Prctica # 0. U.P.I.I.T.A.

1
PRCTICA # 0 PRCTICA # 0 PRCTICA # 0 PRCTICA # 0

ERRORES EXPERIMENTALES Y ANL ERRORES EXPERIMENTALES Y ANL ERRORES EXPERIMENTALES Y ANL ERRORES EXPERIMENTALES Y ANLI II ISIS DE SIS DE SIS DE SIS DE
DATOS DATOS DATOS DATOS.

I


OBJETIVOS:

1.- Se presentar una breve introduccin a
los errores de medicin. As como al manejo
estadstico de los errores aleatorios.
2.- Se har una introduccin al ajuste de
curvas, por medio del mtodo de mnimos
cuadrados.
II


INTRODUCCIN.


ERRORES EXPERIMENTALES.

Es conveniente de que antes de intro-
ducirnos a los errores de medicin, se de una
definicin de lo que se entiende por una
medicin. De forma general una medicin
permite relacionar una magnitud fsica des-
conocida con una cantidad fsica conocida
de la misma dimensin. En cada medicin
se obtiene una magnitud de la cantidad fsica
conocida; a sta se le denomina como medi-
da. Inexorablemente cuando se realiza una
medicin, las medidas obtenidas siempre
diferirn con respecto al valor verdadero de
la cantidad fsica en observacin. Las dis-
crepancias entre ambas cantidades se pueden
dividir en dos categoras: en equivocaciones
y en errores de medicin.
Las equivocaciones las comete el ex-
perimentador, por ejemplo, cuando no utili-
za un procedimiento adecuado de medicin,
cuando lee mal las escalas de un instrumen-
to, etc..
Los errores de medicin no son in-
herentes al experimentador. Debido a la na-
turaleza de stos se pueden, a su vez, dividir
en dos categoras: en errores aleatorios, y en
errores sistemticos. A pesar de que ambos
tipos de errores se presentan simultneamen-
te en una medicin, para fines de estudio se
Prctica # 0. U.P.I.I.T.A.

2
analizan por separado.
Los errores de medicin sistemticos
son aquellos en los cuales siempre que se
realiza una medicin varias veces, y bajo las
mismas condiciones, la afectan por igual, es
decir, siempre mantienen la misma magni-
tud. Un ejemplo de este tipo de error se pro-
duce cuando un instrumento est mal cali-
brado y su lectura inicial no coincide con
cero.
Los errores de medicin aleatorios va-
ran de forma impredecible cuando se mide
la misma cantidad fsica, con los mismos
equipos, y bajo las mismas condiciones.
stos se deben generalmente a un gran n-
mero de factores que afectan de forma inde-
pendiente a la medicin. La cuantificacin
de la magnitud de este tipo de errores se
puede realizar nicamente de manera esta-
dstica.
Una cantidad que sirve para describir
la magnitud de una cantidad fsica, es la
media aritmtica; aunque sta tiene la des-
ventaja de que slo es valiosa para los casos
en que se realizan varias mediciones sobre el
mismo objeto, y stas no discrepan mucho
entre s. La media aritmtica,
m
x , est dada
por [1]

=
=
n
i
i m
x
n
x
1
1
, (0.1)
donde n es el nmero de mediciones, y
i
x
es la magnitud de la medida i-sima.
La desviacin de cada medida indivi-
dual,
i
d , est dada por
m i i
x x d = . (0.2)
Cuando se hace un promedio de la
desviacin de todas las medidas, i d , se ob-
tiene
0 ) (
1
) (
1
1
= =
= =

=
m m
n
i
m i
i
nx
n
x
x x
n
d
. (0.3)
A pesar de que se observa que el pro-
medio de las medidas siempre es igual a
cero, la magnitud del valor promedio de las
desviaciones, es decir,

=
=
n
i
m i
i x x
n
d
1
1
, (0.4)
no siempre es igual a cero.
La cantidad que se usa regularmente
para obtener la magnitud de las variaciones
en las medidas, es la desviacin estndar, o
la desviacin de la raz media cuadrtica, ,
dada como [1]
2
1
1
2
) (
1
(

=

=
n
i
m i
x x
n
. (0.5)
Al cuadrado de la desviacin estndar,
2
, se le conoce como varianza, o algunas
veces se le denomina como la desviacin
estndar de la poblacin, o la desviacin
Prctica # 0. U.P.I.I.T.A.

3
estndar sesgada, debido a que en sentido
estricto se calcula slo cuando se toman un
gran nmero de muestras para describir a la
poblacin. Usualmente el experimentador no
puede obtener un conjunto de mediciones
infinito, por esto en trminos generales, es
deseable tener cuando menos 20 medicio-
nes, para que las estimaciones de la desvia-
cin estndar sean confiables. Si se tiene un
conjunto de muestras pequeo, que gene-
ralmente es el caso, se utiliza la desviacin
estndar de la muestra no sesgada, la cual
est definida como [1]
2
1
1
2
) (
1
1
(

=

=
n
i
m i
x x
n
. (0.6)
Una forma visual de desplegar un con-
junto de medidas,
i
x , con n i ,..., 3 , 2 , 1 = ,
obtenidas en una medicin, es por medio de
una grfica de barras. Para obtener una gr-
fica de este tipo se divide el eje de las absci-
sas, en un intervalo que contenga a todas las
medidas, es decir, en un intervalo (
mn
x ,
mx
x ), donde
mn
x es la medida mnima, y
mx
x es la medida mxima; y a su vez este
intervalo se subdivide en intervalos de clase
ms pequeos con un ancho x . En el eje
de las ordenadas se grafica el nmero de
muestras, ) (x N
1
, que caen dentro de los

1
Esta cantidad tambin se conoce tambin como
frecuencia.
intervalos ( x , x x + ). El intervalo de clase,
x , se elige como [2]
n
x x
x
mn mx

= ; (0.7)
o si 25 < n , el ancho del intervalo de clase
se puede determinar de forma ms adecuada
con la regla de Sturger, dada por [2]
) ln( 3 . 3 1 n
x x
x
mn mx
+

= . (0.8)
Cuando en el eje de las ordenadas de
una grfica de barras se despliega la canti-
dad
n
x N ) (
, denominada como frecuencia
normalizada, en lugar de ) (x N ; a la grfica
de barras se le conoce como histograma.
Si se grafica un histograma con varias
mediciones de la misma cantidad fsica, y
stas mediciones estn influenciadas exclu-
sivamente por errores aleatorios; la curva
envolvente del histograma generalmente
tendr la forma de una funcin gaussiana o
normal, este comportamiento se muestra
cualitativamente en la figura 0.1.
Prctica # 0. U.P.I.I.T.A.

4

Figura 0.1. Histograma de un conjunto de medi-
das, y la curva envolvente de ste.

Se puede apreciar de la figura 0.1. que
existe una probabilidad mayor de que las
medidas caigan cerca del valor de
m
x , que
lejos de ste.
La funcin gaussiana representa una
distribucin de probabilidad
2
simtrica, la
cual tiene las siguientes caractersticas:
0 ) ( x P , para x ( , ), y

=1 ) (x P .
Analticamente se puede escribir en
funcin de la media aritmtica, y la desvia-
cin estndar como
2
2
1
2
1
) (
|

\
|

=


m
x x
e x P . (0.9)
Al analizar la ecuacin anterior se ob-
serva que puede existir un nmero infinito
de curvas, las cuales estarn especificadas

2
Si se quiere estudiar de forma ms exhaustiva a las
distribuciones de probabilidad se puede consultar [3].
por la magnitud de , y de
m
x . Por ejem-
plo, en la figura 0.2, se presentan dos de
estas curvas.

Figura 0.2. La distribucin normal del error o
gaussiana, para dos valores de desviacin estn-
dar, y x
m
fija.

En la figura anterior se aprecia que
cuando 1 = , la curva est ms esparcida
en el eje de las abscisas, que cuando
3 . 0 = . De este hecho se aprecia que entre
ms pequea sea la magnitud de , para un
conjunto de medidas
i
x ,
m
x ser un mejor
estimador del valor verdadero de la magni-
tud fsica en observacin.
La distribucin normal posee una ca-
racterstica importante, y es que se puede
asegurar que del 100% de las medidas reali-
zadas, el 50 % de stas, estarn comprendi-
das en el intervalo 6745 . 0
m
x ; el
68.27% de stas medidas estar comprendi-
da en el intervalo
m
x ; etc.. Los resulta-
Prctica # 0. U.P.I.I.T.A.

5
dos anteriores se resumen en la tabla 0.1.

Tabla 0.1. Probabilidad relacionada a las desvia-
ciones estndar [4].
No. de desvia-
ciones estndar
con respecto a
la media arit-
mtica.
Probabilidad
de que la me-
dida est com-
prendida de-
ntro del No. de
desviaciones
estndar.

Comparacin
entre las medi-
das compren-
didas dentro
del No. de
desviaciones
estndar, y
fuera del l.
0.6745 50 1:1
1 68.27 2.15:1
2 95.45 21:1
3 99.73 370:1
4 99.99366 15772:1
5 99.99995 1744000:1

En la figura 0.3. se presenta una grfi-
ca de un conjunto de medidas influenciada
por errores aleatorios, con una distribucin
normal, y por un error sistemtico. En la
figura el valor a representa al valor verda-
dero, el valor b representa la magnitud del
error sistemtico. El error total de la medi-
cin en este caso, con una certeza del 99.73
%, estara dado por la suma del error siste-
mtico dado por ) ( b a y el error mximo
aleatorio.

Figura 0.3. Conjunto de medidas influenciadas
por errores aleatorios, y por errores sistemticos.

El error total de una medicin deter-
mina la inexactitud de la medicin.
Cuando se realizan en varias sesiones
las mediciones de una cantidad fsica, se
puede observar que generalmente la media
aritmtica obtenida en cada sesin de medi-
cin ser diferente, para resolver este incon-
veniente se utiliza la desviacin estndar del
valor medio,
m
, la cual est en funcin del
nmero de medidas y la desviacin estndar
como [1]
n
m

= . (0.10)
Con la ecuacin anterior se puede pre-
sentar la incertidumbre de una medicin.
Si los resultados arrojados por la serie
de mediciones anteriores estn muy prxi-
mos entre s, se puede decir que la precisin
en la medicin es elevada.


Prctica # 0. U.P.I.I.T.A.

6

MNIMOS CUADRADOS.

Uno de los objetos de estudio que es
importante en la fsica es el estudio de los
modelos lineales, tales como la ley de Ohm
cuando la resistencia es constante, la distan-
cia recorrida por un objeto a velocidad cons-
tante, etc.. Los modelos anteriores se pueden
representar analticamente por la ecuacin
de una lnea recta dada por
b mx y + = , (0.11)
donde y es la variable dependiente, m es la
pendiente de la recta, x es la variable inde-
pendiente, y b es la ordenada al origen.
En trminos prcticos si se realiza un
experimento el conjunto de medidas que se
puede obtener es finito; por lo tanto, si de-
seramos asociarle a estas medidas una
ecuacin lineal, de la ec. 0.11 se ve que
existen mltiples opciones, que dependern
del valor especfico que tomen m y b . El
mtodo de mnimos cuadrados es un criterio
con el cual es posible asociarle un modelo
lineal a un conjunto de medidas (
i
x ,
i
y ).
Para ilustrar el mtodo de mnimos cuadra-
dos nos auxiliamos de la figura 0.4., en la
cual se muestran una serie de puntos expe-
rimentales que van desde (
1
x ,
1
y ) hasta (
n
x ,
n
y ), y una recta propuesta que se les puede
asociar a este conjunto de valores.

Figura 0.4. Recta propuesta asociada a un conjun-
to de puntos experimentales.

De la figura anterior se observa que
cada punto (
i
x ,
i
y ), discrepa de la recta
propuesta por una cantidad cuya magnitud
es
i
. De aqu que la diferencia entre la rec-
ta propuesta y cada valor experimental esta-
ra dada por
i i i
b mx y + + = . (0.12)
Despejando
i
de la ecuacin anterior
se obtiene
) ( b mx y
i i i
+ = (0.13)
Observe de la ecuacin 0.12. que
i

puede asumir valores positivos o negativos.
Por lo tanto es conveniente utilizar la suma
de cuadrados de las desviaciones, M ,es
decir,
Prctica # 0. U.P.I.I.T.A.

7

+ = =
n
i
n
i
i i i
b mx y M
2 2
)] ( [ . (0.14)
Ahora bien, si se quiere que las des-
viaciones de los puntos experimentales con
respecto a la recta propuesta sean mnimas,
se tienen que cumplir las siguientes condi-
ciones:
0 =

m
M
, (0.15)
y
0 =

b
M
. (0.16)
Resolviendo ambas ecuaciones se ob-
tienen los valores de m y b , de la recta
propuesta, estimados por el mtodo de m-
nimos cuadrados, dados por

.
) (
) (
,
) (
) (
1
2
1
2
1 1 1 1
2
1
2
1
2
1 1 1




= =
= = = =
= =
= = =

=
n
i
i
n
i
i
n
i
n
i
n
i
i i i
n
i
i i
n
i
i
n
i
i
n
i
n
i
n
i
i i i i
x x n
y x x y x
b
x x n
y x y x n
m
(0.17)
La desviacin estndar, incertidumbre,
de los valores de la pendiente, m, y la orde-
nada al origen, b , obtenidos por el mtodo
de mnimos cuadrados es [5]

= =

=
n
i
i
n
i
i
y m
x x n
n
s s
1
2
1
2
) (
, (0.18)
y

= =
=

=
n
i
n
i
i i
n
i
i
y b
x x n
x
s s
1 1
2 2
1
2
) (
, (0.19)
donde
y
s es
2
1
2

=
n
s
n
i
i
y
. (0.20)
Las incertidumbres representadas por
las ecs. 0.18-0.20, tienen el mismo signifi-
cado que las presentadas en la seccin ante-
rior.
Se sabe que muchos modelos dentro
de la fsica no son lineales, o son lineales
slo sobre un intervalo limitado de valores.
Adems se tiene que el mtodo de mnimos
de cuadrados no garantiza por s slo que la
recta ajustada se correlacione adecuadamen-
te con los valores experimentales. Si se des-
ea conocer que correlacin, es decir, que
tanto explica la recta ajustada a los datos
experimentales es necesario recurrir al factor
de correlacin, r , dado por [3]
.
] ) ( ][ ) ( [
) )( (
1 1 1 1
2 2 2 2
1 1 1


= = = =
= = =

=
n
i
n
i
n
i
n
i
i i i i
n
i
n
i
i
n
i
i i i
y y n x x n
y x y x n
r
(0.21)
El factor r est comprendido en el
intervalo de [0,1]. Si el factor de correlacin
se aproxima a 1, la correlacin entre los da-
Prctica # 0. U.P.I.I.T.A.

8
tos experimentales, y la recta ajustada es
alta, por lo tanto se puede concluir que el
ajuste es bueno.
III


DESARROLLO
EXPERIMENTAL.

En esta seccin se propondrn las activi-
dades a realizar en primera actividad de la
prctica:
1.- Con un flexmetro mida la longitud de la
mesa del laboratorio, realice al menos 25
mediciones.
2.- 1.- Con un flexmetro mida la longitud
del pasillo de uno de los edificios, realice al
menos 25 mediciones.
3.- Mida el tiempo en que tarda en caer una
pelota de tenis, que se suelta del segundo
piso de algn edificio de la Unidad, adquiera
al menos 25 medidas.
De los tres conjuntos de mediciones
obtenidos, haga en un papel milimtrico o
en un programa de cmputo como
MATLAB , el histograma de cada conjun-
to de medidas, y trace la envolvente de s-
tos. Tambin, calcule la media aritmtica, la
desviacin estndar, y la desviacin estndar
del valor medio; asociada a cada conjunto.
Con los valores de
m
x y de obtenidos,
grafique la funcin gaussiana asociada a los
valores experimentales. En el apndice 1, se
presenta un programa de MATLAB que
realiza las clculos anteriores.
Compare visualmente la envolvente
del histograma de las medidas con la grfica
de la funcin gaussiana asociada a stas, lo
anterior para cada conjunto de medidas,.
Discuta si es posible asegurar que las medi-
das realizadas estn influenciadas nicamen-
te por errores aleatorios, es decir, que si
existe una alta correspondencia entre la
curva envolvente del histograma y la fun-
cin gaussiana que obtuvo.
Con los valores de obtenidos de
cada conjunto de medidas, diga cul se dis-
persa ms, y a qu se lo atribuye. Tambin
discuta la relacin que guarda , con este
efecto.
Incluya el reporte el valor de la media
aritmtica con su incertidumbre respectiva,
esto con una certeza del 99.99 %. Adems
observe si se cumple que el 99.7% de las
medidas caen el intervalo de ) 3 (
m
x .
En la segunda actividad de la prctica
se corrobora la Ley de Ohm, dada por
RI V = , (0.22)
donde V es el voltaje, R es la resistencia, e
I es la corriente. Para este fin se monta
arreglo que se muestra en la siguiente figura.
Prctica # 0. U.P.I.I.T.A.

9

Figura 0.5. Arreglo experimental, para experi-
mento de la Ley de Ohm.

En el circuito anterior para un voltaje
fijo, mida la corriente que pasa a travs de la
resistencia. Vare el voltaje de la fuente de
alimentacin al menos 15 veces y anote la
corriente correspondiente, con estos resulta-
dos haga una tabla, como la mostrada a con-
tinuacin.

Tabla 0.2. Valores de Voltaje y de Corriente me-
didos con el circuito de la figura 0.5.
V I
1
V
1
I

n
V
n
I

Si considera que
i i
y V = , y que
i i
x I = , se puede hacer un ajuste por el m-
todo de mnimos cuadrados para una ecua-
cin lineal. Con el ajuste se encuentra la
pendiente de la recta ajustada, m, y se ob-
serva de la ec. 0.22, que este valor debe de
ser igual a R . El valor de R se puede medir
directamente en el arreglo experimental, y se
puede determinar utilizando el cdigo de
colores para la resistencia. Compare los dos
valores anteriores con el obtenido por el
ajuste de mnimos cuadrados, y explique las
posibles divergencias.
En el reporte presente la ordenada al
origen, y la pendiente obtenida en el ajuste,
con una incertidumbre del 99.97%. Adems
incluya el factor de correlacin y discuta la
calidad del ajuste. En el apndice II se pre-
senta un programa de MATLAB, que hace
los clculos anteriores, y adems obtiene la
grfica de la ecuacin de la recta ajustada
junto con los valores experimentales.
Con los resultados obtenidos, discuta
si se corrobora la Ley de Ohm.

APNDICE


1.

%% PROGRAMA DE MATLAB QUE REALIZA
%% EL CLCULO DE LA MEDIA
%% ARITMTICA, LA DESVIACIN
%% ESTNDAR DE UN CONJUNTO DE
%% MEDIDAS, Y LA GRFICA DE LA
%% FUNCIN NORMAL ASOCIADA A STAS.

%%% INGRESE LOS VALORES DE X %%%

x=[49.36 50.12 48.98 49.24 49.26
50.56 49.18 49.89 49.33 49.39];

%% LA FUNCIN mean DE MATLAB DA EL
%% VALOR DE LA MEDIA ARITMTICA
Prctica # 0. U.P.I.I.T.A.

10

xmed=mean(x);

%% MATLAB CALCULA LA DESVIACIN
%% ESTNDAR CON LA FUNCIN std

de=std(x);

%% INGRESE EL VECTOR QUE COMPRENDA
%% EL INTERVALO DE LAS MEDICIONES
%% DE LA SIGUIENTE FORMA:
%% x1=xmn:incremento:xmx;

x1=48:0.001:51;

%% CLCULO DE LA CURVA GAUSSIANA

sigma=de;
a=(2*pi)^(1/2);
b=1/(a*sigma);
c=exp(-(1/2).*(x1-
xmed).^2./(sigma)^2);
y=c*b;

%% GRFICA DE LA CURVA GAUSSIANA

figure(1);
plot(x1,y,'r'),grid on;
title('Distribucin normal');
xlabel('x');
ylabel('P(x)');

%% HISTOGRAMA DE LOS VALORES
%% EXPERIMENTALES

%% INGRESA EL NMERO DE INTERVALOS
%% DE CLASE,l.

l=20;

%% GRFICA HISTOGRAMA.

figure(2);
title('Histograma');
hist(x,l);
xlabel('Lecturas');
ylabel('Frecuencia');








APNDICE


2.

%% PROGRAMA DE MATLAB QUE CALCULA
%% LA ORDENADA AL ORIGEN, Y LA
%% PENDIENTE DE UNA RECTA;
%% POR EL MTODO DE MINIMOS
%% CUADRADOS. ADEMS, EL
%% PROGRAMA CALCULA EL FACTOR DE
%% CORRELACIN Y LAS INCERTIDUMBRES
%% ASOCIADAS A LA PENDIENTE Y A LA
%% ORDENADA AL ORIGEN.

%%% INGRESE LOS VALORES DE y %%%

y=[0 1 2 3 4 5 6 7 8 9 10 11 12
13];

%%% INGRESE LOS VALORES DE x %%%

x=[0.014e-3 4.4e-3 8.91e-3 13.06e-3
17.36e-3 21.92e-3 26.13e-3 30.71e-3
35.98e-3 40.85e-3 45.45e-3 49.92e-3
53.78e-3 58.46e-3];

%%%%%%%%%%%%%AJUSTE DE POLINOMIO DE
%% GRADO 1%%%%%%%%%%%

n=1;
p=polyfit(x,y,n);
m=p(1);
b=p(2);

%%%%%%%%%%SUMATORIA DE LOS VALORES
%% DE X%%%%%%

sum1=sum(x);

%%%%%%%%%SUMATORIA DE LOS VALORES
%% DE Y%%%%%%%%%

sum2=sum(y);

%% SE CREA UN ARREGLO PARA REALIZAR
%% UNA GRFICA EN
%% DNDE SE COMPARA LA CURVA
%% AJUSTADA CONTRA LOS
%% VALORES EXPERIMENTALES

xi=linspace(0,58e-3,1000);

Prctica # 0. U.P.I.I.T.A.

11
z=polyval(p,xi);

%%%%%%%%SE REALIZA LA FIGURA
%% CORRESPONDIENTE%%%%%%%

figure(1);
plot(x,y,'o',xi,z,'-'),grid;
ylabel('Voltaje [V]');
xlabel('Corriente [A]');
title('Ajuste de mnimos cuadra-
dos');


%%%%%%%%%%%%CLCULO DEL FACTOR DE
%% CORRELACIN, r2.%%%%%%%%%%%

yies=b+(m.*x);
sum3=sum2/length(y);
ssr=(yies-sum3).*(yies-sum3);
ssr=sum(ssr);
sst=(y-sum3).*(y-sum3);
sst=sum(sst);
r2=ssr/sst;
r2=r2^(1/2);

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%

%%%%%CLCULO DEL ESTIMADO
%% CONDICIONAL DE LA
%% VARIANZA, sy.%%%%

sse=(y-yies).*(y-yies);
sum4=sum(sse);
sy=sum4/(length(y)-2);
sy=sy^(1/2);

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%

%%%%CLCULO DE LA DESVIACIN
%% ESTNDAR DE LA PENDIENTE, sm.%%%

xcuad=x.*x;
sxc=sum(xcuad);
sucx=sum1.*sum1;
den=(length(y).*sxc)-sucx;
sum5=length(y)./den;
sum5=sum5.^(1/2);
sm=sy.*sum5;

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%

%%%CLCULO DE LA DESVIACIN
%% ESTNDAR DE LA ORDENADA %%%%%%%
%% AL ORIGEN, sb. %%%%%%%%%%%%%%

sum6=sxc./den;
sum6=sum6.^(1/2);
sb=sy.*sum6;

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%

IV


BIBLIOGRAFA.

[1] Holman P., Mtodos experimentales pa-
ra ingenieros, Mc-Graw Hill, Segunda edi-
cin, pgs. 65-66, 97.
[2] Klaassen B., Electronic Measurement
and Instrumentation, Cambridge University
press, Primera edicin en ingles, pgs. 44,
48.
[3] Miller I. Y Freund I., Probabilidad y
Estadstica para Ingenieros, Prentice Hall,
Tercera Edicin, Captulo: 4, pg. 355.
[4] Gillies R, Instrumentation and Meas-
urements for Electronic Technicians, Merrill
Macmillan, Segunda edicin, pg. 19.
[5] Baird D, Experimentacin una Introduc-
cin a la Teora de mediciones y al Diseo
de Experimentos, Pearson Educacin, Se-
gunda Edicin, pg. 131.