B0 - 0 - DISTRIBUCIONES e Incertidumbre

DEPARTAMENTO DE GEODESIA
TEORÍA DE LAS OBSERVACIONES

TEORÍA DE ERRORES (I) / B0
ERROR E INCERTIDUMBRE DE MEDIDA

Todo dato geográfico capturado por cualquier medio debería ir acompañado de un valor
cuantitativo que nos dé una idea de su calidad, es decir, de un parámetro que caracterice la
dispersión de los valores que podrían atribuirse razonablemente al mismo.
En tal momento se entiende que el resultado de la medición está completo. La evaluación de

este parámetro de calidad debe realizarse de la forma más rigurosa posible ya que determinará
la metodología de captura más adecuada a cada caso concreto.
Ninguna cantidad física se puede conocerse con absoluta certeza, debiendo expresarla como :
Medida = (Valor numérico ± incertidumbre) unidades
Este parámetro, la incertidumbre, es el objeto principal de la Guía para la expresión de la

incertidumbre de medida, comúnmente denominada GUM (ISO, 2008), elaborada
conjuntamente por diversas organizaciones internacionales (Oficina Internacional de Pesas y 1er
Congreso Internacional de Catastro Unificado y Multipropósito, Organización Internacional de
Metrología OIML, Organización Internacional de Normalización ISO,…) y adoptada en la
actualidad por un gran número de prestigiosas sociedades científicas internacionales.
La GUM, publicada en 1993 y revisada en 1995 y 2008, representa la referencia más completa y
aceptada actualmente sobre cómo expresar la incertidumbre de medida.
Existen una serie de términos relacionados con la incertidumbre de medida como son error,
precisión, exactitud, repetibilidad, reproducibilidad, etc., que deben tratarse con cuidado,
evitando su confusión y usándolos de manera consistente a como se definen en otros
documentos internacionales.
La definición de todos ellos viene recogida en el Vocabulario internacional de Metrología –
Conceptos fundamentales y generales y términos asociados (3ª edición) (ISO, 2007),
comúnmente conocido como VIM.
El VIM debe acompañar siempre a la GUM ya que los dos documentos son complementarios y
han sido publicados por la ISO en representación de otras muchas organizaciones
internacionales.
Error de Medida:
Diferencia entre un valor medido de una magnitud y un valor de referencia o valor exacto
(desconocido).
El error de medida tiene dos componentes, el error sistemático y el error aleatorio.
Error Sistemático de medida
Componente del error de medida que, en mediciones repetidas, permanece constante o varía de
manera predecible.
Rev4_092023 // Prof.Adj. Ing.Fabián D.Barbato fabian.barbato@fing.edu.uy Prof. Ing.Danilo Blanco

Obedecen a una ley predeterminada que los hace influir en la observación siempre en el mismo
sentido y en magnitud, que se puede obtener a partir de los desvíos producidos. En este caso
dado que su valor puede ser conocido, las observaciones pueden ser corregidas aplicando un
complemento o una disminución al valor observado. La determinación y corrección de estos
errores se efectúa por comparación o constante de instrumento.
Ejemplos:
 Dilatación de cinta.
 Excentricidad del instrumento.
Los errores sistemáticos afectan a la exactitud de la medida.
Error Aleatorio de medida
Componente del error de medida que, en mediciones repetidas, varía de manera impredecible.
Presentan una variación natural y tienen un comportamiento aleatorio.
Sus causas son debido al azar y por lo tanto obedecen a la teoría matemática de las
probabilidades, estas múltiples perturbaciones provienen de fuentes independientes que
individualmente provocan pequeñas variaciones erráticas , positivas o negativas , imposibles de
detectar.
Los errores Aleatorios afectan a la precisión de la medida.
Ejemplo
Se mide una distancia con un determinado método e instrumento obteniendo una medida muy
exacta. Considerando todas las correcciones necesarias, su valor final es de 317,518 m con una
incertidumbre muy pequeña, casi despreciable, digamos por debajo de la décima de milímetro.
Por tanto, la longitud 317,518 m se considerará como el valor de referencia de la distancia en
cuestión.
Con posterioridad se realiza una medición de esa distancia con otro instrumento, resultando un
valor de 317,515 m. El error de medida de este resultado es de (317,515 – 317,518) m = -0,003
m.
Una segunda medición da un valor medido de 317,514 m, con un error medida de (317,514 –
317,518) m = -0,004 m.
Tras tomar 200 medidas y sacar un promedio se obtiene un valor de 317,516 m con un error de
medida de (317,516 – 317,518) m = -0,002 m.
Este sesgo de medida, cuyo valor es de -0,002 m es el denominado error sistemático de medida.
Queda claro que el error sistemático permanece constante independientemente del número de
medidas, por lo que si en lugar de 200, se hubiesen realizado otro número mayor, este error no
tendería a cero.
El VIM aclara que el valor de referencia para un error sistemático puede ser un valor verdadero,
un valor medido de un patrón cuya incertidumbre de medida es despreciable, o un valor
convencional.
El error sistemático y sus causas pueden ser conocidos o no, y para compensarlo se aplica una
corrección, la cual lleva siempre asociada una determinada incertidumbre. La incertidumbre de
todas las correcciones necesarias a aplicar a una medida habrá que considerarlas en la
evaluación de la incertidumbre de la medida en cuestión.
Volviendo de nuevo a los resultados individuales de los valores medidos, el primero fue de
317,515 m. Con respecto al promedio (317,516 m), su error es de (317,515 – 317,516) m = - 0,001
m. Este valor sería el denominado error aleatorio de medida.
Por tanto, para la segunda medida el error aleatorio de medida sería de

(317,514 – 317,516) = -0,002 m, y así sucesivamente.
El valor de referencia para un error aleatorio es la media que se obtendría de un número

infinito de mediciones repetidas del mismo mensurando.
El error aleatorio, diferencia entre el error de medida y el error sistemático, se supone que
procede de variaciones impredecibles o estocásticas de las magnitudes de influencia de carácter
temporal y espacial. Los efectos de tales variaciones, denominados efectos aleatorios, dan lugar
a variaciones en las observaciones repetidas de un mensurando.
Aunque no es posible compensar el error aleatorio del resultado de una medida, habitualmente,
puede reducirse incrementando el número de observaciones.
Así pues, el error de medida para el resultado de una medición individual es igual a la suma del
error sistemático y el error aleatorio. En el caso de la primera medida, el error de medida es por
tanto de (-0,002 – 0,001) = -0,003 m.
Incertidumbre de Medida
Parámetro no negativo que caracteriza la dispersión de los valores atribuidos a un mensurando,

a partir de la información que se utiliza.
Se debe utilizar para cuantificar la imperfección del método e instrumento de medida empleado.
Si bien el error es teóricamente desconocido, la incertidumbre sí que puede ser evaluada.
Se sugiere que cuando se trate de evaluar la calidad del resultado de una medida se utilice el
término incertidumbre en lugar del término error.
Se pueden usar varios parámetros para cuantificar la incertidumbre:
Incertidumbre típica de medida: incertidumbre de medida expresada como una desviación típica
(estándar).
Factor de cobertura: número mayor que uno por el que se multiplica una incertidumbre típica
combinada para obtener una incertidumbre expandida.
Incertidumbre expandida de medida: producto de una incertidumbre típica combinada y un

factor mayor que uno.

Incertidumbre típica combinada de medida: incertidumbre típica obtenida a partir de las
incertidumbres típicas individuales asociadas a las magnitudes de entrada de un modelo de
medición (“Ley de Propagación de Incertidumbres”).
La propagación de las incertidumbres exige que la incertidumbre de la estimación de una
magnitud de entrada se evalúe en forma de desviación típica, no por ejemplo con una
Incertidumbre expandida de medida.
Precisión y Exactitud
Incertidumbre, precisión y exactitud son ejemplos de términos que representan conceptos

cualitativos, y por tanto, no deben expresarse numéricamente evitando asociar números con
ellos.
Exactitud de medida: proximidad existente entre un valor medido y un valor verdadero de un

mensurando.
Precisión de medida: proximidad existente entre las indicaciones o los valores medidos
obtenidos en mediciones repetidas de un mismo objeto, o de objetos similares, bajo condiciones
específicas. Estas condiciones se denominan principalmente condiciones de repetibilidad, o de
reproducibilidad, y por tanto, frecuentemente, el término precisión denota simplemente
repetibilidad, es decir, está asociado a la dispersión de las mediciones reiteradas, la cual es
habitual expresarla numéricamente mediante medidas de dispersión tales como la desviación
típica, la varianza o el coeficiente de variación bajo las condiciones especificadas.
Al igual que los otros términos, al tratarse de un término cualitativo, no deberían asociarse
números con él, por lo que la sentencia “la precisión de medida de un ángulo es de 25 segundos”
sería incorrecta. Debería decirse, p. ej., “la precisión de medida de un ángulo, expresada como
una desviación típica obtenida bajo condiciones de repetibilidad, es de 25segundos”. Es decir,
habría que especificar qué medida de dispersión se está asociando al término precisión y bajo
qué condiciones de medida se está empleando. Las condiciones de repetibilidad de una medición
incluyen el mismo procedimiento de medida, los mismos operadores, el mismo sistema de
medida, las mismas condiciones de operación y el mismo lugar, así como mediciones repetidas
en un corto período de tiempo. Por el contrario, las condiciones de reproducibilidad de una
medición incluyen diferentes lugares, operadores, sistemas de medida y mediciones repetidas
de los mismos objetos u objetos similares.
Cuando nos referimos a la precisión de las observaciones, estamos hablando del grado de
conformidad o cercanía que existe entre los valores de una series de observaciones de la misma
magnitud, en cambio cuando hablamos de la exactitud nos referimos al grado de cercanía del
conjunto de observaciones al valor exacto.

Ejemplos de precisión y exactitud

Clasificación de Errores con Correlaciones Adicionales
Evaluacion de la Incertidumbre de medida
La GUM determina que la incertidumbre del resultado de una medida se puede descomponer
generalmente en varias componentes, las cuales se podrían agrupar en dos categorías según el
método utilizado para evaluar sus valores numéricos:
Tipo A: aquéllas que son evaluadas por métodos estadísticos.

Cada componente de la incertidumbre que contribuye a la incertidumbre del resultado de una
medida se representa mediante una desviación típica, denominada incertidumbre típica de
medida, cuyo símbolo se sugiere utilizar ui, que equivale a la raíz cuadrada positiva de la varianza
estimada ui2.
Las correlaciones entre las componentes se caracterizan mediante las correspondientes
covarianzas estimadas o los coeficientes de correlación estimados. La evaluación tipo A de la
incertidumbre típica de medida se puede basar en cualquier método estadístico válido de
tratamiento de datos, como por ejemplo, calcular la desviación típica de la media de una serie
de observaciones independientes realizadas bajo condiciones de medida definidas, usar el

método de ajuste por mínimos cuadrados con el fin de estimar el valor de los parámetros y sus
desviaciones típicas.
Tipo B: aquéllas que se evalúan por otros métodos.

Se basa en el juicio científico utilizando toda la información relevante disponible, la cual podría
incluir:
• mediciones previas
• experiencia, o conocimiento general del comportamiento y propiedades de materiales
relevantes e instrumentos
• especificaciones del fabricante
• datos provenientes de calibraciones y otros informes
• incertidumbres asignadas a datos de referencia tomados de manuales.
Las evaluaciones tipo A basadas en un conjunto de datos no necesariamente han de ser más
fiables que las evaluaciones de tipo B.
La aplicación de una evaluación tipo A para cada mensurando requeriría mucho tiempo de
trabajo, pudiéndose realizar sólo en determinados casos como p. ej., en el control geodésico de
deformaciones.
Comúnmente, las evaluaciones tipo B nos llegan desde las especificaciones del fabricante de
instrumentos topográficos, obtenidas en laboratorio bajo condiciones específicas (p.e. la
incertidumbre en la medida de la distancia de un distanciómetro), desde nuestra experiencia
(p.e. la incertidumbre en la medida de la altura del instrumento) y desde tratados o libros (p.e.
la incertidumbre en el centrado de un instrumento sobre el punto de estación).
Para el caso de una medida determinada indirectamente a partir de otras medidas individuales,
se utiliza la incertidumbre típica combinada de medida, cuyo símbolo se sugiere uc, y que
representa la desviación típica del resultado.
Finalmente, el resultado de una medida (Y) se expresa mediante la incertidumbre expandida

de medida, cuyo símbolo sugerido es U.
Define un intervalo sobre el resultado de medida “y” dentro del cual se cree con certeza (con una
alta probabilidad de cobertura) que estará el valor del mensurando Y, y-U ≤ Y ≤ y+U, el cual se
escribe comúnmente como Y = y ± U.
Se obtiene multiplicando uc por un factor de cobertura cuyo símbolo sugerido es k y su valor se
establece en el rango de 2 a 3, lo que supone una probabilidad de cobertura aproximadamente
del 95% al 99% (U=k uc).

ESTUDIO DEL COMPORTAMIENTO DE LOS ERRORES ALEATORIOS
Son los que dan motivo a todo el cálculo probabilístico. Una vez depuradas las observaciones de
las equivocaciones y de los errores sistemáticos, permanecen diferencias que no pueden ser
determinadas a priori y que no guardan relación aparente entre si (no siguen una conducta
prefijada, es decir no mantienen un sentido). El comportamiento de los mismos se produce al
azar y es por esto que se conoce a este tipo de errores como aleatorios .
La medida es una variable aleatoria y con este tipo de errores efectuaremos un procesamiento
analítico para lograr obtener los resultados finales de cada operación de Agrimensura.
En cada observación se nos presenta una medida obtenida por el operador y el correspondiente
valor verdadero (que desconocemos) que desconoceremos siempre. En consecuencia la
discrepancia entre el valor verdadero τ y la observación X, que designaremos con ε, también es
desconocida.
ε=τ-X Donde ε es el error verdadero, X corresponde a

una Obs. del conjunto de medidas y t es el valor verdadero
En la práctica los Agrimensores trabajamos con aproximaciones del valor verdadero obtenidas
de una serie de mediciones de una cierta magnitud X, cuya discrepancia identificaremos como
error residual.
v = X - ¯ = media de las observaciones
Si bien el comportamiento de los errores aleatorios hemos señalado que se producen al azar, si
las observaciones se efectúan en las mismas condiciones, los errores aleatorios se caracterizan
por tres propiedades básicas de las variables probabilísticas:
• Para un número suficientemente grande de observaciones (n → ∞), la probabilidad de

ocurrencia de un desvío en sentido positivo o negativo es la misma.
• Los desvíos pequeños tienen mayor frecuencia que los grandes (considerados en valor
absoluto).
• Existe un límite para los desvíos por encima del cual la ocurrencia de un suceso no es
posible.
Los errores aleatorios se consideran como eventos aleatorios que son aquellos que por definición
presentan una frecuencia de ocurrencia que se aproxima a un límite estable cuando el número
de observaciones y repeticiones tiende a infinito. Ese límite se denomina Probabilidad del evento
y por definición es un valor acotado entre 0 y 1.
0≤ ≤1
Para un mejor entendimiento de lo tratado veamos el siguiente ejemplo:
Supongamos que a una persona se le da a medir una distancia con una cinta cuya menor
graduación es 1 cm. La persona la mide una vez y obtiene

l = 17.07 ± 0.01 m,
pero la persona no está seguro si ha mirado bien la escala de medida. Repite la operación y
obtiene los siguientes números:
l = 17.08 ± 0.01 m
l = 17.04 ± 0.01 m
l = 17.09 ± 0.01 m
l = 17.07 ± 0.01 m
l = 17.06 ± 0.01 m
¿Qué puede decir de la verdadera longitud?

Debe calcular la denominada media muestral:
¯ = 17.08 17.04 17.09 17.07 17.06

= 17.068 ± ?m
¿Puede la persona deducir que de repente ha aumentado la precisión de la medida y ahora puede
escribir una precisión de  0.001 m utilizando el mismo proceso de promedio?. Parece raro, pues
ha medido longitudes que difieren unas de otras en 0.05 m. Parecería mas razonable decir que
aunque la cinta da una precisión de  0.01 m, el observador humano reduce esa precisión a 
0.05 m.
¿Cómo analizamos esto?
Una forma es tratar de indicar como se separan las medidas realizadas li de la media encontrada
¯.
Nº de Medida Valor li Valor Medio ¯ Desviación ∆li

1 17.08 17.068 +0.012
2 17.04 17.068 -0.028
3 17.09 17.068 +0.022
4 17.07 17.068 +0.002
5 17.06 17.068 -0.008
Suma de Valores: 85.34 Suma de Desviaciones: 0.000
Evidentemente la suma de las desviaciones no nos dice nada acerca de ellas, pues por
construcción del valor medio su suma es cero.
Δl = −¯ + − ¯ + ...... +− ¯ = " +l ....+l! # − $ × ¯

!
" +l ....+l! #
= " +l ....+l! # − $ × =0
$
Pero si las elevamos al cuadrado serán todas positivas de manera que su suma será distinta de
cero:

Nº de Medida Valor li Valor Medio ¯ Desviación ∆li ∆2li

1 17.08 17.068 +0.012 0.000144
2 17.04 17.068 -0.028 0.000784
3 17.09 17.068 +0.022 0.000484
4 17.07 17.068 +0.002 0.000004
5 17.06 17.068 -0.008 0.000064
Suma de Valores: 85.34 Suma de Desviaciones: 0.000 0.00148
Media de Valores 17.068 Media de ∆2li 0.00037
Desviación Estándar σ 0.019
Donde la Media de ∆2li o Varianza σ2 se define como el cuadrado de la desviación estándar σ:
∑")*+)¯#,
σ=' !+
y hemos dividido por (n -1) en vez por n al tener en cuenta que si solamente tenemos una medida,
esta definición de σ produce la indeterminación de 0/0 en vez de producir el valor 0. Si tenemos
solo una medida ignoramos todo sobre la posible dispersión de las mismas, es decir, tenemos un
valor indeterminado y no simplemente 0 (un fundamento más fuerte para esto se verá más
adelante en el curso).
Resulta entonces que obtenemos una imprecisión media de 0.019 m, que es, como era de
esperar, mayor que la imprecisión propia de la regla.
Debemos pues expresar la medida como:
¯=17.07 ± 0.019 m
donde no podemos poner más que una cifra decimal en la medida, pues no solo no sabemos
nada de la segunda cifra debido a nuestra regla, sino que sabemos menos aún debido a nuestros
problemas a la hora de medir, por lo que finalmente deberíamos escribir:
¯=17.07 ± 0.02 m utilizando solamente la primera cifra decimal significativa.

Las desviaciones aleatorias son por definición eventos de dicha naturaleza , los cuales están
regidos por leyes matemáticas y por componentes estadísticos.
La probabilidad de un suceso aleatorio será : 0 ≤ P[E] ≤ 1, donde P[E] =0 ,es el suceso imposible ,
y P[E] = 1, es el caso seguro. La función probabilidad dependerá tanto de la variable aleatoria,
como del valor que puede tomar.
Cuando repetimos un experimento que implica la medida de una cierta magnitud muchas veces,
con un instrumento cuya precisión puede distinguir valores diversos en esas medidas, el obtener
valores distintos se debe en general a la acumulación de muchas causas independientes e
incontrolables.
Así pues cuando hay muchas fuentes de indeterminación y cada una es pequeña, la distribución
de las desviaciones de una medida de su valor verdadero pueden considerarse distribuidas de
forma normal.
DISTRIBUCION NORMAL N(µ,σ)
Podemos decir que la curva que mejor se aproxima al conjunto de mediciones bajo condiciones
normales es la Campana de Gauss. .
Hay 3 funciones estadísticas diferentes a tener en cuenta :
• p(x): X = x que corresponde a la función probabilidad para un valor puntual, la cual esta
relacionada con la probabilidad de un suceso.
• F(x): X ≤ x la cual calcula la probabilidad para un conjunto de valores menores que uno
dado, nos estamos refiriendo a la función de distribución.
• f(x): dF(x)/dx que corresponde a la función de densidad de probabilidad (esta tiene
sentido cuando la variable es continua).
Las mismas es relacionan de la siguiente forma:
 p [ a < x ≤ b ] = F(b) – F(a) ,siendo la probabilidad de que un

cierto valor “x” se encuentre entre “a” y “b”
 f(x) = d(F(x))/dx
 f(x)≥ 0 entonces F(x) es creciente y acumulativa.
 - ."/# dx=F" # − 3"4# el área encerrada debajo de la

curva de densidad representa la probabilidad de ocurrencia
acumulada entre los extremos del intervalo.



Función densidad de DISTRIBUCION NORMAL f(x)
Valor más Probable
p [x ≤ C ]
C µ
Parámetros:

 µ: media o promedio, es el valor que corresponde a la
medida o magnitud de la abscisa del baricentro de la curva
y coincide con el valor máximo de probabilidad.
 σ : desviación estándar, mide la dispersión de los valores
respecto a µ.
Función Densidad:
9":9;#,
."/# = 5 8 ,<,
√ 7
Es importante tener en cuenta la precisión del trabajo realizado, por lo cual se debe observar la
dispersión de los datos, lo que se traduce en las gráficas siguientes :
(a)
(b)
En las mismas se puede observar que “a” es mas precisa que “b”, ya que σ b > σ a , siendo la
precisión inversamente proporcional a la dispersión de los datos.

La probabilidad de que un valor se encuentre entre la media ± el valor de la desviación estándar
es del 68 % .
A los efectos de poder calcular probabilidades a partir de las funciones de densidad normales, se
trabaja con la denominada función de densidad estándar. Esta es aquella función Normal con
parámetros µ = 0 y σ = 1 (Z ∼ N(0,1)). Las áreas bajo esta curva se encuentran tabuladas.
A partir de la función de densidad Normal de x se deberá realizar el denominado cambio de

variable z= (x-µ)/σ de tal forma que:
X ∼ N(µ,σ)  Z ∼ N(0,1)
Ejemplo:
¿ Cual es la probabilidad de que un suceso cualquiera “x” se encuentre entre µ ± σ ?
p[µ-σ < x < µ + σ] , Z= (x-µ)/σ
p[((µ-σ)-µ)/σ < z < ( µ + σ)-µ)/σ] = p[-1< z <+1] =
Φ(1)-Φ(-1)=0.8413-0.1587=0.6826=68.26%
¿ Cual es la probabilidad de que un suceso cualquiera “x” se encuentre entre µ ± kσ ?
p[µ-kσ < x < µ + Kσ] , Z= (µ-σ)/σ
p[-k < Z < k] = Φ(K)-Φ(-K) = 2 Φ (K)-1.

K Probabilidad 2Φ (K)
0.674 0.500 0.7498
1.000 0.683 0.8413
1.960 0.950 0.9750
3.000 0.997 0.9987
Demostración de que ¯ (Media muestral) es la mejor estimación del verdadero valor X.
Si realizamos n medidas independientes y bajos las mismas condiciones, x1, x2, ....., xn, de una
magnitud X, ya vimos que las mismas están distribuidas normalmente.
La probabilidad de haber obtenido esos n valores concretos es:
"/ ∩ / ∩ ...../! #=P"X=x # × "X=x # × ....... "X=x! #

,
9 :*9@
"X=x # = 8 ,<,
5√ 7
,
9 ∑ :*9@
"/ ∩ / ∩ .../! # = A8 ,<,
5A √ 7
El mejor valor de X será aquel para el cual es máxima la probabilidad de que habiendo hecho n
medidas hayamos obtenido los valores concretos x1, x2, ....., xn.
Esta probabilidad es máxima cuando el exponente es mínimo.

Debemos hallar el valor de X que minimiza:
∑"/ − #
∑"/ − # D E 2C
F −2 ∑"/ − #
= =0
2C D 2C
∑ )*
∑"/ − # = 0  X= !

Otras Distribuciones utilizadas en los Errores Aleatorios
En muchas oportunidades en casos de propagación de errores aleatorios o cuando se está

trabajando con mas de una variable, es conveniente considerar otros modelos probabilísticas
basadas en la distribución normal.
Distribución Chi-Square (χ2)
Sean x1, x2, ....., xn, variables aleatorias independientes, cada una de las cuales es normal (0, 1).
Consideremos una nueva variable:
G = / + / + /H + ....... + /!
y llamemos Kn(x) a su función de distribución y kn(x) a su función de densidad.
( )
( )
1 2 2 2
1 − x1 + x 2 + x 3 +.......+ x n2
K n ( x) = P χ 2 ≤ x =  .... e 2
dx 1......dx n
(2π) 2 x +
n
2
1 + x n2 ≤ x
A :
I! "/# = J!K "/# = Cx , + 8 +,
Donde C es una constante y n es el número de cuadrados independientes o libres que intervienen

en la expresión de χ2. Es por esto que a n se lo conoce como el número de grados de libertad.
O
La probabilidad de que χ2 tome un valor mayor a χ02 es: "G > GN # = -P, I! "/#dx
Q
Si queremos hallar una cantidad χp2, tal que G > GR tome un valor dado p% debemos
R
resolver la ecuación: G > GR =
100
χp2 se denomina valor p% de χ2 para n grados de libertad.
Para esto se utilizan tablas de este tipo:
χp2
n
p = 99 98 97 .......
1 ...... ..... ..... .......
2 ....... ..... ..... ......
3 ...... ..... ..... .......
Ejemplo de función
de densidad de χ2 para n = 6.

Distribución De Student (t)
Sean Y, Z dos variables aleatorias independientes tales que: Y ∼ N (0,1), mientras que Z tiene una
distribución χ2 con n grados de libertad.
T
Se define una nueva variable S = √$ U, donde la raíz se toma siempre mayor a cero.
√
Llamemos Sn(x) a su función de distribución y sn(x) a su función de densidad.
)
dx
V! "/# = "S ≤ /# = W X !
+O /
E1 + $ F
Z
Y! "/# = V!K "/# = A[\ donde C es una constante.
:, ,
E A
F
La curva y = sn(x) es simétrica respecto a x = 0. La esperanza matemática de t es cero yC "S# =

!
!+
.
Para valores grandes de n (n → +∞) la curva se aproxima mucho a la normal (0, 1). Para valores
pequeños de n, la curva t se desvía considerablemente de la normal en el sentido de que la
probabilidad de una gran desviación respecto a la media es mayor según t que según la normal.
Ejemplo de función de densidad de t

para n = 3.

B0 - 0 - DISTRIBUCIONES e Incertidumbre

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

B0 - 0 - DISTRIBUCIONES e Incertidumbre

Cargado por

Copyright:

Formatos disponibles

DEPARTAMENTO DE GEODESIA

TEORÍA DE LAS OBSERVACIONES

ERROR E INCERTIDUMBRE DE MEDIDA

En tal momento se entiende que el resultado de la medición está completo. La evaluación de

Medida = (Valor numérico ± incertidumbre) unidades

Este parámetro, la incertidumbre, es el objeto principal de la Guía para la expresión de la

Error Sistemático de medida

Rev4_092023 // Prof.Adj. Ing.Fabián D.Barbato fabian.barbato@fing.edu.uy Prof. Ing.Danilo Blanco

Los errores sistemáticos afectan a la exactitud de la medida.

Error Aleatorio de medida

Por tanto, para la segunda medida el error aleatorio de medida sería de

El valor de referencia para un error aleatorio es la media que se obtendría de un número

Parámetro no negativo que caracteriza la dispersión de los valores atribuidos a un mensurando,

Se pueden usar varios parámetros para cuantificar la incertidumbre:

Incertidumbre expandida de medida: producto de una incertidumbre típica combinada y un

Rev4_092023 // Prof.Adj. Ing.Fabián D.Barbato fabian.barbato@fing.edu.uy Prof. Ing.Danilo Blanco

Incertidumbre, precisión y exactitud son ejemplos de términos que representan conceptos

Exactitud de medida: proximidad existente entre un valor medido y un valor verdadero de un

Rev4_092023 // Prof.Adj. Ing.Fabián D.Barbato fabian.barbato@fing.edu.uy Prof. Ing.Danilo Blanco

Ejemplos de precisión y exactitud

Rev4_092023 // Prof.Adj. Ing.Fabián D.Barbato fabian.barbato@fing.edu.uy Prof. Ing.Danilo Blanco

Evaluacion de la Incertidumbre de medida

Tipo A: aquéllas que son evaluadas por métodos estadísticos.

Rev4_092023 // Prof.Adj. Ing.Fabián D.Barbato fabian.barbato@fing.edu.uy Prof. Ing.Danilo Blanco

Tipo B: aquéllas que se evalúan por otros métodos.

Finalmente, el resultado de una medida (Y) se expresa mediante la incertidumbre expandida

Rev4_092023 // Prof.Adj. Ing.Fabián D.Barbato fabian.barbato@fing.edu.uy Prof. Ing.Danilo Blanco

ε=τ-X Donde ε es el error verdadero, X corresponde a

• Para un número suficientemente grande de observaciones (n → ∞), la probabilidad de

Para un mejor entendimiento de lo tratado veamos el siguiente ejemplo:

Rev4_092023 // Prof.Adj. Ing.Fabián D.Barbato fabian.barbato@fing.edu.uy Prof. Ing.Danilo Blanco

¿Qué puede decir de la verdadera longitud?

¯ = 17.08 17.04 17.09 17.07 17.06

¿Cómo analizamos esto?

Nº de Medida Valor li Valor Medio ¯ Desviación ∆li

Δl = −¯ + − ¯ + ...... +− ¯ = " +l ....+l! # − $ × ¯

Rev4_092023 // Prof.Adj. Ing.Fabián D.Barbato fabian.barbato@fing.edu.uy Prof. Ing.Danilo Blanco

Nº de Medida Valor li Valor Medio ¯ Desviación ∆li ∆2li

Donde la Media de ∆2li o Varianza σ2 se define como el cuadrado de la desviación estándar σ:

¯=17.07 ± 0.02 m utilizando solamente la primera cifra decimal significativa.

Rev4_092023 // Prof.Adj. Ing.Fabián D.Barbato fabian.barbato@fing.edu.uy Prof. Ing.Danilo Blanco

DISTRIBUCION NORMAL N(µ,σ)

Hay 3 funciones estadísticas diferentes a tener en cuenta :

Las mismas es relacionan de la siguiente forma:

 p [ a < x ≤ b ] = F(b) – F(a) ,siendo la probabilidad de que un

 f(x)≥ 0 entonces F(x) es creciente y acumulativa.

 - ."/# dx=F" # − 3"4# el área encerrada debajo de la

Rev4_092023 // Prof.Adj. Ing.Fabián D.Barbato fabian.barbato@fing.edu.uy Prof. Ing.Danilo Blanco

Rev4_092023 // Prof.Adj. Ing.Fabián D.Barbato fabian.barbato@fing.edu.uy Prof. Ing.Danilo Blanco

Rev4_092023 // Prof.Adj. Ing.Fabián D.Barbato fabian.barbato@fing.edu.uy Prof. Ing.Danilo Blanco

Función densidad de DISTRIBUCION NORMAL f(x)

Valor más Probable

Rev4_092023 // Prof.Adj. Ing.Fabián D.Barbato fabian.barbato@fing.edu.uy Prof. Ing.Danilo Blanco

Rev4_092023 // Prof.Adj. Ing.Fabián D.Barbato fabian.barbato@fing.edu.uy Prof. Ing.Danilo Blanco

A partir de la función de densidad Normal de x se deberá realizar el denominado cambio de

p[µ-σ < x < µ + σ] , Z= (x-µ)/σ

p[((µ-σ)-µ)/σ < z < ( µ + σ)-µ)/σ] = p[-1< z <+1] =

¿ Cual es la probabilidad de que un suceso cualquiera “x” se encuentre entre µ ± kσ ?

p[µ-kσ < x < µ + Kσ] , Z= (µ-σ)/σ

p[-k < Z < k] = Φ(K)-Φ(-K) = 2 Φ (K)-1.

Rev4_092023 // Prof.Adj. Ing.Fabián D.Barbato fabian.barbato@fing.edu.uy Prof. Ing.Danilo Blanco

Demostración de que ¯ (Media muestral) es la mejor estimación del verdadero valor X.

"/ ∩ / ∩ ...../! #=P"X=x # × "X=x # × ....... "X=x! #