MECNICA

ELEMENTAL
Juan G. Roederer

'

__-,

^`^^^^ ,-!.

^udebd

Ih ^^^g

,.^....^. ^..

_.

01111 '

Captulo 1

E1 proceso de medicin

a) Magnitud fsica
La fsica es una ciencia experimental. Estudia procesos del mndo fsico en su forma ms
general, independientemente de su valor prctico inmediato, y establece un cierto nmero
limitado de leyes con las cuales se puede explicar la mayor variedad posible de los fenmenos observados y predecir cuantitativamente su comportamiento. Que sea ciencia experimental significa que los fenmenos bajo anlisis deben observarse y medirse. Cualquier aseveracin en fsica carece de sentido si la misma o sus consecuencias lgicas no
pueden ser comprobables experimentalmente.
Vamos a analizar el proceso de medicin; proceso fundamental para la fsica y punto
de partida de toda teora fsica. El proceso de medicin es una operacin fsica experimental, en la que intervienen necesariamente tres sistemas: el "sistema objeto" al cual
queremos medir, el instrumento o aparato de medicin y el "sistema de comparacin"
que definimos como unidad y que suele venir unido o estar incluido en el aparato o instrumento de medicin.
Por ejemplo: en el proceso llamado "medicin de longitud" intervienen:
1. El objeto cuya longitud queremos medir.
2. El instrumento, por ejemplo, una regla.
3. La unidad (cierta escala marcada en la misma regla, cierta barra patrn, o cierta longitud de onda espectral).
Para definir unvocamente el proceso de medicin es necesario dar adems la "receta" mediante la cual deben ponerse en interaccin el sistema objeto, el aparato de medicin y la unidad. En particular, el procedimiento fsico correspondiente a esta receta, realizado entre el aparato de medicin y la unidad, se denomina "calibracin" del aparato.
Por ejemplo, la "receta" para medicin de longitudes sera: "tmese un cierto instrumento llamado regla, en la que estn marcadas cierto nmero de divisiones; hgase coincidir la primera divisin de la regla con un extremo del objeto cuya longitud se quiere
determinar; determnese la divisin que coincide con el otro extremo del objeto. Por otra
parte, realcese el mismo procedimiento con el objeto que se defini como unidad (calibracin de la regla)".
Medir temperaturas significa: "tomar un instrumento llamado termmetro, ponerlo
en contacto trmico con el sistema que queremos medir, esperar que se establezca equilibrio trmico, medir la longitud de la columna de mercurio, etc.".

16 / Mecnica elemental

Medir el peso de un cuerpo significa: "tomar el cuerpo, ponerlo sobre el platillo de

un instrumento llamado balanza, colocar pesos unidad en el otro platillo hasta equilibrar
la balanza, leer el nmero de pesos unidad".
Cada proceso de medicin define lo que se llama una magnitud fsica. Estas ltimas
estn unvocamente determinadas por el proceso de medicin. Por ejemplo, se define
como "longitud" aquello que se mide en el proceso descripto como "medicin de longitudes". "Peso" es aquello que se mide con el proceso fsico denominado "pesar un
cuerpo". Esto podra parecer trivial; sin embargo, es importante notar que no hay otra
forma de definir una magnitud fsica ms que por la descripcin del proceso de medicin en s. En otras palabras, el concepto fsico primario es el de proceso de medicin, y
no el de magnitud fsica.
Hay muchos procesos de medicin que definen una misma magnitud. Por ejemplo,
hay muchas formas de medir una longitud. Son procesos de medicin equivalentes. El
resultado de un proceso de medicin es un nmero real, que se llama valor de la magnitud en cuestin. Se lo interpreta intuitivamente como el "nmero de veces que la unidad
est contenida en la magnitud en cuestin". Dos objetos tienen una cierta magnitud dada
igual cuando el resultado del proceso de medicin (que define la magnitud en cuestin)
aplicado a ambos objetos es el mismo, o sea, cuando se obtiene el mismo valor numrico.
Tenemos en resumen dos conceptos definidos a partir del proceso de medicin:
define una magnitud fsica.
Proceso de medicin:
da corno resultado el "valor" de la magnitud.
La suma de dos magnitudes (de igual tipo, por supuesto) debe definirse por un proceso fsico Por ejemplo, la longitud "suma" de las longitudes de dos varillas es la longitud
del sistema que se obtiene alineando paralelamente las dos varillas en fila, una a continuacin de la otra, haciendo coincidir el extremo de una con el principio de la otra. Una
magnitud fsica es "genuina" cuando el valor de la magnitud suma es la suma de los valores de las magnitudes originales. Esto no es trivial. Si ello no sucede, la magnitud en
cuestin no es una magnitud fsica genuina. Por ejemplo, la temperatura no es aditiva. Si
quisiramos definir la operacin "suma" de temperaturas como proceso fsico (juntando
dos cuerpos de temperaturas T1 y T2 y esperando que se establezca equilibrio trmico),
veremos invariablemente que el valor numrico de la temperatura del sistema final o suma no es la suma de los valores T1 + T2
El valor de una magnitud dada es independiente del proceso particular de medicin,
dependiendo slo de la unidad elegida. Como esta unidad, en principio, es arbitraria y se
fija por convencin, es necesario aadir un smbolo al valor numrico de una magnitud
dada para indicar cual unidad ha sido utilizada como comparacin. Por ejemplo, se escribe 1 m", "10 pies", "25 seg", etc. Decir que una longitud es "2,5" no tiene sentido fsico
si no se indica la unidad de referencia.
Cuando cambiamos de unidad, el valor numrico de una misma magnitud cambia. Es
necesario conocer la regia de transformacin para los valores numricos de las magnitudes.
Sean L y L' dos unidades de longitud distintas, y x el nmero real que representa el
valor de la longitud de un objeto dado cuando se usa L como unidad. Sea ademas el
nmero real que representa el valor de la longitud de la unidad L medida con la unidad L'
.

Captulo 1. El proceso de medicin /

17

(nmero de veces que la unidad L' est contenida en L). La regla de transformacin que
sufre el nmero x cuando se pasa de la unidad L a la L' es:
x '= x/1..

(1 . 1)

o sea, el "nuevo" valor es igual al "viejo" valor multiplicado por el nmero de veces que
la nueva unidad est contenida en la vieja unidad. Observemos que la (1.1) es una relacin entre nmeros.
Para recordar la regla de transformacin se utiliza la convencin arriba indicada para
escribir los valores numricos de una magnitud. Sea una longitud de "3 m". Ello significa
que "x = 3" y "la unidad L es el metro patrn". Si ahora cambiamos de unidad, la operacin por realizar es: reemplazar el smbolo m por el valor (nmero real) de esa unidad
(metro) medido con la nueva unidad y hacer el producto correspondiente.
Por ejemplo, si la nueva unidad L' es el cm, dado que la longitud del metro patrn
contiene 100 veces el centmetro, el nuevo valor de x'ser, segn la (1.1):
x' =3 . 100-300
O sea, con la nueva unidad escribimos "300 cm".
Hay que tener mucho cuidado: "3 m" o "300 cm" es una expresin simblica. El "m"
o "cm" es un smbolo que indica dos cosas:
1. la unidad que se eligi al expresar el valor;
2. nos recuerda que si se cambia la unidad, debemos multiplicar el valor original
de la magnitud por el valor de la unidad original medida con la nueva unidad.
Por ese motivo, la igualdad:
3 m = 300 cm
es simblica y no tiene significado algebraico. El significado fsico es: la longitud cuyo
valor es 3 cuando la unidad es el metro es la misma que aquella cuyo valor es 300 cuando
la unidad usada es el centmetro.
Hemos dicho que el proceso de medicin, punto de partida de toda teora fsica, es,
en esencia, una interaccin entre tres sistemas: el sistema objeto, el aparato de medicin y
el sistema unidad. Supongamos ahora que queremos medir la temperatura de un centmetro cbico de agua con un termmetro de dos metros de largo que contiene medio kilogramo de mercurio. Que sucede? Lo nico que lograremos es que el centmetro cbico
de agua adquiera la temperatura del termmetro. La lectura del termmetro nada tendr
que ver con la temperatura inicial del agua. Consideremos otro caso: queremos medir la
velocidad de un proyectil por el impacto que causa sobre un objeto. Si bien podemos obtener informacin sobre la velocidad del proyectil, habremos destruido con nuestra medicin nuestro sistema objeto. Seria imposible volver a repetir la medicin con el mismo
proyectil. En ambos ejemplos, el proceso de medicin ha perturbado sustancialmente el
sistema que quisimos medir.

18 / Mecnica elemental

Pensndolo bien, es fcil darse cuenta de que en todo proceso de medicin el aparato
de medicin perturba en mayor o menor grado el sistema que se est midiendo. Lo que la
fsica clsica supone es que, si la perturbacin result apreciable, siempre es posible construir un aparato de medicin ms perfecto, con el que se obtendra una perturbacin menor.
Este principio no "funciona" en el dominio atmico. Efectivamente, se comprueba
experimentalmente que, cuando nos aproximamos al dominio atmico, nunca podemos
perfeccionar nuestros procesos de medicin ms all de cierto lmite; es decir, nunca podemos reducir la perturbacin del proceso de medicin a cero. En otras palabras: jams
podra observarse y medir un sistema atmico sin molestarlo o perturbarlo sensiblemente.
La llamada "fsica clsica" fue edificada sobre la hiptesis de la posibilidad de perfeccionar los procesos de medicin indefinidamente. Como esto no vale en el dominio
atmico, la fsica clsica no vale en este dominio. No hay que sorprenderse entonces que
en ese dominio pasen "cosas raras", como, por ejemplo, el comportamiento "dual" de la
materia: segn por qu mtodo se observe una partcula atmica, sta parece comportarse como "onda" o como "partcula"! Esto deja de aparecer como misterio de la naturaleza
si se tiene bien presente que en el dominio atmico es imposible "observar sin perturbar",
influyendo el propio proceso de medicin sobre lo que se est observando. "Lo que es" la
partcula mientras no se la est observando (mientras no est interactuando) no tiene sentido fsico, por lo expresado en la ltima frase del primer prrafo de este captulo.

b) Errores de medicin
Volvamos al proceso de medicin y consideremos el valor numrico obtenido. Dijimos que es un nmero real. Un nmero real en el sentido matemtico est representado
por un nmero infinito de guarismos. Es evidente que esto no se obtiene como resultado
de una medicin. Hay un lmite a priori dado por el instrumento o aparato de medicin,
en el cual aparece necesariamente un cierto lmite de apreciacin, dado por el mnimo
valor distinguible en una medicin.
Si, por ejemplo, se tiene una regla graduada en cm y mm, en la cifra que expresa el
valor de una longitud dada slo estar asegurado el guarismo correspondiente al milmetro. Por ejemplo: en el valor "3,25633" no tendran sentido las dos ltimas cifras (33)
(pues slo seran producto de la imaginacin).
Si se repite una medicin varias veces, el resultado expresado en cifras significativas
dadas por la escala del instrumento debera ser el mismo en cada caso, siempre que la
magnitud por medirse se mantenga constante. Pero en general esto no sucede. Aun si en
cada medicin podemos asegurar a priori hasta un cierto nmero de guarismos, los valores obtenidos en mediciones consecutivas no suelen coincidir.
Consideremos un ejemplo: yo mido una cierta longitud cien veces con mucho cuidado y obtengo los mismos valores numricos en cada medicin. Pero ahora tomo unas copas de vino y vuelvo a hacer cien mediciones. Volver a obtener valores coincidentes en
cada caso? Evidentemente no; la "borrachera" me impedir ver ntidamente las lneas y
los nmeros de la regla, as como los confines del objeto que estoy midiendo. Si, por otra
parte, tomo una regla muy corta y (sin estar borracho) mido la longitud de un objeto largo,

Captulo 1. El proceso de medicin 1

19

tampoco obtendr el mismo resultado en todas las mediciones. Esto se debe a que en el
proceso de transporte de la regla se cometen inevitablemente ciertos errores mecnicos.
Supongamos entonces que hemos hecho una serie de N mediciones de una misma
magnitud, que han dado los valores numricos x 1 , x2 , , xi , XN _1 , x N , todos ellos expresados en cifras significativas exclusivamente. Qu hacemos con estos valores? Vamos a plantearnos claramente el problema: tenemos una serie de N mediciones con N resultados en general diferentes. Sabemos, adems, que la magnitud dada puede tener, en
realidad, un solo valor numrico. Cmo podemos "fabricar" de esos N valores uno solo,
que est "lo ms cerca posible" del "verdadero valor", al cual desconocemos? En trminos ms correctos: Cmo podemos volcar la informacin dada por esos N nmeros hacia
uno solo, que podamos adoptar como "el valor ms probable de la magnitud"?
Sea X el nmero que adoptamos como "valor ms probable" de la magnitud. Las diferencias X xi = se llaman "desviacin de cada medicin" respecto de X . Tendremos N desviaciones El , E 2
N . Sern, en general, nmeros positivos y negativos.
La suma algebraica e l + E 2 + . .. . E i +
no tendr mucho significado fsico. Incluso
puede ser cero, an siendo grandes los el si los valores positivos y negativos de los el se
compensan mutuamente. En cambio, la suma de los cuadrados, o suma de "desviaciones
cuadrticas"
Ei

.. E

EN

E1 E2

N ^ ?
N

E
+*****"

i=1

ser una magnitud ms representativa, que nos dar una idea global de cmo fluctan los
valores medidos xi alrededor de X . Es evidente que esa suma depende del valor que elijamos para X :
N

i =1

Ei2 =

i =1

i =1

^ X xi = NX 2X ^ xi + ^ x 2
i =1

Obtenemos una funcin cuadrtica de X que pasa por un mnimo para un cierto valor de X . Con esta expresin encontramos la posibilidad para un criterio "razonable"
(por ahora convencional) para definir el "valor ms probable de una magnitud" obtenido
a partir de N mediciones individuales xi. Elegimos como tal el valor de X que haga mnima la suma cuadrtica de las desviaciones. Esto es lo ms razonable que se puede hacer
por ahora; ms adelante quedar totalmente justificado.
O sea, X debe satisfacer la siguiente condicin de extremo:

20 / Mecnica elemental
Por lo tanto:
d /

dX

-2

N X 2XEx i + ^ x 2 2NX 2i xi = 0
i =1
i=1
i=1
,

lo que nos da
(promedio aritmtico de las x;).

(1.2)

El promedio aritmtico de los valores x i es entonces lo que elegimos como "valor

ms probable" o "valor ms razonable" de la magnitud en cuestin. Es el valor (nico)
que hace mnima la suma cuadrtica de las desviaciones.
Volvamos a esa suma cuadrtica E? . Esta cantidad tiene el inconveniente de que
su valor no slo depende de las fluctuaciones, sino tambin del nmero total de observaciones N. Efectivamente, es fcil comprender que esta suma de sumandos positivos puede
ser arbitrariamente grande, aun para muy pequeos valores de E. , con tal de ser el nmero de sus sumandos (N) suficientemente grande.
Para independizamos de este nmero ocasional N, definimos la cantidad llamada varianza y, que es el promedio de las desviaciones cuadrticas, y que ahora s slo depende
de la forma en que los datos individuales fluctan alrededor del promedio, siendo independiente del nmero total de observaciones:

E i2
N

xi
N

- NY 2

- X 2 -X 2

(Ver nota 1)

En la expresin precedente hemos tenido en cuenta (1.2); X 2 =

x2 /N es el pro-

2
medio de los cuadrados de x, (que no es igual al cuadrado del promedio X , a menos
que todas las xi sean iguales entre s!). Las dimensiones fsicas de y no son las de los datos originales, puesto que stos figuran elevados al cuadrado. Por lo tanto, se introduce la
cantidad

6 =

1. En realidad, por razones matemticas debe definirse la varianza como v =

(1.3)

E E? /(N

1) . Pero como

en fsica experimental siempre suele ser N 1, la expresin dada arriba es una aproximacin suficientemente buena. Tal como est escrita, la ecuacin es rigurosamente correcta si se reemplaza el promedio X
por el "verdadero valor" de la magnitud en cuestin [en general desconocido en la prctica].

Captulo 1. El proceso de medicin 1 21

que tiene las mismas dimensiones que X (por ejemplo: una longitud, si las x; son longitudes), y que por lo tanto se puede comparar numricamente con X . En la (1.3) tuvimos
en cuenta que

Lx = NX .
Z

a nos da una idea cabal y precisa de la mayor o menor

fluctuacin o dispersin, en forma global, de los valores de x i alrededor del promedio X .

a se llama dispersin o error estndar, o error cuadrtico medio de cada medicin.Obs rvese que a = O slo si cada uno de los el es nulo, o sea, si todos los valores de xi son
iguales entre s. Tal como la varianza, a depende slo del proceso de medicin en s.
La cantidad
se llama error o desviacin relativa de cada medicin;
10017 = a/X se llama error porcentual de cada medicin. Obsrvese que el error relativo,
que no tiene dimensiones, es una cantidad que nos representa la forma numrica ms intuitiva posible del concepto de "error" o dispersin. Efectivamente, cuando decimos que
un error dado es del 10%, tenemos con ello una informacin sobre la calidad de la medicin, que es totalmente independiente de lo que estamos midiendo. Ello no ocurre con el
error estndar absoluto: si decimos que en la medicin de una longitud el error estndar
es de 10 cm, ello puede representar una medicin excelente, si la longitud que se mide es
de centenares de metros, pero puede significar una medicin "mala" si el objeto medido
tiene slo 20 cm. El error relativo, asimismo, permite una comparacin de la calidad de
mediciones de diferentes magnitudes entre s.
Supongamos que hemos obtenido un promedio X de una serie de mediciones
x N . Hagamos ahora otra serie de N mediciones en las mismas condiciones que la

ri _ a-/X

anterior, obteniendo los valores x' 1

x' N . El promedio X' de esta segunda serie no tiene

por qu coincidir con el de la primera: X ' # X . Tampoco las desviaciones estndar a y

a sern idnticas aunque su orden de magnitud siempre ser el mismo, puesto que representan una caracterstica del proceso de medicin en s que, por hiptesis, es el mismo en
ambas series.
En general, los promedios X' , X" , ...., X k , ...., X Al , obtenidos a travs de M series de
mediciones con N valores cada una, fluctuarn alrededor de un promedio general, o
"promedio de los promedios", de valor

zX k
M

X^

_ z _,,. i
L
N ,,i _fN
+
iN
_ i N
M

N-- `

+ N x M MN X
_1 N
i N _l
MN

(suma de todas las x)

(total de mediciones)
^

La dispersin de esos promedios, considerados como datos individuales de una serie

de valores, ser:

(1.4)

22 / Mecnica

elemental

sta es la dispersin estndar de cada promedio de las series de mediciones. Lo importante es que se puede demostrar que para los casos de errores casuales de medicin
esta dispersin o error estndar vale
j

VTV

(1.5)
N2

Esta relacin es en realidad aproximada, 2 pero se convierte en igualdad para N suficientemente grande. a es la dispersin estndar en una de las M series de mediciones
(ya dijimos que el orden de magnitud de las slY k es el mismo en cada serie). Esto tiene
una importancia prctica fundamental: permite predecir la fluctuacin del promedio de
una serie de N mediciones, sin necesidad de volver a realizar ms series de mediciones.
En la expresin (1.4) es necesario hacer N.M mediciones. En la expresin (1.5) bastan
las N mediciones de una sola serie. Para evitar confusiones y por razones prcticas se
conviene en definir como "error estndar del promedio" directamente a la cantidad (1.5)
(y no a la (1.4)).
Recurdese que 6 era la dispersin estndar de cada medicin, y que era independiente de N. Evidentemente, depende de N, y siempre es menor que a . Fsicamente,
da el orden de magnitud con el cual podemos esperar que el promedio ha de fluctuar
alrededor del "verdadero valor" de la magnitud en cuestin, en caso de que se hicieran
ms series de mediciones. El significado ms preciso del error estndar del promedio lo
daremos en 1.c.
A este respecto nos falta aclarar un punto importante. Segn la expresin (1.5)
fsica, se desprende
que
^ = 6^
y s u interpretacin
rP
p
q cuanto ms mediciones hagamos
g
(mayor sea N), tanto ms se acercar el promedio al verdadero valor (pues tanto menor
ser su fluctuacin ). Pero esto requiere necesariamente una comprobacin experimental. Efectivamente, si por algn medio conocemos a priori el valor exacto de una magnitud dada, se comprueba experimentalmente que el promedio X tiende a confundirse con
el valor exacto de la magnitud, si N tiende a infinito. Esto da ahora "carta de ciudadana"
al uso del promedio como ente representativo del valor ms probable de una magnitud.
En resumen, a medida que aumenta el nmero de mediciones N en una serie, el rango
de fluctuacin que se espera para el promedio, dado por , ser cada vez ms restringido,
y por lo tanto el valor del promedio X tender cada vez ms a confundirse con el "verdadero valor". sa es la razn por la cual el valor de una magnitud se conoce tanto mejor
cuanto ms mediciones se realizan.
En cambio, un aumento de N (esto se llama "un aumento de la estadstica") no afecta
en nada a la fluctuacin 6 de cada dato. Esta fluctuacin est definida exclusivamente
por el proceso de medicin en s. , en cambio, est definido por el proceso de medicin

2. Como en rigor la varianza se define como v =

exactamente,

_ . ^ E? /N O/ 1) .

E E /(N

1) el error estndar del promedio ser, ms

,

Captulo 1. El proceso de medicin /

23

y la estadstica (N). En particular, a puede ser muy grande (grandes fluctuaciones de los
datos individuales); no obstante, el promedio puede estar muy bien definido, con tal de
que sea pequeo (o sea N grande). Un individuo "tremendamente borracho" (gran o )
puede hacer una medicin muy precisa, con tal de medir un nmero suficientemente
grande de veces (pequeo ).
El resultado numrico de una serie de mediciones se indica en la forma X , o sea,
por ejemplo, (3,794 0,039) Para indicar la unidad, se escribe: (3,794 0,039) m. La
cantidad /X. se llama error relativo del promedio, 101n /Y se llama error porcentual
del promedio.
Aparece aqu la cuestin del nmero de cifras significativas en el promedio y en .
Las del promedio estarn dadas evidentemente por el error estndar . Si en el ejemplo
anterior 0,039 son todas cifras significativas del error estndar, no tendra sentido expresar el promedio con ms de tres cifras decimales.
Pero, cmo determinamos las cifras significativas del error estndar? Para ello habr que determinar el "error del error", o sea, el orden de fluctuacin que esperamos para
la expresin de c . Para ello hay una frmula. No la vamos a dar; nos limitaremos a dar la
receta prctica, de la que se suelen tomar dos guarismos para el error del promedio.
Sea ahora una magnitud f, funcin de otras x, y, z,... las cuales estn medidas con
errores 6x, ay, 6Z, ... Se puede demostrar que, en primera aproximacin, la dispersin estndar 6 de la magnitud f es, en funcin de las dispersiones 6x, ay, 6Z,...:

/i'
6= l

( of

af
(- a

^ 6x

(1.6)

y su error del promedio:

6

(1.6a)

VNx Ny Nz ....

donde Nx , Ny , NZ ... son los nmeros de mediciones de x, y,..., respectivamente. Una

forma ms cmoda, pero menos aproximada para a es:
=

of
6
ax x

of

5-y aY

(suma de valores absolutos).

Apliquemos esta relacin para una funcin potencial del tipo

= IGllx a-t y S Z Y

f=x a Y fi z y

+I0Ix y fl-1 hy

+IYI Xa yY 1

-^ -

24 / Mecnica elemental

Dividiendo por , f obtenemos la dispersin relativa r) = 6/ f , que aparece ligada a las

dispersiones relativas de las variables independientes en la forma sencilla, lineal:

n = I aI res + Ifiln,, + frI nZ +

Finalmente consideremos el caso de tener que hacer el promedio de varios valores,
cada uno de error estndar diferente. En ese caso, evidentemente no le atribuye la misma
importancia a un dato que tenga un error del 50% que a uno que slo tenga un error del
1%. Para calcular el valor ms probable se procede mediante el mtodo de los "promedios pesados". Se asigna un peso estadstico (un nmero positivo) a cada dato, que en alguna forma mida el "grado de confianza" que le tenemos. Si cada dato tiene entonces su
peso estadstico pi, el promedio pesado es:
_
X

p^ xl

+ p2x2 +

+ pNxN

P1 + P2 +

PN

> PX
I pi

Para obtener los valores de pi no podemos dar una regla general. Depende del problema particular. Si, por ejemplo, disponemos de los errores de cada x i, podemos tomar
como pi nmeros proporcionales a la inversa del error de cada dato (o una potencia de la
inversa).

c) Distribucin de Gauss
Consideremos de nuevo la serie de resultados de medicin: xl, ..., xi, ..., x,,. Estos mimeros estn distribuidos alrededor del promedio X . Observaremos que hay valores que
estn cerca del promedio; otros, menores en nmero, estarn lejos. Cuando nos proponemos hacer una medicin ms, la (N+1)-sima, no podemos saber de antemano el resultado
que va a salir, tal como que en ningn caso podemos predecir de antemano el resultado de
una medicin. Pero es evidente que s podremos decir que con buena probabilidad estar
cerca del promedio, y con probabilidad menor estar lejos. En otras palabras, no podremos
nunca predecir el valor de una medicin dada, pero s podremos decir algo sobre la probabilidad de que su valor caiga en un determinado intervalo de valores posibles.
Analicemos detenidamente esto. Tomemos un eje, en el cual marcamos los valores
de xi que van apareciendo en nuestra serie de mediciones:

xi

El aspecto suele ser el de la figura. Los valores se "aglomeran" cerca del promedio, y
se hacen ms ralos a medida que nos vamos alejando de l.

Captulo 1. El proceso de medicin 1 25

Si dividimos el eje x en pequeos intervalos iguales Ax , podemos contar el nmero

de observaciones dn que caen en cada intervalo y representarlo grficamente. Esto es lo
que se llama un histograma (cuando a todo un intervalo le corresponde un valor, y no a
un solo punto, como sucede en una funcin). Cuanto ms grande sea la estadstica, o sea
N, ms pequeos podemos hacer los intervalos d x sin por ello perder la chance de tener
un nmero suficientemente grande dn de datos en cada intervalo.
A

An

^
^

^
-

>

dx

\
x x+dx

Lo notable de todo esto es que la experiencia muestra que, para todos los casos de
errores casuales, el histograma que se obtiene puede ser aproximado por una funcin continua bien definida y nica, cuya forma es siempre la misma, dependiendo slo de dos
parmetros que podrn variar de caso en caso.
Sea An el nmero de valores numricos de nuestra serie de mediciones, que caen en
un determinado intervalo, entre x y x + dx . Se comprueba experimentalmente que ese
nmero depende del valor de x y de la longitud del intervalo Ax en la forma aproximada:

An =

26 2 Ax

(1.7)

6 2Tt
La aproximacin es tanto mejor cuanto mayor sea N y cuanto ms pequeo sea dx .
La relacin se transforma en igualdad para diferenciales dn y dx.
Como se ve, aparecen dos parmetros: a y X (N no es estrictamente un parmetro,
pues no modifica la forma de la curva; es un factor de escala). Se puede demostrar que o
representa lo que precisamente habamos llamado desviacin estndar de cada medicin
(1.3) y X es el valor medio (1.2).
La expresin:
.

An dn

l lm
= =
Ox-40 AX
dx 6

N
271.

( x)2
e

2a2

26 /

Mecnica elemental

se llama "densidad de observaciones". Ntese nuevamente bien la relacin entre dn, dx y

x y x+dx. O
sea, la variable x que figura en el exponente ubica el intervalo dx en el cual se cuentan dn
observaciones. La representacin grfica de la densidad de observaciones se llama curva
de distribucin o curva de Gauss. Tiene la forma de la figura:

x: dn es el nmero de observaciones cuyos valores estn comprendidos entre

X-- ^ - X

X+^

Presenta un mximo en x = X . Es simtrica respecto de ese valor medio, tiene forma

de campana, y sus puntos de inflexin estn en X o . Tiende a cero a medida que nos
alejamos de X .
La supeerficie total subtendida por la curva de Gauss, es:
N

ri -x)
e

26''

dx =

2^z

fe
27r

(Ti }2
x

2 ,2

dx N 27r = N
6 Al 27r

(nmero total de observaciones)

Esta es precisamente la razn por la cual se coloca el factor 27 en el denominador.
La integral:
X

x)
dN
n_ e 26' dx = j

o-1/27r x,

x,

x,

= idN =AN

(1.9)

Captulo 1. El proceso de medicin 1 27

es el nmero de observaciones, cuyo valor est comprendido entre x, y x2. La integral no

se puede resolver en forma cerrada; su valor debe buscarse en tablas. 3 Si ahora dividimos
el nmero AN por N, nmero total de datos, o sea:
1
N

x2

X -x

e 2a2 dx

(1.10)

6 2^ xl

obtenemos lo que se llama la probabilidad de que una observacin dada est comprendida en ese intervalo. Efectivamente, la probabilidad es por definicin el cociente entre el
nmero de casos "favorables" (o sea, en este caso, los que estn en ese intervalo x, x 2) y
el nmero de casos totales (1V). El nmero 100 AN/N representa la probabilidad expresada en porciento. La probabilidad de encontrar un dato entre oo y + o. es 1 (o sea
100%), certeza. La probabilidad de encontrar un dato fuera del intervalo x, x, ser
1 AN/N.
En resumen, de esto deducimos que, si bien es imposible predecir el valor exacto que
saldr de una medicin dada, s podemos decir algo sobre la probabilidad de que ese valor est comprendido en un intervalo dado. La prediccin de estas probabilidades es la
utilidad fundamental de la funcin de Gauss.
Consideremos unos ejemplos. Ante todo, veamos las probabilidades para algunos intervalos "prototipo".
La probabilidad de que el valor de una medicin dada caiga entre X 6 y X + 6
es, segn la (1.10), del 68%; entre X 2a y X + 2a es del 95,4%, y entre X 46 y
X + 46 es del 99,99994%. Esto significa que la probabilidad de que una observacin
caiga fuera del intervalo X 4a es de slo 6.10-5% ! El valor de ,u que determina el intervalo x ,u dentro del cual cae el 50% de las observaciones se denomina error ms
probable. De la (1.10) resulta ,u = 0,6456 6 _ 2/3a .
Un ejemplo para fijar ideas sobre la utilidad prctica de la distribucin de Gauss es el
siguiente: supongamos que una fbrica de automviles compra pistones a un subsidiario.
La fbrica necesita que el dimetro de los pistones est exactamente comprendido dentro
del intervalo (110,00 0,02) mm (0,02 sera el lmite de tolerancia admitida). Con una
primera remesa de 100 ejemplares se comprueba, midiendo los dimetros, que el subsidiario provee pistones fabricados con error estndar en el dimetro de 0,04 mm (o sea que
los dimetros fluctan gaussianamente con una dispersin a = 0,04 mm). Cuntos pistones debe encargar la fbrica para poder seleccionar 1.000 ejemplares que cumplan con
los requisitos de tolerancia? La probabilidad de que un pistn fabricado por el subsidiario

t
_t2
J
e
2
3. En las tablas no figura
la
integral
como
en
la
(1.9),
sino
en
la
forma
g
^

dt 27t . Por ello es nece-

-00

sacio hacer previamente el cambio de variable

valores tabulados para los lmites en cuestin.

t = (5C 46 y calcular la (1.9) como diferencia entre

Mecnica elemental

28 /

tenga su dimetro en el intervalo requerido ( X a/2) es, segn tablas, del 40%. 0 sea,
por 1.000 pistones "buenos" vienen 1.500 "malos". Para seleccionar 1.000 pistones, la
fbrica debe encargar entonces 2.500.
Otra consecuencia, muy importante en la prctica, es la siguiente. Al realizar una serie de mediciones de una magnitud dada, es posible que en algunos casos aislados se cometa un error no casual (o sea, no-gaussiano), originado por un factor extrao (error de
clculo, mal funcionamiento del aparato de medicin, equivocacin personal, etc.). La
distribucin de Gauss nos permite utilizar un criterio fsico para rechazar un dato sospechoso. Supongamos haber hecho 100 mediciones de una magnitud, con un valor medio X
y una dispersin estndar 6 de cada dato. Supongamos que entre los 100 datos haya tres
que difieran del valor medio en ms de 3 a , por ejemplo. De acuerdo con la funcin de
Gauss, la probabilidad de que un dato caiga fuera del intervalo X 36 es:
X+3a

1
6

2?L

(-x) 2

262 dx =

0,0028 ( 0,28%)

X -36

O sea que slo entre 1.000 datos podra esperarse que haya 3 fuera de ese intervalo.
El hecho de que los tres aparezcan entre un nmero 10 veces menor de datos es un indicio
de que esas tres mediciones particulares padecen de un defecto "extra-gaussiano": deben
rechazarse. De esta manera podemos fijar para cada serie de mediciones un "lmite de
confidencia". Cualquier dato cuyo valor caiga fuera del intervalo dado por el lmite de
confidencia debe ser rechazado. Por supuesto que para determinar el lmite de confidencia no puede darse un criterio unvoco; ese lmite depender adems del nmero total de
mediciones N. Una receta razonable es la de fijar el lmite de confidencia ic en forma tal
de que la probabilidad "gaussiana" para un dato de caer fuera de X K sea mucho menor que 1/N (probabilidad para un dato). O sea:
X +K

c7-127r X -K

(i

x)2

2a2

dx

1
N

(por ejemplo, = 1/10/V)

Obsrvese finalmente que, para la prediccin de probabilidades a partir de una serie

dada de mediciones, no es necesario que el suceso que queramos predecir haya ocurrido
realmente en la serie en cuestin. Por ejemplo, en el caso de los pistones, es posible predecir la probabilidad de que aparezca un pistn de, digamos, ms de 100,07 mm de dimetro, aunque en la remesa de prueba de 100 ejemplares no hubiese habido ninguno de
esas caractersticas.
Cuando tenemos varias (M) series de N mediciones, con sus promedios parciales,
,

se comprueba experimentalmente que estos M promedios tambin se distribuyen

"gaussianamente" alrededor del promedio total X . O sea, su distribucin es a su vez una

curva de Gauss en la que la dispersin cuadrtica del promedio
(1.5) es el parmetro
que fija sus puntos de inflexin. La interpretacin de como uno de los parmetros de

Captulo 1. El proceso de medicin 1

29

esa curva de Gauss nos dice que el 68% de los promedios parciales estarn entre

X -- y X + .
El significado de la relacin (1.5) resalta ahora con toda claridad: cuando hacemos
una sola serie de N mediciones, obteniendo un promedio X , sabemos a priori que ese
promedio, y todos los promedios de otras series de N mediciones, pertenecern a una distribucin de Gauss alrededor del "verdadero valor". Sin necesidad de determinar esta distribucin experimentalmente, podemos predecir que su dispersin cuadrtica ser del orden de c /TV . Por cierto que no podemos predecir el "verdadero valor" de la magnitud
medida. Pero podemos interpretar el error estndar del promedio como aquel valor que
determina el intervalo alrededor del promedio, X , dentro del cual el "verdadero valor" de la magnitud estar comprendido con una probabilidad del 68%. Obsrvese que la
probabilidad de que el verdadero valor est fuera de ese intervalo es apreciable: 32%. Pero ya hemos visto que esa probabilidad cae rpidamente al aumentar el intervalo. Para un
intervalo X .4- la probabilidad de que el "verdadero valor" est fuera del mismo es de
slo 6.1V%!
La cantidad 0,6456
2/3 representar, de acuerdo con lo visto ms arriba, el
error ms probable del promedio. Nos fija el intervalo X 2/n dentro del cual el verdadero valor estar con una probabilidad del 50%.
Cuando en algn momento hay que hacer intervenir en
un grfico el resultado de una medicin, se representa
con un punto su valor medio, y se indica con un
7Y-1segmento el intervalo que va de X -hasta X +
X
Esto permite visualizar grficamente la influencia de la
X
fluctuacin: con un 68% de probabilidad, el verdadero
estar dentro del segmento, y con un 32%, fuera de l;
con un 4,6%, distar ms de dos veces el segmento; con
un 0,3%, distar ms de tres veces, etc. Esto ayuda
considerablemente cuando hay que ajustar curvas de forma predeterminada por puntos
experimentales representados con su error en la forma indicada.

Aqu aparece otra cuestin muy importante en fsica experimental. Supongamos que
hemos medido dos magnitudes de la misma clase. Cundo podemos afirmar que son
iguales? Evidentemente nunca van a ser iguales los valores medios correspondientes X y
ii , aunque realmente fueran iguales las magnitudes. Sean c y ' los errores de esos
promedios. Segn lo dicho arriba, es evidente que si IX . X'1>>1 +

es muy poco

probable que los verdaderos valores de x y x' sean iguales (pues sera una tremenda casualidad que en ambas series los valores medios hayan cado lejos del verdadero valor).

En cambio si X X' < ^^ + hay buena chance de que los verdaderos valores de ambas
magnitudes sean realmente iguales. Esta probabilidad se puede calcular exactamente, en

30 / Mecnica elemental

funcin de X X' , c y ' . No lo haremos aqu; simplemente diremos que un criterio

razonable es ver si ambos promedios coinciden dentro del intervalo dado por sus errores.
No en todos los procesos de medicin los datos se distribuyen de acuerdo con una
curva de Gauss. Muchas veces, errores sistemticos u otras condiciones fsicas "distorsionan" la distribucin de Gauss, sea haciendo aparecer muchos ms datos de un
lado del promedio que del otro (distribucin asimtrica), o introduciendo "cortes" en
sus extremos. La forma cualitativa ms simple para verificar si una distribucin dada
de datos es gaussiana es comparar el histograma obtenido con la curva de Gauss terica correspondiente.
Para ello, veamos brevemente cmo se procede para trazar una curva de Gauss por el
histograma de una serie de datos experimentales. Ante todo, es conveniente elegir bien el
intervalo Ax . Debe ser pequeo, pero no demasiado, pues si no caern muy pocos datos
en cada uno. Ello requiere un poco de experiencia y tanteo. Una vez elegido Ax , se representa el histograma. De los valores calculados X y a , y del valor de N y Ax (en las
unidades del dibujo) se calcula numricamente (1.7):
(

An = N e
6 A 2,7L

x) 2

2a' Ax (x es la coordenada de cada intervalo Ox )

y se lo representa grficamente. Si la distribucin es gaussiana, la curva pasar ms o

menos bien por el histograma. Cuanto mayor sea N, tanto mejor ser el acuerdo.
Todo esto vale slo si todos los intervalos Ax son iguales entre s. Si no lo son (cosa
que suele hacerse cuando hay poca estadstica), es necesario representar el histograma de
los valores de An/Ax , o sea de la densidad de datos. En otras palabras, sobre cada intervalo Ax (ahora desiguales entre s) se representa el valor de An dividido por Ax . Luego
se traza la curva dada por (1.8):
An

e 2a2
lX

x) 2

Ax 6 2Tr

que se puede comparar con el histograma.

Resumamos finalmente los pasos que deben darse para medir una magnitud dada:
1. Mdase N veces la magnitud, obteniendo los valores x1 ...xi ...xN expresados en sus
cifras significativas (determinadas por el instrumento de medicin).
2.

Calclese el promedio aritmtico.

3.

Calclese el error estndar de cada dato: a =

gamos <20) dividir por N 1).

^ (X. xi ^ iv (para N pequeo (di-

Captulo 1. El proceso de medicin 1 31

4.

Fjese un lmite de confidencia K (de tal manera que la probabilidad gaussiana de

tener un dato fuera del intervalo X K sea mucho menor que 1/N ).

5.

Rechcese todos los datos que estuvieren fuera del intervalo y con los que quedan,
calclense los valores de X y 6 corregidos.

6.

Calclese el error estndar del promedio

7.

Escrbase el resultado en la forma X

a)
b)

= 6N

interpretndolo correctamente en la forma:

el valor ms probable de la magnitud medida es X ,

la probabilidad de que el verdadero valor est en el intervalo X es
del 68% (o sea, estar afuera con un 32% de probabilidad).

A veces ser necesario un paso adicional intermedio:

3'. Comprese el histograma de distribucin de datos con la curva de Gauss correspondiente, para determinar si la distribucin es gaussiana (si los errores son casuales).
Para terminar, hagamos una observacin importante. En muchos casos de mediciones, es la cantidad misma que se mide la que sufre fluctuaciones intrnsecas. En este caso
no podemos llamar a a y "errores". Son desviaciones o fluctuaciones "genuinas". Por
ejemplo, si quisiramos medir la longitud de un objeto, con una precisin de 10' cm, nos
encontraramos con que la magnitud en cuestin flucta intrnsecamente. Ello se debe a
que con esta precisin ya entramos dentro del dominio de los movimientos trmicos de
las molculas, que es un movimiento "al azar". O si se considera las estaturas de un grupo
de personas (por ejemplo, de los alumnos de un curso), tenemos una magnitud, cuyo valor est determinado con arbitraria precisin, pero que flucta de caso en caso. El valor
6 de una distribucin de estaturas de un grupo de personas nuevamente no representa un "error", sino una dispersin o fluctuacin genuina. La distribucin correspondiente
es gaussiana, dentro de ciertos lmites.
En este ltimo caso, es muy importante notar que el promedio no representa "el valor
de algo", sino que es un parmetro que depende de la edad y de la raza del grupo de personas. 6 representa el orden de magnitud con que las estaturas fluctan alrededor del
valor medio y tambin ser caracterstica de la edad y raza del grupo. La curva de Gauss
correspondiente servir para predecir las probabilidades para que una persona elegida al
azar tenga su estatura comprendida en un intervalo dado. En este caso, no tendra ningn significado fsico.
En el otro caso, en el que la dispersin de datos se debe exclusivamente a errores de
medicin, el promedio representa el valor ms probable de algo real y nico, que es el
"verdadero valor" de la magnitud que estamos midiendo. da informacin sobre el grado de conocimiento de esa magnitud.

32 / Mecnica elemental

d) Relaciones entre magnitudes fsicas:

cuadrados mnimos y regresin lineal
Con saber medir una magnitud fsica dada y valorar el resultado de la medicin desde el punto de vista de su significado estadstico, no est terminado el asunto. Esto slo es
el primer paso. La "fsica en serio" comienza cuando se estudia la interdependencia causal
entre dos o ms magnitudes fsicas entre s. En otras palabras, para establecer leyes fsicas
con las cuales se pueda predecir la evolucin de un sistema dado es necesario previamente
descubrir experimentalmente el tipo de relacin que hay entre los valores numricos de
las magnitudes intervinientes y representar esta dependencia matemticamente.
Como en la prctica estos valores numricos estn todos afectados de errores de medicin o fluctuaciones intrnsecas, es necesario aplicar un algoritmo que permita determinar algo as como "la relacin ms probable" entre dos magnitudes fsicas, vinculadas
causalmente por un mecanismo fsico.
Comencemos por el caso ms simple: supongamos que dos magnitudes x e y estn
vinculadas linealmente (por ejemplo, la longitud de un resorte y la fuerza aplicada, la presin en un punto de un lquido y la distancia a la superficie):

y =ax+b
Sea el problema determinar los coeficientes a y b experimentalmente, a partir de la
medicin de x e y. Si no hubiera error en las mediciones de x e y, bastara hacer dos pares
de mediciones xl, yi y x2, y2, y resolver el sistema:
y i =ax + b
y 2 = ax2 +b
,

Desgraciadamente, ello nunca ocurre en la prctica. Debemos partir de una serie de

pares de valores correspondientes (x1y1 , x2y2,...., x n y,, ) los cuales, debido a sus errores,
nunca satisfacen exactamente una nica relacin y = ax + b . En otras palabras, las diferencias yi ax i b = Ei nunca sern cero; los valores de Ei sern positivos y negativos.

Procedamos como en el caso de una sola variable. La suma de los cuadrados E e 2 nos
dar una cierta idea de las fluctuaciones (ahora combinadas) de xi, yi. Evidentemente, esa
suma depende de los coeficientes a y b en la forma:

=E

- ax; 02 =
=a 2 Ex? + b2N - 2aE x, y; 2bEy; 2abEx; + E

Esto es una funcin cuadrtica de a y b que pasa por un mnimo para un dado par de
valores a y b. Podemos aplicar el criterio conocido de elegir como valores ms probables
de a y b aquellos que hacen mnima a E s 2. O sea, a y b sern soluciones del sistema
(condicin de extremo):

Captulo 1. El proceso de medicin 1 33

a Ei2 =o
as

a EE? =o
ab

Por lo tanto:
x i y r +2b^ x = 0

2a1 x,2

2Nb--2Ey i +2a

j =0

cuyas soluciones son:

a=

N^x^y l

- E x , , _ xy- X y

N^
x2-^^
^ x t^^
yl
E x2 y,

X,

- y,x, yx,y,

l2

N ^xiz -(
^x, I

x ' f - x xY
- X2 --Y2

Para llegar a las segundas igualdades hemos tenido en cuenta la definicin de los
promedios X = xt N , = y N , X 2= x N y XY = xi y i N . Cada uno
de estos valores a, b tiene a su vez un error. Para ello hay expresiones algo complicadas que pueden consultarse en los libros.
Veamos algo sobre la interpretacin grfica del mtodo de cuadrados mnimos.
Representemos en el plano (x, y) los pares de valores medidos x, y 1 , x, y, ,...., x, l y 1z . Si
stos obedecen a una relacin lineal, y si carecen de errores, los puntos x i , y, caern
exactamente sobre una recta de pendiente a y de ordenada origen b. Pero, debido a las
fluctuaciones casuales en las mediciones de x e y, los puntos formarn una "nube" que
se condensar tanto ms en las vecindades de una recta cuanto menores sean las fluctuaciones (ver figura) :

O
CP
O 00 O

o Op

00
O

O 00

OO

mucha fluctuacin

0C

poca fluctuacin

34 / Mecnica elemental
Los coeficientes a y b determinados por el mtodo de los cuadrados mnimos son los
parmetros de una recta para la cual y e ? es mnimo. Pero obsrvese en el plano (x, y)
que

Ei =

yi ax i b es precisamente la distancia vertical del punto experimental i a la

recta y = ax + b. La recta por cuadrados mnimos es entonces aquella para la cual la suma
de las distancias verticales (en realidad sus
y
cuadrados) es mnima. Obsrvese adems que pasa
por el punto X, Y definido por los promedios de los
xb
^^
experimentales(basta verificar
que
ue el par
ar
valores exp
_
X , Y satisface la ecuacin de la recta, teniendo en
cuenta las (1.11)). Todo esto permite, con un poco
de experiencia, trazar "a ojo" la recta por cuadrados
mnimos y determinar grficamente los coeficientes
de la relacin lineal. Muchas veces esto es suficiente
en la prctica.
x
x
Obsrvese finalmente que el mtodo de cuadrados
mnimos puede aplicarse a relaciones no lineales, como, por ejemplo:

y = bx a y = be"'

_
y

b+x

Bastar para ello transformar cada una en una relacin lineal. En el caso de estos
ejemplos, ello se consigue tomando logaritmos de la siguiente manera:

lny =lnb+alnx

lny = lnb +ax

1 b x
= +
y a a

Ahora se pueden tratar los pares de valores ln y, ln x; in y, x; 1/y, x, respectivamente, como datos en una relacin lineal, a los que se pueden aplicar directamente
las frmulas (1.11).
Para la derivacin de la recta por cuadrados mnimos hemos escrito la relacin entre
las variables experimentales en la forma y = ax + b , y hemos elegido las distancias verticales E. para la condicin de mnimo. Pero nada nos impide contemplar la relacin inversa x = x(y) y repetir los pasos anteriores uno por uno. Tendramos, en principio:

x _a^y + b^

donde a *= 1
a

y b ^ =_b
a

(1.12)

Ahora sern las diferencias ni = x i a* y i b* cuya suma de cuadrados habr que minimizar (ntese que las ni son las distancias horizontales en la figura). Obtenemos el par
de relaciones


Captulo 1. El proceso de medicin 1 35

a*= N^

xiyi-

N^y 2 (^yi
b*=

E xi E yi XY
)2

XY

^-2
YZ Y

(1.13)

yy?Ixiyy i lixiyi Y2XYXY

2
^
N^
yG ^ yi )

Y '-

formalmente idntico al de (1.11), en el cual simplemente se han intercambiado las x con

las y, as como X con Y . Lo sorprendente es que en general la recta de cuadrados mnimos as obtenida no coincide con la anterior! Si bien tambin pasa por el punto de los
promedios X , Y , su pendiente ser diferente. En otras palabras, los coeficientes a* y b*
calculados segn las (1.13) no satisfacen las relaciones (1.12). Qu est pasando?
franja k

Es fcil ver que las dos rec(para regresin y(x))

tas de cuadrados mnimos no
A
tienen por qu coincidir. Para
o o
O o
o
ello consideremos el caso ex- .. o o e O 0
v
franja
l
(
oa
oo
e
tremo de una serie de datos coi para regresin x(y))
a
e
:
o
0o
Cv))
AY1
o
a dos magnituo. o o 0
o
o
o
0 0
o o
o o
des fsicas x, y que no estn coo
oo
o
o
o 0
o o
o
o
o
rrelacionadas en absoluto, o
O O0
o
o LE.
que estn sujetas a errores de
o o 0 o
0;
0
i
1
O
O 0
O
o
medicin o fluctuaciones intrno
o
a
o
secas muy grandes. En ese
o
O
"1 1
o
o ,o 0
o
o
caso, graficando los pares de
o
o
o
valores obtenidos xi, y i, se
o
obtendra una nube de puntos
como en la figura. Es fcil comx
Axk xl X
probar "a ojo" que para una
recta horizontal que pasa por el
punto de valores medios X, Y se minimiza la suma de cuadrados de distancias verticales
:

'

y que una recta vertical por X , Y minimiza la suma cuadrtica de distancias horizontales Ti, . En este caso, evidentemente, a = O y a* = O, y las (1.12) no se cumplen. Por
otro lado, en el otro extremo de una correlacin perfecta sin errores de medicin, la nube
de puntos estar perfectamente alineada (ver figura derecha, pgina 33), y las dos rectas
coincidirn, satisfacindose las relaciones (1.12). Para un caso normal intermedio, es un
buen ejercicio tratar de determinar las dos rectas, llamadas rectas de regresin, a ojo. Para ello se divide el plano x, y en franjas verticales y para cada una (p. ej., franja k en la
figura), se estima el valor medio yk de los valores de y de los puntos que caen dentro de
ella, marcndolo con un punto distintivo (ver figura). Con este procedimiento se reduce el
nmero total de puntos a unos pocos, a travs de los cuales se puede trazar a ojo una recta,
que adems debe pasar por el punto de promedios totales X, Y . sta ser la recta de regresin de "y sobre x" (recta horizontal en el ejemplo de la figura). Luego se divide el
plano en franjas horizontales y, para cada una de ellas (por ejemplo la franja 1), se marca
E,

36 I Mecnica elemental

el promedio xl de los valores de x de los puntos que contiene. La recta que pasa por esos
promedios ser la recta de regresin de "x sobre y" (recta vertical en la figura) . Cuanto
mejor sea la correlacin entre x e y, menor ser el ngulo entre las dos rectas de regresin; para una correlacin perfecta el ngulo tender a cero. Para variables no correlacionadas, es de 90 (caso de la figura).
Todo esto se puede precisar matemticamente. Teniendo en cuenta las (1.11) y (1.13)
es fcil verificar las siguientes igualdades:

(1.14)

donde
2

6 = Vx =

^2

^ x^

= X 2 X 2x

z _ _ ^ yi

E yi

^
2
_^ ^ _Y

son las dispersiones cuadrticas medias de x e y, respectivamente, y el parmetro r es el

coeficiente de correlacin:

r = aa*=
AINEx? (Ex,) 2 VIVE Y

XY - X Y
y

AI \X ZX 2 1

XYXY
x

6 y,

(1.15)
El coeficiente de correlacin r vara entre O y 1. En una correlacin perfecta,
a =1/a* , y r = 1; en ausencia de correlacin r. O. En la prctica una correlacin "buena" est en general dada por r > 0,9. Si r < 0,3 se considera que las dos magnitudes x e y
no estn correlacionadas. La teora estadstica de mediciones da algoritmos ms precisos
para determinar la "bondad" de una correlacin.
Nos debemos preguntar ahora: dado que hay dos rectas de regresin, cul de las dos
vale para describir cuantitativamente la relacin entre las dos variables x, y? En general,
ello depender de cul de las dos elegimos como variable independiente. Pero hay casos
en que la eleccin no es arbitraria. El ms comn es aquel en que una de las variables, por
ejemplo la x, tiene errores de medicin relativos muy pequeos comparados con los de y.
En ese caso, los distintos valores obtenidos en la medicin de x que caen dentro de cada
franja horizontal, como la 1 en la figura, se deben a variaciones genuinas de la magnitud
que se est midiendo, no a fluctuaciones causadas por errores de medicin. En cambio,
los distintos valores de y dentro de las franjas verticales como la k se debern a errores de
medicin. En este caso, le podemos "echar la culpa" de que los puntos no caigan sobre

Captulo 1. El proceso de medicin 1 37

una recta a la variable y exclusivamente, y la regresin a adoptar deber ser la descripta

por y = y(x) (o sea, los coeficientes a y b dados por las (1.11)).
Observemos, para terminar, que la cantidad
C=XY

XY=

y (x; -X ^^y

que aparece en las relaciones (1.11), (1.13) y (1.15) se llama covarianza; juega un papel
importante en el tratamiento estadstico de datos experimentales. Puede variar entre C = O
(ausencia de correlacin) y C = a'x 6 y (correlacin perfecta).