Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Esquema
1 Introducción
Distinción entre errores e incertidumbres
Estandarizando la expresión de incertidumbres
Cálculo de incertidumbres
2 Incertidumbres aleatorias
Estadística de los (foto)electrones
Propagación de incertidumbres
Incertidumbres en la medida de índices
Incertidumbres en los parámetros físicos
¿Y cuando sólo tenemos los datos?
3 Efectos sistemáticos
Algunas fuentes
Tratamiento
Un ejemplo astronómico
Esquema
1 Introducción
Distinción entre errores e incertidumbres
Estandarizando la expresión de incertidumbres
Cálculo de incertidumbres
2 Incertidumbres aleatorias
Estadística de los (foto)electrones
Propagación de incertidumbres
Incertidumbres en la medida de índices
Incertidumbres en los parámetros físicos
¿Y cuando sólo tenemos los datos?
3 Efectos sistemáticos
Algunas fuentes
Tratamiento
Un ejemplo astronómico
Esquema
1 Introducción
Distinción entre errores e incertidumbres
Estandarizando la expresión de incertidumbres
Cálculo de incertidumbres
2 Incertidumbres aleatorias
Estadística de los (foto)electrones
Propagación de incertidumbres
Incertidumbres en la medida de índices
Incertidumbres en los parámetros físicos
¿Y cuando sólo tenemos los datos?
3 Efectos sistemáticos
Algunas fuentes
Tratamiento
Un ejemplo astronómico
Esquema
1 Introducción
Distinción entre errores e incertidumbres
Estandarizando la expresión de incertidumbres
Cálculo de incertidumbres
2 Incertidumbres aleatorias
Estadística de los (foto)electrones
Propagación de incertidumbres
Incertidumbres en la medida de índices
Incertidumbres en los parámetros físicos
¿Y cuando sólo tenemos los datos?
3 Efectos sistemáticos
Algunas fuentes
Tratamiento
Un ejemplo astronómico
CÁLCULO DE INCERTIDUMBRES
Supongamos que una magnitud A depende de una serie de parámetros (X, Y, . . .)
A = f (X, Y, . . .)
Podemos estudiar la variación en A debida a variaciones en los parámetros haciendo un desar-
rollo en serie de Taylor
»„ « „ « –2
2 ∂f ∂f
(δA) � δX + δY + . . . =
∂X ∂Y
„ « „ « „ «„ «
∂f 2 2 ∂f 2 2 ∂f ∂f
= (δX) + (δY) + . . . + 2 (δX)(δY) + . . .
∂X ∂Y ∂X ∂Y
• Se suele asumir que los parámetros (X, Y, . . .) no están correlacionados ⇒ (δX)(δY) = 0, . . .
• Al suponer (δX, δY, . . .) pequeños ⇒ despreciamos derivadas de orden superior.
• Como los valores reales de (X, Y, . . .) son desconocidos, se asume
A = f (X, Y, . . .)
Sustituyendo las variaciones en los parámetros (δX, δY, . . .) por la incertidumbres (∆X, ∆Y, . . .),
se estima la incertidumbre en la magnitud A como
„ «2 „ «2
∂f (X, Y, . . .) ∂f (X, Y, . . .)
(∆A)2 = (∆X)2 + (∆Y)2 + . . .
∂X ∂Y
Por ejemplo, para un nivel de confianza del 95% (nivel de significación α = 0.05):
t0.025,1 t0.025,2 t0.025,3 t0.025,4 t0.025,5 t0.025,10 t0.025,∞ = z0.025
12.8 4.30 3.18 2.78 2.57 2.23 1.96
Suponiendo que los valores de s/σ0 para diferentes muestras de tamaño n fijo siguen aproximada-
mente una distribución normal, podemos estimar la desviación típica de este cociente utilizando
s s
χ21−α/2,n−1 χ2α/2,n−1
inferior n−1 superior n−1
σs/σ = y σs/σ = , (2)
0 zα/2 0 zα/2
donde distingimos entre el valor inferior y superior por la asimetría presente para valores de n
pequeños. Para valores de n grandes se puede demostrar que los límites no dependen de α,
σs/σ0 � (2n − 2)−1/2 . (3)
Estudio de la variación del cociente s/σ0 con el tamaño de la muestra n. Las líneas continuas son los valores estimados a
partir de la Eq (1) para un nivel de confianza de 95% (α = 0.05; es interesante recordar que z0.025 = 1.96). Las líneas de
trazos y de puntos son la estimación de la desviación típica en cada caso, estimada como 1 ± σs/σ usando las Eqs. (2) y (3),
0
respectivamente. Los símbolos corresponden a 10000 simulaciones de Monte Carlo, para muestras de tamaño n extraídas al
azar de una población normal N(4, 1). Los círculos rojos son los valores promedio de s/σ0 en las simulaciones. Los triángulos
rellenos indican la estimación numérica de ±σs/σ alrededor de los círculos rojos, mientras que los triángulos abiertos indican
0
la región 1 ± σs/σ .
0
n 2 3 4 5 6 7 8 9 10 20
σs/σ 0.707 0.500 0.408 0.354 0.316 0.289 0.267 0.250 0.236 0.162
0
Esquema
1 Introducción
Distinción entre errores e incertidumbres
Estandarizando la expresión de incertidumbres
Cálculo de incertidumbres
2 Incertidumbres aleatorias
Estadística de los (foto)electrones
Propagación de incertidumbres
Incertidumbres en la medida de índices
Incertidumbres en los parámetros físicos
¿Y cuando sólo tenemos los datos?
3 Efectos sistemáticos
Algunas fuentes
Tratamiento
Un ejemplo astronómico
Incertidumbre (σe ) en el número de electrones generados en un pixel por efecto del ruido fotónico,
en función del número de exposiciones N realizadas. Se ha supuesto µγ = 100, con una efica-
cia cuántica q = 0.3. Para el conjunto de N exposiciones se obtiene el número promedio de
electrones/pixel y su desviación típica. Si el número de electrones fuera exactamente
√ igual a la
eficacia cuántica por el número de fotones/pixel recibidos, obtendríamos σe = q Ne = 3 e−
(línea de puntos), lo cual es erróneo. En la simulaciones se ha transformado cada uno de los
fotones en electrones siguiendo un proceso probabilístico dependiente de q. Así, para N = 250
exposiciones, el número promedio de electrones en la simulación (caso particular) es 30.26 (valor
esperado
√ 30.00), mientras que el error medido es σe = 5.68 (el valor poissoniano esperado es
0.3 × 100 � 5.48 —línea de trazos—).
Tema 3: Cálculo de errores (♣) Análisis de datos y Estadística Avanzada Curso
23 2010/2011 23 / 78
P w x
P∞ v
Haciendo w ≡ xγ − xe , v ≡ xe − 1, y sabiendo que ∞w=0 x /w! = e , y que v=0 λ /v! e
−λ = 1,
( ∞ » –) ∞ ff
(q µγ )v −µγ X [µγ (1 − q)]w (q µγ )v −qµγ
X∞ X
µe = µγ q e = µγ q e = µγ q.
v=0
v! w=0
w! v=0
v!
= µγ q (µγ q + 1),
Esquema
1 Introducción
Distinción entre errores e incertidumbres
Estandarizando la expresión de incertidumbres
Cálculo de incertidumbres
2 Incertidumbres aleatorias
Estadística de los (foto)electrones
Propagación de incertidumbres
Incertidumbres en la medida de índices
Incertidumbres en los parámetros físicos
¿Y cuando sólo tenemos los datos?
3 Efectos sistemáticos
Algunas fuentes
Tratamiento
Un ejemplo astronómico
Por las propiedades de la función de densidad, si xmax ∈ (−∞, ∞) entonces ξ ∈ (0, 1).
Con esta definición ξ es la función de distribución.
Si f (x) puede integrarse analíticamente, podemos resolver la integral anterior y despejar
xmax en función de ξ. Para un valor concreto de ξ tendremos entonces el valor de xmax
hasta el cual deberíamos haber extendido la integral de la distribución de probabilidad
para obtener precisamente dicho valor de ξ. Esto significa que si generamos diversos
valores de ξ de forma aleatoria, los distintos valores de xmax (ξ) reproducirán la función de
densidad f (x). En otras palabras, xmax (ξ) es la función X (ξ) que buscábamos.
En el caso de distribuciones de probabilidad discretas (binomial, Poisson,. . . ) el método es
el mismo. Se generan números aleatorios ξ y se determina el valor de la variable aleatoria
cuya función de distribución (o función de probabilidad acumulada) es precisamente ξ.
Veamos un ejemplo. . .
Finalmente, podemos reproducir una secuencia de números siguiendo una distribución de proba-
bilidad gaussiana si proyectamos en una dimensión (sobre el eje x por ejemplo) y aleatoriamente
los valores obtenidos para rmax (z).
La función que utilizaremos para generar ruido gaussiano tiene entonces la forma
√ p
R(σ) = 2 σ − ln(1 − ξ1 ) cos(2πξ2 ),
donde ξ1 y ξ2 son dos números aleatorios ξ1 , ξ2 ∈ [0, 1).
Esquema
1 Introducción
Distinción entre errores e incertidumbres
Estandarizando la expresión de incertidumbres
Cálculo de incertidumbres
2 Incertidumbres aleatorias
Estadística de los (foto)electrones
Propagación de incertidumbres
Incertidumbres en la medida de índices
Incertidumbres en los parámetros físicos
¿Y cuando sólo tenemos los datos?
3 Efectos sistemáticos
Algunas fuentes
Tratamiento
Un ejemplo astronómico
Índices atómicos
Z
Ia � Wλ (Å) = (1 − S(λ)/C(λ)) dλ
line
Índices moleculares
!
Wλ (Å)
I(mag) = −2.5 log10 1−
∆λ
Atomic Indices c1 c2
Ca4227 4222.250–4234.750 4211.000–4219.750 4.604 0.3684
4241.000–4251.000
G4300 4281.375–4316.375 4266.375–4282.625 8.537 0.2439
4318.875–4335.125
Fe4383 4369.125–4420.375 4359.125–4370.375 13.220 0.2580
c1 − c2 Ia
4442.875–4455.375 σ[Ia ] ≈
Ca4455 4452.125–4474.625 4445.875–4454.625 7.038 0.3128 SN(Å)
4477.125–4492.125
Fe4531 4514.250–4559.250 4504.250–4514.250 11.299 0.2511 N
4560.500–4579.250 1 X S(λi )
Fe4668 4634.000–4720.250 4611.500–4630.250 17.757 0.2059
SN(Å) = √
4742.750–4756.500
N Θ i=1 σ(λi )
Hβ 4847.875–4876.625 4827.875–4847.875 7.301 0.2539
4876.625–4891.625 c1 ≡ ∆λc c2
Fe5015 4977.750–5054.000 4946.500–4977.750 16.455 0.2158
5054.000–5065.250 v !2 !2
Mgb 5160.125–5192.625 5142.625–5161.375 8.032 0.2472
u
u 1 λr − λc 1 λc − λb 1
5191.375–5206.375 c2 ≡ t + +
Fe5270 5245.650–5285.650 5233.150–5248.150 9.250 0.2313 ∆λc λr − λb ∆λb λr − λb ∆λr
5285.650–5318.150
Fe5335 5312.125–5352.125 5304.625–5315.875 10.741 0.2685
5353.375–5363.375 c1 |z = (1 + z)1/2 c1 |z=0 ,
Fe5406 5387.500–5415.000 5376.250–5387.500 7.256 0.2893
5415.000–5425.000
Fe5709 5696.625–5720.375 5672.875–5696.625 6.362 0.2679 c2 |z = (1 + z)−1/2 c2 |z=0 ,
5722.875–5736.625
Fe5782 5776.625–5796.625 5765.375–5775.375 6.134 0.3067
5797.875–5811.625
NaD 5876.875–5909.375 5860.625–5875.625 8.113 0.2496
5922.125–5948.125 c3
Ca1 8483.000–8513.000 8447.500–8462.500 8.852 0.2951 σ[Im ] ≈
8842.500–8857.500 SN(Å)
Ca2 8527.000–8557.000 8447.500–8462.500 8.330 0.2777
8842.500–8857.500 c3 ≡ 2.5 c2 log10 e
Ca3 8647.000–8677.000 8447.500–8462.500 7.750 0.2583
8842.500–8857.500
Molecular Indices c3
CN1 4142.125–4177.125 4080.125–4117.625 0.2241 v
4244.125–4284.125 u
D4000 u 1 1
CN2 4142.125–4177.125 4083.875–4096.375 0.2691 σ[D4000 ] ≈ √ t +
200 2 2
4244.125–4284.125 SN(Å)b SN(Å)r
Mg1 5069.125–5134.125 4895.125–4957.625 0.1662
5301.125–5366.125
Mg2 5154.125–5196.625 4895.125–4957.625 0.1933
5301.125–5366.125
TiO1 5936.625–5994.125 5816.625–5849.125 0.1824
6038.625–6103.625
TiO2 6189.625–6272.125 6066.625–6141.625 0.1568
6372.625–6415.125
Índices genéricos
Algunas veces los índices clásicos no son adecua-
dos para extraer información en regiones espec-
trales con líneas múltiples. Una solución son los
índices genéricos (ver Cenarro et al. 2001).
� �2
� N(l) �
Nf � �
σ(Ia ) C2 (λl,i ) σ 2 [S(λl,i )] + S2 (λl,i ) σ 2 [C(λl,i )]
Nf
� � � � ξ 2 (l) +
� λc2 (k) Θ C4 (λl,i )
l=1 i=1
Ia (Å) ≡ ξ(k) [1 − S(λ)/C(λ)] dλ N N(l) N N(m)
� �
k=1 λc1 (k) �f �� f �
S(λl,i ) S(λm,j )
+ ξ(l) ξ(m) 2 × cov(C(λl,i ), C(λm,j ))
C (λl,i ) C2 (λm,j )
l=1 i=1 m=1 j=1
1 1
C(λk,i ) = α1 + α2 λk,i α1 = ∆ {Σ3 Σ4 − Σ2 Σ5 } α2 = ∆ {Σ1 Σ5 − Σ2 Σ4 } ∆ = Σ1 Σ3 − Σ2 Σ2
� � � ∂C(λk,i ) �2
Nc M(l) cov(C(λk,i ), C(λm,j )) = �C(λk,i ) C(λm,j )� − �C(λk,i )� �C(λm,j )� =
σ 2 [C(λk,i )] = σ 2 [S(λl,r )]
∂S(λl,r ) = [�α1 α1 � − �α1 ��α1 �] + [�α1 α2 � − �α1 ��α2 �] (λk,i + λm,j ) + [�α2 α2 � − �α2 ��α2 �] λk,i λm,j
l=1 r=1
1
� � �α1 α1 � − �α1 ��α1 � = ∆2
[Σ1 Σ3 Σ3 − Σ2 Σ2 Σ3 ]
∂C(λk,i ) 1 1 λl,r
= Σ3 − 2 Σ2 +
∂S(λl,r ) ∆ σ 2 [S(λl,r )] σ [S(λl,r )] 1
� � �α1 α2 � − �α1 ��α2 � = ∆2
[Σ2 Σ2 Σ2 − Σ1 Σ2 Σ3 ]
λk,i λl,r 1
Σ1 − 2 Σ2
∆ σ 2 [S(λl,r )] σ [S(λl,r )] �α2 α2 � − �α2 ��α2 � = 1
[Σ1 Σ1 Σ3 − Σ1 Σ2 Σ2 ]
∆2
c1 |z − c2 |z Ia |z
σ[Ia ]z � =
SN(Å)
c1 |z=0 − c2 |z=0 Ia |z=0
= (1 + z)1/2
SN(Å)
Discontinuidades genéricas
Más recientemente también se han definido una discontinuidades genéricas (ver
Mármol-Queraltó et al., 2008).
nc Z λ
X 1 c,i 2
Fc,i (λ) dλ
i=1
λc,i2 − λc,i1 λc,i
Dgeneric ≡ 1
na Z λ
X 1 a,i2
Fa,i (λ) dλ
i=1
λa,i2 − λa,i1 λa,i
1
2
Fc2 σF
2
+ Fa2 σF
2
a c
σ [Dgeneric ] =
Fa4
i
nx NX
X pixels
Fx ≡ Θ Fx,i (λk )
i=1 k=1
i
nx NX
X pixels
2 2 2
σFx =Θ σF (λk )
x,i
i=1 k=1
Discontinuidades genéricas
Más recientemente también se han definido una discontinuidades genéricas (ver
Mármol-Queraltó et al., 2008).
c
εr =
SN(Å)
Index c
COmagKH 0.7537
IPuxley 2.0258
IFrogel 0.8123
DFrogel 0.1075
DCO 0.1198
Esquema
1 Introducción
Distinción entre errores e incertidumbres
Estandarizando la expresión de incertidumbres
Cálculo de incertidumbres
2 Incertidumbres aleatorias
Estadística de los (foto)electrones
Propagación de incertidumbres
Incertidumbres en la medida de índices
Incertidumbres en los parámetros físicos
¿Y cuando sólo tenemos los datos?
3 Efectos sistemáticos
Algunas fuentes
Tratamiento
Un ejemplo astronómico
n
2 [π χ2n (α)]n/2 Y
VM = σ(mi )
n Γ(n/2) i=1
n n
2 [π χ2n (α)]n/2 Y c(mi ) Y 1
VP = | det(B)| = κ φ(α, n)
n Γ(n/2) i=1
SN(Å)i i=1
SN(Å)i
2 [π χ2n (α)]n/2
φ(α, n) ≡
n Γ(n/2)
n n
Y 1 Y
κ ≡ | det(B)| c(mi ) = × c(mi )
| det(A)| n
i=1 i=1 Y 1
| {z } | {z }
sensibilidad a la sensibilidad
⇒ VP ∝ κ
i=1
SN(Å)i
degeneración de los índices
de los parámetros a la SN(Å)
físicos
n
2 [π χ2n (α)]n/2 Y
VM = σ(mi )
n Γ(n/2) i=1
n n
2 [π χ2n (α)]n/2 Y c(mi ) Y 1
VP = | det(B)| = κ φ(α, n)
n Γ(n/2) i=1
SN(Å)i i=1
SN(Å)i
2 [π χ2n (α)]n/2
φ(α, n) ≡
n Γ(n/2)
n n
Y 1 Y
κ ≡ | det(B)| c(mi ) = × c(mi )
| det(A)| n
i=1 i=1 Y 1
| {z } | {z }
sensibilidad a la sensibilidad
⇒ VP ∝ κ
i=1
SN(Å)i
degeneración de los índices
de los parámetros a la SN(Å)
físicos
n
2 [π χ2n (α)]n/2 Y
VM = σ(mi )
n Γ(n/2) i=1
n n
2 [π χ2n (α)]n/2 Y c(mi ) Y 1
VP = | det(B)| = κ φ(α, n)
n Γ(n/2) i=1
SN(Å)i i=1
SN(Å)i
2 [π χ2n (α)]n/2
φ(α, n) ≡
n Γ(n/2)
n n
Y 1 Y
κ ≡ | det(B)| c(mi ) = × c(mi )
| det(A)| n
i=1 i=1 Y 1
| {z } | {z }
sensibilidad a la sensibilidad
⇒ VP ∝ κ
i=1
SN(Å)i
degeneración de los índices
de los parámetros a la SN(Å)
físicos
n
2 [π χ2n (α)]n/2 Y
VM = σ(mi )
n Γ(n/2) i=1
n n
2 [π χ2n (α)]n/2 Y c(mi ) Y 1
VP = | det(B)| = κ φ(α, n)
n Γ(n/2) i=1
SN(Å)i i=1
SN(Å)i
2 [π χ2n (α)]n/2
φ(α, n) ≡
n Γ(n/2)
n n
Y 1 Y
κ ≡ | det(B)| c(mi ) = × c(mi )
| det(A)| n
i=1 i=1 Y 1
| {z } | {z }
sensibilidad a la sensibilidad
⇒ VP ∝ κ
i=1
SN(Å)i
degeneración de los índices
de los parámetros a la SN(Å)
físicos
n
2 [π χ2n (α)]n/2 Y
VM = σ(mi )
n Γ(n/2) i=1
n n
2 [π χ2n (α)]n/2 Y c(mi ) Y 1
VP = | det(B)| = κ φ(α, n)
n Γ(n/2) i=1
SN(Å)i i=1
SN(Å)i
2 [π χ2n (α)]n/2
φ(α, n) ≡
n Γ(n/2)
n n
Y 1 Y
κ ≡ | det(B)| c(mi ) = × c(mi )
| det(A)| n
i=1 i=1 Y 1
| {z } | {z }
sensibilidad a la sensibilidad
⇒ VP ∝ κ
i=1
SN(Å)i
degeneración de los índices
de los parámetros a la SN(Å)
físicos
Esquema
1 Introducción
Distinción entre errores e incertidumbres
Estandarizando la expresión de incertidumbres
Cálculo de incertidumbres
2 Incertidumbres aleatorias
Estadística de los (foto)electrones
Propagación de incertidumbres
Incertidumbres en la medida de índices
Incertidumbres en los parámetros físicos
¿Y cuando sólo tenemos los datos?
3 Efectos sistemáticos
Algunas fuentes
Tratamiento
Un ejemplo astronómico
Jackknife1
Este método consiste en generar, a partir de muestras de N elementos, N submuestras de N − 1
elementos, eliminando en cada una de estas submuestras secundarias un elemento (podemos
hacerlo de forma consecutiva, eliminando el primer elemento en la primera muestra, el segundo
en la segunda muestra, y así sucesivamente.
Bootstrap2
Es una generalización del método anterior, en el cual se generan muestras secundarias de N
elementos, seleccionando los elementos de forma aleatoria a partir de la muestra original, pero
permitiendo repetir valores. De esta forma, una fracción aleatoria de los valores iniciales apare-
cerán duplicados (∼ 1/e � 37%).
⇒ Estos métodos no dan información a partir de la nada. Nos dan información que de-
sconocíamos previamente (ver Press et al. 2002).
1
Podemos traducirlo como pequeña navaja o navaja de bolsillo.
2
El nombre se debe a la aparente capacidad del método de conseguir algo aparentemente imposible (sacar de donde no hay).
En Las increíbles aventuras del Barón Munchhausen, Rudolph Erich Raspe cuenta que en cierta ocasión el Barón logró escapar
de una muerte segura al salir volando tirando de los cordones de sus propias botas (en inglés “[. . . ] he thought to pull himself up
by his own bootstraps”).
Esquema
1 Introducción
Distinción entre errores e incertidumbres
Estandarizando la expresión de incertidumbres
Cálculo de incertidumbres
2 Incertidumbres aleatorias
Estadística de los (foto)electrones
Propagación de incertidumbres
Incertidumbres en la medida de índices
Incertidumbres en los parámetros físicos
¿Y cuando sólo tenemos los datos?
3 Efectos sistemáticos
Algunas fuentes
Tratamiento
Un ejemplo astronómico
Esquema
1 Introducción
Distinción entre errores e incertidumbres
Estandarizando la expresión de incertidumbres
Cálculo de incertidumbres
2 Incertidumbres aleatorias
Estadística de los (foto)electrones
Propagación de incertidumbres
Incertidumbres en la medida de índices
Incertidumbres en los parámetros físicos
¿Y cuando sólo tenemos los datos?
3 Efectos sistemáticos
Algunas fuentes
Tratamiento
Un ejemplo astronómico
Sí. ¡Evitarlos!
Algunos efectos sistemáticos pueden descubrirse tras el análisis
cuidadoso del experimento o proceso de medida antes de su ejecución.
— Pueden corregirse realizando las correcciones adecuadas o
modificando el diseño experimental.
Los restantes efectos sistemáticos pueden ser muy difíciles de
reconocer, y serán detectables con cierta garantía después, sólo
cuando puedan compararse medidas realizadas a través de dos o más
experimentos independientes.
— En estos casos es posible utilizar la inferencia bayesiana.
Sí. ¡Evitarlos!
Algunos efectos sistemáticos pueden descubrirse tras el análisis
cuidadoso del experimento o proceso de medida antes de su ejecución.
— Pueden corregirse realizando las correcciones adecuadas o
modificando el diseño experimental.
Los restantes efectos sistemáticos pueden ser muy difíciles de
reconocer, y serán detectables con cierta garantía después, sólo
cuando puedan compararse medidas realizadas a través de dos o más
experimentos independientes.
— En estos casos es posible utilizar la inferencia bayesiana.
Esquema
1 Introducción
Distinción entre errores e incertidumbres
Estandarizando la expresión de incertidumbres
Cálculo de incertidumbres
2 Incertidumbres aleatorias
Estadística de los (foto)electrones
Propagación de incertidumbres
Incertidumbres en la medida de índices
Incertidumbres en los parámetros físicos
¿Y cuando sólo tenemos los datos?
3 Efectos sistemáticos
Algunas fuentes
Tratamiento
Un ejemplo astronómico
Ley de Hubble: v = H0 x
Determinar la distribución de probabilidad posterior para la distancia x a una galaxia cuya ve-
locidad de recesión es vg = (100 ± 5) × 103 km s−1 , asumiendo H0 = 70 km s−1 Mpc−1 y en las
siguientes cuatro situaciones:
1 Para un valor fijo de H0 = 70 km s−1 Mpc−1 , es decir, p(H0 |I) = δ(H − H0 ).
2 Para un valor de H0 con una icertidumbre dada por una distribución de probabilidad
gaussiana
ff
(H0 − 70)2
p(H0 |I) = k exp − .
2 × 102
3 Asumiendo una distribución de probabilidad uniforme para H0
1/(90 − 50), para 50 ≤ H0 ≤ 90
p(H0 |I) =
0, en otro caso.
4 Asumiendo una distribución de probabilidad de Jeffreys (igual probabilidad por década
—invarianza de escala—)
[H0 ln(90/50)]−1 , para 50 ≤ H0 ≤ 90
p(H0 |I) =
0, en otro caso.
Considerar que la velocidad de recesión medida es vg = vreal + �, donde � es la incertidumbre,
admitiendo que � sigue una distribución N(µ = 0, σ = 5). Suponer además que la incertidumbre
en la velocidad no está correlacionada con la incertidumbre en H0 .
Ley de Hubble: v = H0 x
Calculamos la PDF posterior para x marginalizando el parámetro H0
Z ∞
p(x|D, I) = p(x, H0 |D, I) dH0 .
−∞
En este caso, I incluye la información relevante a nuestro conocimiento sobre H0 , que, para los
casos propuestos, tiene una PDF que sigue 1) una delta de Dirac, 2) una gaussiana, 3) una
función uniforme y 4) una función de Jeffreys.
Ley de Hubble: v = H0 x
1 H0 constante ff
1 (vg − H0 x)2
p(x|D, I) ∝ p(x|I) √ exp − .
2πσ 2σ 2
2 PDF de H0 gaussiana
Z ff ff
∞ (H0 − 70)2 1 (vg − H0 x)2
p(x|D, I) ∝ p(x|I) k exp − ×√ exp − dH0 .
−∞ 2 × 102 2πσ 2σ 2
3 PDF de H0 uniforme
Z 90 ff
1 1 (vg − H0 x)2
p(x|D, I) ∝ p(x|I) ×√ exp − dH0 .
50 (90 − 50) 2πσ 2σ 2
4 PDF de H0 siguiendo una función de Jeffreys
Z 90 ff
1 1 (vg − H0 x)2
p(x|D, I) ∝ p(x|I) ×√ exp − dH0 .
50 H0 ln(90/50) 2πσ 2σ 2
Ley de Hubble: v = H0 x
Resultado asumiendo un prior uniforme p(x|I)
Las consecuencias de introducir incertidumbre en H0 son: i) la PDF posterior para la galaxia es más ancha y ii) la media de la PDF
se desplaza a valores más altos (las medias son 1429, 1486, 1512 y 1556 km s−1 , respectivamente), es decir, la PDF posterior
es asimétrica.
Referencias
Cardiel N., Gorgas J., Cenarro J., González, J.J., Reliable random error estimation in the
measurement of line-strength indices, 1998, A&AS 127, 597
Cardiel N., Gorgas J., Gallego J., et al., Proper handling of random errors and distortions in
astronomical data analysis, 2002, SPIE, 4847, 297
Cardiel N., Gorgas J., Sánchez-Blázquez P., et al., Using spectroscopic data to
disentangle stellar population properties, 2003, A&A, 409, 511
Cenarro A.J., Cardiel N., Gorgas J., et al., Empirical calibration of the near-infrared Ca II
triplet - I. The stellar library and index definition, 2001, MNRAS, 326, 959
D’Agostini G., Probability and Measurement Uncertainty in Physics, 1995,
arXiv:hep-ph/9512295v2
Gregory P.C., Bayesian Logical Data Analysis for the Physical Sciences, 2005, Cambridge
University Press
Internatinal Organization for Standardization (ISO), Guide to the expression of uncertainty
in measurement, 1993, Geneva, Switzerland
Mármol-Queraltó E., Cardiel N., Cenarro A.J., et al., 2008, A&A, en prensa
Press W.H., et al., Numerical Recipes in Fortran 77, 2002, Cambridge University Press
Trager S.C., Faber S.M., Worthey G., González J.J., 2000a, AJ, 119, 1645