Bases Fsicas del Medio Ambiente

Teora de Errores (Programa de Prcticas)

Programa
IB. Teora de Errores. (2h) Introduccin. Errores y conceptos relacionados. Cuantificacin de errores. Expresin de magnitudes fsicas. Minimizacin de errores. Propagacin de errores. Interpolacin en tablas. Regresin y correlacin.

Programa
IB. Teora de Errores. (2h) Introduccin. Errores y conceptos relacionados. Cuantificacin de errores. Expresin de magnitudes fsicas. Minimizacin de errores. Propagacin de errores. Interpolacin en tablas. Regresin y correlacin.

www.mapquest.com Granada Mlaga 131.02km

Granada Mlaga 1311 km

Es interesante decir 131.02 km? Es exacto/cientfico?
Significa 131.0200000000000 km?
m m

Qu precisin tiene?

Qu es la verdad? Podramos aceptar un error de 1000 m?

Cunto mides?
Se puede aceptar un error de 1000 m? Qu error se puede aceptar?
El error: relativo a la magnitud

Qu error es inevitable?
Cuntas cifras podemos escribir?

Contexto
Esta pequea introduccin nos ha plantado algunas preguntas Ahora pasamos a algunas definiciones interesantes para empezar a contestar

Programa
IB. Teora de Errores. (2h) Introduccin. Errores y conceptos relacionados. Cuantificacin de errores. Expresin de magnitudes fsicas. Minimizacin de errores. Propagacin de errores. Interpolacin en tablas. Regresin y correlacin.

Error Absoluto

x = xm x
x = error absoluto xm = valor medido o aproximado x = la verdad

Error Relativo

e = error relativo xm = valor medido o aproximado x = error absoluto

x 100% e= xm

Intervalos de confianza
x = x
+ max m min

xm min x xm + max
min = mximo posible subestimacin max = mximo posible sobreestimacin xm = valor medido o aproximado x = la verdad

Simetra
En el caso que

max = min = x
(lo que pasa con frecuencia) Solemos escribir la medida as

x = xm x

Ejemplo asimtrico
Distancia sol-tierra : (150 3) 106 km Error absoluto: 3 106 km Error relativo: 2% No es simtrico, en realidad (varia) 147.09 106 km < x < 152.10 106 km Nosotros trabajaremos con casos simtricos

Definiciones
Exactitud - grado de concordancia entre el valor verdadero y el experimental Precisin - concordancia entre una medida y . . otras de la misma magnitud, realizadas en . . condiciones sensiblemente iguales . Sensibilidad - el valor mnimo de la . . magnitud que un aparato es capaz de diferenciar .

Exactitud y Precisin
Tirando flechas

Ni preciso ni exacto

Preciso

Exacto

Programa
IB. Teora de Errores. (2h) Introduccin. Errores y conceptos relacionados. Cuantificacin de errores. Expresin de magnitudes fsicas. Minimizacin de errores. Propagacin de errores. Interpolacin en tablas. Regresin y correlacin.

Qu sabemos
Aceleracin de gravedad, Nmero de Avogadro, Velocidad de luz, g= ________ N= ________ c= ________

Expresin de magnitudes fsicas

Cantidad Unidad (!!) Grado de confiabilidad
ndice de exactitud error

Expresin de cantidades
El orden de clculo no es nada intuitivo

PRIMERO: Error absoluto ENTONCES: Valor de la cantidad

Qu edad tienes?
Antes de contestar: Primero eliges las unidades
Casi siempre en aos Un beb puede tener 0 aos? (mejor 2 meses) Nunca contestas hasta ms o menos una hora Normalmente: hasta +/- 1 ao

Segundo aceptas un error absoluto

Los dos pasos anteriores estn relacionados (y mucho) ENTONCES: un nio dice cuatro aos y medio un alumno dice 19 aos

Expresin de cantidades
Seguimos el mismo orden PRIMERO: Error absoluto ENTONCES: Valor de la cantidad OLVIDARLO = PERDER PUNTOS (PRCTICAS)

El error absoluto
Convenio: solo tiene uno o dos dgitos significativos En general, uno
(1,2,3,4,5,6,7,8,9) x 10N
Ejm: poblacin de Granada 40000 = ( 4)104 30000 = ( 3)104 35000 = ( 35)103

Excepcin: podemos usar dos cuando redondear nos quita mucha informacin:
Si el primero dgito es 1 Si el primero dgito es 2 y el segundo es inferior a 5
(10,11,12,13,14,15,16,17,18,19,20,21,22,23,24) x 10N-1
Ejm. Poblacin de Almuecar 1000 = ( 1)103 1300 = ( 13)102 1350 = ( 135)101 Redondear 84 a 80 nos da un error de menos de 5% (ejm: edad de un abuelo) Redondear 14 a 10 es bruto: hay mucha diferencia! (ejm: edad de un nio)

Expresando el error absoluto

Solo un dgito significativo (1,2,3,4,5,6,7,8,9) A veces se permiten dos (10,11,12,13,14,15,16,17,18,19,20,21,22,23,24) Los ceros normalmente no son significativos
Al final de la cifra Al principio de la cifra

La Magnitud de la Cantidad Cuanto mides?

No ms precisa que permite el error ! Ejm: h = 1.746 +/- 0.01 m h = 1.75 +/- 0.01 m Si slo sabes tu altura hasta el centmetro, qu sentido tiene especificar los milmetros?

Ejemplos de Magnitudes
Incorrectos (U)
3.4180.123 6.300.085 46.2881.553 428.3510.15 0.016830.0058

Correctos (U)
3.40.1 3.420.12 3.420.12 6.300.09 46.31.6 428.350.15 0.0170.006

Mejor? (U)
(34212) 10-2 (6309) 10-2 (46316)10-1 (4283515) 10-2 (176) 10-3

Errores
Se desconoce la verdad Siempre hacemos algn tipo de error Objetivos:
Caracterizar/conocer los errores Minimizarlos cuando es posible

Programa
IB. Teora de Errores. (2h) Introduccin. Errores y conceptos relacionados. Cuantificacin de errores. Expresin de magnitudes fsicas. Minimizacin de errores. Propagacin de errores. Interpolacin en tablas. Regresin y correlacin.

Tipos de Errores
Errores sistemticos
Difcil a caracterizar
Si los conocemos, los corregimos

Pueden ser constantes afectan todas medidas

Errores aleatorios
Inevitables y desconocidos, pero unas hiptesis: Distribucin de frecuencias normal
Ms pequeas, ms frecuentes Promedio de cero

Errores aleatorios
Errores de discernimiento Cambios en las condiciones experimentales Errores de especificacin en los procesos de fabricacin (por ejemplo, una bola esfrica metlica puede estar ligeramente ovalada o contener planos) Se pueden reducir (cmo?)

Error cuadrtico medio (MSE)

Cuando se hace mltiples (N) medidas (xi) de un fenmeno ALEATORIO, se puede estimar el error cuadrtico medio, x

Donde x es el promedio de las N medidas Cuando ms medidas hay, menos error (Hasta cierto punto)

1 2 = ( xi x ) N 1
2 x

Deducciones
Una estimacin es mejor cuando
menos error sistemtico tiene menos error aleatorio tiene

Los errores son inevitables Medir con cuidado, y precisin A veces, hacen falta muchas medidas Cuntas medidas necesitamos?

Unas reglas prcticas para medir una cantidad en el laboratorio

Para empezar: tres (3) medidas con error experimental x (sensibilidad) Calcular la dispersin: D = xmax xmin Comparar D y x
D <= x
Error dominante es tipo sistemtico (limitacin de instrumento) No se puede hacer mucho! Tomar como valor, x ex Error es tipo aleatorio Posiblemente, hace falta ms medidas! Cuntas medidas bastan?

D > x

Tanto por ciento de dispersin

100% D T= x

T<2% N Error Expresin 3 i

x i

2%<T<8% 6
= mx( D6 / 4, i )

8%<T<15% 15
x

T>15%

x / ( N 1)
x x /( N 1)

50

x x

Tanto por ciento de dispersin

100% D T= x

T<2% N Error Expresin 3 i

x i

2%<T<8% 6
= mx( D6 / 4, i )

8%<T<15% 15
x

T>15%

x / ( N 1)
x x /( N 1)

50

x x

Cuantas Medidas
Volveremos a este tema con unas definiciones de la estimacin de errores Ahora: motivacin para el tratamiento de (y propagacin de) los errores

Motivacin
Granada Jan: 941 km Digamos que se sabe que el tiempo promedio para el viaje es 1.0 0.1 horas Cul es la velocidad promedia para el viaje?
Acordarse: para escribir un resultado, hay que empezar con el error!

Cmo podemos determinar el error en esta estimacin?

Programa
IB. Teora de Errores. (2h) Introduccin. Errores y conceptos relacionados. Cuantificacin de errores. Expresin de magnitudes fsicas. Minimizacin de errores. Propagacin de errores. Interpolacin en tablas. Regresin y correlacin.

Propagacin de errores
Hay una distincin entre
Errores en medidas directas Errores en magnitudes derivadas

Un poco de teora (importante)

Propagacin lineal de errores

-Sea

f = f ( x, y , z , c )

La funcin f liga a la magnitud que nos interesa hallar (f) con las magnitudes independientes que se obtienen del experimento (x,y,z) y con una constante (c). Diferenciando:

f f f f df = dx + dy + dz + dc x y z c

Si identificamos los incrementos con los errores absolutos de las variables correspondientes, en el caso ms desfavorable se obtendr:

f f f f f = x + y + z + c x y z c
Sensibilidad de f al determinante z Error en z

Derivadas parciales
Son imprescindibles en esta asignatura
A revisar! No solemos trabajar con ejemplos muy difciles

y = ax

y n 1 y' =nax x

Ejemplo numrico
Densidad de flujo radiativo emitida por un cuerpo negro E= T = 5.67 0.01 x 10-8 W m-2 K-4 (constante de Stephan-Boltzmann) Para un cuerpo negro con T = 300 1 K Cmo podemos expresar E ?
4
4 valores

Ejemplo numrico

E = T
0.81)Wm 2

E E E = T + T = 4T 3 (1 K ) + T 4 0.0110 8Wm 2 K 4

= (6.12

E = 459 7 W m-2
Podemos hacer mejor = 5.6703 0.0007 x 10-8 W m-2 K-4

Resumen: propagacin lineal de los errores

f = f ( x, y , z , c )

f f f f c z + y + x + f = c z y x
Tenemos que pensar en esta ecuacin en muchas ocasiones (en todas las prcticas)

Ejm: (intuitivamente) Como pesar una cantidad de H2O(l)

Botella vaca:

70.04g 90.04g

(Misma) botella con agua:

Escala con sensibilidad = 0.01g Claro, el agua pesa: 20g pero ERROR? 20.00 0.01g

Como pesar una cantidad de H2O(l) (cientficamente)

Botella vaca: x= 0.01g

70.04g 90.04g

(Misma) botella con agua: y= 0.01g

z=yx
z z x y + z = x y

z = y + x

20.00 0.02g

Resumen: propagacin lineal de los errores

f = f ( x, y , z , c )

f f f f c z + y + x + f = c z y x

Ahora un ejemplo experimental

Altura de un acantilado
Cmo medir?
Difcil mantener un metro en vertical Otra opcin

1 2 h = v0t + gt 2

Hacemos una medida

1 2 h = v0t + gt 2 t1 = 1.48 +/- 0.01s

Posibles errores (aleatorios):

v0 0 Pulgar torpe o errtico
A la salida A la entrada al agua

A repetir !

t2 = 1.47 +/- 0.01s t3 = 1.46 +/- 0.01s

Tanto por ciento de dispersin

t 1 = 1.48 +/- 0.01 s t 2 = 1.47 +/- 0.01 s

t 3 = 1.46 +/- 0.01 s

T<2% N Error Expresin 3 i
x i

t = 1.47s D = 0.02s
2%<T<8% 6
= mx( D6 / 4, i )

100% D T= x

= 1.4%

8%<T<15% 15
x

T>15%

x / ( N 1)
x x /( N 1)

50

x x

Valor experimental

t = 1.47 +/- 0.01 s

Nuestro valor experimental

1 2 h = v0t + gt 2 t = 1.47 +/- 0.01 s

Para poder escribir h, 1 su error

f f f f c z + y + x + f = c z y x

1 2 h = gt 2

h h t g + h = t g
1 2 = t g + gt t 2

= vt

Errores, distancia frente a tiempo

1 2 h = v0t + gt 2
+/- 0.01 s
h v= t

h = gtt = vt
t (s) h (m) v (m/s) 0.5 1.23 1.0 1.5 4.9 4.9 9.8 19.6

11.02 14.7

2.0 19.6

experimentalmente con un pndulo

Altura de un acantilado
Valor experimental

g = 9.782 +/- 0.001 m s-2

1er paso: el error

t = 1.47 +/- 0.01 s

h = gtt = vt
h = 0.14m

1 2 h = gt 2

h = 10.59 +/- 0.14 m

Programa
IB. Teora de Errores. (2h) Introduccin. Errores y conceptos relacionados. Cuantificacin de errores. Expresin de magnitudes fsicas. Minimizacin de errores. Propagacin de errores. Interpolacin en tablas. Regresin y correlacin.

Interpolacin en tablas
Qu valor (z) tiene el calor latente a una temperatura de x=12+/-1C? Qu error tiene este valor?
T (C) 0 5 10 (x1) 15 (x2) 20 Calor latente de evaporacin (J/g) 2501 2489 2477 2466 2453

(z1) (z2)

Interpolacin Lineal
z 2 z1 (x x1 ) z = z1 + x2 x1

z2 z z1

z2 z1 z = x x2 x1
Hiptesis: x2 A. Error proviene de x B. Relacin lineal

x1

En tablas de doble entrada

y1 x1 x2 z11 z21 y2 z12 z22

z 21 z11 z12 z11 (x x1 ) + ( y y1 ) z = z11 + x2 x1 y2 y1

z 21 z11 z 21 z11 y x + z = y2 y1 x2 x1

Programa
IB. Teora de Errores. (2h) Introduccin. Errores y conceptos relacionados. Cuantificacin de errores. Expresin de magnitudes fsicas. Minimizacin de errores. Propagacin de errores. Interpolacin en tablas. Regresin y correlacin.

Regresin y Correlacin (Mtodos cuantitativos de anlisis grfico)

Importancia de las representaciones grficas Utilidad de las versiones linealizadas de los grficos (X, Y) Distintas maneras de llevar a cabo una linealizacin

Regresin Lineal
El mtodo se llama tambin mnimos cuadrados
La relacin analtica que mejor se ajusta a nuestros datos La importancia de la eleccin del variable independiente

En que direccin?
6 5 4 3 2 1 0 0 1 2 3 X 4 5 6 Y

y = ax + b

Error despreciable

Suma de cuadrados (Sum of squares)

Es til definir la funcin 2 (Chi-cuadrado):

i Una medida de la desviacin total de los valores observados yi respecto de los predichos por el modelo lineal. Los mejores valores de la pendiente a y la ordenada en el origen b son aquellos que minimizan esta desviacin total.

= (y i (axi + b))
2

Mnimos cuadrados (Least Squares)

Como buscar el mnimo de una funcin cuadrtica: Primer derivado = 0

2 =0 a =0 b
2

N a =

x y x y
i i i i i i

x i2
i

xi
i

b=

x y x x y
2 i i i i i i

N x i2 x i i i

Bondad del ajuste (Goodness of fit)

El criterio de mnimos cuadrados es objetivo; reemplaza el juicio personal de quien mire los grficos y defina cul es la mejor recta. Adems, da una posibilidad de estimar la bondad del ajuste, a travs el coeficiente de correlacin (r) entre las variables X e Y Muchas veces se presenta su cuadrado (R2).

El coeficiente de correlacin
N 2 xi xi i =1 =< x 2 > < x > 2 Var ( x ) = i =1 N N 2 N N 2 yi yi i =1 Var ( y ) = i =1 =< y 2 > < y > 2 N N N N N
N 2

Cov( x, y ) =

N xi yi xi yi
i =1

i =1 2

i =1

=< xy > < x >< y >

Cov ( x, y ) = Var ( x )Var ( y )

1 +1

El coeficiente de correlacin
Describe la correlacin entre los variables r = 0, los variables no son correlacionados r < 0, los variables son anti-correlacionados r > 0, los variables son correlacionados
r = 0.95, mucha correlacin r = 0.7, correlacin, pero no mucho

R =
2

El cuadrado del coeficiente de correlacin exprime el porcentaje de la varianza en los variables X y Y que explica el modelo lineal
r=0.95, el modelo explica 90% de la varianza r=0.7, explica 49% de la varianza r=0.3, explica 9% de la varianza

Otra ventaja del mtodo

Podemos estimar los errores asociados con los parmetros a y b
a =
2 N

b =

2 N

x
i =1

2 i

NVar ( x )

NVar ( x )

En funcin de
Las incertidumbres de a y b tambin pueden describirse as:
a2 1 2 1 a = ( N 2)

b = a

x2

Estas ecuaciones son muy tiles, ya que la mayora de las hojas de clculo y programas de ajuste indican a, b y ( a veces R2).

Incertidumbre de los parmetros de un modelo general

Al igual que en el caso del modelo lineal, minimizacin de la funcin Chi-cuadrado:
a* 2 (a, b, c,...) =0 a a =a*

de modo que min2 = 2(a*, b*, ) Cmo determinar a*, b*, ?

Procedimiento sofisticado Diversas teoras y opiniones Depende de cmo es de no-lineal

Es preferible Transformar (a lo lineal)

En general, es preferible Mtodo: suponemos un modelo y = a ln(x)
Definimos z=ln(x) Entonces: y = a z ( + b ) Buscamos ajuste lineal entre y & z Podemos estimar los errores asociados con los parmetros a y b

No gusta hacer muchos clculos (tocar botones calculador)

Muchos clculos a =
N

x y x y
i i i i i i

x i2

xi

a =

2 N

NVar ( x )

b=

x y x x y
2 i i i i i i i i

b =

2 N

x
i =1

2 i

N x i2 x i i i

NVar ( x )

Por eso tenemos ordenadores

No gusta hacer muchos clculos (tocar botones calculador)

Muchos clculos a =
N

x y x y
i i i i i i

x i2

xi

a =

2 N

NVar ( x )

b=

x y x x y
2 i i i i i i i i

b =

2 N

x
i =1

2 i

N x i2 x i i i

NVar ( x )

Por eso tenemos ordenadores