1.

Tenemos una magnitud Z que cumple

Z ( X, Y ) = πX + Y N (1)

a)
Queremos saber cómo calcular la incerteza absoluta de Z en función de las de X, Y
y N. Para esto simplemente tenemos que derivar Z respecto de estras tres magnitudes y
sumar cuadráticamente las derivadas multiplicadas por la incerteza en esa magnitud. Voy
a asumir por supuesto que π es exacto, porque lo puedo tomar con decimales suficientes
como para que el término de incerteza de π sea despreciable respecto de los otros.

∂Z
=π
∂X
∂Z
= NY N −1
∂Y
∂Z
= ln(Y )Y N
∂N
q
2 2
⇒ δZ = (πδX )2 + ( NY N −1 δY ) + (ln(Y )Y N δN ) (2)
Podría haber usado también los atajos que me dicen cómo se comportan los errores
de variables multiplicadas y sumadas, pero para el error de N no había otra salida que
derivar.

b)
Ahora tenemos datos!
X = 25 sm2 con un error relativo de 0.005. Es decir, δX = 0,125 sm2 . Y = 5 ± 0,01
en alguna unidad que me permita sumarlo a X luego de elevarlo a la N (es decir,
δY = 0,01), y N = 2 ± 0,002. Metiendo estos valores en (1) y (2) obtenemos que

2m m
q
δZ = (π × 0,125)2 + (2 × 5 × 0,01)2 + (ln(5) × 52 × 0,002) 2 = 0,4131... 2
s s

i)
Para saber si puedo despreciar alguna de las incertezas, tendría que ver cuánto aporta
cada una al valor final. Notando que los términos dentro de los cuadrados son 0.39,
0.01 y 0.08, todas en sm2 , puedo argumentar que el término correspondiente a Y, el
segundo, es más de un orden menos que el término dominante, el de X y que podría
ser despreciado. De hecho, si quisiera quedarme sólo con una cifra significativa en la
incerteza, me alcanza con calcular sólo el término de X (los otros dos afectan recién la
segunda cifra significativa).

1
ii)
Para conocer la incerteza porcentual necesito primero el valor de Z:
m
Z = 103,5398...
s2
con esto obtengo que
δZ
ϵZ = = 0,00399
Z
Por lo que el error porcentual es de 0,4 %.

c)
Otro estudiante midió Z = (100 ± 2) sm2

i)
Vemos que las dos mediciones son incompatibles, pues el mínimo valor comprendido
en el intervalo de confianza de mi medición es Z = 103,13 sm2 , mientras que el máximo
del otro estudiante es Z = 102 sm2 , es decir, no hay solapamiento entre los intervalos.

ii)
Es evidente que mi método es más preciso.

2.
Va aparte!

3.
La ley de Zipf establece una de las siguientes relaciones entre el rango de una palabra
k y el número de apariciones de la misma en el léxico, f :

f = Akb (3)

f = Aebk (4)

a)
La forma más práctica de obtener b a partir de ajustes por cuadrados mínimos
(lineales) es linealizar las relaciones. Si necesitara A, podría graficar f vs kb o vs
ekb , según corresponda, y obtener A como la pendiente del gráfico que obtengo. Sin
embargo, como necesito b, voy a tener que ahcer alguna cuenta. Por ejemplo, puedo
tomar logaritmo de los dos lados, obteniendo:

2
 ln( f ) = ln( A) + b ln(k ) (5)
ln( f ) = ln( A) + bk (6)
De esta forma, b va a ser la pendiente de un ajuste lineal de ln( f ) vs ln(k ) o vs k,
según corresponda.

b)
para saber qué variable poner en qué eje voy a tener que mirar los errores de las
magnitudes transformadas (k, ln(k) y ln( f )). Como las funciones (3) y (4) no pasan por
el origen de coordenadas (ambas tienen un desplazamiento ln( A) respecto del origen),
no puedo comparar los errores relativos directamente. Tengo dos opciones:

1. Correr los datos al origen. Para hacer esto tengo que hacer un primer ajuste
burdo, donde no me preocupo por los errores para estimar el valor de ln( A).
Luego resto el valor estimado de los dos lados de forma que las relaciones
resultantes sí pasen por el origen. Hecho esto, puedo comparar los errores relativos
de mis magnitudes para decidir cuál va en qué eje.

2. Estimar el error en una magnitud debido a la otra. Esto es lo formalmente más

correcto. Tendríamos que calcular la derivada parcial de la variable ln( f ) respecto
de ln(k) y de k, según corresponde a cada caso, y comparar la incerteza que aporta
este término comparada con la incerteza de la magnitud misma. Es decir, comparar
δln( f ) con bδln(k) y con bδk , según corresponda. Sin embargo, notamos que esta
decisión depende del valor de b, por lo que nuevamente tendríamos que hacer un
ajuste preliminar para estimar esta magnitud y decidir cuál usar.

Si bien estas dos ideas son correctas, por simplicidad podemos usar una aproxima-
ción un poco menos válida que consiste en simplemente mirar los errores relativos. En
este caso el error relativo varía con las variables, dado que los errores absolutos no son
constantes. Además, como decidí linealizar, tengo que propagar los errores a través de
la linealización.
En ambos casos tengo que ver el error de ln( f ):

∂ln( f ) δf
δln( f ) = δf =
∂f f

Además, en para (5) tengo e la misma forma que δln(k) = δk k−1 . Para (6) no es necesario
propagar el error en k.
Miremos entonces cómo se comparan los errores relativos de ln( f ) con los de k y
ln(k). En la figura 1 vemos que si bien inicialmente ϵln( f ) es del mismo orden que ϵk ,
rápidamente baja y se aleja. Si miramos los promedios vemos que ϵ̄ln( f ) = 0,0014 y
ϵ̄k = 0,0047, ¡con lo cual no puedo despreciar uno frente al otro! De todas formar, k

3
 Figura 1: Errores relativos de las tres magnitudes a graficar

tiene un error relativo mayor que ln( f ), por lo que será mi variable dependiente en el
ajuste de (6). Esto es, voy a ajustar algo tipo

1
k= ln( f ) + c,
b
con c alguna nueva constante que depende de b y de A, pero que no me interesa.
Acá lo formalmente correcto sería incluir una componente de los errores de la
variable independiente en los de la dependiente, pero nuevamente, por simplicidad y
teniendo en cuenta la materia en la que estamos, nos vamos a quedar sólo con los errores
de la variable que más error relativo tiene.
Por otro lado, el error relativo de ln(k) es mucho menor que el de ln( f ), por lo que
esta última será mi variable dependiente en el ajuste de (5).

c)
Para decidir qué modelo ajusta mejor a los datos tenemos que hacer los dos ajustes
y evaluar algún medidor de bondad de ajuste, yo voy a usar el R2 . Por inspección visual
de la figura 2 notamos que el modelo (3) ajusta mejor que el de (4). Esta intuición es
consistente con el resultado cuantitativo dado por comparar el R2 del primero, que es
R2 = 0,9998 con el del segundo, R2 = −0,7952.

4
 Figura 2: Ajustes de los dos moedlos (3) y (4) linealizados.

d)
Habiendo elegido el modelo (3) como el que mejor describe la relación entre
mis datos, voy a calcular a partir de este último el valor de b. El ajuste me arrojó
b = 0,3333069... con una varianza de 5,295 × 10−7 , por lo que mi magnitud es b =
0,3333 ± 0,0007. Como mi parámetro es la pendiente del ajuste, no necesité hacer
ninguna propagación más allá de la que está implícita en el cálculo de cuadrados
mínimos. Nótese que si hubiera elegido el otro modelo, habría tenido que propagar el
error de la pendiente en 1/b.