayamos representado las observaciones enuna grficay estemos satisfechos, por la inspeccin visual y nuestro juicio personal, de que el ajuste de una recta es adecuado. Adems, quizsea necesario decidirque algunas de las observaciones quedan fuera del alcance del modelo, y que no son apropiadas para incluirlas en la eleccin de la mejor lnea recta. S10 una vez que hayamos considerado cuidadosamente la situacin en la grfica, y que nos hayamos asegurado de que el ajuste de una recta es adecuado en todo o en parte del alcance de las observaciones, estaremos justificados para iniciar el procedimiento de mnimos cuadrados. No hacer caso de esta advertencia puede dar lugar a errores muy graves en la interpretacin del experimento.

134

EVALUACIONDEEXPERIMENTOSCAP.

Figura 6-5 Uso inadecuado del ajuste por mnimos cuadrados

6-1 O BUSQUEDA DE FUNCIONES

Todo el anlisis anterior implicaba la suposicin de que ya poseamos un modelo que queramos comparar con unsistema. Aunque por lo comn ste es el caso, a veces pasa que tenemos un conjunto de observaciones para las cuales no hay un modelo disponible. Esto puede ocurrir, por ejemplo, en la investigacin del modelo de un fenmeno que nunca se ha observado antes, o bien si trabajamos en un sistema que es tan complicado que nunca dispondremos de un modelo terico. Las observaciones, cuandose grafican en forma elemental, probablemente muestren una curva que no tenga una forma fcilmente identificable. En ausencia de un modelo, qu podemos hacer?

SEC. 6-1 O BUSQUEDA DE FUNCIONES

135

Algo que podemos hacer es tratar de encontrar funciones que tengan algngradodecorrespondenciacon lasobservaciones.Esteprocedimiento puede ser muy til. Por ejemplo, en sistemas muy complejos para los cuales hay poca esperanza de construir modelos tericos, tal vez sea lo nico que podamos hacer. Un modelo emprico, aunque sea slo una funcin matemtica que no es ms que una reformulacin del comportamiento real del sistema en forma matemtica, puede facilitar el procesamiento de las observaciones por computadora, y ser indispensable para procedimientos como la interpolacin o extrapolacin. Estos modelos se pueden usar, por ejemplo, para pronosticar la reaccin del PNB de un pas ante un cambio en la tributacin, o para obtener mediciones de temperatura a partir de la curva de calibracin de un termmetro de resistencia. Por otro lado, en sistemas ms sencillos, para los cuales existe la esperanza de poder construir un modelo terico a partir de principios bsicos, algunas funciones, cuando se demuestra que son adecuadas a las observaciones, pueden ofrecernos una valiosa gua para construir modelos al sugerir el tipo de procesos fsicos que estn presentes en el fenmeno. Aun as, debemos ser cautelosos. El hecho de que hayamos identificado una funcin que parece ser consistente con nuestro conjunto de observaciones a un nivel particular de precisin, no prueba quehayamos encontrado la funcin correcta. Muy a menudo, funciones de tipos muy diversos pueden mostrar comportamientos muy parecidos, especialmente en un intervalo corto de las variables, y la gua de una funcin inadecuadamente definida puede ser muy desorientadora. Puede retrasar el progreso terico genuino durante aos, y en la historia de la fsica hay muchos ejemplos deesa falta de comprensin de que cualquier eleccin de una funcin emprica debe ser provisional. Por consiguiente, con la debida atencin a la importancia posiblemente limitada de nuestros procedimientos, describiremos algunos de los mtodos que pueden utilizarse. Pueden ser muy sencillos en algunos casos, y dos de ellos son importantes porquetienen que ver con funciones de ocurrencia relativamente comn. Supongamos que hemos hecho mediciones de dos variables, que llamaremos x y y .
a] Funciones de potencias

Consideremos la funcin
y = xa

donde a es una constante. Tenemos: log y = a log x .

136

EXPERIMENTOS DE EVALUACION

CAP. 6

y una grfica de log y vs. log x es una lnea recta de pendientea. En consecuencia, si queremos comprobar si una funcin potencial es una funcin adecuada para nuestras observaciones, podemos graficarlas en la forma log y vs. log x. Si, al graficar en esa forma, los puntos resultantes corresponden bien con una lnea recta, podemos afirmar que una funcin potencial es un buen ajuste para nuestras observaciones. El valor del exponente adecuado, a, se derivar de la pendiente de la grfica y se obtendr dentro de lmites de incertidumbre que dependen de la incertidumbre graficada conlos puntos. Una grfica como sta puede trazarse en papel cuadriculado ordinario graficando los valores calculados de log x y log y , o bien empleando papel para grficas logartmico. Este tiene un rayado que est espaciado en proporcin a los logaritmos de los nmeros, de modo que podemos graficar nuestras observaciones directamente en el papel.
b] Funciones exponenciales

Para muchosfenmenosfsicos, Consideremos

lo adecuado es unafuncin

exponencial.

y = aebx
donde a y b son constantes. En este caso

log, y = log,

+ bx

y la grfica de la funcin ser unalnea recta cuando grafiquemos log, y vs. x. Por tanto, si hay razn para sospechar que una funcin exponencial es adecuada para un sistema particular, debemos hacer una grfica semilogaritmica, ya sea en papel cuadriculado ordinario, buscando los valores de log, y , o en papel para grficas semi-log, que tiene una escala logartmica y una lineal. Los valores adecuados de a y b podrn obtenerse de la ordenadaal origen y la pendiente de la recta, con incertidumbres determinadas por las incertidumbres graficadas con los valores medidos.

6-1 1 REPRESENTACION POLINOMIAL

Si resulta que ni una potencia simple o una funcin exponencial proporcionan un buen ajuste a un conjunto dadode observaciones, la probabilidad de toparse con una funcin ms compleja que sea la apropiada es muy pequea. En tales casos, con frecuencia es til recurrir a una representacin polinomial:
y =a 0

+ alx + a*x2 +

SEC. 6-1 2 PRECISION EXPERIMENTO GLOBAL DEL

137

Aunque una representacin como sta quizs no aporte una visin muy profunda respecto a la base terica fundamental para la operacin del sistema, las ventajas delos modelos empricos. En topor lo menos ofrecer algunas de do caso, al menos permite el procesamiento de observaciones por computadora y proporciona una base satisfactoria para la interpolacin y la extrapolacin.

Los coeficientes de expansin polinomial adecuados para nuestro sistema en particular, pueden determinarse usando el principio de mnimos cuadrala seccin 6-8, podr apredos. Ahora bien, segn observaciones hechas en ciarse que las dificultades asociadas a este proceso aumentan rpidamente en proporcin directa a la cantidad de trminos del polinomio que se requieren para establecer una correspondencia satisfactoria con las observaciones. Puede verse un anlisis ms detallado de esos mtodos en el libro de Draper y Smith que se cita en la Bibliografia.
Se dispone tambin de un mtodo similar cuando la dispersin de las observaciones no es muy severa, y si no se requiere la mxima precisin. Las tcnicas del clculo de diferencias finitas pueden aplicarse a las observaciones, as como emplearse una tabla de diferencias parala interpolacin y extrapolacin o bien para el ajuste de un polinomio. Una exposicin completa de los mtodos de tabla de diferencias, puede hallarse en los libros de Whittaker y Robinson y de Hornbeck que se citan la enBibliografa, aunque almismo respecto se incluye tambin una descripcin elemental en el Apndice 3.

6-1 2 PRECISION GLOBAL DEL EXPERIMENTO

AI principio del experimento hicimos una conjetura sobre las incertidumbres que era probable que encontrramos. Esta fue nicamente una estimacin para servir de gua en la conduccin del experimento. AI final de ste debemos echar una mirada retrospectiva,y mediante una evaluacin crtica delos resultados, estimar la precisin real que se ha logrado. No importa mucho qu tipo de incertidumbre escojamos: intervalo escimado de valores posibles, desviacin estndar, desviacin estndar de la media, etc., siempre que solamente establezcamos con toda claridad el tipo de incertidumbre que se considera. Para que sea til, la cifra de incertidumbre global debe ser realista y honrada, aun si el resultado del experimento es menos favorable de lo que esperbamos. Debe incluir tambin todas las fuente$identificablesdeincertidumbre. No tienecaso afirmarque los v'oltajes que seleen en un poten-

138

EVALUACION DE EXPERIMENTOS CAP.

cimetro de alambre de 1 m de largo tienen una precisin de .05% simplemente porque la escala est graduada en milmetros, si el punto de equilibrio no se puede identificar ms que con una aproximacin de 2 o 3 mm, o si hay errores a causa de la falta de uniformidad del alambre. En esta etapa, nodeben considerarse las contribuciones conocidasde los errores sistemticos, porque las correcciones adecuadas a las mediciones ya debieron haberse hecho. Por otra parte, es necesario describir cualquier fuente de error sistemtico cuya presencia sospechemos, pero cuya contribucin no podamos evaluar exactamente, y tenerla debidamente en cuenta el en intervalo global de incertidumbre. El enunciado final depender de las circunstancias. al
El resultado es la media de un conjunto de mediciones

La mejor cantidad a considerar es la desviacin estndar de la media, ya que sta tiene una importancia numrica reconocible. A veces se emplea la desviacin estndar misma. En todo caso, es indispensable sealar el nmero de mediciones, de modo que pueda juzgarse la confiabilidad de la estimacin de u.

b) El resultado es consecuencia de un solo clculo

En la indeseable eventualidad de que no haya sido posible efectuar un anlisis grfico y que el resultado se obtenga algebraicamente de una serie de cantidades medidas, use los mtodos del captulo 3 para calcular los lmites extremos de l a incertidumbre, o la desviacin estndar.
c)

El resultado se obtuvo grficamente

Si se ha establecido una lnea recta por el mtodo de mnimos cuadrados, las incertidumbres en las constantes m y b se obtienen directamente. Ntese, una vez ms, que estas incertidumbres tienenla ventaja de haber sido determinadas por la dispersin real de los puntos, independientes de sus incertidumbres estimadas. (Por supuesto, esto no significa que si intentamos hacer un ajuste de mnimos cuadrados a unalnea recta, no debemos moiestarnos en trazar las incertidumbres, o siquiera trazar una grfica. Como se subray enla seccin 6-9, la grfica, con las incertidumbres de los puntos, todava hace falta para estimar el intervalo de correspondencia entreel modelo y el sistema antes de hacer el clculo de mnimos cuadrados.) Si la lnea recta se traz a ojo, las lneas en los lmites de posibilidad darn el intervalo probable dela pendiente y la ordenada al origen. Esta incertidumbre en la pendiente probablemente tendr que combinarse con las incertidumbres de algunas otras cantidades antes de que pueda establecerse la incertidumbre final del resultado.

SEC. SIGNIFICATIVAS 6-1 3 CIFRAS

139

Como ya hemos mencionado, quizs no importe mucho qu tipo deincertidumbre se considera, en tanto que se emplee alguna y se deje en claro la naturaleza del valor sealado. Adems, cuando se trabaja en clculos prolongadosdeincertidumbre,puede simplificarse la aritmtica eliminando las contribuciones insignificantes a la incertidumbre final. No tiene sentido agregar una contribucindel 0.01% a unadel 540.En el enunciado final de incertidumbre no es vlido, por lo comn, sealar incertidumbres de ms de dos cifras significativas; slo un trabajo de alta significacin estadstica justificara ms.

6-1 3 CIFRAS SIGNIFICATIVAS

Una vez que se haya obtenido la incertidumbre total del resultado final, se puede considerar el problema del nmero de cifras significativas que deben conservarse en el resultado. Este tema ya se trat en la seccin 2-1 1; reiteramos lo expuesto aqu simplemente en aras de la integridad en el tratamiento de la evaluacin de experimentos.

No hay una respuesta nica a la cuestin de las cifras significativas, pero, en general, no se deberan dejar cifrasdespus de la primera cifra incierta. Por ejemplo: 5.4387 f 0.2 debe sealarse como 5.4 f 0.2, porque, si el 4 es incierto, los 387 lo son mucho ms. Sin embargo, si se conoce la incertidumbre con mayor precisin, puede estar justificado retener una cifra ms. De este modo, si fuera el caso que la incertidumbre anterior es de 0.15, sera vlido sealarla respuesta como 5.44 f 0.15.
AI sealar una medida con unaprecisitjn porcentual, se implica automticamente el nmero de cifras significativas. Por ejemplo, qu se dara a entender si una medicin se seala como 527.64182 & 1%? El 1% significa que la incertidumbre absoluta se podra calcular como 5.2764. Sin embargo, la precisin en s aparece con una sola cifra significativa (1 Yo y no 1 .OOO%), por lo que no estamos justificados para usar ms de. una cifra significativa en la incertidumbre absoluta. Tomaremos,pues, la incertidumbre absoluta como5, y eso implica que, si el 7 en el nmero original es incierto en 5, el 0.64182 no tiene sentido. La medida se podra referir entonces como 528 f 5. Si un conjunto de mediciones dado produce una media corno resultado, el nmero de cifras significativas en la media estar gobernado por la desviacin estndar de la media, y el nmero de cifras significativas en la desviacin estndar estar gobernado a su vez por la desviacin estndar de la desviacin estndar. Por ltimo, es importante asegurarse siempre de sealar un resultado y su incertidumbre de tal manera que los dos sean consistentes; esto es, no como 16.2485 f 0.5 ni 4.3 f 0.0002.

140

EVALUACION DE EXPERIMENTOS CAP. 6

6-1 4 EL CONCEPTO DE CORRElAClON

Hasta ahora, hemos considerado la interpretacin de resultados experimentay los les en los cuales estaban disponibles observaciones relativamente precisas, modelos eran relativamente satisfactorios. No siempre somos tan afortunados, y mucha de la experimentacin modernaes menos sencilla y bien definida de lo que las secciones anteriores podran sugerir. En muchas reas de la ciencia es comn ocuparse de fenmenos sutiles en los cuales los efectos que buscamos medir pueden quedar total o parcialmente encubiertos por las fluctuaciones estadsticas u otras perturbaciones. Entales casos, lejos de poder hacer comparaciones detalladas entre el sistema y un modelo, quiz nos resulte difcil obtener evidencia clara y definida de queel efecto que estamos considerando por lo menos existe. Esto no es raro en los estudios biolgicos, mdicos y ambientales. Todos estamos familiarizados con las discusiones sobreel papel que el hbito de fumar juega en el cncer pulmonar, o los niveles bajos de radiacin ionizante en la leucemia, o la dieta en las enfermedades cardiovasculares. En estos casos, el concepto de prueba casi siempre sale a relucir en frases como: No hemos probado que fumar cause el cncer pulmonar. Podemos probar que los ataques al corazn son menos probables si comemos margarina en vez de mantequilla? Nos hallamos, pues, en un rea de operacin muy diferente que nuestra clase anterior de experimentos iniciales, y merece la pena darse algn tiempo para reflexionar sobre lo que queremos decir con palabras como probar y causar. Consideremosdosexperimentos:unopuede ser unamedicin dela corriente que pasapor un resistor como funcin de la diferencia de potencial a travs de l, y el resultado puede ser como se muestra en la figura 6.6(a). Hemos probado que la corriente es causada por la diferencia de potencial? Es cierto que la corriente en el extremo superior del alcance es diferente de la del extremo inferior por una cantidad que excede con mucho la incertidumbre en la medicin, y que nos hace confiar en quela variacin realmente existe. Supuesto que existe, fue causada por el cambio en diferencia de potencial? En esa misma ocasin efectivamente observamos que la corriente s aument con el incremento de la diferencia de potencial. Sin embargo, podra ser que la corriente no tenga nada que ver con la diferencia de potencial, y el incremento en la corriente lo causara algn factor totalmente independiente, como la presib, atmosfrica. La relacin aparente conla diferencia de potencial podra ser totalmente accidental. Durante cientos de aos, los filsofos nos han advertido que aquellos eventos que se observa que ocurren al mismo tiempo, no necesariamente guardan una relacin causal. No obstante, en el caso presente la experienciaacumuladacon el experimento,empleando la repeticin y una atencin cuidadosa al control de otras variables, poco a poco nos convencer, p o r supuesto, de que la diferencia de potencial y la corriente en general s estn

SEC. 6-1 4 EL CONCEPTO DE CORRELACION

141

Figura 6-6 Extremosdecomportamientoconrespectoa causa y efecto.

las relaciones de

relacionadas, y slo un filsofo purista argumentara contra la afirmacin de que la diferencia de potencial caus que fluyera la corriente. La situacion es muy diferente en casos de definicin menos clara. Otro experimento podra dar el resultado que se muestra en la figura 6-6(b). Esto

142

EVALUACION DE EXPERIMENTOS CAP. 6

sera probable si estamos considerando, acaso, la cantidad de resfriados sufridos por el cuerpo estudiantil de una universidad como funcin de la cantidad de cido ascrbico ingerido diariamente. Podemos afirmar que el nmero de resfriados depende de la dosis de cido ascrbico o no? Quizs encontremos que, despus de realizar un experimento bien diseado usando un grupo experimental y un grupo de control [como se describe en laseccin 5-6(b)], el grupo de control de 100 personas que sin saberlo tom pldoras de azcar en vez de cido ascrbico todas las maanas, tuvo 125 resfriados, mientras que el grupo experimental que estuvo ingiriendo cido ascrbico present un total de 106 resfriados. Las preguntas que debemos hacernos son: Es significativa esta diferencia? Qu queremos decir con significativa? Si la diferencia es significativa, se la podemos atribuir al cido ascrbico?. Incluso una atencin concienzuda alos detalles de la experimentacin, el control sobrelas muestras, la supresin de variables falsas,la repeticin del experimento, etc., quizs no aclare mucho la situacin. Los sistemas biolgicos son lo bastante complejos para que rara vez podamos alcanzar el grado de control sobre las variables que caracteriz el experimento de electricidad. Resulta inapropiado, por tanto, buscar la clase de prueba de que se dispone en otros sistemas. No podemos afirmar que hayamos probado que fumarcausa cncer pulmonar, o que el cido ascrbico disminuyela incidencia de resfriados, en la misma forma en que podemos probar que una diferencia de potencial causa un flujo de corriente. Tenemos que contentarnos con otro tipo de afirmacin, la cual, aunque menos exacta, todava puede ser adecuadamente significativa y completamente convincente. Este tipo de afirmacin puede ilustrarse refirindonos a un diagrama como el de la figura 6-7. Estas mediciones se hicieron para probar la siguiente proposicin: la cantidad de partculas detectadas en una fuente radiactiva dbil depende del lapso de medicin. Aqu la fluctuacin estadstica es casi tan grande como el efecto que queremos observar, pero todava podemos ver que hay una tendencia ascendente en las observaciones. En un caso como ste decimos que hay una correlacin entre una variable y la otra. Esto significa que podemos observar una tendencia de una variable a seguir a la otra, aunque las fluctuaciones provocadas por otros factores impidan la observacin de una correspondencia nica, uno a uno. El estudio matemtico de tal correlacin se llama anlisis de regresin. El anlisis de regresin proporciona una medida numrica del grado de correlacin entre las dos variables, y podemos evaluar, para un conjunto particular de observaciones, un coeficiente de correlacin. El valor de esta cantidad depender del grado de dispersin de las observaciones, y vara desde 1, si todas las observaciones coinciden exactamente sobre una lnea recta, a O, si no existe relacin alguna-entre las variables.

SEC. 6-1 4 EL CONCEPTO DE CORRELACION

143

22
20
18

g
al

16 14

12
.3

0 0

10 8 6 4

2
1
0 . I
I
1

10

2 6

18

12 16

14

20

Tiempo k e g )

Figura 6-7 Dependencia de la cantidad de partculas respecto del lapso de medicin para una muestra radiactiva dbil.

Encontramos el concepto de correlacin en dos casos significativo-s: a) si, de dos variables medidas, una puede considerarse como causa de la otra, pero su efecto est parcialmente encubierto por las fluctuaciones al azar, y b) si dos variables pueden considerarse como consecuencias simultneas de una causacomncuyoefecto,comoantes,estparcialmenteocultopor fluctuaciones al azar. En cualquier caso, podriamos afirmar que puede observarse un cierto grado de correlacin entre una variable y la otra. Laspropiedadesmatemticasdelascorrelaciones se describen en los libros de texto de estadstica. Nos limitaremos aqu a sealarla ecuacin con la que se calculan los coeficientes de correlacin. Para un par de variables medidas x y y , la ecuacin es:

144

NALUACION DE EXPERIMENTOSCAP. 6

Una vez calculado, el coeficiente de correlacin proporcionar unndice muy importante, esto es, una medida del grado en el que la variacin observada en una cantidad puede atribuirse a la variacin de la otra. En el caso a) mencionado antes, ser el grado en el que la variacin de la variable de salida se puede atribuir a la variable de entrada; en el caso b) ser el grado enel que la variacin de ambas variables se puede atribuir a la variacin de cualquiera que sea la fuente comn de la influencia. Aun cuando observemos correlaciones, todava debemos ser muy cautelosos de no inferir una relacin causal entre las diferentes variables. Si observamos que una variable parece correlacionarse bien con otra, no hemos probado que una variable cause la otra, en el mismo sentido con que usamos estas palabras en el ejemplo sobre la corriente elctrica. La literatura cientfica suele tener muchos ejemplos de correlaciones falsas y desorientadoras. Un conferencista ilustr ese punto con la afirmacin irnica de que haba descubierto la causa del cncer: mostr una grfica de una cantidad que se correlacionaba hermosamente con el incremento de un cierto tipo de cncer, y slo despus revel que la otra variable erael consumo de petrleo combustible de la Armada Britnica. En otro caso, donde aparentemente se pretenda que se tomara en serio, un peridico de los aos veinte anunci el descubrimiento de la causa de la polio, puesto que su incidencia se correlacionaba tan bien con la cantidad de automviles en las carreteras. Con todo, casos anecdticos como stos no desacreditan el estudio de las correlaciones o la bsqueda de relaciones causales;.solamente nos sirven como un recordatorio ms de la necesidad de ser cuidadosos y perspicaces. Cuando se tratan con sumo cuidado, y sobre todo cuando la correlacin puede observarse repetidamente, los estudios de correlacin pueden proporcionar, en efecto, evidencia convincente de una relacin causal. Dada la enorme importancia que muchas de estas cuestiones tienen en asuntos pblicos, es importante que todos nosotros tengamos una comprensin clara de la naturaleza la de correlacin y de los mtodos disponibles para las pruebas de significacin. Un anlisis ms detallado sobrepasa el propsito de esta obra, pero se recomienda seriamente proseguir con el estudio del tema en los textos de estadstica que aparecen en la Bibliografa.

PROBLEMAS
1. Se realiz un experimento para medir la impedancia de un circuito R - L en serie. La impedancia Z se da en funcin de la resistencia R , la frecuencia de la fuentefy la

inductanciaL como

Z 2 = R2

+ 47r2f2L2

CAP. 6 PROBLEMAS

145

En el experimento se midi Z como funcin def, con la intencin de graficarZ2en el eje vertical y f z en el horizontal para obtenerL a partir de la pendiente y R a partir de la ordenada al origen. Las lecturas obtenidas se dan en la tabla.

f,Hz
123 ? 4 158 194 200 229 245 269 292 296

z,
7.4 ? 0.2 8.4 9.1 9.6 10.3 10.5 11.4 11.9 12.2

mn

6zz
=

22(62)

Las incertidumbres que se dan en el primer rengln se refieren a todas las mediciones en cada columna.
a)

Grafique estas lecturas en la forma adecuada y marque las incertidumbres en los puntos. Los encabezados de columna que se sugieren para facilitar los clculos se dan anteriormente. para todo el rango o parte de l.

b) Verifique si las observaciones se pueden interpretar en trminos de una recta

c)

Obtenga la pendiente de la mejor linea. Calcule el mejorvalor de L. de esa forma enuncie el intervalo de incertidumbre de la pendiente. Calcule la incertidumbre absoluta en la medida de L .

d)

e ) Obtenga las pendientes de las lneas en los lmites extremos de probabilidad, y

f)

g) Obtenga el mejor valor de R a partir de la ordenada al origen.

h) Obtenga la incertidumbre del valor de H.

i)
Enuncie el resultadocompletodelexperimentocon cifras significativas en cada magnitud. el nmero apropiado de

2. Diez observadores diferentes informan sobre la intensidad de una lmpara, medida con un fotmetro de comparacin.Sus resultados (en unidades arbitrarias) aparecen en la tabla siguiente:

146

EVALUACION DE EXPERIMENTOS CAP.

Observador
1 2 3 4 5 6 7 8 9 10

Media
17.3 18.4 17.1 16.6 19.1 17.4 18.5 14.3 16.8 17.4

Desviacin estndar de la media

2.1 1.9 2.5 2.8 3.2 1.2 1.8 4.5 2.3 1.6

Cul es el resultado del experimento y cul es su desviacin estndar?

3. Se ha llevado a cabo un experimento para investigarla dependencia con la tempera-

tura de la resistencia de un alambre de cobre. Un modelo comn se representa por la ecuacin: R = R,(I

donde R es la resistencia a la temperatura y a es el coeficiente de temperatura de la resistencia. Las mediciones de R y Tobtenidas se dan en la tabla de abajo.
a)

+ 017) roc, R, es el valor de la resistencia a O O C ,

Utilizando el mtodo de mnimos cuadrados, obtenga el mejor valor para la pendiente y para la ordenada al origen (los encabezados sugeridos con los que se pueden realizar los clculos se dan en la primera parte de la tabla). b) Obtenga el mejor valor de a. c) Evale la desviacin estndar de la pendiente y de la ordenada al origen (los encabezados sugeridos para esta parte de los clculos se dan en la segunda parte de la tabla). Clculo de los mejores valores de Ro y a
X

xy

x2

Clculo de las desviaciones estndar usando los mejores valores de R, y a Valor calculado de R ( = R, + R,aQ

T T
10 20 30 40 50 60 70 80
x.x y

RR
12.3 12.9 13.6 13.8 14.5 15.1 15.2 15.9

TR

T2

RoaT

6R ( R obs. - R calc.)

(SR)'

(X XIZ

xY

(xy) x (xZ)

CAP. 6 PROBLEMAS

147

d) De all evale la desviacin ectndar de (Y. e ) Enuncie el resultado final del experimento con el nmero apropiado de cifras

significativas.

4. Se desea ajustar un conjunto de observaciones a la funcin y = a

+ bx2 utilizando mnimos cuadrados. Siga los mismos procedimientos empleados enla seccin A2-2 de los Apndices, y calcule las constantesdeunafuncin lineal paraobtener ecuaciones para a y b en la funcin parablica. De aqu calcule los valores de u y b adecuados para el siguiente conjunto de observaciones:
X
~~

Y
1.5 6.3 :12.6 18.0 32.8 40.2

;12.4

47.4

0.5 1.o 1.5 2.0 2.5 3.0 3.5 4.0

Suponga que la incertidumbre se limita a a l variable y .

5. Lassiguientesmediciones

se efectuaron durante una investigacin de fenmenos para los cuales no hay modelos disponibles. En cada caso identifique una funcin adecuada y evale sus constantes.

i
0.61 0.75 0.91 1.11 1.36 150.7 1.66 2.33.5 2.03 337.9 2.48 464.5 3.03

T
100 150 88.2 10 12 14 16 18 300 350 450 500

f
O. I61 0.546 O. 995 200 1.438 250 1.829 2.191 2.500 400 2.755 2.981

o. 1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9

618.0

(Esta ltima es un poco menos obvia)

6. Los siguientes datos provienen de un estudio de la relacin entre el promedio en la escuela secundaria al matricularse y el promedio final de los estudiantes de la uni-

C)

148

EVALUACION DE EXPERIMENTOS CAP.

versidad al final del primer ao. En cada caso, el primer nmero del par es el promedio de la secundaria, y el segundo el promedio en la universidad.

78,65; 80,60; 85,64; 7739; 76,63; 8339; 85,73; 74,58; 86,65; 80,56; 82,67; 81,66; 89,78; 88,68; 88,60; 93,84; 80,58; 77,61; 84,73; 87,63; 74,58; 91,78; 92,77; 85,72; 86,61; 84,68; 82,66; 81,72; 91,74; 86,66; 90,68; 88,60.
a)

87,71; 80,66; 85,66; 87,76; 81,64;77,65; 96,87; 76,59; 81,57;

Elabore un diagrama de dispersin del promedio de la universidad graficado contra el promedio de la secundaria.

b) Evale el coeficientedecorrelacin.

7. Evale el coeficiente de correlacin para los valores de J X y I en la tabla 4-3.

7
Redaccin de informes cientficos

7-1

LA BUENA REDACCION ES IMPORTANTE

Es casi imposible exagerar la importancia de una buena redaccin cientfica. La mejor experimentacin del mundo puede tener poco o ningn valor si no se comunica a otras personas, y se les comunica bien, con una redaccin clara y atractiva. Aunque la comunicacin puede a; veces ser oral, en la abrumadora mayora de los casos la gente se entera de nuestro trabajo a travs de pginas impresas. Nuestra obligacin de optimizar la habilidad redaccional no es, por esencial eintegralde tanto,trivial, y deberaconsiderarsecomounaparte nuestras actividades experimentales. Nuestra redaccin debe ser lo suficientemente buena para atraer y retener la atencicln y el inters de nuestra lectores. Este captulo presenta algunas sugerencias para lograrlo.
Es casi imposible decirle a una persona cmo escribir bien. Sera muy til que pudisemos ofrecer una breve lista de instrucciones y garantiLar con ello una prosa culta, brillante y fluida, pero tal iiista no existe. Cada uno de nosotros tiene una forma diferente de expresar s u 5 pensamientos, y cada uno debe permitir que su estilo se desarrolle a su modo particular. Esto requiere una prctica amplia, y debemos considerar l a redaccin de informes en un primer curso de laboratorio de fisica como una excelente oportunidad para ganar experiencia en ello. Quizs terminemos por adquirir diferentesestilos de escribir,
149

150

REDACCION DE INFORMES ClENTlFlCOS CAP. 7

pero, siempre que el mensaje sea claro, la diversidad puede ser enriquecedora ms que perjudicial. Veamos ahora algunas consideraciones prcticas sobre el proceso real de redaccin de informes. Aunque ya hemos sealado que no podemos ofrecer una lista de instrucciones explcitas para escribir bien, s existe un principio que, si lo seguimos a nuestro modo, har mucho ms probable que produzcamos una prosa buena y legible. Ya sea que estemos preparando un informe para circulacin interna en una organizacin privada, o un artculo para publicarse en la literatura especializada, hay una persona cuyos intereses deben captar nuestra atencin en primer lugar: la persona que se ocupa de leer nuestro informe. Esta persona es, por lo que respecta a nuestro informe, la ms importante del mundo, y haramos muy bien en concentrar nuestra atencin en ella. Es muy probable que nuestros lectores sean personas que no conocemos, tal vez en algn sitio lejano del mundo, y es muy posible que no sepan nada ms de nosotros o de nuestro trabajo, exceptopor el informe quetienen en sus manos. Es probable que slo tengamos una oportunidad de influir en ellos -conforme leen nuestro informe-, y el informe debe hacerlo por s solo. No podemos colocarnos detrs del hombro de nuestro lector, y aadir explicaciones o aclaraciones cuando encuentre dificultad para entender lo que hemos escrito. No slo debe el informe sostenerse por s mismo, sino que el resultado de su lectura debe ser sumamente significativo. El reconocimiento pblico a nuestro trabajo, la oportunidad de que otros se beneficien de I, nuestra propia reputacin, tal vez hasta nuestras oportunidades de empleo o de promocin, pueden depender de esos pocos minutos en que el lector avanza a lo largo de nuestro informe. Necesitamos mayor convencimiento de que debemos tomar la redaccin en serio? Por lo que respecta al lenguaje, otrora ha sido prctica comn recomendar un estilo de expresin distante y despersonalizado, caracterizado por el uso de la voz pasiva y las construcciones impersonales. Parece haber pocas razones para perpetuar ese lenguaje ampuloso, y podemos informarle sencillamente a huestro lector de lo que hicimos en el experimento; p.ej.: medimos el tiempo df cada usando un temporizador electrnico cuya precisin era de 1 milisegundo. Dado que no hay una sola forma correcta de redactar un informe experimental, debemos sentirnos en total libertad de usar el lenguaje y formas de expresibn como stas en tanto nos permitan expresar nuestros pensamientos cn la forma ms clara, atractiva y convincente posible. Para unavaliosa orientacibn relatim al estilo redaccional, consulte la obrita de Strunk y White sealada en la Bibliografa. Consideraremos ahora las diferentes secciones del informe por orden, \istas todas desde la perspectiva de nuestro importantisimo lector.

SEC.7-3 EL FORMATO

151

7-2 EL TITULO
El ttulo es probablemente la primera parte del informe que llama la atencin de nuestros lectores. Como ellos casi siempre son personas ocupadas en muchos menesteres que compiten por su atencin, nuestro informe captar sta slo si el ttulo es informativo, apropiado y atractivo. Sin ser muy largo, deber especificar con toda claridad el tema del informe. Por ejemplo, si el propsito de nuestro experimento es medir el calor especfico de un fluido empleando calorimetra de flujo continuo, podramos usar esto directamente como ttulo: Medicin del calor especfico del agua empleando calorimetra de flujo continuo. Es til sealar que en este ttulo se responde a tres preguntas: a) El trabajo es experimenta1 o terico? Esto es, estamos informando de una medicin o un clculo? b) Cul es el tema del trabajo? c) Qu mtodo general usamos? La consideracin de estas tres cuestiones casi siempre resultar en una buena eleccin de ttulo. Una sugerencia prctica es evitar el uso de el o la como la primera palabra del ttulo. Los ttulos aveces se incluyen en listas en orden alfabtico, y los lectores pueden tener ms dificultades para identificar nuestro trabajo si hay muchas referencias que empiecen con El o La.

7-3

EL FORMATO
Las secciones que siguen presentan un anlisis detallado de las distintas partes de un informe. Las diversas subsecciones que se describirn no deben usarse como encabezados en un informe real. Aunque la prctica variar desde luego segn las circunstancias, los informes sobre lamayor parte del trabajo normal de un primer curso de laboratorio defsica requerirn slo de un mnimo de divisiones. Las secciones esenciales de un informe son: INTRODUCCION PROCEDIMIENTO RESULTADOS ANALISIS
y stas debern emplearse como punto depa.rtida. Los encabezados de seccin deben.ser claros, sencillos, y estar escritos en maysculas de imprenta. Las sub-

secciones en cada una de estas secciones principales se incluirn slo si la extensin o complejidad del informelas hace indispensables para la comprensin del tema.Porsupuesto,podrn establecerse otras secciones principalesde

152

INFORMES ClENTlFlCOS REDACCION DE

CAP. 7

TEORlA PREPARAClON DE MUESTRAS CALCULOS DE INCERTIDUMBRE etc. Para conseguir que el informe sea tan incitante ala lectura y tan fcil de entender como sea posible, ste deber contener un hilo de argumentacin lgico y claro, y no debernos permitir que nada interrumpa la continuidad del discurso. Si n o s parece que tenemos queincluir alguna descripcin particular de suyoextensa y detallada que pudiese romper la libre continuidad de la argumentacin principal, conviene considerar incluirla como apndice al informe. En esta forma, todos los detalles estarn disponibles para cualquier lector interesado, y la continuidad de nuestro discurso no se ver afectada. Veamos ahora en detalle cada seccin del informe.

7-4

LA INTRODUCCION
al Indicacin del tema

Si nuestro titulo es eficaz, podemos suponer que ya hemos atrado l a atencin del lector y que I ha tomado nuestro informe para leerlo. Sin embargo, casi con certeza I comenzar de cero, o casi, en lo que se refiere a nuestro experimento, y conforme se dispone a leer, nuestra primera tarea es orientar su reflexin hacia nuestra particular rea de estudio. No vamos a lograrlo si de inmediato nos metemos en detalles fuera de concierto respecto del experimento. En vel de ello, pensemosen la afirmacih ms general que podemos hacersobre el experimento, y esprest;mosla directamente; por ejemplo: Es posible medir la aceleracibn de la gra\,edad empleando la oscilacin de un pndulo simple. De esta manera, Ilcvaremos a nuestro lector de su estado inicial de ignorancia a u n conocimiento directo del tema especfico de nuestro trabajo.
b]

Revisinde la informacin existente

En este punto, la reaccin natural de nuestro lector ser esperar algun tipo de recordatorio sobre la informacin bsica relativa a esta rea en particular. Podemos atender esta necesidad dndole un breve resumen del estado del conocimienro actual relatibo a nuestro experimento. Esto podria incluir, segn se re-

SEC. 7-4

LA INTRODUCCION

153

quiera, algunos aspectos de la historia sobre el tema o u n resumen del trabajo experimental anterior. Con todo, hay adems dos temas que no son discrecionales y que deben incluirse en cada informe de un experimento: uno es u n enunciado claro del sistema y las circunstancias experimentales con las que tratamos; el o t r o , una descripcin del modelo o modelos que estamos usando. En general, lo mejor es presentar este resumen con toda concisin, so pena de confundir la lnea principal de argumentacin, aunque lo sulicientemente detallado para que incluya todos los aspectos de la situacin que sean imprescindibles para la comprensin del resto del informe. En atencin a la concisin y la claridad, sin embargo, no debe incluirse la derivacin de resultados tericos estndar asociados con el modelo. (No obstante, la forma en que estos resultados estndar se manejen para referirse a nuestro sistema en particular es otra cuestin, pues esto es algo especfico de nuesfro experimento, y ser tratado ms adelante en nuestro informe.) Habr que sealar tambin el comportamiento del modelo, simbolizado por las ecuaciones fundamentales que hayamos empleado, y en esta etapa es importante mencionar cualesquiera suposiciones consideradas en el modelo que pudiesen limitar la validez de las ecuaciones, por ejemplo: Se puede demostrar que, en el lmite de amplitudes cada vez ms pequeas de oscilacin, el periodo de oscilacin de un pndulo simple, considerado este como un punto con masa en el extremo de u n hilo sin masa e inextensible, est dado por. . .. Para compensar la omisin de las derivaciones usuales, quiz nos parezca deseable incluir en nuestra bibliografa una fuente en la que pueda consultarse la derivacin completa.
c] Aplicacin de la informacin al experimento expecfico

Basado en el contenido de la seccin precedente, nuestro lector estar preparado para entender todo lo que sigue del informe, y su reaccin natural en este punto ser preguntarse: En qu formase refiere todo esto a este experimento en particular? Deberamos, por tanto, presentar un prrafo o dos que expliquen cmo la informacin bsica, como la ecuacin que representa el comportamiento del modelo, puede transformarse para fundamentar nuestro experimento en particular. Por lo comn esto incluir algn procedimiento como expresar la ecuacin bsica en forma de lnea recta (o algn equivalente adecuado), e identificar las formas en las que el modelo puede confrontarse con el sistema. Tambin podemos sealar en este punto la informacin que se obtendr de los parmetros de la grfica (como la pendiente y la coordenada al origen en el caso de una grfica de lnea recta). Nuestro lector, entonces, estar perfectamente consciente de la forma en que se obtendr nuestro resultado final.
dl
Resumen de la intencin del experimento

Es muy satisfactorio para el lector si concluimos nuestra introduccin con un resumen de nuestra intencinespecfica en el experimento. Por ejemplo: As, mi-

154

REDACCION DE INFORMES ClENTlFlCOS CAP.

diendo la variacin del ndice de refraccin con la longitud de onda,debemos ser capaces de comprobar el modelo de Cauchy usando una grfica de n vs. 1/X2. Los valores de los coeficientes de Cauchy, A y B, que son adecuados para nuestra muestra de vidrio, se obtendrn entonces dela ordenada al origen y pendiente de la recta, respectivamente. Una afirmacin como esta satisface al lector porque, particularmente enun experimento largo y complicado que requiera una introduccin extensa, le ofrece una revisin, en forma de resumen, del desarrollo total del experimento, preparndolo con ello para proseguir con la descripcin de su desarrollo pormenorizado. e] Enunciado del propsito del experimento Quizs ya not que todava no hemos mencionado el tradicional enunciadodel propsito del experimento. Se ha omitido hasta ahora porque, aunque indudablemente debe aparecer en alguna parte de la introduccin, no tiene ste una ubicacin de validez exclusiva. Si el temadelexperimento es conocido, el enunciado en cuestin podra constituir una adecuada indicacin del tema, justo al principio de la introduccin; por ejemplo: El propsito de este experimento es medir la aceleracin de la gravedad registrando el tiempo de cada de un objeto que cae libremente. En circunstancias apropiadas, este enunciado de propsito puede ser una excelente indicacin del tema. Por otra parte, el propsito bsico de un experimento puede entraar materias tan complicadas y poco conocidas, que su enunciado sera completamente incomprensible, a menos que se presentase despus de una sustancial cantidad de conceptos preliminares. Es fcil imaginar una compleja descripcin terica que concluyese provechosamente con la frase: . . y el propsito de este experimento es evaluar el coeficiente k de la ecuacin 10. As pues, no importa mucho dnde aparezca el enunciado de nuestro propsito, siempre que se incluya y lo haga en un punto de la introduccin donde venga bien y tenga un sentido adecuado para el lector.
I.

La introduccin sirve una variedad de propsitos para nuestro lector. Justo al principio, la indicacin del tema orienta su atencin a nuestra rea particular de trabajo. Luego se le recuerda al interesado el estado del conocimiento vigente referido al campo considerado. A continuacin, se le muestra cmo se aplica todo ello a nuestro experimento en particular. Por ltimo, se le da un resumen sucinto de nuestra intencin experimental especifica. Ahora s, est preparado para enterarse de cmo llevamos a cabo, en efecto, el experimento paso a paso.

7-5

EL PROCEDIMIENTO
Es posible que haya advertido que la seccin introductoria del informe presenta la forma de una secuencia descriptiva que va de lo general a lo especfico.

SEC. 7-5 EL PROCEDIMIENTO

155

Empezamos con unaindicacin del tema, quees la afirmacin ms general que pudimos hacer sobreel experimento, y terminamos con un enunciado de intencin completamente especfico. Una secuencia como sta est diseada para adaptarse a los requerimientos de nuestro lector en la seccin introductoria, y otra estructura similar ser igualmente adecuada para la seccin del procedimiento. Si nos disemos de inmediato a la tarea de describir nuestro procedimiento dando un cmulo de detalles desorganizado, lo nico que lograramos sera irritar al lector. Cmo podra apreciar steel sumo cuidado que tuvimos en algn detalle del experimento si no est consciente siquiera de las variables que medimos? AI redactar la seccin de procedimiento, debemos tener tanta consideracin por los esfuerzos mentales de nuestro lector comola tuvimos en la introduccin, y no hay duda que hace falta una segunda secuencia de lo general a lo especfico.

a) Bosquejodelprocedimiento
Para disponer el terreno adecuado a nuestra exposicin ulterior de los detalles del procedimiento y las mediciones, en primer lugar debemos ofrecerle al lector una mirada retrospectiva del proceso integral del experimento. Si ste realmente consisti en medir la variacin de la resistencia elctrica de un alambre de cobre con la temperatura en el intervalo de 20C a 1OO"C, debemos decir justamente eso; as le proporcionaremos al lector un marco dentrodel cual puede acomodar toda la descripcin subsiguiente de los detalles. Si, en cambio, empezamos nuestra descripcin del procedimiento informando queconectamos la terminal A a la terminal B, encendimos la fuente de poder C, lemos al voltmetro D, . . . etc., habremos perdido su atencin en un par de renglones.
b)
Detalles de medicin especficos

Una vez que nuestrolector conoce el curso general del experimento, est listo para que le informemos delos mtodos especficos empleados para medir cada una de las magnitudes requeridas, de cmollevamos a cabo la preparacin de muestras, etc. Esto se puede hacer con mucha facilidad explicando un solo mtodo a la vez, hasta agotar la lista. Debemos cerciorarnos de no omitir ningn mtodo de medicin significativo; en algo como una medicin de tiempo, por ejemplo, es, casi sin duda, muy importante el que usemos un temporizador electrnico con exactitud de milisegundos, en vez de un cronmetro que slo puede registrar hasta de segundo, y nuestro lector querr asegurarse de que asi lo hicimos. Si una magnitud del experimento se pudo medir empleando alguna tcnica normal y conocida, bastar con mencionarla por su nombre; por ejemplo: "Las resistencias se midieronusandounpuente de Wheatstoneconuna exactitud de 0.01%". Si en nuestra opinin esta exactitud es poco usual, podemos abundar en esta etapa acerca de la precisin de cualquier proceso demedicin en particu-

156

INFORMES ClENTlFlCOS CAP. REDACCION DE

lar, al tiempo que observamos que la precisin final del experimento es un tema distinro que ser2 tratado en una seccin posterior del informe.
Precauciones c]

mos cada una de nuestras mediciones, es posible que vengan a su mente las dificultades o riesgos de error inherentes a los procesos particulares. Por consiguiente, I apreciar tener constancia de que nosotros tambin pensamos en esas posibilidades y de que fuimos lo bastante cuidadosos para tomar las precauciones necesarias. No obstante, en este cometido tampoco debemos irnos a los extremos: es obvio que hay que ser meticulosos en todas las mediciones, y no tiene sentido molestar al lector con pretensiones superfluas de virtud al describir precauciones obvias y de rutina. Hayveces, sin embargo, en que un especial cuidado para evitar alguna fuente particular de errores una parte genuinamente importante del experimento, y es del todo razonable llamar la atencin a l respecto antes de concluir nuestra seccin de procedimiento.
dl

Y a que nuestro lector se ha enterado de los mtodos mediante los cuales hici-

Diagramas de los aparatos

1-0s buenosdiagramasdeaparatos experimentales son unaparteprcticamente esencial de cualquier buen informe. En tanto que un artculo publicado formalmente requiere de ilustraciones de calidad profesional, y tales recursos no estin disponibles para el trabajo preliminar, debemos adquirir desde temprano el hhbito de ser esmerados en los diagramas de los aparatos. Aun cuando no se disponga de auxiliares de dibujo complejos,no es mucho pedir que se utilice una regla. L a limpieza y la claridad sern muy apreciadas por el lector, y unos rtulos bien hechos y legibles lo ayudarn enormemente a entendernuest r o experimento. Los buenos diagramas tambin pueden ayudarnos, cuando escribimos el informe. Referirnos a un buen diagrama, claro y bien rotulado, nos puede ahorrar prrafos enteros de descripcin por escrito, y clarificar pormenores que seran insoportablemente tediosos de leer si estuvieran incluidos en el texto.

La referencia a los diagramas puede, por supuesto, hacerse en cualquier punto adecuado del texto, pero la referencia a un diagrama general de nuestro dispositivo experimental completo puede constituir un inicio claro y conveniente para la secci6n de procedimiento; por ejemplo: Utilizando el aparato que se muestra en la figura 1, medimos la variacin del tiempo de cada de un baln con la altura, en el intervalo de 20 a 150 cm. En la figura 7-1 puede ver>e u n ejemplo de u n diasrama de dispositivo experimental aceptable.

SEC. 7-6 RESULTADOS

157

lTz
(a) Aparato de flujo
F - Aparato de flujo constante TI, T , - Termmetros de O - 100C G - Tubo de vidrio C - Abrazadera de manguera de hule R - Alambre calefactor A,, A, - Terminales elctricas de R

f
R

(b) Circuito de control de potencia

S - Fuente de 100 VCC R, - Restato de 80 II V - Voltmetro O - 30 V CC A - Ampermetro O - 10 ACC

Figura 7-1 Diagrama de dispositivo experirncnk4 complcto.

7-6

RESULTADOS
al Valores medidos
A estas alturas se le ha dado ya al lector toda la informacin que necesita para entender el experimento, y est listo para recibir directamente los resultados. Como todo buen experimento casi inevitablemente tendr que ver con la variacin de alguna magnitud con otra, los resultados sin duda podrn apreciarse mejor en una tabla. Aqu, como siempre, la claridad y la precisin son de mxima importancia. Las lneas de la tabladebentrazarseconuna regla, y hay que destinar un espacio amplio para los encabezados y para las columnas de cantidades. Los encabezados deben ser explcitos, e incluir, de ser posible, el nombre de la variable, su smbolo y las unidades de medida. Junto a cada entrada numrica, debe estar su incertidumbre respectiva, a menos que un anlisis de las incertidumbres por separado clarifique del todo la precisin de las medidas. La tabla o tablas debern identificarse claramente con un nmero de tabla y un encabezado o pie claros. En este punto puede ser conveniente referirse a las grficas de las variables originales que hayamos dibujado. Ser suficiente un enunciado sencillo como Se encontrar una grfica del tiempo de cada vs. la altura en la figura 2. Aquellas tablas de valores que por su extensin y prolijidad no convenga incluirlasen el cuerpo principal del informe pues interrumpiran la continuidad normal del di:;curso, debern presentarse en u n apndice.

158

INFORMES ClENTlFlCOS CAP. REDACCION DE

Despus de la tabla o tablas principales, debemos enlistar los valores medidos de las dems magnitudes del experimento. Como siempre, cada una de stas deber acompaarse de su incertidumbre, y es preciso indicar con claridad las unidades de medida empleadas.
b) Descripcin de las incertidumbres de la medicin

Debemos especificar claramentela clase de incertidumbres que estamos considerando. Es muy probable que se trate, ya sea de lmites extremos estimados, o de parmetros estadsticos como la desviacin estndar o la desviacin estndar de la media. En el caso de parmetros estadsticos no debemos dejar de sealar la cantidad de observaciones en la muestra de la que se derivaron los resultados. Si cualesquiera cantidadesen nuestra lista de valoresmedidos se obtuvieron por el clculo a partir de alguna o algunas mediciones bsicas, debemos indicar llanamente el tipo de clculo que se us para obtener la incertidumbre final en la cantidad respectiva. En tales casos no hace falta abundar en detalles aritmticos, si es que los hay,toda vez que nuestro lector pueda ver con perfecta claridad el tipo de clculo aplicado.
c] Clculo del resultado final

Si nuestroexperimentohasidobiendiseado,deberemoshaberobtenido nuestro resultado final casi seguramente mediante algn procedimiento grfico. Este es el momento de decirle al lector exactamente de qu procedimiento se trata. En casos sencillos podemos obtener nuestro resultado de la grfica bsica de una variable contra la otra, pero aun as, debemos explicar cumplidamente lo que hemos hecho; por ejemplo: el valor de la resistencia se obtuvo de la pendiente de la grfica (que se muestra en la figura 3) de Vvs. I, entre 0.5 A y 1.5 A. Si nuestro resultado no fue la pendiente misma, pero se obtuvo a partir de clculos con otras cantidades medidas, debemos, vez unams, especificar explcitamente lo realizado; por ejemplo: Nuestro valor del coeficiente de viscosidad se obtuvo de la pendiente de la grfica de Q vs. P en combinacin con los valores medidos de a y P usando la ecuacin (3), En esta etapa nuestro lectorse preguntar qu tipo de clculo realizamos para obtener la incertidumbre del resultado final. Debemos, simplemente, decir lo que hemos hecho. Si evaluamos visualmente el intervalo de pendientes posible, debemos sealar precisamente eso. Podemos agregar, si es necesario, que la incertidumbre bsica de la pendiente se combin con otras incertidumbres, y especificar con precisin el mtodo de clculo empleado.Si obtuvimos la pendiente por un clculo de mnimos cuadrados e incorporamos otras desviaciones estndar para obtener un valor final de la incertidumbre del resultado, de nueva cuenta habr que especificar con sencillez lo que hemos hecho.

ANALISIS

SEC. 7-8

EL

159

En toda nuestra seccin de resultados,no debemos importunar a nuestro ocupado lector con clculos innecesariamente detallados.El confiar en nuestro dominio de la aritmtica elemental, pero querr saber qu tipo de clculo hicimos. No obstante, si por alguna razn nos sentimos obligados a presentar una cantidad desusada de detalles respecto a esos clculos, siempre podemos incluirlas en un apndice, donde estarn disponibles para cualquier interesado, pero no oscurecern la claridad de nuestro informe principal.

7-7 LAS GRAFICAS

La grfica, o grficas, del informe difieren de las grficas que utilizamos al hacer el experimento. Esas grficas eran documentos de trabajo diseados como auxiliares de clculo. Para un experimento preciso, las grficas posiblemente sean muy grandes,y deben dibujarse a conciencia para permitir una extraccin precisa de la informacin. Por otro lado, es extremadamente poco probable que nuestro lector quiera hacer cualquier clculo por su cuenta basndose en las grficas de nuestro informe. Estas sirven en su mayor parte como ilustraciones. Deben permitirle al lectorver el comportamiento de nuestro sistema,y con ello facilitarlesu propia apreciacin de la validez de nuestras afirmaciones sobre los resultados. Las grficas de nuestro informe deben ser, por supuesto, limpias, claras y no estar atestadas, de modo que el lector no tenga que esforzarse mucho para interpretar su mensaje. Los puntos de las grficas deben tener sus incertidumbres bien marcadas sobre ellos (con un rectngulo o una cruz), y los ejes estn debidamenteidentificados. Tanto el tipo de incertidumbre como cualquier smbolo empleado para rotular los ejes debern de identificarse explcitamente, en forma clara, sobre o junto a la grfica; no querramos irritar a nuestro lector obligndolo a buscar por todo el texto para encontrar la forma de interpretar la grfica. Por otra parte,no es conveniente aprovechar espacios vacos en la grfica con clculos aritmticos de pendientes, etc. Cada grfica debe tener, desde luego, un ttulo claro o, como es ms comn en las publicaciones impresas, un pie ms extenso. Adems de proporcionar la identificacin, un pie extenso tiene la ventaja adicional de constituir un buen lugar para los detalles importantes mencionados arriba. En la figura 7-2 se da una muestra de distribucin aceptable para una grfica ilustrativa de ese tipo.

7-8 EL ANALISIS
al Comparacin entre el modelo y el sistema

El anlisis es una parte integral del informe, y no una reflexin posterior. Es as porque an no hemos descrito el aspecto del experimento que hemos considera-

160
x10-6

REDACCION DE INFORMES ClENTlFlCOS

CAP. 7

10

de flujo de agua de la columna de presin y el T = 20C

(3.45, 9.5)

8 7 E : 6
.3 .+-

.m

$ 2

E!

a ,

5 4
3
2

Cl

+-f.
(0.2, 0.5)
I

a=5x

1
I I

3
Pa4 (Newton m*)

~10-9

Figura 7-2 Una grifica completa.

do, desde un principio, como el tema central de la experimentacin: la relacin entre el sistema y el modelo. El resultado de esta comparacin es decisivo para el experimento, y nuestro lector estar ansioso por saberlo que tengamos que decir al respecto. Ya hemos enlistado enla seccin 6-11 las diferentes categoras de resultados experimentales. Recordando que, en la evaluacin de nuestros resultados, tuvimos que desligarnos de nuestras esperanzas y aspiraciones sobre el experimento y aceptar objetivamente el resultado real, as ahora, en la etapa del informe, debemos hacer una afirmacin franca y desprejuiciada de ese resultado. Lo deseable es un enunciado simple y directo de la situacin real; por ejemplo: El comportamiento del modelo lo representa la ecuacin ( l ) , en la cual la variacin de Q con P e s una lnea recta que pasa porel origen. En nuestroexperimento, los

SEC. 7-8 EL ANALISIS

161

resultados s mostraron una variacin lineal sobre parte del rango, pero, en vez de pasar por el origen, la lnea que mejor se ajusta a las observaciones tiene 1111 intercepto finito en el eje de las Qs. Adems de esto, en la parte superior de la escala de P, las observaciones muestran una desviacin sistemtica de la linealidad en una cantidad que evidentemente excede la incertidumbre de la medicin". En esta etapa es suficiente hacer esa afirmacin llana de los hechos. Como tal comparacin era el objetivo fundamental de nuestro experimento, es necesario que su resultado se especifique en forma clara, notoria y objetiva. En nuestro informe muy pronto trataremos cuestiones de interpretacin y de opinin, y es importante comenzar nuestra seccin de anlisis con un enunciado simple y directo del resultado ral e indisputable del experimento. Este enunciado provocar algunas inrerrogantes en la mente de nuestro lector, y debemos ahora ocuparnos de stas.
b]

Consecuencias de las discrepancias entre el modelo y el sistema

Una de estas interrogantes tiene que ver con la posibilidad de crror en nuestro I C sultado final que estara causada por una falta de correspondencia cntrc nuestro sistema y el modelo que usamos. Algunas de esas posibilidades ya se han mencionado en la seccin 4-5, y nuestro lector apreciar la garanta de que hemos preservado nuestro resultado final de esa clase de error. Por ejemplo, debemos seiialar que una coordenada al origen inesperada no contribuiri a error en una cantidad quese ha obtenido solamente de la pendiente, o que una falla sistemitica de linealidad en parte de la grfica no invalidar u n resultado que sc obtuvo slo del segmento lineal. Mucha de la habilidad en la experimentacin consiste en la preservacin de nuestros resultados finales de esas fuentes de error, y podemos ser muy explcitos con nuestras afirmaciones de haberlo hecho as: nueslro lector apreciar esa garanta.
cl Especulacin concerniente a la discrepancia entre el sistema y el modelo

Al describir las secciones anreriores del informe hemos hecho hincapic en la i l l formacin objetiva y apegada a los hechos de la situacin real. Las cuestione\ de tener u n papel importante en esas partes del inopinin o de conjetura no deban forme, y probablemente nos hayamos limitado a aquellas afirmaciones que habran hecho los observadores ms imparciales. Sin embargo, ahora llega una etapa en la cual no slo podemos, sino debemos introducir nuestras propias ideas. Nuestro lector ha sido informado a su tiempo del grado real de correspondencia entre nuestro sistema y el modelo, y le hemos asegurado que nuestro resultado

162

REDACCION DE INFORMES ClENTlFlCOS CAP.

final no est contaminado (hasta donde podemos saberlo) por alguna falla de correspondencia entre el sistema y el modelo. Podramos, adems, con sobrada justificacin ya que hemos cumplido nuestrasobligaciones bsicas como experimentadores, dar por concluido aqu el informe. Sin embargo, sin duda habremos despertado el inters de nuestro lector con nuestra descripcin de las discrepancias entre el modelo y el sistema. Supuestamente empezamos con un modelo que se escogi para ajustarse al sistema tan exactamente como fue posible. Si se hubiera anticipado cualquier falta de correspondencia entre el modelo y el sistema, se habra incorporado esta ruptura en nuestro diseo del experimento. Si, por ejemplo, queremos medir un coeficiente de viscosidad empleando teoras que se basan en el flujo laminar, no diseamos el experimento para que se lleve a cabo en condiciones de flujo turbulento (excepto si, por algn propsito independiente, queremos detectar cundo se establece la turbulencia). Por tanto, lo ms probable es que una falta de correspondencia observada atraiga la atencin, y nuestro lector querr saber lo que pensamos de ella. Estamos ms familiarizados que nadie con nuestro experimento,y debemos estar en mejor posicin que otros para inferir el origen de las discrepancias.
A veces una discrepancia tendr (al menos superficialmente) un origen que es fcil de identificar. Si, por ejemplo, hemos estado midiendo la rapidez de flujo de un fluido por un tubo, el que las medidas de rapidez de flujo se aparten por debajo del comportamiento lineal a valores elevados de la diferencia de presin, se puede atribuir con bastante confianza al establecimiento de la turbulencia. Si nuestros objetivos experimentales incluyeron la deteccin del establecimiento de la turbulencia, con esa afirmacin daramos por terminado el asunto. En otras ocasiones, sin embargo, es necesaria una mayor explicacin. Si, en el ejemplo anterior, nuestra intencin hubiera sido simplemente medir el coeficiente de viscosidad en la parte lineal de la variacin de Q y P , nuestro lector podra preguntarse por qu no habamos tenido xito en evitar una regin en la cual la teora de lneas de flujo era claramente invlida. Tal vez nos haya sorprendido un establecimiento tempranoe inesperado de la turbulencia, y si as fue, debemos ser lo bastante sinceros para admitirlo, y tal vez especular sobre el origen de esa discrepancia. Si, finalmente, estamos tratando con una situacin que es verdaderamente desconcertante, puede ser que no tengamos mucho que ofrecer en lo que respecta a la especulacin, pero siempre vale la pena intentarlo. Como dijimos antes, tenemos una mayor probabilidad de especular con provecho que los dems, y nuestras ideas casi con seguridad resultarn de inters y de posible utilidad para otros investigadores. A veces, empero, pese a nuestros mejores esfuerzos, fallaremos, y no seremos capaces de aportar ninguna idea constructiva. En este punto debemos actuar con total honradez. Si estamos tratando con un sistema bien comprobado y un modelo confiable y bien conocido, y hemos procurado honradamente re-

SEC. 7-8 EL ANALISIS

163

solver una falta de correspondencia entre ellosy hemos fallado, nuestra situacin no puede dejar de interesar a otros investigadores. Debemos comentrsela, y tal vez todos aprendamos algo de la discusin resultante. Cuando intentemos ser creativos con respecto a nuestras discrepancias experimentales, debemos recordar que estamos haciendo algo importante. Todos los modelos y las teoras pasan por procesos de refinamiento, y esos procesos se basan en los diversos casos de fallas observadas en los modelos. Por tanto, debemos procurar responsabilizarnos al especular en nuestro trabajo. En vez de lanzarnos con cualquier idea absurda que imaginemos, debemos tratar de conseguir que nuestras sugerencias tengan alguna conexin lgica con la evidencia de las discrepancias. Por ejemplo, si hemos hecho un experimento con la oscilacin de un peso colgado de u n resorte, podemos consignar: Como la ordenada al origen inesperada en la grfica deT2 vs m da un valor finito de T para m = O, tenemos una clara indicacin de la presencia de una masa adicional que no estaba incluidaen los valores medidos de peso. Si podemos inferir o no la identidad de esa masa adicional, es menos importante; lo esencial es que, al menos, habremos aportado una inferencia lgicamente aceptable a partir de la naturaleza de la discrepancia observada, facilitando con ello la investigacin y experimentacin ulteriores en ese campo.

Apndice 1 Propiedades matemticas de la distribucin normal o de Gauss

Al-I
LA ECUACION DE LA CURVA DE DlSTRlBUClON DE GAUSS
Considerenios ahora que una magnitud, cuyo valor verdadero es X,est sujeta a incertidumbre al azar. Consideremos que la incertidumbre surgede un cierto nmero 217, de errores, cada uno de magnitudE , y con la misma probabilidad de ser positivo o negativo. El valor medidox puede entonces variar en el intervalo si ocurre que todos los errores tienen signo negativo, que va desde X - 2t7EE, hasta X + 2nE si todos los errores tienen signo positivo. Los valores intermedios obviamente surgirn de diferentes combinaciones entre las contribuciones positi\.as y negativas. Querernos determinar la forma dela curva de distribucihn resultante para un nmero muy grande de tales mediciones. Esta forma la delerminar la probabilidad de encontrar un error particular R dentro del intervalo completo i 2t7E. Esla probabilidad estar gobernada porel nmero de manerasen que se puede generar u11 error particular. Por ejemplo, un error de ~ a l o total r 2n.E se puede generar de s610 una manera: todo\ los et-rores elementales deben tener simultneamente el m i m o signo. Por otra parte,un error de magnitud ( 2 n - 2)E puede ocurrir de varias maneras; si alguno cle los errores elemen~aies hubiera sido negativo, el error t o tal sumaria ( 2 1 - 2)E, y esta situacihn se puede presentar de 2n maneras diferentes. Por l o tanto, u n error de magnitud( 2 n - 2)E es 2n veces ms probable
164

SEC. A l -1

LA ECUACION DE LA CURVA DE DlSTRlBUClON DE GAUSS

165

que uno de magnitud 2nE. Correspondientemente, una situacin en la que dos de muchas de los errores elementales tienen signo negativo puede generarse ms maneras que para uno solo, y as sucesivamente. Por lo tanto, este argumento se puede generalizar, utilizando el nmero de maneras en las que se puede generar cada error especfico R , como medida de la probabilidad de ocurrencia del error R y, en consecuencia, como medida de la frecuencia con que ocurre en un universo de observaciones. Consideremos un error total R de magnitud 2rE (en donde r < n). Este debe ser el resultado de alguna combinacin de errores en la cual ( n + r ) son positivos, y (n - r) son negativos. E1 nmero de maneras en que esto puede ocurrir se puede calcular como sigue: el nmero de maneras de seleccionar cualquier arreglo particular de 2n objetos es (2n)!. Sin embargo, no todos esos arreglos son diferentes para nuestros propsitos, ya que no nos importa si hay cualquier rearreglo interno entrelos errores en, digamos, el grupo de los errores positivos. Debemos por lo tanto dividir el nmero total de arreglos entre el nmero de estos arreglos irrelevantes, esto es, entre (n + r ) ! . En forma semejante, debemos dividir entre el nmero de arreglos internos posibles en el grupo negativo; esto es, entre (n - r ) ! .El nmero total de combinaciones relevantes es, por lo tanto:
(n

+ r)!(n --

r)!

Esta cantidad no es an estrictamente una probabilidad, aunque es una medida de la posibilidad de encontrarese error total. La probabilidadmisma se obtendr multiplicando el nmero de arriba por la probabilidad de esta combinacin de ( n + r) elecciones positivas y (n - r) negativas. Como la probabilidad de cada eleccin es de +, el multiplicador requerido es:

El resultado final para la probabilidad del error R es entonces: (Al-1)

Ahora nuestro problema es evaluar esta expresinen funcin de la variable r . Eso se hace sujetndola a la condicin de que n sea muy grande; de hecho, que tienda a infinito.

166

PROPIEDADES MATEMATICAS DE LA DlSTRlBUClON NORMAL ... APE. 1

Para evaluarla, requerimos de dos resultados auxiliares. 1 . El primer resultado auxiliar es:

n! =

Ge-nnn

Este se conoce como el teorema de Stirling. Aunque una derivacin completa est fuera del nivel de esta obra, podemos indicar su factibilidad de la siguiente manera:

1
log 1

log x dx

= [x =

log x - x]?

nlogn - n

La grfica de log x vs. x se muestra en la figura A l - l . Claramente la integral anterior se puede aproximar por la suma:

+ log 2 + log 3 +

. . + log n
*

que es log (1 x 2 x 3 x . . . x n), o log n ! . Podemos por lo tanto, escribir aproximadamente, si n es muy grande:
esto es,

i
23456

Figura 4 1 - 1

Grfica de log x vs. x.

SEC. A l -1

LA ECUACION DE

LA CURVA DE DlSTRlBUClON DE GAUSS

167

Esta es una aproximacin a la frmula que se dio arriba. Se encontrar una derivacin completa en el texto de Margenau y Murphy que se menciona en la Bibliografa. 2. El segundo resultado auxiliar es:

La expansin de [ 1

(l/n)]" es:

n 1 1+"+ l! n

n ( n - 1) 2!

Conforme n se hace ms grande, todos los productos en funcin de n claramente tienden a la unidad, de modo que la serie tiende a:

(y+ -

n(1'2 - I)(n - 2) 3!

como se requiere. Ahora estamos en posicin de evaluar la expresin (Al - 1). Aplicando el Teorema de Stirling a los trminos ( 2 n ) ! ,( n + r)! y ( n - r ) ! :

Por lo 'tanto:

Ahora podemos escribir la parte variable de (Al - 1):

(1 - LJ-("*)(

1-

;)-r(

;)

168

PROPIEDADES MATEMATICAS DE LA DISTRIBUCION NORMAL ... APE. 1

As pues, se puede escribir la expresin ( A l - 1) como:

y ahora:

(1 - $ ) - n 2 1 r 2

cuando

n +m
r

(1 -

As que, finalmente, la probabilidad del error

R es:

La caracterstica significativa de este resultado es la forma e-rz. Especifica la probabilidad de un error R y es por tanto equivalentea la ecuacin (3-3), en la cual el error es la diferencia entre el valor verdadero X y el valor ohservad o x. El nico problema que queda para poner la ecuacin en forma normal es redefinir las constantes. Hagamos:

para el exponente, y en la constante reemplacemos 1/Jn por h dx. La ecuacin queda entonces como:
e-h2xl fix P ( x ) dx = -

en donde P(x) dx es la probabilidad de encontrar un error entre x y x

dx.

SEC. A I -3

AREAS BAJO LA CURVA DE DlSTRlBUClON DE GAUSS

163

Al-2

DESVIACION ESTANDAR DE LA DlSTRlBUClON DE GAUSS

Debemos calcular la suma de los cuadrados de los errores dividida entre el nmero total de observaciones. Sean N observaciones, donde se puede suponer que N es un nmero muy grande. El nmero de errores de magnitud entre xy x + dx es igual a (Nh/&i)e-h2.12dx. Por lo tanto:

Esta es una integral conocida y tiene el valor &/.?h3. Por lo tanto:

Esto nos proporciona la justificacin para la ecuacin (3-4) y nos permite reescribir la funcin de probabilidad como:

Al-3

AREAS BAJO LA CURVA DE DlSTRlBUClON DE GAUSS

La probabilidad de que un error caiga entre x y x

+ dx es:

170

PROPIEDADES MATEMATICAS DE LA DlSTRlBUClON NORMAL ... APE. 1

Por lo tanto, la probabilidad de que un error est entre

O y x es:

no es tan sencilla para lmites fijos como se requiere ahora.

Aunque esta integral se puede evaluar fcilmente para lmites infinitos,

Se utilizan mtodos numricos de integracin, con los resultados que se dan en la tabla A 1 - l.(Vase la figura A l - 2.)
TABLA Al-1 Areas bajo lacurva de Gauss

X I0
O
O. 1

Probabilidad de que el error est6 entre O y x

O 0.04 0.08 o.12

0.2 0.3
0.4 0.5

0.6
0.7

O. 8 0.9

1.O 1.1

1.2
1.3 1.4 1.S 1.6 1.7 1 .S

O. 16 o. 19 0.23 0.26 0.29 0.32 0.34 0.36 0.38 0.40

0.43
0.45 0.46
0.46

0.42

2.0

1.9

2.5 3.0

0.47 0.48 0 .49 0.499

Si requerimos la probabilidad de que un error est entre x/a, ese valor debe por supuesto duplicarse. Por ejemplo, el dato para x / a = 1 es 0.34, lo que da la cifra de 68% que hemos estado usando para los lmites de 2 l a . Se

SEC. A l -3

AREAS BAJO LA CURVA DE DlSTRlBUClON DE GAUSS

171

Probabilidad

Figura Al-2 El rea evaluada para calcular la probabilidad de ocurrencia de u n error hasta x.

pretende que esta tabla d nicamente una indicacin de la forma en que varan las probabilidades, y para trabajo estadstico, el lector se debe referir a una de las muchas tablas estadsticas disponibles. (Busque Lindley y Miller en la Bibliografa.)

Apndice 2

El principio de mnimos cuadrados

A2-I MlNlMOS CUADRADOS Y MEDIAS DE LAS MUESTRAS

Supongamos que hacemos N observaciones, x,, de una magnitud que presenta fluctuaciones al azar. Calculemos luego el valor X , cuyas desviaciones con respecto a las x,se minimizan de acuerdo conel principio de minimos cuadrados. X se obtendr de la condicin

Sea X la media de las .Y,. Entonces:

(x, - XIZ =
=

[(X? -

X) + ( F- X ) ] l

[(x,

3+ (X - X) +

2(x, -

ax

X ) ]

Evidentemente, esta ltima expresin tieneun valor mnimo cuandoS = X confirmando as que el uso de la media como el valor ms probable para una nlucstra es consistente con el principio de mnimos cuadrados.
172

SEC. A2-2

AJUSTE DE MlNlMOS CUADRADOS A UNA LINEA RECTA

173

A2-2

AJUSTE DE MlNlMOS CUADRADOS A UNA LINEA RECTA

Consideremos un conjunto de observaciones relacin lineal:
( x , y ; ) al

cual se desea ajustar una

Suponemos que los valores de x son precisos, que toda la incertidumbre est contenida en los valores de y , y que las ponderaciones de los valores de y son iguales. Deseamos minimizar lasuma de los cuadrados de las diferencias siguientes:

Por tanto,

(6yJ2= [ y , =

yf

+ m'xf + b 2 + 2 m , b

( m 1

+ b)12

2mx,y, - 2y,b

Si hay n pares de observaciones, la suma es

M =

(6y,)*=

c y f + m 2 2 x f + nb2 + 2mb

x,

Lacondicin para la mejor eleccin de m y b es que C (Sy,)* sea un mnimo. Necesitamos, entonces, que

"

dM - 0 dm

d M

"

db

- 0

La primera condicin da

2m
y la segunda

2 x ? + 2b
2nb

x,

(x,y,) = O

2m

x,

y,

174

EL PRINCIPIO DE MlNlMOS CUADRADOS

APE.

La resolucin del sistema de ecuaciones simultneas para m y b resulta

Las desviaciones estndar de m y b se pueden calcular como sigue: los valores calculados de m y b son funciones de las magnitudes y,. Las desviaciones estndar de rn y b se calcularn, pues, usando la ecuacin (3-9) para la desviacin estndar de funciones calculadas. Se calcularn en funcin de la desviacin estndar de los valores de y . Esta se expresa, como la ecuacin (6-5), empleando las magnitudes &y,:

No se intentar justificar el valor de n - 2; esto se relaciona con el hecho de que las 6yino son independientes, pero estn vinculadas porla existencia de la mejor lnea especificada por los valores de m y b. La ecuacin (3-9) para la desviacin estndar de un valor calculado es

Aplicamos esta frmula en nuestro caso notando que las x y y de la frmula son las y,, y,, etc., que forman parte de nuestro conjunto de observaciones. De este modo, la funcin que define a m es

Por tanto:
"

dm dyk

c x:

1
-

(Ex,y

k -

x,]

SEC. PONDERACION A2-3 EN

LOS CALCULOS ESTADISTICOS

175

Como x k es comn para todas las contribuciones, podemos sumar (m/8y,J2 directamente para obtener

las

ya que C x k = C x , , etc.
Luego,

o sea:

sm = S\.

El valor de sh puede obtenerse por el mismo procedimiento.

A2-3

PONDERACION EN LOS CALCULOS ESTACIISTICOS

Cuando realizamos algunos clculos estadsticos, como para obtener la media de un conjunto de medidas o para ajustar una funcin a las observaciones usando el principio de mnimos cuadrados, las ecuaciones de las secciones 3-3 y 6-7 son vlidas slo cuando todas las medidas son igualmente precisas. Si estas medidas son de precisin desigual, desde luegoes una falacia conceder que stas contribuyen de igual modo a la respuesta final. Como es lgico, las medidas ms precisas deben desempear un papel ms importante que las menos precisas en los clculos. Para lograr esto asignamos a las mledidas ponderaciones que son inversamente proporcionales a los cuadrados de las desviaciones estndar de las observaciones correspondientes. La derivaciljn de las ecuaciones resultantes puede hallarse en los textos clsicos de estadstica, y aqu slo consideraremos los resultados.

176
a)

EL PRINCIPIO DE MlNlMOS CUADRADOS APE.

Media ponderada de un conjunto de medidas

Consideremos que tenemos un conjunto de cantidades xi medidas independientes, y que conocemoslas desviaciones estndar, Si, para cada una de las x,. La media ponderada del conjunto de valores x estar dada por

y la desviacin estndar de la media ponderada por

b) Ajuste de lnea recta por mnimos cuadrados ponderados

Consideremos que tenemos un conjunto devalores de una variabley medidos como funcin dex. Como en la seccin 6-7, supondremos que los valores de x son precisos y que toda la incertidumbre se limita a los valores de y . Las ecuaciones por las cuales podemos calcular la pendiente m y la ordenada al origenb de la mejor lnea puede expresarse como sigue:

m =

cwycwx2-cwxcwxy cwcwxy-cwxcwy

X w x WX
WX

(X wx)

b=

cwc

(ewx)

Dado el engorroso carcter de estas ecuaciones, hemos empleadouna notacin abreviada en la que hemos eliminado el subndice i que debe agregarse a cada una de las cantidades. Asimismo, utilizamos el trmino w ipara la ponderacin de cada par de valores medidos (xt, y,). Las ponderaciones se calcularn en funcin de las desviaciones estndar de los valores de y como
w, = -

1 (SJ2

SEC. PONDERACION A2-3

EN LOS CALCULOS ESTADISTICOS

177

Las mejores estimaciones de las desviaciones estndar de m y b pueden expresarse (comose hizo en la seccin 6-7) desde el punto de vista de la desviacin de los puntos medidos respecto de la mejor lnea. Para un ajuste de minimos cuadrados ponderado, estas desviaciones debern ponderarse a su vez, y el valor ponderado de S , estar dado por:
=

J,

C w;6,2

Las mejores estimaciones de la desviacin estndar dela pendiente y la ordenada al origen, pueden expresarse ahora como:

donde

w = 2 w(x

"

Y ) *

y X es el promedio ponderado de los valores de x, dado por:

Ntese que, como antes, se ha omitido el subndice i.

Apndice 3
Tablas de diferencias y clculo de diferencias finitas
A3-I FUNDAMENTOSMATEMATICOS
El clculo de diferencias finitas proporciona una herramienta poderosa para el tratamiento de las variables medidas. Por el momento, sin embargo, consideremos la situacin completamente desdeel punto devista matemtico. Una vez que hayamos determinado matemticamente los valores que necesitamos, podemos proceder a aplicarlos a las mediciones. Consideremos una funcin conocida y = f ( x ) (vase la figura A3-I), que puede expresarse partiendo de un desarrollo de Taylor alrededor del valor x = a:

Se dice que una funcin como sta es analtica en el punto x = a, y cualquier buen texto de clculo abundar en mayores detalles al respecto. Una funcin tal se define sobre el intervalo continuo de valores en la escala de x,y, para que esta tera sea aplicable a las variables medidas, debemos transformar la formulacin de modo que se refiera a valores discretos de x. Hagamos que esos valores de x estn espaciados en forma equidistante, aumentndolas a partir de x = a a intervalos de longitud h , de modo que los valores de x en los que estamos interesados sean:
178

SEC. A3-I

FUNDAMENTOSMATEMATICOS

x=a,x=a+h,x=a+:2h,x=a+3h

,...

Ahora podemos calcular los valores correspondientes de y para estos valores discretos de x. Ellos sern:

y podemos, tambin, ilustrar estos valores en una grfica como la que se muestra en la figura A3-2.

Si concentramos nuestra atencin en esos valores discretos de x y y , y si queremos encontrar una formadel desarrollo de Taylor aplicable a valores discretos, podemos simular las derivadas requeridas utilizando diferencias finitas. Definimos la magnitud Af(a) como

Figura A3-1 Grfica de la funcion y

Jx).

180

TABLAS DE DIFERENCIAS Y CALCULO DE DIFERENCIAS FINITAS APE. 3

I
a

a+h

e+2h

a+%

Figura A3-2

Valores de .f(x)para valores de x cerca de x = u.

Y en forma correspondiente, tendremos:

A~(u + h) = f ( ~ + Zh)

-f

( ~ h)

etc., magnitudes que estarn relacionadas con las primeras derivadasde la funcin en los diferentes valores de x. De manera semejante, definimos las segundas diferencias como

y as sucesivamente para las terceras diferencias y las de orden superior.

Cuando arreglamos todas esas diferencias junto a los valores tabulados def(x), obtenemos una tabla de diferencias para esos valores. Una tabla de diferencias para la funcin:

y = 2x

+ x3

SEC. A3-1

FUNDAMENTOS MATEMATICOS

181
= 2x

TABLA A3-1
X

Tabla dediferencias para la funcin y

A
3 9 12 21 12 18 39 24

+ x3

A2

A3

A4

1
2 3
4

6 6

33 72

O O O O

63
5 6 135 93 228 129 351 171 8 9 10 528 219 48 54 213 1020 42 36 30

6
6 6 6 6

O O

747

se muestra en la tabla A3-1. Esta ilustra varias caractersticas importantes de las tablas de diferencias, incluyendo, para este caso, la constancia de las terceras diferencias y el consecuente valor cero de las cuartas.
x intermedios entre los.valoresdiscretos de x. Encontremos, adems, la forma

Consideremos ahora el problema de obtener valores dey para valores de

de calcular estos valores intermediosa partir de los valores conocidos dey , en vez de calcularlos directamente a partir dela funcin misma. La ventaja de tal procedimiento es, por supuesto, que estar disponible para uso posterior en valores de los cuales no conocemos la funcin correspondiente. Para calcular estos valores intermedios debemos reexpresar el desarrollo de Taylor en forma que sea compatible con las cantidades que se encuentran en las tablas de diferencias, y que sea tambin adecuado para el clculo con valores intermedios. En la figura A3-3 la derivada de la funcin f en x = a puede calcularse con la razn A / h . Los valores correspondientes dela segunda derivada se pueden calcular en funcin dela segunda diferencia A2,y as sucesivamente para las derivadas superiores. Consideremos tambin un valor de x intermedio entre x = a y x = a + h, y permitamos que este sea especificado por una nueva variable u definida por x=a+uh

182

TABLAS DE DIFERENCIAS Y CALCULO DE DIFERENCIAS FINITAS

Y

APE. 3

a+h

Figura A3-3

Aprorimacihn de la derivada de flx) e11 .Y

t
X

u.

Ahora podemos reexpresar el desarrollo de Taylor partiendo de las magnitudes anteriormente mencionadas y obtener as los valores intermedios de y como

Esta forma del desarrollo de Taylor se conoce como la frmula de interpolacin deGregory-Newton. Se puedeusarparacalcularvaloresintermedios siempre que tengamos valores tabulados de dos variables. Esos mtodos, por ejemplo, se aplicaban comnmente para interpolar entre los valores tabulados de logaritmos, funciones trigonomtricas, etc. Para aplicar la frmula de Gregory-Newton, construimos una tabla de diferencias hasta donde esas diferencias se hagan ya sea cero o lo suficientemente pequeas para que el error incluido en el clculo de la interpolacin sea aceptablemente pequeo. Si construimos la tabla de modo queel valor que estamos buscando quede entre .Y = a y x = a + h , las varias diferencias que necesitamos para incluirlas en la frmula se encontrarn en la hilera superior de la tabla. Si el valor que buscamos est entre x = u + h y x = a + 211, las dife-

MATEMATICOS FUNDAMENTOS SEC. A3-I

183

rencias que necesitamos se hallarn en el siguiente rengln hacia abajo, y as sucesivamente. La extrapolacin puede llevarse a cabo mediante un proceso semejante. Supongamos que tenemos un conjunto de valores de x que van desde x = a hasta x = a + ( n - 1)h. Si queremos calcular un valor de y adecuado para x = a + nh, debemos empezar suponiendo que los valores de y que se obtienen despus dex = a + ( n - 1)h estn determinados por la misma funcin que los valores anteriores. Con base en este supuesto,hay un mtodo sencillo para encontrar y para x = a + nh; ste parte del proceso de ampliar la tabla de diferencias bsica. Empezando con la columna de diferencias que son constantes, o aproximadamente constantes para nuestros propsitos, calculamos sucesivamente las diferencias de orden inferior en funcin de las de orden superior, hasta alcanzar el valor requerido de y (vase la tabla A3-2).De esta manera la tabla se puede ampliar indefinidamente para proporcionar los valores ulteriores de la funcin que se requieran.

TABLA A3-2
X

Uso de una tabla de diferencias para extrapolacin

y =x3
8 19 27
18

A2

A3

37
64 61 125

24
30

= 343

Tambin podemos usar una tabla de diferencias para construir un polinomio que o bien reproducir la verdadera relacin funcional entre y y x,o al menos proporcionar una aproximacin adecuada a ella. Para hacerlo, hay que reexpresar la frmula deNewton-Gregory en una forma adecuada anuestro propsito. La habamos escrito en funcin de la variable u; ahora queremos reexpresarla partiendo de la variablex al tiempo queseguimos empleando las diferencias A y no las derivadas df/dx.. As pues, recordando que

x=a+uh

184

TABLAS DE DIFERENCIAS Y CALCULO DE DIFERENCIAS FINITAS

APE. 3

tenemos:

y la forma original de la ecuacin de Newton-Gregory se convierte en

y = f ( x ) = f(a)

+(X h

u)A

+7 (X 2! h

1 1

U)(X

- U

- 1)A'

La ecuacin est ahora enla forma que deseamos. Si empleamos en ella los valores adecuados de A, A2, A3, etc. para un valor particular, comof(a), generaremos el polinomio requerido en x. Como ejemplo, consideremos la tabla de diferencias de la tabla A3-1, y tomemos los valores de la parte superior. Estos son:

f ( a ) = 3,

a =

1,

h = 1,

9, A* = 12, A3

6, A4 = O

Empleando estos valores, y efectuando el clculo algebraic0 correspondiente, obtenemos:

y = 2x

+ x3

Como sta es la funcin con la que empezamos, no debemos sorprendernos. Sin embargo, hemos comprobado lo adecuado de la frmula de Newton-Gregory para generar un polinomio que sea consistente con un conjunto de valores tabulados. Es, por lo tanto, de inmensovalor potencial para construir un polinomio adecuado cuando nos ocupamos solamente de valores tabulados, y no tenemos idea de una funcin adecuada que sirva como modelo.

A3--2

APLICACION DE LAS TABLAS DE DIFERENCIAS A LOS VALORES MEDIDOS

En la seccin anterior ilustramos el clculo de diferencias finitas y tablas de diferencias usando funciones matemticas. Cuando nos enfocamos a variables medidas y buscamos aplicar estas tcnicas,nos encontramos dos divergencias: a) puede ser que no conozcamos una funcin que proporcione un ajtlste adecuado a las observaciones, y b) las variables mostrarn una dispersin proveniente de la incertidumbre de las mediciones.

SEC. A3-2 APLlCAClON

DE LAS TABLAS DE IIIFERENCIAS A LOS VALORES ...

185

Consideremos primero el caso en el que las medidas sonmuy precisas, de modo que la dispersin es insignificante en comparacin con los valores medidos. En este caso, la tabla de diferencias contendr valores que se comportan con relativa regularidad, y podemos usarla para realizar de inmediato procedimientos como la interpolacin y la extrapolacin. Ms an,si un polinomio de un cierto orden ha de servir como un buen ;ajuste para las observaciones, las diferencias del orden adecuado resultarn ser casi constantes, y las siguientes diferencias se distribuirnalrededordecero.Podremosemplear,entonces, los procedimientos de la seccin anterior para construir el polinomio adecuado. Si, por otra parte, nuestras observaciones muestran una dispersin mayor, nos enfrentamos con un problema de interpretacin en cierto mododiferente. En principio es posible ajustar exactamente un polinomio a cualquier conjunto de valores, no importa qu tanta dispersin muestren. De hecho, a cualquier conjunto de valores es posible ajustarle un nmero infinito de polinomios, de los cuales se ilustran slo dos e m la figura A3-4. As pues, cul polinomio queremos? Va a ser uno como el que representa la lnea continua de la figura A3-4? Bajo ciertas circunstancias, esto quiz sea apropiado. Sin embargo, en otrasocasiones tendremos una buena razn para pensar que, aparte de

Figura A3-4

Ajuste de un polinomio a un conjunto de observaciones dado.

186

TABLAS DE DIFERENCIAS Y CALCULO DE DIFERENCIAS FINITAS

APE. 3

la incertidumbre de las mediciones, el comportamiento bsico del sistema es regular, y en realidad la que necesitamos es la funcin que corresponde a lalnea punteada en la figura A3-4. De este modo, tendremos que ocuparnos de la suavizacin de las observaciones, con lo que queremos decir, escoger una curva que siga alas observaciones en trminos generales, pero que pasa por alto aquellas desviaciones menores de un lmite preseleccionado. Muchos de los textos clsicos de teora de mediciones proporcionan detalladas descripciones de los procedimientos de suavizacin. Vase, por ejemplo, el texto de Whittaker y Robinson que aparece en la Bibliografa.
No siempre resulta claro hasta dnde tenemos que llegar en la suavizacin de observaciones. Sacrificamos la sencillez de representacin para evitar una posible prdida de conocimiento detallado genuino en el comportamiento del sistema. Esto requiere buen juicio de parte del experimentador, y nuestras decisiones no siempre son acogidas con la aprobacin general. En todo caso, si es que queremos hacer la eleccin de un cierto orden de polinomio para representar las observaciones, podemos escoger en la tabla la columna de diferencias correspondiente que deba ser constante, y con base en algn valor promedio de esas diferencias, construir el polinomio deseado.

Si tal procedimiento no es de nuestro agrado, y estamos restringidos a observaciones inevitablemente fluctuantes, nuestra nica alternativa acaso sea emplear un procedimiento de mnimos cuadrados y minimizar con ello la discrepancia entre las observaciones y una funcin del tipo seleccionado. Ntese, empero, la importante diferencia entre el uso de la tabla de diferencias y del procedimiento de mnimos cuadrados. La tabla de diferencias nos indicar los coeficientes de un polinomio implcito en las observaciones; el procedimiento de mnimos cuadrados, en cambio, nos dar simplementelos parmetros optimizados de una funcin cuya forma general debemos elegir por cuenta propia.

Apndice 4 Experimento de muestra

A4-I

DISEODELEXPERIMENTO
Sistema

Nos dan un resorte suspendido de un soporte, un platillo agregado al extremo inferior del resorte para colocarpesos, un juego de pesas, y u n cronmetro con la escala dividida en de segundo.
Modelo

Se nos dice que, suponiendo que el alargamiento de un resorte sea proporcional a la carga aplicada, el periodo de oscilacin, T, para la carga suspendida, m, est dado por:
-I

en donde k es la constante de un resorte particular.

Requerimiento

Se nos pide que midamos la k de nuestro resorte con una incertidumbre no mayor del 10%.
187

188

EXPERIMENTO DE MUESTRA APE. 4

Diseo del experimenta

Siguiendo los pasos indicados en la seccin 5-3, tenemos: a) Nuestro sistema en operacin consiste en el resorte solo. No nos han dado informacin sobre el peso del platillo para las pesas, o de alguna manera de pesarlo, de modo que debemos proseguir sin ese conocimiento. b) Nuestro modelo contiene slo dos variables, carga rn y periodo de oscilacin T, as que es fcil decidir que nuestra variable de entrada, la que podemos controlar, ser n 1 y la variable de salida ser T. c) Para presentar la ecuacin en forma en que la grfica sea una lnea recta, nuestra primera idea podra ser eliminar la raz cuadrada. Elevando al cuadrado ambos miembros de la ecuacin, nos queda:

T'

4772-m k variablehorizontal
= =

La comparacin con la ecuacin de una lnea recta

variable vertical sugiere que debemos tomar variable vertical variable horizontal pendiente
=

pendiente

T2
m

= -

4n2 k

Esta es una eleccibn aceptable, pero una incgnita, k, aparece en el denominador de la pendiente. Para simplificar la aritmtica futura es igualmente vlido, y ms conveniente, escribir la ecuacin como en donde

variable vertical = m wriable horizontal = T' pendiente

= A

4rr2

d) En este c a w el alcance de la Lariable de entrada, m , puede estar gobernado por las pesas que nos proporcionaron. Sin embargo, adems de eso, debernos considerar la posibilidad de sobrecargar el resorte. ,Se sugiere, o estA

SEC. A4-I

DISEO DEL EXPERIMENTO

189

escrito en algn lado, que se deben restringir las cargas? Podramos ensayar unos cuantos pesos en el platillo para ver cmo se comporta el resorte. De un modo o de otro podemos escoger un alcance de m con el que nos sintamos cmodos. El alcance de los valores de T no representa problema alguno, ya que lo determina el sistema. e) Vamos a suponer que nuestras pesas son suficientemente exactas para que no necesitemos considerar su incertidumbre. Por supuesto, no son totalmente exactas, y si queremos saber qu incertidumbre tienen, debemos consultar el catlogo del proveedor. Por lo tanto, la hnica incertidumbre surgir de las mediciones de tiempo, y esa incertidumbre depender de la precisin con que seamos capaces de determinar el tiempo de las oscilaciones. La nica manera de averiguarlo es hacer la prueba. Escogemos una carga tpica, iniciamos las oscilaciones, y medimos el intervalo de tiempo de, digamos, 10 oscilaciones. Ahora debemos decidir qu es lo que determina la incertidumbre de. las medidas. Es la exactitud de la lectura del cronmetro, o es nuestra capacidad de observar las oscilaciones, y arrancar y parar el reloj apropiadamente? Es obvio que debemos probar intentando hacer la medicin de nuevo, y debernos continuar probando el sistema de medicin en esta forma hasta que estemos seguros de que conocemosnuestras capacidades. Podemos decidir, como en el caso presente, que estamos seguros de que podemos medir los intervalos de tiempo con una incertidumbre de f .3 segundos. Sin embargo, con eso no se completa nuestra consideracin de la precisin; debemos evaluar el efecto en los valores de k de esta incertidumbre en T. Es difcil planear de antemano con mucho detalle, porque nuestro valor final de k lo obtendremos de la grfica, pero es prudente verificar que nuestras lecturas individuales tengan la precisin adecuada para contribuir en forma significativa al resultado final. Por ejemplo, supongamos que medirnos el tiempo de u n cierto nmero de oscilaciones que dieron un intervalo de tiempo, f, de 2 seg. Cul sera la contribucin de nuestro .3 seg a la incertidumbre de k? k es una funcin de P. Por lo tanto

RU(k)

6k = 2 k

3 2

30%

Es claro que una medicin como sta har una contribucin poco significativa a la determinacin de k con el 10% de preci'sin. Si queremos una precisin del

190

EXPERIMENTO DE MUESTRA APE. 4

10% en k, necesitamos un 5% de precisin en t, y podemos determinar en consecuencia los lmites en la medicin de f argumentando como sigue:

si
esto es

RU(ti no debe ser mayor del 5%

-

0.3 4 .O5 t

entonces

As que, cualquiera que sea el valor actual de T, si medimos un nmero de oscilaciones que d un intervalo de tiempo totalde 6 seg o ms, lo ms probable es que la incertidumbre en nuestras medidas de tiempo sea aceptable.Por conveniencia podemos escoger un nmero constante de oscilaciones para las diferentes cargas, pero, si tuviramos poco tiempo para un experimento largo, podramos escoger para cada carga un nmero de oscilaciones que nos d un valor satisfactorio de f.
f) Vamos a decidir, como primera suposicin, que mediremos el tiempo de 1 O oscilaciones, sabiendo que incluso para la carga ms pequea eso nos da un intervalo de tiempo medido mayor de 6 seg, y que tomaremos el tiempo de las oscilaciones para cargas de . 1 , .15, .2, .25, . 3 , .35, .4, .45 y .5 kg. Como queremos graficar 177 vs. T 2 e incorporar el valor de la incertidumbre absoluta en T 2 ,esto es, 2T x 6T o 2T x A U( T ) , construiremos la tabla que expresa nuestro programa de medicin para que tenga los siguientes encabezados:

Resultados experimentales

drado con sus incertidumbres absolutas. El resultado de este proceso se ver entonces como en la tabla siguiente.

El siguiente paso es hacer realmente las medicionesy llenar la tabla con los valores medidos de / y los valores calculados para el periodo y el periodo al cua-

SEC. A4-I

DISENO DEL EXPERIMENTO

Nmero de oscilaciones
10 10 10 10 10 10 10 10 10

191
Periodo, T, seg
0.82 0.98 1.07 1.15 1.25 1.30 1.38 1.45 1.52 0.03 0.03 t 0.03 & 0.03 rfr 0.03 t 0.03 2 0.03 rfr 0.03 0.03
rfr rfr

Carga, M, kg

Tiempo, t, seg
8.2 9.8 10.7 11.5 12.5 13.0 13.8 14.5 15.2
f 0.3 f 0.3

Periodo 7 2 , segZ
0.67 0.96 1.14 1.32 1.56 1.90 2.10 2.31

AU(T2),
seg

o. 10
O. 15 o. 20 0.25 0.30 0.35 0.40 0.45 0.50

0.3 t 0.3 t 0.3 0.3 t 0.3 t 0.3 rfr 0.3

rfr

20.05 0.06 0.06 0.07 0.08 0.08

0.08 0.09 0.09

1.69

Ahora debemos graficar estos valores de m y T 2 . Cada valor graficado debe contener su intervalo de incertidumbre; m no tiene incertidumbre y T 2 es inciertaen la cantidadindicada en la ltima columna, de modo que cada punto de la grfica ser una lnea horizontal corta. Una vez que se grafiquen esos valores, la grfica se parecer a la que muestra la figura A4-1. El siguiente paso es interpretar lo que vemos en trminos de las categorias descritas en la seccin 6-4. Primero observamos la dispersin de los puntos y consideramos si es consistente con nuestra ertimacin previa de la incertidumbre. En el caso presente parece haberuna consistencia razonable entre la dispersin y la incertidumbre estimada, y no parece requerirse en esta etapa ninguna consideracin posterior. El siguiente punto a considerar es hasta dndeel comportamiento del sistema es consistente con el modelo. En el caso actual el modelo predeca una lnea recta que pasara por el origen, y debemos juzgar nuestra grfica contra tal caso. Podemos ver de inmediato que en nuestro caso la correspondencia con el comportamiento de una lnea recta parece bastante adecuado en todo el intervalo. Por lo tanto, estaremos justificados para incluir todos los puntos cuando lleguemos a decidir sobre nuestra eleccin de lneas rectas. Sin embargo, en lo que respecta a la coordenada al origen, la situacin es diferente. Una ojeada ala grfica dejar en claro que vamos a tener una abscisa al origen sobre el eje de F que no podemos atribuir a la incertidumbre de las medidas. Tendremos que volver a considerar esta discrepancia ms tarde, pero mientras tanto podemos notar que el valor final de k se obtendr slo de la pendiente, y que la pendiente se puede calcular aun en presencia de una coordenada al origen inesperada.
El siguiente paso es trazar rectas para que podamos obtener valores para las pendientes. Una eleccin sera dibujar nuestra mejor recta a ojo, y tam-

192

DE EXPERIMENTO APE. MUESTRA

T3E.i7I03OZ

Figura A4-1

Primera etapa de la grfica de m vs. T z .

" Y

bin rectas que correspondan a las pendientes mxima y mnima permitidas por el intervalo de incertidumbre en la dispersin. En esta etapa, la grfica se parecer a la que aparece en la figura A4-2. Ahora tenemos que leer valores de la grfica que nos permitan calcular estas pendientes. Para cada lnea buscamos intersecciones convenientes con el papel cuadriculado, como se ilustra en la figura A4-3, que nos darn las coordenadas de puntos en la parte superior e inferior de cada tecta. En la grfica

EXPERIMENTO SEC. A4-I DEL DlSElCJO

1 S3

P&RIOrn2

my

Figura A4-2 Forma final de la grfica de m vs. TZ.

las intersecciones elegidasse indican con flechas, y se rotulan las coordenadas adecuadas. Dadas estas coordenadas, es fcil calcular las pendientes: Lnea ms inclinada:

pendiente = 2.40 - 0.73 Lnea central:

=

0.55

0.075

0.284 kg seg-2

0.55 -- 0.05 pendiente = -~ 2.50 -- 0.52

= 0.253 kg seg-'

194

EXPERIMENTO DE MUESTRA APE. 4

Identificacin de las intersecciones en la parte superior e inferior de la grfica, que permiten calcular las pendientes.
Figura A4-3

SEC. A4-I

DISENO DEL EXPERIMENTO

195

Lnea menos inclinada:

pendiente = 2.64 -- 0.51

= 0.223 kg seg2

0.55

--

0.075

Ahora se pueden calcular los valores correspondientes de k, usando pendiente = -4 1T2 lo que da

x:

k = 47r2 x pendiente
Valor mximo:

k = 11.212 kg seg-2
Valor medio:

k = 9.988 kg seg-2
Valor mnimo:

k = 8.804 kg seg-2
Ahora que tenemos una medida de la incertidumbre total de los valores de k, podemos redondear los valores para obtener nuestra afirmacin final sobre k y su incertidumbre:

k = 10.0 f 1.2 kg s e g 2
La cifra final de la incertidumbre, del 12% del valor de k, es ligeramente mayor que nuestra meta del lo%, pero la diferencia tal vez no sea muy grande para aceptar que nos hemos acercado lo suficiente a nuestro objetivo. Si nos vemos forzados a aceptar cualquier nueva reconsideracin, podemos volver al principio y reevaluar nuestra incertidumbre bsica en las medidas de tiempo. Es cierto que la baja dispersin de los puntos en comparacin con la incertidumbre estimada en la parte superior de la grfica sugiere que fuimos ligeramente pesimistas con nuestra estimacin de f . 3 seg en el tiempo, y una reevaluacin nos puede permitir refinar esa estimacin. Hemos completado nuestrosclculos de k; ahora tenemos que regresar al problema de la coordenada al origen inesperada. Quedamos convencidos de

196

MUESTRA

DE EXPERIMENTO

APE. 4

que era inofensiva,ya que nuestrovalor de k se obtena de l a pendiente, que se poda determinar perfectamente, aun en presencia de la abscisa al origen o intercepto. Sin embargo, no debemos ignorarla totalmente, ya que constituye una falta de correspondencia entre el modelo y el sistema, y no es una buena prctica experimental dejar cosas como sa sin atender. Tratando de encontrar posibles fuentes de discrepancia, podemos notar que parece estar asociada con alguna carga que no se tom en cuenta en nuestros valores de m. Porque cuando la carga agregada, m, es cero, la grfica nos dice que todava observaremos un periodo finito de oscilacin. Qu podra dar lugar a esa masa no considerada? Una suposicin obvia sera el platillo en el que se pusieron las pesas. Otra hiptesis obvia sera la masa del resorte mismo. Sin ninguna investigacin posterior, no podemos estar seguros de que cada una de estas hiptesis sea buena, pero nuestra explicacin de la abscisa al origen inesperada, parece suficientemente razonable para que probablemerlte estemos justificados para terminar el experimento presente en este punto, y dejar la confirmacin de nuestras suposiciones a experimentos posteriores.

A4-2

INFORME
En esta seccin daremos una versin de un informefinal que se podra escribir con base enel experimento cuya conduccinse describi enla seccin anterior. Se puede escribir el informe de acuerdo con las sugerencias que se dieron en el captulo 7. Slo se da la versin final del informe; el detalle de la construccin y su correspondencia con las sugerencias del captulo 7 se puede elucidar comparando el informe con las diversas secciones del captulo 7.

MEDICION DE LA CONSTANTE DE UN RESORTE POR EL METODO DE OSClLAClON

Introduccin

Se puede medirla rigidez de un resorte tomando el tiempo deoscilacin de una carga suspendida. Para un resorte elstico (alargamiento a carga), se puede probar que el periodo de oscilacin T de una masa suspendida m, est dado por

r
T
=

2 n d ;

en donde k es la constante de ese resorte en particular. El objetivo del presente experimento es medir el valor de k de un resorte con una incertidumbre no mayor del 10%.

SEC. A4-2

INFORME

197

Se puede reescribir la ecuacin (1) paira que quede

la que es lineal en m y T 2 , con pendiente k/4.rr2.As, midiendo la variacin del periodo de oscilacin al variar la carga, podremos trazar una grfica dem vs. T 2 y obtener el valor de k a partir de la pendiente.
Procedimiento

Usando el aparato que se muestra en la figura 1, medimos la variacin del periodo de oscilacin con la carga. Las cargas consistieron en un juego de pesas graduadas Cenco desde . l kg hasta .5 kg!, con una precisin especificada de .04%.

El periodo de oscilacin se midi tomando el tiempo de varias oscilaciones, usando un cronmetro graduado en f de segundo.
Resultados

Los valores medidos de la carga y del periodo de oscilacin se muestran en la tabla 1. La incertidumbre quese muestra para los tiempos medidos, se apreci visualmente estimando los lmites extremos dt: valores posibles del tiempo, y as mismo los valores calculados para la incertidumbre de T 2tambin representan los lmites extremos posibles. La grfica delos valores de m y T 2se muestra en la figura 2. El valor de k y su incertidumbre fueron calculados a partir de la pendiente de las tres lneas ilustradas, lo que da
k = 10.0 ? 1.2 lug seg-2
Discusin

Usando el mtodo deoscilacin, se ha determinado que el valor de la constante de rigidez de un resorte es de 10 & 1.2 kg seg-*. El modelo que representa la ecuacin (1) predice, para la grfica de m, T 2 , una lnea recta que pasa por el origen. En nuestro experimento, la variacin de m con T 2demostr ser consistente con una lnea recta dentro de los lmites presentes de incertidumbre. Sin embargo, en vez de pasar por el origen, se puelde ver que las lneas que se mues-

198

EXPERIMENTO DE MUESTRA APE. 4

Figura 1 Diagrama del resorte, el soporte y la carga.

i
0. I O. 15 O. 20 0.25 0.30 0.35 0.40 0.45 0.50

TABLA 1 Variacindelperiodo
oscilaciones

de oscilacinconcarga
Tiempo,
8.2 9.8 10.7 11.5 12.5 13.0 13.8
-C

Carga, M, kg

Nmero de

I,

seg

Periodo, T, seg
0.82 i 0.03 0.98 ? 0.03 1.07 t 0.03 1.15 t 0.03 1.25 2 0.03 1.30 2 0.03 1.38 ? 0.03 1.45 -t 0.03 1.52 t 0.03

Periodoz T z , segZ

10
IO

10 10 10 10 10
10

10

0.3 t 0.3 t 0.3 t 0.3 0.3 t 0.3 I?I 0.3 14.5 t 0.3 15.2 2 0.3

0.67 ? 0.05 0.96 i 0.06 1.14 -C 0.06 1.32 t 0.07 1.56 t 0.08 1.69 ? 0.08 1.90 f 0.08 2.10 t 0.09 2.31 t 0.09

SEC. A4-2

INFORME

199

0.2

0.4

0.61.0 0.8

1.2

Periodo2

1.4

1.6

1.8
seg2

T2

2.0

2.2

2.4

Figura 2 Grfica de m vs. p.

tran en la figura 2 parecen tener una abscisa al origen o intercepto finito en el No obseje de T z , que no se puede atribuir a la incertidumbre de la medicin. tante, nuestro valor de k se obtuvo a partir de la pendiente nicamente, y debe de estar libre de errores que provengan de factores que generen un intercepto. Ya que el intercepto da un valor finito para T a m = O, esto parece estar asociado con la presencia de alguna cargano incluida en los valores medidos de m. Podemos sugerir que una carga extra como sa puede provenir del platillo hemos comque soporta las pesas,y de la masa del resorte mismo, aunque no probado estas posibilidades.

Bibliografa

El tema de la experimentacin es vasto, y en correspondencia, la literatura sobre I es muy extensa y diversa. Para cubrir totalmente nuestras variadas necesidades no hay un sustituto ms satisfactorio que ir a la biblioteca y familiarizarse con la amplitud de sus ofertas. La siguiente lista contiene algunos librosrecientes y algunas obras clsicas, pero dista mucho de ser exhaustiva. Slo se pretende que proporcione unas cuantas sugerencias que puedan servir como punto de partida para el estudio individual.
BACON,R. H. The BestStraightLineamongthePoints, American Journal o f Physics, 21, 428 (1953). BARFORD, N. C. Experimental Measurements: Precision, Error and Truth. AddisonWesley,1967. BARRY, R.A. Errors in Practical Measurement in Science, Engineering and Technology. Wiley, 1978. BEERS, Y . Introduction to the Theory o f Error. Addison-Wesley, 1957. BEVINGTON, P. R. DataReduction and Error Analysis for the Physical Sciences. McGraw-Hill,1969. BRADDICK, H. J. J. The Physics ofthe Experimental Method. Chapman and Hall, 1956. BRAGG, C . M. Principles of Experimentation and Measurement. Prentice-Hall, 1974. BRINKWORTH,J. B. An Introduction to Experimentation. The English University Press, 1973. COHEN, I. B. Revolution in Science. Harvard University Press, 1985. COOK, N . H., RABINOWICZ, E. Physical Measurement and Analysis. Addison-Wesley, 1963.
200

BlBLlOGRAFlA

201

COX,D. R. Planning of Experiments. Wiley, 1958. DEMING, W. E. Statistical Adjustment of Data. Wiley, 1944. DRAPER, N. R., SMITH, H. Applied Regression Analysis. Wiley, 1981. FREPER, W. B. Introduction to Experimental Physics. Prentice-Hall, 1954. FREUND, J. E. Modern Elementary Statistics. Prentice-Hall, 1961. HALL,C. W. Errors in Experimentation. Matrix Publishers, 1977. HARR, R.Great ScientiJic Experiments. Oxford University Press, 1983. HORNBECK, R. W. Numerical Methods. Quantum Publishers, 1975. JEFFREYS, H. Scient@c Inference. Cambridge University Press, 1957. KUHN, T. S . The Structure of ScientiJic Revolutions. UniversityofChicagoPress, 1970. LEAVER, R. H., THOMAS, T. R. Analysis and Presentation of Experimental Results. Macmillan,1974. LINDLEY, D. V . , MILLER, J.C. P. CambridgeElementary Statistical Tables. Cambridge University Press, 1958. MARGENAU, H., MURPHY, C. M. TheMathematics of Physics and Chemistry. Van Nostrand,1947. D. H., JONES, H. M., BOYD, L. C . Writing a Technical Paper. McGraw-Hill, MENZEL, 1961. PARRATT, L. C . Probability and Experimental Errors in Science. Wiley, 1961. RABINOWICZ, E. An Introduction to Experimentation. Addison-Wesley, 1970. F. D. FundamentalMeasures and Constants for Science and Technology. ROSSINI, CRC Press, 1974. SCHENCK, H. Theories of Engineering Experimentation. McGraw-Hill, 1961. SHAMOS, M. H. (editor). Great Experiments in Physics. Holt-Dryden, 1960. SHCHIGOLEV, B. M. Mathematical Analysis of Observations. American Elsevier, 1965. SQUIRES, C . L. Practical Physics. McGraw-Hill, 1968. STANTON, R. C. Numerical Methods for Science and Engineering. Prentice-Hall, 1961. STRONG, J. Procedures in Experimental Physics. Prentice-Hall, 1938. E. B. The Elements of Style. Macmillan, 1979. STRUNK, W., WHITE, TAYLOR, J. R. An Introduction to Error Analysis. University Science Books, 1982. TOPPING, J. Errors of Observation and their Trt>atment. The Institute of Physics, London, 1955. TUPLE, L., SAPERLEY, J. The Theory of Measurements. Longmans Green, 1925. WHIPAKER, E. T., ROBINSON, C. The Calculus of Observations. Blackie, 1944. WILSON, E. B. An Introduction to Scientific Research. McGraw-Hill, 1952. WORTHING, A. G., GEFFNER, J. Treatment o f Eqwrimental Data. Wiley, 1946.

Respuestas a los problemas

CAPITULO 2:
1. 142.45 O.15 cm;O.11% 2. 1.245 k 0.005A,
3. 4. 5. 6. 7.

8 . 0.30 ohm

0.6% 26 cm2

0.5 min a) 1 0 cm, 7.7%

3.3 k 0.lV; 0.4%,

3.0%

b) 2 cm

1 0 . 1800 kg mV3 11. O. 110 m, 0.0012m, 1.08% 12. 0.8 nm, 0.24% 13. 14.3 k 0.1; 14.25 k 0.15 1 4 . 6.75 ? 0.03

9. 9.77 f 0.04 m seg-*, 0.4%

CAPITULO 3:

I E L
3
45 47

51 49

202

RESPUESTAS A LOS PROBLEMAS

203

2. 3, 4. 5. 6.

Entre 39 y 41, 38.

a 39.1, a 39.9 9. a) 3.8 a 5.0, b) 3.2 a 5.5 10. 0.16 11. Rechazarla

38.3 4.39 0.80 0.58 7. a) 33.9 b) 29.5 8. a) 37.5 b) 36.7

12. La muestra 34,47,43,40,32 tiene media 39.2 y desviacin estndar 5.56

La muestra 36, 40, 38, 43,34 tiene media 38.2 y desviacin estndar 3.12 Msde 130 Ms de 200 0.047 mm2 0.21 X m O. 11 m seg-2

a 47.1

a 42.7,

13. 14. 15. 16.

17.

CAPITULO 5:
1. No
2. alcance
a(

velocidad

tensin superficial radio momento de inercia 4. periodo constante de rigidez fuerza de carga 5. deflexin y x radio2

3. presin

0 :

x a

y b son constantes arbitrarias

loz::d 7
+

radio, en donde

11. h vertical, 1/R horizontal; la pendiente es 2 a l p g 12. p vertical, T horizontal; la pendiente es R / o 13. f u ~ vertical, f - fo horizontal; la pendiente es u 14. I vertical, At horizontal; la pendiente es loa y la ordenada al origen es lo. De ah se obtiene (Y 15. sen O1 vertical, sen 19, horizontal; la pendiente es pJpl
16. I/s vertical, ] / S ' horizontal, cada coordenada al origen es I/f; o bien SS ' vertical, S + S ' horizontal, la pendiente es f
17. l/c vertical, w 2 horizontal, la

6.

vertical, t2 horizontal; lapendiente es a

7. T vertical, n2I2 horizontal; la pendiente es 4 m

8. P vertical, o 2 horizontal; la pendiente es p/2 9. i " vertical, cos (Y horizontal; la pendiente es 4nWg
10. d vertical, W13 horizontal; la pendiente es 4/ Yab3

pendiente es L

18. F vertical, l / r 2 horizontal; ve-

rifique si es lineal

19. F vertical, i1i2/r2 horizontal; verifique si es lineal, y compare F vs. i , , F vs. i2 y F vs. I / r

204

RESPUESTAS A LOS PROBLEMAS

por separado, manteniendo las dems variables constantes 20. log Q vertical, f horizontal; la pendiente es - l / R C
21. Z2vertical, 1/w2 horizontal; la pendiente es 1/c2 y la ordenada al origen es R 2

22. m2 vertical, m 2 v z horizontal; la pendiente es 1/c2 y la ordenada al origen es mi 23. 1/X vertical, l / n 2 horizontal; la pendiente es - R, la ordenada al origen es R/4.

CAPITULO 6:
1. c) 0.00129 ohm2 seg2
d) 0.00572 henry e) 0.00145 ohm' seg2, 0.001 17 ohm2 seg2 f) El valor medido de L puede variardesde0.00544henry hasta 0.00606 henry g) 6.00 ohm h) El valor medido de R puede variar desde 5.39ohms hasta 6.43 ohms i) L = 0.0057 f 0.0004henry R = 6.0 0.6 ohms

2. La media es 17.54 y la desviacin estndar de la media es 0.26

3. a)La pendiente es de 0.0499 ohm grado", y la ordenada al origen es 11.92 ohms b) cy = 0.00419 grados" c) 0.0024 ohm grado", O. 16 ohm d) 0.00021 grado" e) (Y = 0.00419 -t O. 0002 1 grado-' Ro = 11.92 2 0.16 ohm 4. a = 2.12, b = 2.98 5. a) i = 0.5 e2' b) y = 0.6 x2.4 c) f = 6 . 2 e-365/T 6. b) 0.73 7. 0.99

lndice

Ajuste de curvas por mnimos cuadrados,

132

Ajuste polinomial usando tabla de diferencias, 183 Anlisis dimensional, 99 Anlisisestadstico de cantidades experimentales, 114
Bsqueda de funciones, 134

Compensacin de errores, 23 Correlacin, 140 Curva suave, usos,62 y sigs. Desviacin estindar de la desviacion estndar, 42 de la distribucin de Gauss,35, 169 de la media, 38 de la ordenada al origen, 13 1, 175 de la pendiente, 13 1, 174 de valores calculados, 43 dlefmicin, 32 mejor estimacin deluniverso, 40 Desviaciones estndar de la mucstra, distribucin de, 39 Diagramas en los informes, 156 Diferencias desviacin estndar de,48 en el diseo del experimento, 103 incertidumbre en, 19 Diferencias finitas, clculo de, 178 Discusin en los informes, 160 Diseo de experimentos, 83 y sigs.
205

Clculo de incertidumbres,mtodo general, 20 Cantidades calculadas desviacin estndar de, 43 incertidumbre en, 14 Cifras significativas,23, 135 Cocientes desviacin estndar de, 49 incertidumbre en, 22 Coeficiente de correlacin, 145 Comparaci6n entre modelosy sistemas, 70 y sigs., 117 y sigs.

206

INDICE
defincion, 11 en cantidades calculadas, 13 en cantidades experimentales,1 13 en grficas,1 16 relativa, 12 Informes diagramas, 156 discusin, 159 1 formato, 15 &cas, 159 introduccin, 152 precauciones, 156 procedimiento, 155 propsito, 154 resultados, 157 significacin de, i49 titulo, 151 Interplacin grfica, 63 usando la frmulade Gregory-Newton, 182 Introduccin enlos informes, 152 Media definicin, 30 ponderada, 175 Mediana, 29 Medias de la muestra distribucin de, 38 y mnimos cuadrados, 172

Distribucin, concepto de, 27 Distribucin de Gauss, 33y sigs. rea bajo la curva, 34,169 desviacin estndar, 34,169 ecuacin de, 33,164 Distribucin de Poisson, 33 Distribucin normal(vduse Distribucin de Gauss) Entrada, 2 Error sistemtico, 12 Errores de calibracin, 12 Extrapolacin grfica, 64 usando tabla de diferencias, 183 Fluctuacin estadstica, 26 85 Forma de linea recta, Formato de los informes, 151 Funciones exponenciales desviacin estndar de, 49 grfica de, 136 incertidumbre en,17 Funciones logartmicas desviacin estndar de, 49 incertidumbre en, 17 Funciones trigonomtricas desviacin estndar de, 49 incertidumbre en,17
Grficas

Medida

en los informes, 159 lineales, 76 y sigs. logartmicas, 90,135 trazado de, 116 Gregory-Newton, frmula de, 182 Grupo de control, 105 Histograma, 28 Incertidumbre absoluta, 11

naturaleza de, 9 patrones de,8 Mnimos cuadrados desviaciones e s t n d a r , 13 1, 174 funciones nolineales, 132 media de las muestras, 172 ordenada al origen, 13 1,173 pendiente, 131,173 ponderados, 132,176 precauciones con, 133 principio de, 128 Moda, 29 Modelos concepto de, 55

INDICE

empricos, 62 prueba d e , 70 y sip. t&ricos, 68 Muestreo, 37 Ordenada al origen desviacin estndar de, 132,176 por mnimos cuadrados, 130,173 Pendientes desviacin estndar de, 174 detenninacin de, 125 incertidumbre en,126 por mnimos cuadrados, 130,173 Planeacin de experimentos, 92 y sigs Poblacin (vefase Universo) Ponderacin en las medias, 175 en mnimos cuadrados, 132,176 Potencias desviacin estndar de, 49 incertidumbre en, 16 Precauciones enl o s informes,I56 Precisin definicin, 12 del experimento, 94,137 Presentacin digital, incertidumbre en, 10 Procedimiento enlos informes,154 Productos desviacin estndar de, 46

incertidumbre en, 21 Propsito en los informes, 154

Rechazo de lecturas, 50 Rectifkacin de ecuaciones, 85 Redon&, 10 Representacin polinomial, 136 Resultados eninformes,157
Salida, 2 Sistema, definicin, 2 Suavizacin de las observaciones, 186 SUmaS desviacin estndar de, 46 incertidumbre en,19 Tablas de diferencias, 180 Teorema de Stirling,166 Titulo de los informes, 15 1 Universo definicin, 35 desviacin estndar, 36,39 media, 36 Variable de entrada, 83 Variable de salida, 83 Variables compuestas, graficacion de, 87 Variables significativas, 54