CAPITULO 3

ESTADSTICA DE LA OBSERVACIN
Como primer punto nos habla de la incertidumbre estadstica que se basa en estimaciones
hechas o descritas por el observador que deben de ser llevadas de forma coherente y
tambin saber formular preguntas y contestar de una forma no segura, sino razonable, se
interpretan los intervalos de escala en forma de probabilidad y ya no de incertidumbre para
tener una respuesta concisa y coherente. Nos comenta del que pasara si se realiza una
medicin por 2 veces y no son casi exactas, lo conveniente es realizar muchas mediciones
para no caer en el error de preguntarnos si est mal, por lo consiguiente aqu es donde entra
la probabilidad, cuantificar y realizar un promedio. Por tanto nace el histograma y las
distribuciones que a su vez nos hace dudar de que si los datos obtenidos son los correctos, y
si no fuera as? Por tanto se recomienda hacer un histograma, el cual divide la escala de datos
sobre la cual se extienden las mediciones en intervalos y se determinan los resultados que
corresponde cada intervalo, se recomienda un diagrama de barras. Esto se realiza para estar
ms seguros de que los datos obtenidos fueron los apropiados para dichas mediciones, de
esta forma el lector sacara sus propias conclusiones. Los valores centrales de las
distribuciones surgen con la finalidad de que el sujeto rompa el esquema de que solo no est
bien del todo sino corroborar de forma ms precisa si lo que hizo realmente es correcto. Una
forma de llevarlo a cabo es la MODA: Se toma el valor de distribucin ms alto, en caso de
que existan dos de les denomina bimodal. Tambin se puede determinar la MEDIANA: Colocar
nuestros datos de forma ordenada y lo dividimos a la mitad, la lnea divisora ser la medina.
Por otra parte la MEDIA: Es conocido como promedio o media aritmtica. Dicho lo anterior es
que la media, mediana y la moda no se comportan del todo igual, en algunas ocasiones
depende su coincidencia de los datos con que se est trabajando. La amplitud de las
distribuciones recomienda confiar ms 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 otro lado 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. De aqu se determina la desviacin estndar que de cierta forma es arbitraria
porque al definir una medida de la amplitud de la distribucin, se pueden escoger potencias
de la cantidad empleando otros denominadores. En este apartado nos dice que hemos
alcanzado a comprender que si queremos establecer resultados numricos a partir de
mediciones, los cuales ya los mencionamos.
La importancia de la media y de la desviacin estndar surge con la finalidad de tener un
intervalo realista dentro del cual podemos estar seguros de que se encuentra nuestro valor
buscado, por tanto una vez ms recalca que no es tanto saber u obtener respuestas
razonables a las preguntas, sino como saber que preguntas inteligentes cabe hacer. Por tanto
lo importante es realizar preguntas no con certeza si no con probabilidad por tanto la
distribucin de gauss seala que para la interpretar muchos tipos de mediciones fsicas, en
parte debido a que las circunstancias mecnicas de muchas mediciones fsicas guardan un
estrecha correspondencia con los fundamentos tericos de la distribucin gaussiana, y en
parte porque la experiencia demuestra que la estadstica gaussiana si proporciona una
descripcin razonable exacta de muchos sucesos reales. La distribucin de gauss y muestreo
se deduce que a partir de la hiptesis que la desviacin total 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, por tanto: La relacin entre la distribucin de gauss y las
observaciones reales proporcionan mtodos tiles y precisos para interpretar las medias y las
desviaciones estndar, pero los problemas surgen cuando las empezamos a aplicar a las
mediciones reales. Puesto que estamos partiendo de la premisa bsica de que la distribucin
del universo es una funcin matemtica definida (ya sea gaussiana o de algn otro tipo,

tambin bien-definida), podemos evaluar matemticamente las propiedades de las muestras

con respecto 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 a los textos tradicionales de
estadstica, en donde encontrar secciones que tratan de la teora del muestreo, por tanto 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.
Efectuemos a continuacin otro conjunto de 100 observaciones y anotaremos 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 nunca llevaremos a cabo un proceso como este 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. Por tanto la desviacin estndar de la muestra corresponde
tambin a una distribucin Gaussiana, cuyo centro constituye la desviacin estndar del
universo.
La aplicacin de la teora de muestreo de las mediciones reales nos ayuda si no tenemos
acceso a las distribuciones reales ya sea para las medidas o para las desviaciones estndar
de las muestras, por tanto: 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 de los 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, es decir; 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 la
expresin 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. Cabe destacar que el efecto del tamao de la
muestra refiere a 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, de todos modos se incrementa, y las muestras ms grandes
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.
La combinacin de distintos tipos de incertidumbre nos dice que para desgracia de la
elegancia matemtica en los clculos, a menudo requerimos definir la incertidumbre en un
resultado que incluye parmetros con diferentes tipos de incertidumbre. A su vez el rechazo
de resultados nos dice que 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 de modo

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 valores divergentes de la parte central de la distribucin.
Ms an, una vez que admitamos la posibilidad de depurar las observaciones, puede
resultar muy difcil saber dnde detenerse. Dependemos, pues, del juicio del experimentador.
Esto no es precisamente irracional, puesto 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. Por tanto es relevante
sealar que muchos de los grandes descubrimientos no solo de fsica, si no de distintas reas
laborales tienen origen en observaciones que difieren de lo esperado y as es como se puede
interpretar la probabilidad, como una forma de cuantificar un problema y a su vez resolverlo.