CAPÍTULO 2: Errores 29

2.7 FRECUENCIA Y FRECUENCIA RELATIVA

La frecuencia, f, es el número de veces que se repite una medida.

EJEMPLO 2.8
La tabla 2.1, muestra los resultados de las mediciones de la arista de un
cubo.

Tabla 2.1: 50 medidas de la arista de un cubo (cm)

2,65 2,64 2,65 2,66 2,69 2,63 2,66 2,64 2,64 2,62
2,66 2,61 2,65 2,66 2,67 2,64 2,63 2,65 2,67 2,65
2,68 2,65 2,62 2,66 2,63 2,64 2,65 2,68 2,69 2,66
2,64 2,63 2,65 2,64 2,65 2,65 2,66 2,64 2,67 2,68
2,65 2,64 2,63 2,64 2,66 2,66 2,65 2,67 2,67 2,65

La medida 2,61 cm se repite una vez, por ello su frecuencia es 1 de

50; la medida 2,62 cm se repite 2 veces de 50. La tabla 2.2 resume
las frecuencias de las medidas.

Tabla 2.2: Frecuencia de las medidas correspondiente a la tabla 2.1

Medida (cm) Frecuencia (f)
2,61 1
2,62 2
2,63 5
2,64 10
2,65 13
2,66 9
2,67 5
2,68 3
2,69 2

f
La frecuencia relativa (frel ) se determina mediante: f rel  .
n
Así la frecuencia relativa de la medida 2,61 es,
1 2
f rel (2,61)   0 , 02 , de la medida 2,62: f rel (2,62)   0 , 04 ;
50 50
la tabla 2.3 resume estas frecuencias relativas.
30

CAPÍTULO 2: Errores

Tabla 2.3: Frecuencias relativas, correspondientes a las

medidas de la tabla 2.1

Medida (cm) Frecuencia relativa (frel )

2,61 0,02
2,62 0,04
2,63 0,10
2,64 0,20
2,65 0,26
2,66 0,18
2,67 0,10
2,68 0,06
2,69 0,04
SUMA 1

2.8 DISTRIBUCIÓN DE LAS MEDIDAS (x)

Para analizar la distribución de las medidas, se elabora una tabla de
distribución de frecuencias donde se muestra la cantidad de veces que se
repite cierta medida u observación (tabla 2.2). A continuación se construye
un histograma que es un gráfico con rectángulos adyacentes, donde la altura
del rectángulo indica la frecuencia de la medida (figura 2.6)

14
Frecuencia ( f )

12
10
8
6
4
2
0
2,61 2,62 2,63 2,64 2,65 2,66 2,67 2,68 2,69
Medidas (cm)

Figura 2.6: Histograma de frecuencias de las medidas

de la tabla 2.2
 CAPÍTULO 2: Errores 31

En ausencia de errores sistemáticos, las medidas x 1, x2, ..... xn oscilan

alrededor de la media  , ocurre así porque las medidas se ven afectadas por
errores fortuitos inevitables. En estadística es un hecho demostrable, que
cuando el número de observaciones o medidas corresponde a toda la
población o a una muestra grande, como el de la tabla 2.1, la media de la
población o de la muestra grande corresponde al valor verdadero y/o
promedio verdadero  con dispersión .

En el supuesto que la arista pueda medirse f(x)

tan exactamente como se desee, de modo
que la distancia entre valores consecutivos
de x (arista) puede hacerse tan pequeña
como se quiera, además que el número de
mediciones aumente indefinidamente,
x
entonces deberá esperarse que el
Figura 2.7: Curva ideal del
histograma se suavice y se aproxime a una histograma
curva continua, como el de la figura 2.7.

La distribución de la generalidad de las medidas tiene la forma de campana

(figuras 2.6 y 2.7), esta distribución se conoce como normal o Gaussiana.

Con el propósito de discutir las Frecuencia relativa

propiedades de las variables relativa probabilidad
o más propiamente
f(x)
continuas, examinemos el caso de
la arista del cubo cuyas medidas
se hallan en la tabla 2.1 y la
representación de su distribución
se halla en la figura 2.6; en esta
figura, la altura de los rectángulos 2,61 2,63 2,65 2,67 2,69 xi
indica la frecuencia, mientras que
el área de los rectángulos Figura 2.9: Curva de probabilidad
representa la frecuencia relativa.
El área total del histograma, suma de las áreas de todos los rectángulos,
deberá ser igual a 1, porque la suma de las frecuencias relativas también lo
es. En el caso de la curva ideal del histograma, campana de Gauss, el área
bajo la función continua f(x) es la probabilidad, y su totalidad es igual a 1.
32

CAPÍTULO 2: Errores

Carl Friedrich GAUSS

Astrónomo, físico y matemático alemán que allá por los años
de 1800 propuso la función de distribucion Normal, por eso
esta distribución se llama también: distribución de Gauss,
distribución Gausiana, campana de Gauss.

2.9 DISTRIBUCIÓN NORMAL

Denominada también distribución de Gauss, y es con mucho el modelo de
distribución de las variables aleatorias continuas de mayor utilidad. Esta
función de distribución que ya fue mencionada en acápites anteriores, se
define como sigue:
( x  ) 2
1 
f (x) 
 2
e 2 2 ;   x   (2.11)

De la figura 2,10, que es una ilustración f(x)

de la ecuación (2.11), podemos percibir 2
que cada curva normal está determinada 1>2
por su media  y desviación estándar ; 1
por consiguiente, existe un número
ilimitado de curvas normales de acuerdo
 x
a los valores particulares de  y .
Figura 2.10 Distribuciones normales

Por otro lado, la probabilidad de que determinado valor de x se encuentre en

el intervalo a  x  b se obtiene integrando la función f(x) (ecuación 2.11)
entre los límites a y b.
(x μ)2

b 1 b
F(x)  a f(x) dx  e
2 σ2
dx (2.12)
σ 2π a
 CAPÍTULO 2: Errores 33

Sin embargo, es imposible evaluar esta integral sin recurrir a métodos

numéricos, e incluso en ese caso, tendría que llevarse a cabo para cada par
(, ). Con la finalidad de superar esta dificultad y estimar la integral de
forma independiente de  y  se define una nueva variable llamada variable
aleatoria estandarizada dada por:
x
z (2.13)


de aquí, dz  dx , con este cambio de variable, la integral resulta:

z2
1 z 
F( z )    e 2 dz (2.14)
2

Esta integral F(z) se denomina

Distribución de probabilidad normal
acumulativa (figura 2.11) y los valores
de su integración, para diversos valores
de z, se hallan en la tabla I del apéndice.
Para el empleo de dicha tabla, - z +
cualquiera sea la variable x en estudio,
Figura 2.11 Distribución normal
debe estandarizarse de acuerdo a la acumulativa
ecuación (2.13) y luego, de la
intersección de los valores de la primera columna con los de la fila superior,
se obtiene los valores de F(z), (vea ejemplo 2.11).

2.10 DISTRIBUCIÓN DE LA MEDIA ( x )

Con el propósito de obtener el promedio verdadero , es necesario estudiar

cómo se distribuyen los promedios de varias muestras, para ello,
consideremos como muestra una columna de 5 datos de la tabla 2.1 y
determinemos sus promedios, como se muestra en la tabla 2.4.
34

CAPÍTULO 2: Errores
Tabla 2.4
Medidas de la arista de un cubo (correspondiente a la tabla 2.1) y
promedios por columna.

Nº xi
1 2,65 2,66 2,68 2,64 2,65 2,66
2 2,64 2,61 2,65 2,63 2,64 2,63
3 2,65 2,65 2,62 2,65 2,63 2,64
4 2,66 2,66 2,66 2,64 2,64 2,65
5 2,69 2,67 2,63 2,65 2,66 2,66
6 2,63 2,64 2,64 2,65 2,66 2,64
7 2,66 2,63 2,65 2,66 2,65 2,65
8 2,64 2,65 2,68 2,64 2,67 2,66
9 2,64 2,67 2,69 2,67 2,67 2,67
10 2,62 2,65 2,66 2,68 2,65 2,65

Con el objeto de analizar la distribución de estos promedios ( x i ),

elaboramos la tabla de frecuencias (tabla 2.5) y el correspondiente
histograma (figura 2.16).

Tabla 2.5
Frecuencias correspondientes a los promedios ( x i ) de la tabla 2.4
x i (cm) 2,63 2,64 2,65 2,66 2,67
f 1 2 3 3 1
 CAPÍTULO 2: Errores 35

3,5

Frecuencia (y)
3
2,5
2
1,5
1
0,5
0
2,62 2,63 2,64 2,65 2,66 2,67 2,68

Promedios( )

Figura 2.16: Histograma correspondiente a los

promedios de la tabla 2.5

Examinando el histograma, podemos anotar tres aspectos fundamentales:

Primero.- La distribución de los promedios también es una distribución
normal.
Segundo.- Está centrada en  , es decir, el promedio de estos 10 promedios
es también 2,65 cm, al igual que el promedio de las 50
mediciones.
Tercero.- Su desviación estándar, denominada desviación estándar de la
media o error estándar de la media  x , está dado por la siguiente
ecuación:


x  (2.15)
Frecuencia

Distribución de las medidas

n
Distribución de la media
Sustituyendo (2.10) en (2.15) se
obtiene:

x 
 x1  x 2 (2.16) x x
n ( n  1)

Figura 2.17: Distribución de las medidas
La ecuación (2.15) permite ver
y de la media
que  x   , esto quiere decir
que la campana de Gauss de la
36

CAPÍTULO 2: Errores

distribución de la media x es más estrecha que la correspondiente de la

distribución de las medidas originales x (figura 2.17).

En conclusión, existe una probabilidad del 68,3% de que la media de la

población  esté incluida en el rango x   x    x   x , una probabilidad
del 95,45% de estar en el intervalo x  2  x    x  2  x , y una
probabilidad del 99,7% en x  3  x    x  3  x .

EJEMPLO 2.13
Con referencia a las medidas de la arista del cubo que se muestran en la
tabla 2.1 y las medias que se muestran en la tabla 2.4, determine:
a) El promedio y la desviación estándar de las 50 medidas
b) La media de los 10 promedios y el error estándar de estos
promedios

SOLUCIÓN
a) El promedio aritmético se calcula con la ecuación (2.5)
50
xi 132 , 56 cm
i 1
x   2 , 65 cm
n 50

Para el cálculo de la desviación estándar , empleamos la ecuación

(2.10):

 x i 2 (132 , 560 ) 2
 x i2  351, 458 
n 50
   0 , 017 cm
n 1 50  1

10
b) Con:  x i  26 , 51cm , la media de los promedios resulta:
i 1

10
xi 26 , 51 cm
i 1
x   2 , 65 cm
10 10
 CAPÍTULO 2: Errores 37

El error estándar de la media,  x , se calcula con la ecuación (2.15)

tomando en cuenta que cada una de las 10 muestras tiene n = 5
elementos.
 0 , 017 cm
x    0 , 0076 cm
n 5

2.11 TRIBUCIONES DE LAS MUESTRAS PEQUEÑAS

 DISTRIBUCIÓN t DE STUDENT

Los conceptos desarrollados anteriormente son aplicables cuando se

dispone de muestras grandes o las medidas corresponden a toda la
población, en donde se puede suponer o asegurar que la desviación
estándar () es calculable. Los métodos de las muestras pequeñas requieren
por lo general mayor información o supuestos. Principalmente suponemos
que la población se distribuye normalmente y la estimación de la
desviación estándar de la población (se efectúa mediante la desviación
estándar de la muestra (s), entonces la variable aleatoria z se reemplaza por
una nueva variable aleatoria que se denomina distribución de t de
Student.

La variable continua aleatoria t tiene distribución t de Student, con ν

grados de libertad, si su función de probabilidad es:

  1  1
  
 2   x 
2 2
f (t)  1 (2.18)
  
   
2

donde el símbolo Г denota la función gamma dado por:


( r )  
0
x r 1 e  x dx
38

CAPÍTULO 2: Errores

La forma de la distribución t es
semejante a la distribución normal,
como se muestra en la figura (2.18). Normal t ( = 4)
En esta figura se puede observar que f(t)
la distribución t tiene una dispersión
ligeramente mayor que la
distribución normal. El rasgo
importante de la distribución t, es
que no depende de ningún parámetro Figura 2.18 Distribución
poblacional desconocido. La normal y t de student.
distribución t con  grados de
libertad se aproxima a la distribución normal cuando    . La tabla II
del apéndice, al final del libro, presenta los valores de la distribución t.

EJEMPLO 2.14
¿Cuál es el valor de t para una probabilidad de 0,05 (5%) y 7 grados
de libertad?.
La estructura de la tabla II del apéndice es la siguiente:

TABLA II: valores de t

1o Fila

 0,25 0,10 0,05 0,025
1 1,000 3,078 6,314 12,706
2 0,816 1,886 2,920 4,303
3 0,765 1,638 2,353 3,182
4 0,741 1,533 2,132 2,776
5 0,727 1,476 2,015 2,571
6 0,718 1,440 1,943 2,447
7 0,711 1,415 1,895 2,365
8 0,706 1,397 1,860 2,306
9 0,703 1,383 1,833 2,262
10 0,700 1,372
Figura 2.191,812 2,228
o
11 1 Columna
0,697 1,363 1,796 2,201
 CAPÍTULO 2: Errores 39

En la figura 2.19 se puede apreciar que la primera fila contiene los

valores de probabilidad , mientras que la primera columna presenta
los grados de libertad   n  1 , con n = número de mediciones. Los
valores tabulados, a partir de la 2º columna y 2º fila corresponden a
los valores de t.

Con   0 , 05 ( 5%) y   7 (n = 8), leemos en la tabla II el valor

buscado, t  ,  t 0 , 05 ; 7  1, 895 , como se ilustra en la figura 2.20.
TABLA II:
 VALORES DE T
 0,25 0,10 0,05 0,025
1 1,000 3,078 6,314 12,706
2 0,816 1,886 2,920 4,303
3 0,765 1,638 2,353 3,182
4 0,741 1,533 2,132 2,776
5 0,727 1,476 2,015 2,571
6 0,718 1,440 1,943 2,447
7 0,711 1,415 1,895 2,365
8 0,706 1,397 1,860 2,306
9 0,703 1,383 1,833 2,262
10 0,700 1,3722.20
Figura 1,812 2,228
11 0,697 1,363 1,796 2,201

Para su comodidad en la tabla II se incluye también los porcentajes de

probabilidad equivalentes a los valores de /2.

2.12 ESTIMACIÓN DEL VALOR VERDADERO POR

INTERVALOS
En los acápites anteriores, se ha citado que: "cuando las mediciones
corresponden a toda la población, la media de estas corresponde al
promedio verdadero  (o resulte una muy buena aproximación de )". Por
otro lado, efectuar todas las mediciones de la población si esta es finita
puede resultar impracticable, en consecuencia, se mide unas cuantas veces
y con éstas se estiman intervalos que contengan al valor verdadero.
40

CAPÍTULO 2: Errores

La estimación por intervalos es conocida como método de los intervalos

de confianza, se eligen dos valores a y b tales que la probabilidad de que
la media  se encuentre en ese intervalo sea (1 )100 por ciento.

Pa    b  1   (2.19)

El intervalo resultante:

ab (2.20)

se denomina intervalo de confianza, siendo 1   ó (1  )100 %, el nivel

de confianza deseado. Así, si la significancia es   0,05 , entonces el nivel
de confianza será ( 1   )  ( 1  0 , 05 )  0 , 95 ó 95%. Los valores de a y b
se denominan límites de confianza inferior y superior respectivamente.

SIGNIFICANCIA

Es el complemento del nivel de confianza, llamándose

también nivel de error. Por ejemplo, si el nivel de confianza
es 0,975 (97,5%), la significancia será  = 0,025 (2,5%).

El valor de , es una porción del área de

la curva de distribución normal o t de f(z) o f(t)
Student, de modo que si   0,05 , existe
la probabilidad de 0,05 ( 5% ) que una 1  
medida x cualquiera no esté en el rango
  x   (véase figura 2.21); en otros
términos, existe la probabilidad de   
1    1  0 , 05  0 , 95 ó 95% que x se
halle en el intervalo mencionado. Figura 2.21
 CAPÍTULO 2: Errores 41

En la práctica, se trabaja con una muestra, de ésta se calcula su intervalo

de confianza a    b , y a continuación afirmamos que el valor verdadero
de  se encuentra en dicho intervalo con ( 1   ) 100% de confianza. En
forma gráfica, el intervalo de confianza se muestra de la siguiente manera.


a b
Figura 2.22: Intervalo de confianza

2.12.1 INTERVALO DE CONFIANZA PARA MUESTRA GRANDE n > 30

Sabemos que una medida se expresa en la siguiente forma: x  x  Δx

Donde el error absoluto es: x  E  x - μ

Pero el valor exacto µ siempre es desconocido, entonces el error x no

se puede calcular con la anterior ecuación. Sin embargo, las herramientas
de la estadística permiten estimar su valor con la siguiente ecuación:

σ
Δx  E  z α (2.24)
2 n

Donde: z = distribución normal estándar

α = significancia (nivel de error)
σ = desviación estándar
n = número de medidas

Calculado x  E , ya podemos expresar la medida en la forma deseada:

x  x  Δx
σ
 x  zα (2.25)
2 n
42

CAPÍTULO 2: Errores

Note que el error absoluto

E  x   , no puede calcularse  2 1-   2
directamente (ya que el valor
exacto de  siempre es  
z z
n n
desconocido); sin embargo, las 2 2

x
herramientas de la estadística
  
z  z 
permiten estimar su valor n
2 n 2
mediante la ecuación (2.25):
Figura 2.24: Intervalo de
La figura 2.24 ilustra lo expuesto confianza (1 )100%
en este acápite.

Los niveles de confianza más empleados son:

 90%, que representa una significancia de   0 ,10 (10%)

 95%, con significancia   0,05 (5%)
 99%, con significancia   0,01 (1%)

Cuyos correspondientes valores de z  de la tabla I del apéndice son:

2
 z α  z 0,10  z 0,05  1,645
2 2
 z α  z 0,05  z 0,025  1,96
2 2
 z α  z 0,01  z 0,005  2,575
2 2

EJEMPLO 2.16
Obténgase el valor de z  para un nivel de confianza del 95%.
2
SOLUCION
Observamos que  = 5 % (0,05) se reparte en los dos extremos de la
curva (en cada cola  2  0 , 025 , figura 2.25a), entonces la
 CAPÍTULO 2: Errores 43

probabilidad dada para todo el intervalo, (1   )  0 , 95 , debe también

dividirse entre 2, obteniéndose 0,475.

Puesto que la tabla I proporciona valores de probabilidad para el rango

  a z (figura 2.11), al anterior resultado debe z 0,00
sumarse
......... 0,5
0,06 (lado
izquierda de la 0,95
curva), con lo cual se obtiene 0,5 + 0,475 = 0,975.
  0,0
 0 , 025  0 , 025
Finalmente,
2 ubicamos este valor 2 en el área de probabilidad de la tabla
(figura 2.25b) y leemos
0,475 0,475 el valor correspondiente de z, en este caso,
z   z 0 , 05  z 0 , 025  1, 96 . 1,9 0,975
2 - Z20,025 0 Z0,025 Z

(a) (b)
Figura 2.25
Puesto que la tabla I proporciona valores de probabilidad
acumuladas para el rango –  a z (figura 2.11), al anterior resultado
debe sumarse 0,5 (lado izquierdo de la curva), con lo cual se obtiene
0,5 + 0,475 = 0,975. Finalmente, ubicamos este valor en el área de
probabilidad de la tabla (figura 2.25b) y leemos el valor
correspondiente de z, en este caso: z   z 0 , 05  z 0 , 025  1, 96 .
2 2

EJEMPLO 2.17
Para la arista del cubo, cuyas medidas se hallan en la tabla 2.1,
considerando una probabilidad 0,99 (99%), Calcule:
a) El error absoluto
b) El intervalo en el cual se encuentra el valor verdadero
c) El error relativo porcentual.

SOLUCIÓN

a) Con: n = 50; x  2,65 cm ;   0,017 cm y z   z 0,005  2,575 ,

2
determinados en ejemplos anteriores, el error absoluto resulta:

σ 0,017cm
Δx  E  z α  (2,575)  0,01cm
2 n 50
44

CAPÍTULO 2: Errores

b) El valor verdadero de la medida es:

  x  E  ( 2 , 65  0 , 01 ) cm

Luego el intervalo de confianza resulta:

xE    xE

( 2 , 65  0 , 01 ) cm    ( 2 , 65  0 , 01 ) cm

2 , 64 cm    2 , 66 cm

2,64cm 2,66cm

Dicho en palabras, con un nivel de confianza del 99 %, el valor

verdadero μ se encuentra entre: 2,64 cm y 2,66 cm.

c) El error relativo porcentual se calcula con la ecuación (2.4)

% 
E
100
x

0,99 
0 , 01cm  0 , 005  0 , 005
 100 2 2
2 , 65 cm
0,495 0,495
 0 , 38%
(2,650,01)cm  =2,65cm (2,65+0,01)cm x
La figura 2.26 muestra la
situación de este ejemplo. Figura 2.26
 CAPÍTULO 2: Errores 45

2.12.2 INTERVALO DE CONFIANZA PARA MUESTRA PEQUEÑA n < 30

En este caso, el error x se estima con la siguiente ecuación:

s
Δx  E  t α (2.26)
,ν n
2

Donde: t = distribución t de Student

α = significancia (nivel de error)
s = desviación estándar
n = número de medidas

Calculado x  E , ya podemos expresar la medida en la forma deseada:

x  x  Δx
s
 x  tα (2.27)
,ν n
2

EJEMPLO 2.17

Las medidas experimentales de la longitud L y el diámetro D de un

cilindro se dan en la siguiente tabla.

Longitud (mm) 111,4 112,0 111,7 111,2 111,0

Diámetro (mm) 52,2 52,0 52,4 52,3 52,3

Calcúlense:
a) Los valores verdaderos a un nivel de confianza del 95%
b) Los intervalos de confianza
c) Los errores relativos porcentuales

SOLUCIÓN
a) Para el cálculo de los valores medios y las desviaciones estándar
elaboramos la siguiente tabla.
46

CAPÍTULO 2: Errores

n Li (mm) L2i (mm2) Di (mm) Di2 (mm2)

1 111,4 12409,96 52,2 2724,84
2 112,0 12544,00 52,0 2704,00
3 111,7 12476,89 52,4 2745,76
4 111,2 12365,44 52,3 2735,29
5 111,0 12321,00 52,3 2735,29
 557,3 62117,29 261,2 13645,18

Luego, los valores medios y sus desviaciones estándar son:

L
x i

557,3 mm
 111,5 mm
n 5

 Li 
2
(557,3)2
 L2i 
n
62117,29 
5
sL    0,397 mm
n 1 5 1

261,2 mm
D  52,2 mm
5

 Di 
2
(261,2)2
 D i2 
n
13645,18
5
sD    0,152 mm
n 1 5 1

Cálculo de: x  x  Δx
Para 95% (0,95) de nivel de confianza, le corresponde una
significancia de:   5 % (0,05), luego de la tabla II del apéndice, para
numero grados de libertad de:   n  1  5  1  4 , obtenemos
t α  t 0,05  t 0,025  2,776 . Luego los valores verdaderos son:
2 2
 CAPÍTULO 2: Errores 47

sL  0 , 397 
L  Lt    111, 5  ( 2 , 776 ) mm
 
2 n  5 

 ( 111 , 5  0 , 5 ) mm

sD  0 ,152 
D  Dt    52 , 2  ( 2 , 776 ) mm
 
2 n  5 

 ( 52 , 2  0 , 2 ) mm

b) Intervalo de confianza para la longitud L

x  Δx  μ L  x  Δx
(111,5  0,5) mm  μ  (111,5  0,5) mm
L
111,0 mm  μ  112,0 mm
L


2,64cm
111,0 mm 2,66cm
112,0 mm

Con un nivel de confianza del 95 %, el valor verdadero de la

longitud μ se encuentra entre: 111,0 mm y 112,0 mm

Intervalo de confianza para el diámetro D

x  Δx  μ D  x  Δx
(52,2  0,2) mm  μ  (52,2  0,2) mm
D
52,0 mm  μ  52,4 mm
D

Con una probabilidad del 95 %, esperamos encontrar al valor

verdadero del diámetro μ en el rango: 52,0 mm y 52,4 mm
48

CAPÍTULO 2: Errores


2,64cm
52,0 mm 2,66cm
52,4 mm

c) Los errores relativos porcentuales resultan:

ΔL 0,5 mm
ε%  100  100  0,45%
L 111,5 mm

ΔD 0,2 mm
ε%  100  100  0,38%
D 52,2 mm