Introducción al tratamiento de datos

Juan Abel Barrio

1
© José Luís Contreras
 Enfoque
Intuitivo
(nos falta estadística y tiempo)

Práctico
(queremos trabajar en el laboratorio)

2
 Indice
 Medidas.
 Unidades.
 Cálculo de incertidumbres.
 Presentación de resultados.
 Media ponderada.
 Regresión lineal.
 Interpolación.
 Ejercicios
3
 Medir

Comparar una cantidad con su respectiva

unidad, con el fin de averiguar cuantas
veces la segunda está contenida en la
primera.

4
 Partes de una medida I
Si medimos el largo de una mesa ...
El resultado podría ser ?

125,634
125,634 cm
125,634 ± 17,287 cm
125 ± 17 cm 5
 Partes de una medida II
Al medir una mesa podemos obtener

125 ± 17 cm

Presentación
valor unidades
±incertidumbre 6
 Error e incertidumbre I
Muchas veces se cometen errores al medir.

Debemos corregirlos o al menos estimarlos

X Xreal

Xmedido X
7
 Error e incertidumbre II
Error = Xreal –Xmedido
XrealXmedido X, Xmedido X)

X Xreal

Xmedido X
8
 Nivel de Confianza
 X depende de lo seguros que queramos estar
 Nivel de confianza = fracción de las veces que quiero
acertar. 99%, 95%...

X Xreal

Xmedido X
9
 Tipos de medidas
 Medidas directas

Las anoto de un instrumento

L1, L2

 Medidas indirectas L2

Provienen de aplicar
operaciones a medidas
directas
A = L1 x L 2
L1
10
 Tipos de errores
 Medidas directas
• Sistemáticos
•Aleatorios

 Medidas indirectas
• Derivados de los anteriores

11
 Errores sistemáticos
 Errores sistemáticos
Limitaciones de los aparatos o métodos
• Precisión
• Calibración

73
72
0
1
12
 Errores aleatorios I
 Factores que perturban nuestra medida.
• Suma de muchas causas
• Tienden a ser simétricos.
• Se compensan parcialmente.
• Repetir las medidas. medidas
• Estadística

Xreal 13
 Errores aleatorios II
 Distribuciones
Representamos la frecuencia de sucesos aleatorios.
 Tienden a curvas típicas

x
xx x
x x x xx x x x

Xreal 14
 Cómo estimar el resultado
 Frente a errores sistemáticos.
• Medir correctamente
• Calibrar los aparatos
 Frente a errores aleatorios.
• Se compensan repetir varias veces la medida
• La media es el valor más probable

n
Xi
X 
i 1 n 15
 Ejemplo
 Me peso varios días seguidos en iguales condiciones

Día L M X J V
Masa
73 72 74 72 73
(kg)

(73  72  74  72  73)
M  72,8 kg
5

16
 Indice
 Medidas.
 Unidades.
 Cálculo de incertidumbres.
 Presentación de resultados.
 Media ponderada.
 Regresión lineal.
 Interpolación.
 Ejercicios
17
 Partes de una medida II
Al medir una mesa podemos obtener

125 ± 17 cm

Presentación
valor unidades
±incertidumbre 18
 Tipos de errores
 Medidas directas
• Sistemáticos
•Aleatorios

 Medidas indirectas
• Derivados de los anteriores

19
 Incertidumbre
 Se suele expresar como:

1. Absoluta: X

X X
2. Relativa: Er  Er en %  100
X X

 Se suele descomponer en:

1. Incertidumbre factores sistemáticos: S1S2
Destaca la de precisión
2. Incertidumbre factores aleatorios:  20
 Incertidumbre de precisión Es
 En casos sencillos la estimaremos como:
La mitad (?) de la división menor de la escala
Ej: Balanza

 A veces depende del experimentador

No hay reglas sencillas para estimarla
Ej: Cronómetros

 No es fácil definir su intervalo de confianza

21
 Incertidumbre aleatoria EA
 Para n medidas


EA  t n  1 s = Desviación

n 1 n típica de las
medidas

Desviación típica
de la media
Factor de cobertura
t de Student
22
s: la dispersión de los datos

X 4
  
Xreal
¿edir
¿edirlalaseparación
separacióncon
conrespecto
respectoalalvalor
valormedio
real ??
¿Cómo?
No conocemos el valor real

 n
(33  
2
xxxi )
2
x
 (44   2
2
 xx )2 5(55x
2x)
3  4  4  4   22
 40
s 2 ss
2  i 1
2
5
2
2
  1
n 1
n 1 333 3 1 33 2 23
 s: propiedades
 Es la distancia del valor real a la que estará más
probablemente un nuevo dato

s n


 cte
 Tiene las mismas unidades que el resultado

24
 Dispersión de la media
s
sX 
n
 SI hiceramos muchos grupos de n medidas...
 La media es más precisa que cualquier dato, los
errores aleatorios se compensan
 Pero despacio ....
 Los errores de precisión no se compensan
25
 t de Student

 Ya tenemos X y s X pero el intervalo... X  s X es pequeño y

conlleva un nivel de confianza variable multiplicamos por un factor
corrector.
tn
 Si es el nivel de confianza t 4 t 4 (1   ) t 4 ( p ) p=0.05.

 Para pocas medidas s=n-1 se estima mal y el factor es mayor para

compensar.

 ¿Quien fue Student ?

26
 Coeficientes tn
n 1 2 3 4 5 10 20 40 

tn
6,31 2,92 2,35 2,13 2,01 1,81 1,72 1,68 1,64
P=0.1

tn
12,7 4,30 3,18 2,78 2,57 2,23 2,08 2,02 1,96
P=0.05

tn
63,6 9,92 5,84 4,60 4,03 3,16 2,85 2,70 2,58
P=0.01

27
 t de Student
 Ya tenemos X y s X pero el intervalo... X  s X es
pequeño y conlleva un nivel de confianza variable
multiplicamos por un factor corrector.
 Si es el nivel de confianzat t 4 t 4 (1   ) t 4 ( p )
n

p=0.05.

 Para pocas medidas s=n-1 se estima mal y el factor es

mayor para compensar.

 ¿Quien fue Student ?

28
 Un poco de Historia:Student
 Inglaterra - Irlanda
 Control de calidad
industrial
 Extraemos un número
pequeño de muestras de
un lote grande.
¿ Representan al producto ?
W. Gosset 1876-1937

29
 Ejemplo
 Me peso varios días seguidos en iguales condiciones
M  72,8 kg
Día L M X J V
Masa  n 1  0,837 kg
73 72 74 72 73
(kg)
t n 1  t 4  2,78

2 0 ,,837
 n 1
73
E  t
 72,8   72
n 
1 72,8 2
 2 ,78 74  72 8 2
 72  72,8
 1,04 kg2
 73  72,8 2

A 4
5 5 1 5

30
 Incertidumbre total
 Combinaremos las incertidumbres en cuadratura:

22 2
X   E
X   
E 2
S A1
2
2

 Propiedades
2 2
E A , ES  E A  ES  E A  ES
2 2
E A  ES , E A  ES  E A
31
 Resumen medidas directas
X final  X

2 2
X final  E A  ES


SMedia división
EA  t n  1
mínima n 1 n
32
 Ejemplo
 Me peso varios días seguidos en iguales condiciones
M  72,8 kg
Día L M X J V
Masa E A  0,97 kg
73 72 74 72 73
(kg)
E S  0,5 kg

M  0,97 2  0,5 2  1,091 kg

Presentación
M  72,800  1,091 kg incorrecta !
33
 Medidas indirectas I
 Dependen de otras mediantes expresiones
matemáticas
 Ej: Area de un cuadrado = (Lado)2
A = L2
L = 5 cm cm2 , ¿?
 Recordando derivadas...

dA lim A  dA 
  A    L
dL L  0 L  dL 
34
 Medidas indirectas II
dA
 2 L  A  2 LL
dL

 Significado L L

 Válido si L pequeño
L
 Interpretación geométrica
L
L
35
 Medidas indirectas III
L1
 Area de un rectángulo
A = L1 x L 2
 L1 conocido perfectamente
L2
dA
 L1  A  L1L2
dL2
 Y si L1, ,L2 inciertos ? L2
L2
L1
36
 Medidas indirectas IV
L1
A  L1L2  L2 L1 ?

L2
L2 x L1
A  L1L2 
2
 L2 L 
2

 Errores independiente se
compensan parcialmente L1 x L2 L1 x L2

37
 Medidas indirectas V
Y  f  X 1 , X 2 , 

2 2
 Y   Y 
Y  
 X X 1 
 
 X X 2 
 
 1   2 

Derivada parcial de Y respecto a X1

38
 Derivadas parciales
Y  f  X 1 , X 2 , 
Y
Como varía Y si varía sólo X1
X 1 EJEMPLOS

M
y  3x  4 z  
V
2 3
yx z V  r h 2

39
 Casos simples
Y  c X Y  c   X

Y  X1  X 2 Y  X 1   X 2 
2 2

Y  X1  X 2 2 2
 X 1   X 2 
Y  Y 
 X 
  
 X 

X1  1   2 
Y 
X2
X
Y  Y  n 
Y  Xn X
40
 Ejemplo (casi) completo I
Usando una balanza se mide 5 veces la masa de una
esfera de radio r = 1.0 0.1 cm. Se pide calcular su
densidad.
n0 1 2 3 4 5
M (g) 14.3 14.5 14.7 14.4 14.1

1
M
3  
V
2
41
 Ejemplo (casi) completo II
Usando una balanza se mide 5 veces la masa de una
esfera de radio r = 1.0 0.1 cm. Se pide calcular su
densidad.
n0 1 2 3 4 5
M (g) 14.3 14.5 14.7 14.4 14.1 M  14.400 g

ES  0.05 g
 M  ES2  E A2  0.282 g
M  14.400  0.282 g
0.224
E A  2.78 g  0.278 g
5
42
 Ejemplo (casi) completo III
Usando una balanza se mide 5 veces la masa de una
esfera de radio r = 1.0 0.1 cm. Se pide calcular su
densidad.

4 3  V 
2
V  r V   r   4r 2 r
3  r 

V  4,2  1,3 cm 3

V r
E R ,V   0.3  3
V r 43
 Ejemplo (casi) completo IV
Usando una balanza se mide 5 veces la masa de una
esfera de radio r = 1.0 0.1 cm. Se pide calcular su
densidad.

M  M 
2
 V 
2

        
V  M   V 

g
  3,4377  1,0335 3 ?
cm
44
 Presentación de resultados
 Los resultados se presentan redondeados

g g
  3,4377  1,0335 3 ?   3,4377  1,0 3 ?
cm cm
g
  (3,4  1,0) 3
cm
1. NO tengo tanta precisión en  como
pretendo
2. ¿ Si tengo una incertidumbre de
unidades...Por qué doy diezmilésimas en 
46
 Cifras significativas
 Cifras significativas 
 Todas salvo los ceros a la izquierda
 Sobreviven a un cambio de notación

 Ejemplos:
123  3 c.s. 123  103  3 c.s.
0,123  3 c.s. 123  10 -3  3 c. s.
67  2 c.s. 670  3 c.s.
0,67  2 c.s 0,670  3 c.s.
47
 Reglas (arbitrarias) de Redondeo
 La incertidumbre se expresa con 2 cifras significativas.

 El valor se expresa con tantos decimales como la

incertidumbre.

 Valor e incertidumbre se expresan con las mismas

unidades y potencia de 10.

48
 Comparación de resultados
 Resultados compatibles

 Resultado más preciso.

Review of particle porperties (PDG). Phys. Rev. D 45 Part II (1992) I.11

49
Calculadora

50
Excel

51