Fı́sica Experimental I

2do. Cuat. 2018

Contenidos
1 Medición. Consideraciones básicas 6
1.1 Modelo y objeto. Discrepancia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2 El resultado de la medición como un intervalo . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Error e incertidumbre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4 Tipos de mediciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5 Presentación de resultados. Redondeo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.6 Precisión y exactitud . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.7 Incertidumbre de tipo instrumental . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.8 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

2 Tratamiento estadı́stico de datos I 14

2.1 Fluctuaciones al azar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2 Descripción estadı́stica de resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3 Valores centrales y dispersión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.4 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

3 Incertidumbre de mediciones directas 19

3.1 Incertidumbre del promedio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2 Combinación de incertidumbres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.3 Número óptimo de mediciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.4 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

4 Propagación del error 22

4.1 Propagación del error. Una variable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.2 Propagación del error. Varias variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.3 Aplicación al caso de mediciones aisladas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4.4 Diseño de experimentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.5 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

5 Incertidumbre en mediciones indirectas 27

5.1 Magnitudes dependientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

2
 5.2 Magnitudes independientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
5.3 Incertidumbre instrumental en mediciones indirectas . . . . . . . . . . . . . . . . . . . . . . . 29
5.4 Expresión final del resultado de una medición indirecta . . . . . . . . . . . . . . . . . . . . . . 29
5.5 El método de mı́nimos cuadrados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
Regresión lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Número óptimo de mediciones en la regresión lineal . . . . . . . . . . . . . . . . . . . . . . . . 33
5.6 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

6 El modelo y el experimento 38
6.1 Comparación modelo-experimento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
6.2 El experimento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
6.3 Gráficos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
6.4 Análisis de resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
6.5 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

7 Presentación de resultados cientı́ficos 43

7.1 El artı́culo o informe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
7.2 Presentación oral. Poster . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

8 Propuestas de experiencias: medición de g 49

8.1 Caı́da libre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
8.2 Péndulo simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
8.3 Péndulo fı́sico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
8.4 Masa unida a un resorte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

9 Apéndice A: Probabilidades 51
9.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
9.2 Definiciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
9.3 Probabilidad condicional. Sucesos independientes . . . . . . . . . . . . . . . . . . . . . . . . . 52
9.4 La ley de los grandes números . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
9.5 Variables aleatorias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
9.6 Funciones de variables aleatorias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

3
 9.7 Variables aleatorias bidimensionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
9.8 Variables aleatorias independientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
9.9 Esperanza de una variable aleatoria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
9.10 Varianza de una variable aleatoria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
9.11 El coeficiente de correlación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
9.12 La distribución binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
9.13 La distribución normal o de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
9.14 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

10 Apéndice B: Tablas 62
10.1 Tabla 1: Distribución de Gauss normalizada . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
10.2 Tabla 2: Distribución de Student . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64

11 Apéndice C: Datos de instrumentos 65

11.1 Calibre digital . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65

4
Fı́sica Experimental I - 2do. Cuat. 2018

Bibliografı́a
[1] D.C. Baird, Experimentación–Una introducción a la teorı́a de mediciones y al diseño de experimentos,
segunda edición, Prentice Hall, México, 1991.
[2] Salvador Gil y Eduardo Rodriguez, Fı́sica recreativa–Experimentos de Fı́sica, Prentice Hall, Buenos
Aires, 2001.
[3] Maiztegui Alberto P. Maiztegui y Reinaldo J. Gleiser, Introducción a las mediciones de laboratorio, Ed.
Guayqui, Córdoba, Argentina, 1976.
[4] Paul L. Meyer, Probababilidades y aplicaciones estadı́sticas. Segunda Edición. Addison Wesley
Iberoamericana, 1992.
[5] Semyon G. Rabinovich, Measurement errors and uncertainties–Theory and practice. Tercera Edición.
AIP Press, Springer, 2005.

5
Fı́sica Experimental I - 2do. Cuat. 2018

1 Medición. Consideraciones básicas

1.1 Modelo y objeto. Discrepancia
El proceso de medición consiste en determinar el valor de una magnitud que caracteriza a un objeto. Para
esto es necesario previamente haber definido un modelo idealizado del objeto bajo estudio y también el grado
de incertidumbre con el que se desea determinar dicho valor.
Por ejemplo, la medición del diámetro de una mesa circular implica haber decidido que una circunferencia
constituye un modelo adecuado para la mesa. Si ese no es el caso (por ejemplo, si la mesa es levemente
elı́ptica), encontraremos fluctuaciones en el resultado de la medición del diámetro que pueden superar la
precisión requerida. La elección del modelo adecuado es un punto básico del proceso de medición.
En algunos casos, la validez o utilidad de la definición del objeto de medición (modelo) puede depender
de la precisión requerida. Por ejemplo, el concepto de litoral costero puede ser apropiado si se desea medir
su longitud entre dos ciudades con una precisión de 1 km. Este no es el caso si la precisión deseada es de
1 cm (el movimiento del oleaje por sı́ solo puede volver imprecisa la definición del objeto en esa escala de
longitudes).
Siempre existirá discrepancia entre el modelo adoptado y el objeto, que es necesario tener en cuenta al
momento de evaluar el resultado de una medición.

1.2 El resultado de la medición como un intervalo

Supongamos que le pedimos a un carpintero que estime el alto de una puerta. Él nos contesta (a partir de
una apreciación a simple vista) que la altura de la puerta es de 2 m. Al preguntarle si es posible que la
altura de la puerta sea de 2.20 m nos contesta que no, que como mucho la puerta tiene una altura de 2.10
m. Si le preguntamos por la posibilidad de que la puerta mida 1.80 m, el carpintero nos contesta que a lo
sumo puede medir 1.90 m. Es decir, la verdadera altura h de la puerta es tal que:

1.90 m < h < 2.10 m

Supongamos que le indicamos al carpintero que construya la puerta a partir de su estimación de h. Entonces
vemos que vuelve a medir la puerta, esta vez con un instrumento: un metro de carpintero. Nos dice que la
altura de la puerta es de 1.98 m. Nuevamente le preguntamos acerca de los lı́mites dentro de los cuales él
está seguro que se encuentra el verdadero valor de h. Esta vez nos dice que:

1.97 m < h < 1.99 m

6
Le preguntamos cómo sabe que h no es mayor que 1.99 y nos contesta que las “rayitas” de su metro de
carpintero están separadas 1 mm, y que él puede observar que el borde de la puerta no cae más allá que la
rayita correspondiente a la longitud de 1.99 m, ni más acá que la correspondiente a 1.97 m.
De manera general, el resultado de la medición de una magnitud (x, por ejemplo) es un intervalo, dentro
del cual se encuentra el verdadero valor de x con cierto grado de confianza. Esto lo podemos expresar como
antes:
xmin < x < xmax (1)
Si consideramos que el valor central del intervalo es:
xmin + xmax
x̃ =
2
y que el semiancho del intervalo está dado por:
xmax − xmin
∆x =
2
vemos que la desigualdad (1) se puede escribir como:
x̃ − ∆x < x < x̃ + ∆x
o, de manera similar:
x = x̃ ± ∆x (2)
El semiintervalo ∆x se denomina incertidumbre absoluta de la medición. Muchas veces es útil definir la
incertidumbre relativa, la cual se suele expresar como un porcentaje:
∆x
∆xrel = × 100
x̃

1.3 Error e incertidumbre

Con frecuencia se utiliza el término error con el mismo significado que incertidumbre. Sin embargo, de
manera rigurosa, no es lo mismo. El error es el apartamiento que tiene el resultado de una medición
particular de una magnitud, con respecto al verdadero valor de la magnitud. Dado que este último no se
conoce, el error tampoco puede conocerse. Sin embargo, el error existe y hace que tengamos incertidumbre
acerca del resultado de la medición.
Los errores en una medición pueden tener varios orı́genes:

• El instrumento de medición
El instrumento puede introducir errores en el resultado de la medición debido a una calibración inade-
cuada, envejecimiento, medición fuera de las condiciones apropiadas de funcionamiento del instrumento,
perturbación externa, etc.

7
 • La propia magnitud
A veces la propia magnitud fluctúa o no está precisamente definida, o el objeto a ser medido lo hace.
Otras veces el modelo asumido para el objeto bajo medición presenta discrepancias que dan lugar a un
error.
• El proceso de medición
A veces no es posible controlar todos los aspectos de una medición (posicionamiento, otras condiciones)
de manera que se introducen errores.
• El entorno
A veces las condiciones externas en las que se realiza la medición influyen sobre el resultado de la
medición.
• El propio operador
La manera en que se mide o las propias habilidades del instrumentista dan lugar a errores.

Se dice que una medición tiene error por exceso (defecto) si su valor está por encima (debajo) del valor
esperado de la magnitud.
De acuerdo a su comportamiento, los errores pueden clasificarse en:

• errores absolutamente constantes: toman el mismo valor en todas las mediciones o presentan un sesgo
definido en alguna dirección (positiva o negativa). Una vez estimados pueden sustraerse del resultado
de la medición. Un ejemplo tı́pico de error sistemático lo constituyen los errores de calibración de
los instrumentos y los errores introducidos por fórmulas derivadas del modelo adoptado. En general,
pueden estimarse a priori, es decir, antes de la realización de la medición. Este tipo de errores también
suelen denominarse sistemáticos.
• errores condicionalmente constantes: pueden tomar cualquier valor dentro de lı́mites bien acotados.
Los errores definidos por el fabricante del instrumento son un ejemplo de este tipo de errores. Los
lı́mites de este tipo de errores también pueden estimarse a priori.
• errores o fluctuaciones al azar (random, en inglés): aparecen cuando se realizan varias mediciones en
las mismas condiciones y se observa una dispersión en los resultados sin que dichas diferencias puedan
ser predichas individualmente. Sólo después de realizar muchas mediciones es posible determinar cierto
comportamiento regular. Claramente, es un tipo de error que puede ser evaluado a posteriori, es decir,
luego de realizadas varias mediciones. A diferencia de los errores condicionalmente constantes, los
lı́mites de las fluctuaciones al azar pueden no ser bien precisos.

Se dice que un conjunto de mediciones de la misma magnitud realizadas en las mismas condiciones
muestran repetitividad cuando los resultados se encuentran muy agrupados. Esto implica que las fluctuaciones

8
al azar son pequeñas. Por otro lado, cuando se encuentran agrupados los resultados de mediciones de la
misma magnitud realizadas en distintas condiciones (en otro laboratorio, mediante otra técnica, etc.) se dice
que las mismas muestran buena reproducibilidad. Esto implica que no sólo los errores o fluctuaciones al azar
son pequeños, sino que también los sistemáticos.
A veces, al realizar un conjunto de mediciones se observan datos muy apartados del conjunto general,
los cuales son el resultado de mediciones mal realizadas, desarreglos en la configuración (setup) experimental
o errores del investigador. Dichos datos pueden descartarse razonablemente mediante métodos estadı́sticos.

1.4 Tipos de mediciones

Es posible dividir los distintos tipos de mediciones en:

• mediciones directas: el instrumento actúa directamente con el objeto. Su lectura aporta directamente
el resultado de la medición. Por ejemplo: se mide el diámetro d de una moneda con un calibre.
• mediciones indirectas: el resultado se obtiene a partir de una fórmula, cuyos argumentos son el resultado
de mediciones directas. Por ejemplo: se calcula (mide) el área A de dicha moneda mediante la fórmula
A = πd2 /4. Se mide le diámetro y se calcula A.

En algunos casos basta con realizar una única medición (medición aislada) mientras que en otros deben
realizarse varias mediciones en idénticas condiciones (mediciones múltiples). En este último caso suelen
aprovecharse los resultados de todas las mediciones mediante herramientas estadı́sticas.
Cuando la magnitud o parámetro que se desea medir puede considerarse constante durante todo el
tiempo de medición (por ejemplo, durante la medición del ancho de una página A4) se dice que la medición
es estática. En otro caso la medición es dinámica, debiéndose considerar entonces las caracterı́sticas dinámicas
del instrumento (tiempo de respuesta, deriva, etc.). Por ejemplo, la influencia del tiempo de respuesta de un
termómetro puede hacerse evidente si la la temperatura de interés varı́a muy bruscamente.

1.5 Presentación de resultados. Redondeo

Con excepción de mediciones de alta precisión, no es necesario conservar más que una cifra significativa
de la incerteza. Sin embargo, para no incluir errores de redondeo, en los cálculos en los que se utilice la
incertidumbre conviene utilizar más de una cifra significativa.
El número de cifras significativas del resultado no debe ir más allá que la incertidumbre.
Una vez determinado el número de cifras significativas del resultado a conservar, adoptaremos las siguien-
tes reglas de redondeo:

1. El último dı́gito no se modifica si el siguiente es menor que 5.

Ejemplo: Si A = 85.6342 ± 0.04, entonces escribiremos como resultado final A = 85.63 ± 0.04.

9
 2. El último dı́gito aumenta en 1 si el siguiente es mayor o igual que 5.
Ejemplo: Si conservamos 3 cifras significativas, 18590 se convierte en 18600 y 152.56 en 153.
3. Los dı́gitos faltantes se completan con ceros hasta la posición de la incerteza.

En general, cuando el resultado de una medición se presenta sin hacer referencia a su incertidumbre, se
asume que la misma es del orden de una unidad en la última cifra significativa. Por ejemplo, si el resultado
de la medición de una longitud es L = 3.75 mm, se asume que en realidad es L = (3.75 ± 0.01) mm. Si
L = 2.30 micrones, entonces está implı́cito que L = (2.30 ± 0.01) micrones.

1.6 Precisión y exactitud

Los conceptos de precisión y exactitud suelen usarse sin mucha rigurosidad. Esto no suele representar un
problema si cada vez se aclara el siginificado de su uso. Sin embargo, es posible definir el significado de cada
concepto, como sigue a continuación.
Cuando se realizan varias mediciones de la misma magnitud en iguales condiciones, suele ser común que
los valores obtenidos no coincidan, sino que se encuentren distribuidos alrededor de un valor central. En este
contexto, el concepto de precisión tiene que ver con cuán concentrados están dichos valores (repetitividad).
Por otro lado, la exactitud tiene que ver con cuán cerca del verdadero valor se encuentran los resultados de
las sucesivas mediciones.

1.7 Incertidumbre de tipo instrumental

Cuando realizamos una medición mediante un instrumento analógico o digital, el resultado está afectado por
una incertidumbre instrumental, la cual es brindada por el fabricante en la planilla de datos que acompaña
el equipo. Una componente importante de la incertidumbre instrumental es la resolución del instrumento,
es decir, el valor de la mı́nima división de escala que puede apreciarse al leer el resultado de la medición. La
incertidumbre instrumental puede estimarse a priori, es decir, antes de proceder a la medición.

10
1.8 Problemas
1. Diferencia entre precisión y exactitud. Observe la siguiente figura. Los triángulos representan los
resultados de un conjunto de mediciones y su apartamiento con respecto al “valor verdadero” (el
centro del cı́rculo). Algunas determinaciones son más precisas o más exactas que otras. Ubı́quelas de
manera cualitativa en un gráfico Exactitud vs. Precisión.

2. En un laboratorio se están probando cinco relojes. Exactamente al mediodı́a, determinado por la señal
de la radio, los relojes marcaron en los dı́as sucesivos de una semana lo siguiente:

Reloj Dom. Lun. Mar. Mier. Jue. Vie. Sáb.

A 12:36:40 12:36:56 12:37:12 12:37:27 12:37:44 12:37:59 12:38:14
B 11:59:59 12:00:02 11:59:57 12:00:07 12:00:02 11:59:56 12:00:03
C 15:50:45 15:51:43 15:52:41 15:53:39 15:54:37 15:55:35 15:56:33
D 12:03:59 12:02:52 12:01:45 12:00:38 11:59:31 11:58:24 11:57:17
E 12:03:59 12:02:49 12:01:54 12:01:52 12:01:32 12:01:22 12:01:12

Teniendo en cuenta los conceptos de precisión y exactitud, trate de definir estimadores cuantitativos de
ambas caracterı́sticas de un conjunto de mediciones. Luego ubique cada reloj en un gráfico Exactitud
vs. Precisión.
3. Se busca medir el espesor de una chapa metálica empleando un tornillo micrométrico que aprecia la
centésima de milı́metro. La lectura efectuada da como resultado e = 4.25 mm. ¿Puede asegurarse que
el espesor de la chapa vale lo que se indica con una incertidumbre menor al 1 por mil? Fundamente.
4. Se desea medir la longitud de una varilla empleando una cinta métrica. Esta tiene un extremo, el del
origen, truncado (le falta un trozo de 1 cm de longitud) y el experimentador lo advierte luego de haber
realizado las mediciones.
(a) Las lecturas efectuadas con esa cinta métrica obviamente estarán afectadas por un error (sı́/no).
(b) ¿Cómo es ese error? (por exceso/por defecto).
(c) ¿Puede ser corregido? ¿Cómo?

11
 5. Un cuerpo se cuelga del extremo de un resorte con el fin de calcular su peso a partir de la medición
del estiramiento del resorte (dinamómetro). Se efectúa la lectura de la posición del extremo del resorte
frente a una escala E situada detrás del mismo. El observador se ubica frente al resorte y efectúa las
lecturas. Ellas están afectadas por incertidumbre.
(a) ¿Qué fuentes de error aumentan la incertidumbre?
(b) ¿Cuáles de estas fuentes de error pueden suprimirse o disminuirse? Fundamente.
(c) ¿Cuál es la posición correcta para realizar las mediciones?
6. Supongamos un cronómetro analógico (una vuelta de la aguja ≡ 1 minuto). Identifique el tipo de error
presente en los dos casos siguientes y la manera (analı́tica) de corregir los valores medidos (calibración).
(a) El cronómetro arranca siempre de 2/5 s y no de cero.
(b) La aguja del cronómetro salta instantáneamente un número de divisiones que equivalen a 2/5 s
cada vez que pasa por cero.
En ambos casos dibuje de manera esquemática el gráfico Tiempo verdadero (T ) vs. Tiempo medido
(t) y proponga un procedimiento para calibrar la medición.
7. Una persona mide una soga y afirma haber obtenido el resultado 15.35 m. ¿Qué podemos conjeturar
acerca de la incertidumbre de la medición efectuada?
8. Un cronómetro digital da una lectura de la hora de 09:46 (hh:mm). ¿Cuál es la incertidumbre absoluta
de la medida?
9. Un cronómetro del laboratorio tiene un segundero que se mueve a pasos de un segundo. Se uti-
liza para medir un cierto intervalo de tiempo. Al principio del intervalo marcaba las 09:15:22 (ho-
ras:minutos:segundos) y, al final, las 09:18:16. ¿Cuál es la incertidumbre relativa del intervalo medido?
10. ¿Para medir una longitud del orden de los 5 cm con un error porcentual no mayor que el 4% será
necesario utilizar una regla que aprecie como mı́nimo hasta el (medio/tercio/cuarto/quinto/décimo)
de cm? Fundamente su respuesta.
11. Utilizar los prefijos adecuados (ver, p.e., la Tabla 1-2 del libro Fı́sica-Parte I, Resnick y Halliday) para
expresar las siguientes cantidades:106 Ohms, 10−6 m, 101 litros, 109 g, 1012 ton, 10−1 litros, 10−2 m,
10−9 Amperes, 10−12 Faradios.
12. Determine cuáles de los siguientes resultados están incorrectamente expresados y realice las correcciones
que considere adecuadas:
a) 24567 ± 2928 m e) 345 ± 3 m i) 43.00 ± 0.06 m
b) 43 ± 0.06 m f) 23.463 ± 0.165 cm j) 345.20 ± 3.10 mm
c) 23.5 ± 0.2 cm g) 345.2 ± 3 m
d) 24567 ± 3000 cm h) 24000 ± 3000

12
13. Es probable que los instrumentos digitales utilicen una técnica de redondeo para mostrar el resultado
final de una medición. Considere este hecho y evalúe si no es excesivo considerar la apreciación
instrumental igual a una unidad de la última cifra significativa mostrada en el display del instrumento.
Justifique.
14. Mediante una cinta métrica mida el largo de una pieza de lana para tejer pullóveres. Antes de comenzar,
defina con detalle el procedimiento con el que realizará la medición. Tome unas 20 o 30 mediciones.
Trate de evaluar los tipos y fuentes de incertidumbre teniendo en cuenta el procedimiento elegido.
15. Imagine que que se mide el diámetro de una mesa circular utilizando una regla plástica escolar con
una escala de 30 cm. El diámetro de la mesa se estima en aproximadamente 5 m. ¿Qué tipos de error
pueden estar presentes? ¿Si hay errores sistemáticos, serán por defecto o exceso?
16. Mida el espesor de un disco compacto con un calibre manual y luego con un micrómetro digital. Realice
unas 20 mediciones con cada instrumento. Considere la incertidumbre instrumental de la medición en
cada caso, si es posible a partir del manual provisto por el vendedor. ¿Qué fuentes de error pueden
estar presentes?

13
Fı́sica Experimental I - 2do. Cuat. 2018

2 Tratamiento estadı́stico de datos I

2.1 Fluctuaciones al azar

Cuando se realiza una medición aislada de una magnitud, la incertidumbre está principalmente asociada con
la resolución del instrumento utilizado. Por ejemplo, supongamos que se mide el ancho l de una hoja A4
utilizando una regla escolar de 30 cm de longitud. Luego de la medición podremos decir que l = 210.0 ± 0.5
mm, teniendo en cuenta el valor de la mı́nima división de escala de la regla (1mm) y nuestra capacidad
visual. Si repetimos la medición posiblemente obtendremos el mismo valor.
Sin embargo, muchas veces al repetir la medición se observa que el resultado no toma siempre el mismo
valor. Por el contrario, se observan fluctuaciones dentro de un rango varias veces mayor a la resolución del
instrumento. En este caso ya no puede suponerse que la incertidumbre de la medición está relacionada con
la incertidumbre de tipo instrumental.
Este tipo de fluctuaciones pueden estar asociadas al procedimiento con el que se realiza la medición
(el cual incluye a veces al propio experimentador) y a fluctuaciones intrı́nsecas del sistema bajo estudio.
En el caso del ejemplo, el traslado sucesivo de la regla produce fluctuaciones por exceso y defecto al azar
con respecto a un valor central. Las fluctuaciones al azar dan lugar a lo que se conoce como incertidumbre
estadı́stica.

2.2 Descripción estadı́stica de resultados

La manera inmediata de expresar el resultado de un conjunto de mediciones (muestra) realizadas en las

mismas condiciones pero que arrojan valores diferentes es la Tabla. Ver el ejemplo de la Tabla 1, que reúne
n = 100 mediciones de longitud ordenadas de menor a mayor (unidad: metro).
Una manera de optimizar la visualización de los datos es mediante la confección del histograma, el cual
permite apreciar la distribución de los datos. Para construir el histograma se definen m intervalos de clase y
se grafica el número Fj , j = 1, ..., m, de mediciones que caen dentro de cada intervalo (frecuencias absolutas).
A veces es conveniente graficar las frecuencias relativas fj , que no son otra cosa que el cociente entre las
frecuencias absolutas y el número total de mediciones n (fj = Fj /n, j = 1, ..., m). A partir de lo anterior
queda claro que la suma de las Fj es igual al número total de mediciones (o a la unidad, si se utilizaron las

14
frecuencias relativas), es decir:
m
X
Fj = n (3)
j=1
m
X
fj = 1 (4)
i=j

El número adecuado de intervalos de clase depende del número total de mediciones. El histograma
correspondiente a la Tabla de más arriba puede verse en la Fig. 1.

Frecuencia absoluta [cuentas]

40 0.4

Frecuencia relativa
30 0.3

20 0.2

10 0.1

0 0.0
6 7 8 9 10 11 12 13 14 15

Longitud [m]

Figura 1: El gráfico de barras corresponde al histograma de los datos de la Tabla anterior. Se

eligieron siete intervalos de clase.

2.3 Valores centrales y dispersión

El histograma permite estimar visualmente el valor central de la distribución, su dispersión y su sesgo (o
asimetrı́a). Sin embargo, estas magnitudes pueden definirse más precisamente de la siguiente manera.

a) Moda
Corresponde al valor de la variable que ocurre más veces, es decir, aquel en el que el histograma alcanza
un máximo (10.5 en el histograma de la Fig. 1, es decir, el valor medio del intervalo de clase con mayor
frecuencia).

15
 b) Mediana
Si ordenamos todos los datos de manera creciente, la mediana es aquel situado en la mitad del conjunto.
Si tenemos en cuenta la Tabla anterior, la mediana tendrá el valor 9.98.

c) Media
También se conoce como promedio, valor medio o media aritmética. Se define como:
Pn
xi
x̄ = i=1 (5)
n

A veces, se escribe la media como hxi en lugar de x̄. Nosotros usaremos ambas notaciones indistintamente.
También es necesario precisar cuantitativamente la dispersión de la distribución alrededor de su valor
central. Se define la desviación estándar muestral como:
s
Pn 2
i=1 (x̄ − xi )
Sn (x) = (6)
n

Para la muestra de n = 100 valores que ha servido de ejemplo hasta ahora, se obtiene que x̄ = 9.85 m y
Sn = 0.98 m.

16
2.4 Problemas
1. Calcule x̄, Sn (x) y dibuje el histograma a partir de los datos de los Ej. 14 y 16 de la pág. 13. En cada
caso determine los intervalos simétricos alrededor del promedio dentro de los cuales se encuentra el
68% y el 95% de los datos experimentales. Cómo resulta el semiancho de estos intervalos comparados
con el valor de Sn (x) en cada caso? Y con la incertidumbre instrumental?
2. En la siguiente figura se muestra el histograma de los resultados de la medición de la circunferencia de
una pieza cilı́ndrica. Estime un valor aproximado para el promedio y la desviación estándar muestral
del conjunto de datos.

3. De la página web de la materia se puede bajar una muestra de datos de la medición de la diferencia
de potencial entre dos puntos de un circuito, obtenida con un ritmo de muestreo (sampling) de 103
s−1 . Determine x̄, Sn (x) y dibuje el histograma. Determine también el valor de la mediana y la moda.
Qué porcentaje de los datos experimentales se encuentran dentro de los intervalos centrados en x̄ con
semiancho Sn (x)?
4. Dada la siguiente tabla que corresponde a la masa en gramos de 50 balas:

2.5696 2.5625 2.5586 2.5725 2.5776 2.5745 2.5693 2.5819 2.5700 2.5780 2.5666
2.5678 2.5735 2.5595 2.5865 2.5816 2.5608 2.5730 2.5658 2.5637 2.5712 2.5788
2.5768 2.5587 2.5613 2.5713 2.5693 2.5655 2.5769 2.5778 2.5713 2.5669 2.5578
2.5715 2.5747 2.5632 2.5612 2.5687 2.5746 2.5694 2.5746 2.5690 2.5681 2.5643
2.5745 2.5660 2.5685 2.5742 2.5523 2.5513

17
 (a) Determine x̄, Sn (x) y grafique el histograma.
(b) Estime la incertidumbre instrumental y compárelo con Sn (x).

5. Se quiere determinar el tiempo de reacción con el que un observador percibe el momento en que
comienza a caer un objeto. Se diseñan el siguiente experimento: una persona toma una regla graduada
por un extremo y la deja caer sorpresivamente. El observador, quien inicialmente coloca sus dedos
en el punto correspondiente al cero de la regla pero sin tomarla, toma la regla en cuanto percibe que
la misma comienza su caı́da libre. Luego se toma nota de a qué distancia del cero tomó la regla (la
denominaremos
p x). Se propone que el tiempo de reacción se puede calcular a través de la expresión
t = 2x/g, donde g es la aceleración de la gravedad.
Realizar dicho experimento un buen número de veces (entre 20 y 50).

(a) Determine x̄, Sn (x) y grafique el histograma.

(b) Estime la incertidumbre instrumental ux y compárela con Sn (x). ¿Son del mismo orden?
p
(c) Calcule el tiempo de reacción a partir de la fórmula cinemática t̄ = 2x̄/g. Estime la incertidum-
bre ut en la determinación de t̄.
6. De acuerdo al ejercicio anterior, el tiempo t̄ ± ut puede tomarse como el tiempo que transcurre entre
el instante en que percibimos un estı́mulo y el instante en que realizamos una acción condicionada
a este estı́mulo. Supongamos que se desea medir el tiempo de caida T de una pelotita desde cierto
altura mediante un cronómetro manual con una resolución de 10−4 s. Se utilizan dos configuraciones
experimentales distintas. En la primera una persona deja caer la pelotita y el operador del cronómetro
sólo mide el tiempo. En la segunda, el operador del cronómetro mide el tiempo y también se ocupa
de dejar caer la pelotita. Discuta si el tiempo de reacción introduce algún tipo de incertidumbre en la
determinación de T . Determine si el error introducido es sistemático o no.

18
Fı́sica Experimental I - 2do. Cuat. 2018

3 Incertidumbre de mediciones directas

3.1 Incertidumbre del promedio
Supongamos que tomamos muchas muestras del mismo tamaño, digamos n = 100, calculamos para cada
una su promedio y construimos un histograma con dichos valores. Si ahora tomamos muchas muestras de
mayor tamaño, por ejemplo n = 10000, calculamos el promedio de cada una y comparamos los histogramas,
observamos que ambos se centran alrededor de un mismo valor (que podemos llamar µ), pero el ancho de cada
uno es distinto. En particular, los promedios de muestras más grandes se encuentran más agrupados. Eso
significa que su desviación estándar es menor. En particular, puede demostrarse que la desviación estándar
del promedio de una muestra de tamaño n puede estimarse mediante:

Sn−1 (x)
Sn−1 (x̄) = p (7)
(n)
Es importante notar que para todas las muestras, las de tamaño n = 100 y n = 10000, Sn−1 (x) tomará
valores similares. Esto se debe a que Sn−1 (x) estima la dispersión alrededor de un valor central de mediciones
individuales.

3.2 Combinación de incertidumbres

Supongamos que al realizar múltiples lecturas mediante un instrumento con incertidumbre instrumental Ui
observamos fluctuaciones al azar. Encontramos que su promedio x̄ tiene una incertidumbre caracterizada
por la desviación estándar Sn−1 (x̄). Puede demostrarse que la desviación estándar combinada o total será:
S 2 = SA
2 2
+ SB (8)
donde SA y SB son las incertidumbres obtenidas por medios estadı́sticos y por otros medios, respectivamente.
Es decir:
SA = Sn−1 (x̄)
y: √
SB = Ui / 3.
Teniendo en cuenta que hemos acordado considerar sólo una cifra significativa para la expresión final
de la incertidumbre de una medición, en cuanto alguno de los dos términos es un orden de magnitud menor
que el otro, puede despreciarse.

19
 Es posible que exista más de una contribución a la incertidumbre tipo B. En ese caso es:
2 2 2
SB = SB,1 + SB,2 + ...

De esta manera, el modo adecuado de expresar el resultado de una medición directa de una magnitud
x es el siguiente:
x = x̄ ± (kS)
donde k se denomina factor de cobertura. Al multiplicar la desviación estándar combinada por k estamos
aumentando el factor de confianza α de que el intervalo ±(kS) contenga al valor más probable de la magnitud
x. Puede demostrarse que, bajo ciertas condiciones generales, α = 95% si k = 2 y α = 99% si k = 3. El
factor de cobertura más utilizado es k = 2.
Por ejemplo, se mide varias veces la longitud L de una barra y se determina el promedio L̄ y la desviación
estandar combinada S. Entonces escribimos:

se determinó que la longitud de la barra de aluminio fue de 20 cm ±1 cm. La incertidumbre se obtuvo

a partir de la desviación estándar combinada multiplicada por un factor de cobertur k = 2. En el anexo se
detalla la metodologı́a utilizada para obtener la desviación estándar combinada.

3.3 Número óptimo de mediciones

A partir de la ec. (7) podemos suponer que la desviación estándar Sn−1 (x̄) con la que se determina x̄ puede
hacerse tan pequeña como se quiera con tan sólo aumentar el tamaño n de la muestra. Sin embargo, no tiene
sentido reducir Sn−1 (x̄) más allá de la incertidumbre de origen instrumental Ui . Es decir, el valor óptimo
para n es tal que:
Sn−1 (x)
Ui ' √ (9)
n

20
3.4 Problemas
1. Considere lo realizado en el Ej. 14 (pág. 13). Exprese de manera formal el resultado de la medición.
Haga lo mismo con el Ej. 16 (pág. 13).

2. Se mide el valor de una longitud mediante un instrumento. Se realizan mediciones en dos condiciones
distintas. En el primer caso se realizan 100 mediciones y se obtiene x̄ = 5.2 m y Sn−1 (x) = 0.03 m. En
el segundo caso se realizan 500 mediciones y se obtiene x̄ = 53.7 m y Sn−1 (x) = 0.08 m. ¿Cuál de las
dos muestras permite determinar mejor el valor de la magnitud en cada caso particular? ¿Bajo qué
criterios podrı́amos realizar esta comparación?

3. Se mide una longitud y se determina que x̄ = 5.2 m y Sn−1 (x) = 0.03 m. Teniendo en cuenta que se
realizaron 900 mediciones, se expresa el resultado como:
 
0.03
x(95%) = 5.2 ± 2 √ m = (5.2 ± 0.00196) m
900

¿Cuántas mediciones habrı́a que realizar para que el mismo intervalo (ux̄ = 0.00196 m) contenga al
verdadero valor de la longitud con un 99% de confianza?

21
Fı́sica Experimental I - 2do. Cuat. 2018

4 Propagación del error

4.1 Propagación del error. Una variable
Supongamos que la magnitud z se calcula a partir de la magnitud medida x de acuerdo a la función (es
decir, si realizamos una medición indirecta):
z = z(x)
Supongamos también se ha cometido un error ±∆x al medir x (el error cometido puede tener cualquier
signo). ¿Cuánto valdrá ∆z? Es decir, ¿cómo se propaga el error que se cometió al medir x en el resultado
del cálculo de z? Por ejemplo, veamos qué pasa si z(x) = x2 :

z ± ∆z = (x ± ∆x)2 = x2 ± 2x∆x + (∆x)2

Si ∆x es pequeño con respecto a x, (∆x)2 lo es aún más, por lo que puede despreciarse:

∆z = 2x∆x

(Ejercicio: ¿Qué error se comete al despreciar (∆x)2 si x = 5 y ∆x/x = 1%?)

De manera general una buena estimación de ∆z se obtiene a partir del desarrollo en serie de Taylor de
z(x):
1
z ± ∆z = z(x) + z 0 (x)(±∆x) + z 00 (x)(±∆x)2 + ... (10)
2!
Si despreciamos aquellos términos en los cuales aparecen potencias de ∆x superiores a la unidad obtenemos:

z ± ∆z ' z(x) ± z 0 (x)∆x (11)

con lo que una buena aproximación de ∆z es:

∆z ' z 0 (x)∆x (12)

4.2 Propagación del error. Varias variables

Supongamos que:
z = x + y,

22
donde x e y fueron medidas con los errores ∆x y ∆y, respectivamente. Entonces:

z ± ∆z = (x ± ∆x) + (y ± ∆y).

La combinación más pesimista en la incertidumbre de z ocurre cuando ambos errores se suman:

∆z = ∆x + ∆y

Lo mismo ocurre si z = x − y. En este caso, sin embargo, el error relativo ∆z puede tomar valores muy
importantes si x e y toman valores muy cercanos.
En el caso general en que z = z(x, y) el cálculo de ∆z se realiza de la misma manera que en el caso de
la ec. (12) para obtener:
∂z ∂z
∆z ' ∆x + ∆y. (13)
∂x ∂y

4.3 Aplicación al caso de mediciones aisladas

Tanto en (12) como en (13) las derivadas se evalúan en los valores verdaderos de cada variable, es decir, en
µx y en µy . Dado que estos valores no se conocen, se reemplazarán por sus mejores estimadores, es decir,
por los resulados de las mediciones aisladas x̃ y ỹ:
 
∂z  ∂z 
∆z ' ∆x + ∆y (14)
∂x x̃ ∂y ỹ

De igual manera, tampoco se conocen los errores ∆x y ∆y. Sin embargo, estos errores pueden acotarse por
sus lı́mites Ux y Uy . Podemos entonces estimar el máximo error Uz que cometemos al calcular z = z(x, y) a
partir de la ec. (13):    
 ∂z   ∂z 
Uz '   Ux +   Uy
  (15)
∂x x̃,ỹ ∂y x̃,ỹ

y el resultado final de la medición indirecta podrá escribirse como:

z = z(x̃, ỹ) ± Uz (16)

En la ec. (15) se han tomado los valores absolutos en las derivadas parciales para considerar la combinación
más pesimista de los signos de los errores de cada variable.
Es usual utilizar la expresión (15) en aquellos casos en que la magnitud z se determina a partir de
mediciones aisladas de x e y, o cuando x e y no presentan fluctuaciones si se miden repetidas veces. En
estos casos Ux y Uy son las incertidumbres de origen instrumental (error de apreciación o lectura, etc.) y la
expresión (16) expresa que el verdadero valor de z se encuentra con seguridad en el intervalo definido por la
cota Uz .

23
4.4 Diseño de experimentos
La ec. (15) brinda una herramienta para decidir las caracterı́sticas de los instrumentos y metodologı́as
óptimos para realizar mediciones indirectas. Por un lado brinda una estimación del error máximo que
cometemos durante la medición pero, por otro lado, permite determinar qué error máximo podemos admitir
en la medición de cada magnitud x, y, etc., si estipulamos de antemano el error máximo uz con el que
necesitamos medir z = z(x, y).

24
4.5 Problemas
1. Dadas las funciones z = axy, z = a(x/y), z = axn y z = axyw (a es una constante), estime el error
relativo de z en función de los errores relativos de las otras variables.

2. Supongamos que se conoce la incertidumbre de la magnitud x−1 , es decir, ∆(x−1 ). Determine ∆x.

3. Un cono debe cubrirse de una lámina de oro. Si se mide el radio de su base circular circular y su altura
con una incertidumbre del 2%, con qué incertidumbre podremos determinar de manera indirecta su
superficie?

4. Determine experimentalmente el valor de π. Para esto mida el diámetro y la circunferencia de un

objeto circular cualquiera utilizando una regla pequeña y un hilo de longitud conocida. Estime el error
absoluto máximo para cada medición y determine, considerando la propagación de errores, el intervalo
de incerteza en la determinación de π. ¿Se encuentra el “verdadero valor” dentro de dicho intervalo de
incerteza?

5. Estime la incerteza con la que mide el calibre digital del laboratorio y suponga que está bien calibrado.
Suponga que se utiliza para medir el diámetro de una esfera metálica, para luego calcular su volumen.
¿Qué error relativo máximo se comete en el cálculo si el diámetro de la esfera es 20 cm? Suponga que
queremos calcular el diámetro con una incerteza menor al 1% . ¿Cuál es el diámetro mı́nimo que debe
entonces tener la esfera?

6. Según el fabricante, el lado de una cámara cúbica que será utilizada en un experimento mide 42.56 cm.
Calcular el volumen de la misma (no olvide expresar la incerteza de la medición indirecta).

7. La misma situación ahora, pero con un recipiente cilı́ndrico cuya altura y diámetro de la base miden
10.01 cm y 5.03 cm, respectivamente. Suponiendo que la única fuente de error es la apreciación del
instrumento, ¿con cuántas cifras significativas debe tomarse π para que el volumen sea calculado con
una incertidumbre menor al 1%?.

8. Una esfera que se encuentra en el laboratorio es de una aleación con peso especı́fico ρ = 7.78 Kg/dm3 .
Si su diámetro, medido con el calibre digital, es de 5 mm, ¿puede estimarse el peso de las mismas con
una incertidumbre menor del 1%?

9. La distancia focal f de una lente delgada se va a medir usando la ecuación o−1 + i−1 = f −1 , donde
o = 0.154 ± 0.002 m es la distancia lente-objeto, y i = 0.382 ± 0.002 m es la distancia lente-imagen.
¿Cuál es el valor calculado de la distancia focal, su incertidumbre absoluta y su incertidumbre relativa?
Si resulta conveniente, utilizar los resultados del Ej. 2.

10. Se ha medido con el calibre del Ej. 5 el diámetro de dos esferas idénticas en tamaño pero de distinto
material. Si el diámetro de las mismas es de aproximadamente unos 10 cm, calcule el error porcentual

25
 máximo en la determinación del peso especı́fico de las esferas, sabiendo que el peso de las mismas es:

P1 = (66.717 ± 0.001)g
P2 = (16.287 ± 0.001)g

11. Se trata de medir el módulo de Young por tracción con un error máximo del 1%. El módulo de Young
E está dado por:
LP
E = 2 Kg mm−2
πr d
donde L es la longitud del alambre, r su radio y P el peso que produce un alargamiento d. Suponga
que los valores aproximados para cada variable son: L = 1000 mm, P = 2 Kg, r = 0.5 mm y d = 0.3
mm.
Analizar la influencia de los errores que se cometen en la medición de cada variable en el error de
E. Determinar los valores máximos de error de apreciación para los diferentes instrumentos que se
utilizarán, para lograr un error total no mayor del 1% en el cálculo de E.
p
12. Un péndulo simple se usa para medir la aceleración de la gravedad g, usando T = 2π l/g. El perı́odo
T medido fue de 1.24 ± 0.02 s y la longitud l = 0.381 ± 0.002 m. ¿Cuál es el valor resultante de g con
su incertidumbre absoluta y relativa?
13. Se quiere medir la potencia eléctrica que disipa una resistencia con el menor error posible y se dispone
en el laboratorio de un amperı́metro, un voltı́metro y un óhmetro a los que el fabricante ha asociado una
incertidumbre porcentual del 5%, 2% y 1%, respectivamente. Realice un análisis de la incertidumbre
para los distintos métodos de medición a fin de seleccionar el que introduzca el menor error. Recuerde
que la potencia eléctrica puede calcularse de las siguientes formas:

P = VI
P = V 2 /R
P = I 2R

14. Se mide g de manera indirecta mediante un experimento de caı́da libre. Si se asume g constante
tendremos que g = 2h/t2 , donde t es el tiempo que le lleva a un cuerpo caer una altura h. Sin
embargo, sabemos que g no es constante. ¿Con qué incertidumbre experimental habrı́a que medir h y
t para que el carácter no-constante de g se haga evidente?

26
Fı́sica Experimental I - 2do. Cuat. 2018

5 Incertidumbre en mediciones indirectas

Cuando se realizan mediciones indirectas, es decir, cuando una magnitud z se obtiene a partir de una relación
funcional z = z(x, y), donde x e y son las magnitudes que realmente se miden, debe prestarse atención a la
dependencia mutua de x e y, pues el tratamiento estadı́stico es distinto (supondremos que z depende de dos
variables, aunque es inmediata la generalización a más variables).

5.1 Magnitudes dependientes

Este es el caso en el que se espera que las fluctuaciones de x afecten el valor de y. De manera general, x e y
se medirán de a pares. Luego, para cada par se calculará z(x, y), de acuerdo al siguiente esquema:

Medición 1 : (x, y)1 → z1

Medición 2 : (x, y)2 → z2
...
Medición n : (x, y)n → zn

A partir de aquı́, seguiremos los pasos que vimos anteriormente tomando a z como una magnitud que se
midió de manera directa. Es decir, podremos calcular z̄ y Sn−1 (z̄) y expresar el resultado como:

z(α) = z̄ ± uα

donde uα = zα Sn−1 (z̄) es la incertidumbre estadı́stica de z para un valor elegido de probabilidad de confianza
α.
Por ejemplo, supongamos que se monta el siguiente experimento para determinar el valor de la ace-
leración de la gravedad g: mediante un cañón a resorte se dispara n veces un proyectil hacia arriba, y de
alguna manera se mide la altura máxima h a la que llega el proyectil y el tiempo t que transcurre desde el
disparo hasta que el proyectil alcanza la altura h. A partir de h y t es posible calcular g mediante:
2h
g=
t2
Podemos esperar que en cada disparo el impulso dado por el cañón no sea el mismo, de manera que la
altura h no sea la misma. Ahora bien, el valor de t dependerá claramente del valor de h, es decir, h y t son
magnitudes dependientes. Por tal motivo, deben medirse de a pares, en exactamente las mismas condiciones.
Para cada par (hi , ti ) se calculará el correspondiente gi .

27
5.2 Magnitudes independientes
Este es el caso en el que las magnitudes x e y a partir de las cuales se calcula z no ejercen influencia una sobre
la otra. Este es el caso, por ejemplo, cuando se calcula la densidad de un material, realizando n mediciones
de su volumen y su peso.
Supongamos que hemos calculado x̄, σx̄ , ȳ y σȳ . ¿Cómo podemos calcular z̄ y σz̄ ? Asumiremos que z̄
puede calcularse mediante:
z̄ = z(x̄, ȳ) (17)
√
Ahora bien, ¿qué ocurre con σz̄ = σz / n? Primero, estimemos la desviación estándar de z, σz , mediante la
ec. (??):
sP
n 2
i=1 ∆z
σz ' Sn−1 (z) =
n−1
De acuerdo a la ec. (14), el error en cualquier medición será:
 
∂z  ∂z 
∆z ' ∆x + ∆y
∂x x̃ ∂y ỹ

Combinando las ecuaciones anteriores, tendremos:

n  2
2 1 X ∂z ∂z
Sn−1 (z) = ∆x + ∆y =
n − 1 i=1 ∂x ∂y
n
" #
  2   2
1 X ∂z ∂z ∂z ∂z
= ∆x + ∆y + 2 ∆x ∆y
n − 1 i=1 ∂x ∂y ∂x ∂y

Teniendo en cuenta que las derivadas parciales se evalúan en x̃ = x̄ y ỹ = ȳ, es decir, que son números:
2 Pn  2 Pn n
∆x2 2

2 ∂z i=1 ∂z i=1 ∆y 2 ∂z ∂z X
Sn−1 (z) = + + ∆x∆y =
∂x n−1 ∂y n−1 n − 1 ∂x ∂y i=1
 2  2 n
∂z 2 ∂z 2 2 ∂z ∂z X
= Sn−1 (x) + Sn−1 (y) + ∆x∆y
∂x ∂y n − 1 ∂x ∂y i=1

Ahora bien, como x e y son independientes, se espera que el productos de sus fluctuaciones al azar se cancelen
mutuamente, con lo cual:
 2  2
2 ∂z 2 ∂z 2
Sn−1 (z) = Sn−1 (x) + Sn−1 (y)
∂x ∂y

28
Si dividimos por n y tomamos raı́z cuadrada:
s 2  2
∂z 2 ∂z 2
SA (z̄) = Sn−1 (z̄) = Sn−1 (x̄) + Sn−1 (ȳ) (18)
∂x ∂y

Mediante la expresión (??) es posible obtener uα,z para un valor dado de α.

5.3 Incertidumbre instrumental en mediciones indirectas

Los distintos instrumentos contribuyen a la incertidumbre instrumental mediante incertidumbres de tipo B
de acuerdo a la siguiente expresión:
s 2  2
∂z 2 ∂z 2
SB = SB,x + SB,y (19)
∂x ∂y

donde SB,x y SB,y se obtienen a partir de:

√
SB,x = Ui,x / 3

y:
√
SB,y = Ui,y / 3

siendo Ui,x y Ui,y los valores lı́mite para la incertidumbre introducida por los instrumentos utilizados para
medir x e y.
Luego, aplicamos la ec. (8) para combinar la incertidumbre instrumental SB con la estadı́stica SA :

u2t = SA
2 2
+ SB

5.4 Expresión final del resultado de una medición indirecta

La expresión final del resultado de una medición indirecta de una magnitud z que combina incertidumbres
de tipo A y B es la siguiente:
z(α) = z̄ ± kut (20)

siendo k el factor de cobertura elegido, el cual provee un nivel de confianza α determinado. En general se
puede asumir normalidad, con lo cual α tomará los valores de 68%, 95% y 99% para k igual a 1, 2 o 3,
respectivamente.

29
5.5 El método de mı́nimos cuadrados
Muchas veces ocurre que dos magnitudes x e y están relacionadas funcionalmente mediante algún modelo,
es decir:
y = y(x, α, β, ...)
donde {α, β, ...} son un conjunto de parámetros que dependen del modelo asumido.
Por ejemplo, la distancia d recorrida por un cuerpo que desliza hacia abajo con rozamiento por un plano
inclinado un ángulo θ con respecto a la horizontal, en función del tiempo t, está dada por:
1
d(t) = [g (sen θ − µ cos θ)] t2
2
donde g es la aceleración de la gravedad y µ el coeficiente de rozamiento dinámico entre el plano y el cuerpo.
En la expresión anterior, d y t son las magnitudes o variables del modelo, mientras que {g, θ, µ} es el conjunto
de parámetros. Si suponemos que no hay rozamiento, el modelo se simplifica, dando lugar a la expresión:
1
d(t) = g sen θt2 (21)
2
Supongamos que se realiza n veces el experimento de dejar caer el cuerpo por el plano inclinado durante un
tiempo ti , midiéndose la distancia recorrida di (i = 1, ..., n). Supongamos, además, que este procedimiento
se lleva a cabo para distintos intervalos de tiempo, es decir, los tiempos ti no son todos iguales (ver Fig. 2).

6
5
4

d [m]
3
2
1
0
0.5 1.0 1.5
t [s]
Figura 2: Resultado de medir la distancia que recorre un cuerpo por un plano inclinado, para
distintos tiempos de caı́da. Mediante el método de cuadrados mı́nimos se determina el valor de
(g sen θ) que mejor ajusta el modelo a los datos experimentales (lı́nea a trazos).

30
 Supongamos que ahora deseamos, a partir de los datos de la Fig. 2, encontrar el valor de g. Para
esto debemos acomodar de la mejor manera la expresión (21) a los datos mostrados en la figura. Es decir,
queremos ajustar la curva a los datos experimentales.
Uno de los métodos más utilizados es el método de cuadrados mı́nimos, que consiste en encontrar los
valores de los parámetros que minimizan la distancia entre los puntos experimentales y la curva de ajuste.
Mediremos esta distancia mediante la siguiente expresión general:
Pn 2
2 i=1 [yi − y(xi , α, β, ...)]
Sn−2 (α, β, ...) = (22)
n−2

donde {α, β, ...} son los parámetros de ajuste. Para encontrar los valores óptimos de dichos parámetros
debemos encontrar la solución al siguiente sistema de ecuaciones:

∂S 2 ∂S 2
= 0, =0 (23)
∂α ∂β

En el caso en el que el modelo es lineal, es decir, y = αx + β, la solución puede encontrarse unı́vocamente

a través del método de regresión lineal. Sin embargo, en los casos no-lineales, debe recurrirse a métodos
numéricos más complicados.

Regresión lineal

Como dijimos, en este caso es:

y(x, α, β) = αx + β

Cuando resolvemos el sistema de ecuaciones (23) para la expresión anterior, encontramos que los valores
óptimos son:
Pn n
(y − ȳ)(xi − x̄) 1X
α= Pn i
i=1
2
, en donde x̄ = xi (24)
i=1 (xi − x̄) n i=1
n
1X
β = ȳ − αx̄, en donde ȳ = yi (25)
n i=1

Por otra parte, si asumimos que la dispersión de los valores de y alrededor de la recta posee una distribución
normal con desviación estándar σ, la mejor estimación de este parámetro es justamente Sn−2 , es decir:
Pn 2
[yi − y(xi , α, β, ...)]
σ 2 ' Sn−2
2
(α, β, ...) = i=1
(26)
n−2

31
Además, α y β también estarán afectadas de incertidumbre. Sus desviaciones estándar podrán aproximarse
mediante:
2
Sn−2
σα2 ' Pn 2
(27)
i=1 (xi − x̄)
x̄2
 
1
σβ2 ' + Pn 2
2
Sn−2 (28)
n (x
i=1 i − x̄)

El coeficiente de correlación lineal r, definido mediante:

Pn
(xi − x̄)(yi − ȳ)
r = pPn i=1 Pn (29)
2
i=1 (xi − x̄) i=1 (yi − ȳ)

estima cuán lineal es la relación entre x e y. Si r = ±1, la relación es lineal unı́vocamente. Ahora bien, si
r = 0, x e y no están correlacionadas para nada.
Ejemplo: Supongamos que se realizan n = 18 mediciones de dos variables, x e y, como se muestra en la
tabla siguiente:

x y x y x y
18.30 18.41 18.16 17.13 20.28 19.70
19.08 18.47 18.16 17.49 20.43 20.62
17.98 16.46 17.73 16.97 18.37 18.40
20.43 18.79 18.36 19.45 20.71 20.25
16.96 15.77 18.33 17.93 19.97 19.38
18.46 17.56 17.69 17.04 19.59 19.13

A partir de estos datos es posible calcular, utilizando las expresiones anteriores, los valores óptimos de los
parámetros de ajuste:
P P P
n yi xi − xi yi
α= P 2 = 1.04711
n x2i − ( xi )
P

σα ' 0.14255
P 2P P P
xi yi − xi xi yi
β= P 2 P 2 = −1.44501
n xi − ( xi )
σβ ' 2.68911
r = 0.87823
σ ' 0.6598
p < 0.0001

32
El parámetro p no fue definido más arriba pero es muy importante en todo procedimiento de ajuste o
eva-luación de la validez de un modelo contra un conjunto de datos. Básicamente expresa cuál es la proba-
bilidad de que los datos obtenidos no se correspondan con el modelo propuesto. En nuestro caso, cuál es la
probabilidad de que r = 0. En la figura siguiente se pueden observar los datos y la recta de ajuste.

21.0

19.5

18.0

16.5

15.0
16 17 18 19 20 21

Número óptimo de mediciones en la regresión lineal

Podemos asumir que los apartamientos de y alrededor de la recta y = αx + β se originan en fluctuaciones al

azar. Es decir:
y = αx + β +  (30)
Notar que hemos asumido que x no tiene ninguna componente de fluctuación al azar. Por este motivo, el
marco teórico de la regresión lineal es válido siempre que la variable elegida como x presente fluctuaciones
despreciables con respecto a las de la magnitud y.
Si suponemos que  está distribuida normalmente con valor medio nulo y desviación estándar σ el valor
óptimo de mediciones podrá estimarse de una manera similar a como lo hicimos para obtener la ec. (9).√Es
decir, cuando la incertidumbre instrumental ui,y con la que se mide la magnitud y sea del orden de σ / n:
√
ui,y ' σ / n

33
Este lı́mite puede evaluarse si se tiene en cuenta que la ec. (22) es la que brinda una estimación de σ :

σ ' Sn−2

34
5.6 Problemas
1. Los alumnos de Fı́sica Experimental I realizan el experimento de tiro vertical para determinar el valor
de la acelaración de la gravedad g. Mediante un cañón de resorte arrojan hacia arriba una bala esférica.
Como el cañón está orientado de manera vertical con mucha exactitud, la bala no se desplaza hori-
zontalmente. Por este motivo, su altura h en función del tiempo t estará dada por (v0 es la velocidad
inicial de la bala):
1
h(t) = v0 t − gt2
2
y su velocidad por:
v(t) = v0 − gt
Supongamos que cuando t = T la bala está en el punto más alto de su trayectoria, es decir, h(T ) =
hmax = H. En ese instante, su velocidad es nula:
0 = v0 − gT
con lo cual:
v0 = gT
Reemplazando la ecuación anterior en la primera cuando t = T , tenemos que:
1 1 2
H = (gT )T − gT 2 = gT
2 2
Teniendo en cuenta la ecuación anterior, si se mide el valor de H y T es posible calcular el valor de la
aceleración de la gravedad:
2H
g= (31)
T2
Los alumnos repiten el experimento n = 10 veces, y en cada caso miden H y T . Obtienen los siguientes
pares de puntos (H, T ):

i Hi [m] Ti [s]
1 0.924 0.436
2 0.430 0.299
3 0.781 0.401
4 0.606 0.356
5 0.692 0.379
6 0.730 0.384
7 0.771 0.395
8 0.871 0.423
9 1.021 0.453
10 0.727 0.379

35
 (a) Suponga que H y T son magnitudes independientes. Calcule el valor de g y su incertidumbre a
partir de los resultados de la tabla.
(b) Calcule el valor de g y su incertidumbre suponiendo que H y T son magnitudes dependientes.
(c) Compare y discuta sobre la validez de los resultados anteriores.
(d) Estime la importancia de las incertidumbres instrumentales y la posible influencia sobre los resul-
tados anteriores.
2. Se deja caer n = 8 veces un cuerpo por un plano inclinado un ángulo θ = (30 ± 5)o con respecto a la
horizontal. Entre el cuerpo y el plano se genera un colchón de aire que minimiza el rozamiento entre
ambos. En la tabla se muestran los resultados:
Tiempo Distancia
ti [s] di [m]
1.93 9.22
1.66 7.01
1.69 6.91
1.67 6.85
1.68 7.16
1.63 6.72
1.29 3.50
1.51 5.18
Determine a partir de las mediciones el valor de la aceleración de la gravedad g, junto con su incer-
tidumbre.
3. Suponga que se realizan n = 11 mediciones del volumen y la masa de un cuerpo, obteniéndose los
siguientes resultados:
Masa Volumen
mi [10−3 kg] Vi [10−6 m3 ]
252.9119 195.3799
252.9133 195.3830
252.9151 195.3790
252.9130 195.3819
252.9109 195.3795
252.9094 195.3788
252.9113 195.3792
252.9115 195.3794
252.9119 195.3791
252.9115 195.3791
252.9118 195.3794

36
 Considerando que m y V son variables independientes, determinar la densidad ρ del cuerpo, y la
incertidumbre asociada. Determinar el número óptimo de mediciones.
4. Plantee las ecuaciones de minimización para el modelo lineal y obtenga las ecuaciones:
Pn n
(y − ȳ)(xi − x̄) 1X
Pn i
α = i=1 2
, en donde x̄ = xi
i=1 (xi − x̄) n i=1
n
1X
β = ȳ − αx̄, en donde ȳ = yi
n i=1

5. Realice los cálculos correspondientes al ejemplo regresión lineal de la pág. 32 y determine el número
óptimo de mediciones.

37
Fı́sica Experimental I - 2do. Cuat. 2018

6 El modelo y el experimento
6.1 Comparación modelo-experimento
Al analizar un fenómeno que presenta aspectos desconocidos o aún no muy bien aclarados, es necesario
primero identificar el conjunto de variables relevantes que lo caracterizan (en muchos casos, luego de la
observación inicial es necesario redefinir este conjunto). Un modelo del fenómeno es una estructura idealizada
que relaciona estas variables de alguna manera. En general, no es otra cosa que una relación matemática
que involucra las magnitudes relevantes y un conjunto de parámetros adicionales. A veces la expresión
matemática, incluyendo los parámetros, nacen de una interpretación completamente teórica del fenómeno.
En dicho caso decimos que el modelo es teórico. Otras veces, la relación matemática y los parámetros no
tienen una base teórica rigurosa, pero de todos modos describen muy bien la relación observada entre las
magnitudes relevantes del fenómeno. En este caso el modelo se dice que es empı́rico.
Cuando se está estudiando un fenómeno novedoso a veces es posible encontrar un modelo que permita
interpretar lo observado. Otras veces, las observaciones sirven para poner a prueba un modelo. En otros
casos, debido a lo novedoso del fenómeno o a la complejidad del mismo, no se cuenta con un modelo
convincente. Aquı́ sólo nos contentamos con analizar el comportamiento de la variables, para quizá sugerir
relaciones cualitativas entre las mismas o, a lo sumo, plantear un modelo empı́rico para el fenómeno.
Es importante señalar que luego de obtener el conjunto de observaciones, se pasa a un proceso de
comparación entre los datos y el/los modelos existentes. De este proceso de comparación suele surgir que
el modelo utilizado explica lo observado con cierto grado de aproximación, el cual puede resultar o no
satisfactorio. En el último caso puede dar lugar al desarrollo de un nuevo modelo o a un perfeccionamiento
del modelo inicial.
Es necesario destacar que a todo modelo (teórico o empı́rico) está ligado un conjunto de hipótesis o
suposiciones iniciales que determinan un rango de validez del mismo. Por este motivo, suele ocurrir que para
interpretar el mismo fenómeno de manera satisfactoria a distintas escalas es necesario recurrir a modelos que
implican marcos teóricos muy distintos.
De manera general, se espera que un modelo permita predecir el comportamiento de las variables que
caracterizan un fenómeno, dentro un rango de validez.

6.2 El experimento
Antes de comenzar con las observaciones, es necesario prestar atención a los siguientes pasos:

38
a) Identificar el sistema bajo estudio y las variables relevantes.

b) Recopilar información acerca de experiencias previas, como ası́ también todo conocimiento adicional que
pueda ser útil tanto durante la preparación, realización y análisis del experimento.

c) De ser posible, postular un modelo para el fenómeno bajo estudio.

d) Determinar los rangos de interés para las distintas variables y la precisión de cada una.

e) Definir un programa de medición que contemple el protocolo de medición a seguir, el papel de los parti-
cipantes, la manera en que se registrarán los resultados, etc.

Cuando es posible, resulta útil realizar algunas observaciones preliminares que permiten anticipar de manera
grosera el desarrollo del experimento. Durante el experimento es necesario, dentro de lo posible, no modificar
las condiciones del mismo. También, es imprescindible llevar anotaciones rigurosas de hasta el más mı́nimo
detalle, tanto con vistas al análisis de los resultados como ası́ también a la repetición de las observaciones
en iguales condiciones.
Luego de finalizadas las observaciones, es necesario realizar un análisis de los resultados. En este proceso
tendrá un papel importante el modelo supuesto. A veces sólo es necesario comparar los resultados con el
modelo. Otras veces, el modelo involucra parámetros que pueden variarse hasta obtener el mejor ajuste
(fitting) entre los valores observados y los predichos por el modelo. En todos los casos, el uso de gráficas
para representar los resultados es de gran utilidad.
Como paso final, es necesario analizar las observaciones, determinando cuán satisfactorio es el modelo
elegido, las causas de los posibles apartamientos del modelo con respecto a las observaciones, el rol jugado por
distintos aspectos del experimento en dichas desviaciones (instrumentos, método de medición, desviaciones
sistemáticas, etc.), rangos de validez del modelo. Finalmente, suele ser útil evaluar todo el conjunto para
determinar aquellos aspectos en los que el trabajo realizado ha sido satisfactorio y aquellos en los que no,
con vistas a futuras investigaciones.

6.3 Gráficos
Es muy común recurrir al gráfico como la manera más directa para mostrar los resultados de un conjunto
de observaciones. Cuando estas se contrastan contra un modelo resulta de ayuda modificar las variables
graficadas de modo que la expresión correspondiente al modelo tome una forma lineal. Veamos un ejemplo.
Supongamos que se mide el tiempo t de caı́da de un proyectil (una bolita de plomo) desde distintas alturas
(x). Supongamos que se obtienen los siguientes resultados:

39
 xi [m] ti [s] xi [m] ti [s]
0.100 0.147 0.900 0.441
0.200 0.191 1.000 0.444
0.300 0.244 1.100 0.486
0.400 0.277 1.200 0.491
0.500 0.311 1.300 0.506
0.600 0.351 1.400 0.530
0.700 0.381 1.500 0.559
0.800 0.399

El modelo más simple para este experimento es el de caı́da libre en el vacı́o de un proyectil, acelerado por
g = 9.8 ms−2 , en cuyo caso esperamos que:
r
2
t(x) = x
g
Si bien resulta inmediato comparar los pares (xi , ti ) contra t(xi ), resulta más provechoso linearizar la ecuación
anterior, y comparar los pares (t2i , xi ) contra la recta t2 (xi ) = (2/g)xi , como puede verse en la figura siguiente.

0.35

0.30

0.25

0.20

0.15

0.10

0.05

0.00

0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6

En general, mediante la linearización de la expresión correpondiente al modelo, es posible realizar una mejor
comparación visual entre este último y las observaciones.
Ejercicio: Analice la manera de linearizar las siguientes expresiones (es decir, qué hay que graficar en función
de qué, para que la gráfica sea una recta):

a) y(x) = axb

40
b) y(x) = a exp (bx)

Cuando alguna de las variables graficadas toma valores que se extienden por varios órdenes de magnitud,
conviene graficarla en un eje logarı́tmico. De no proceder de esa manera, muchos los datos de menor valor
quedarán concentrados en una región del gráfico. A veces sólo uno de los ejes es logarı́tmico (gráfico semilog)
y a veces ambos (gráfico log-log). A modo de ejemplo vea la siguiente figura, en la que en el gráfico de la
izquierda se grafican con ambos ejes en escala lineal siete puntos experimentales, mientras que a la derecha
se hace lo mismo mediante un gráfico log-log.

4 5
6x10 10

4
5x10 4
10
4
4x10
3
3x10
4 10

4
2x10 2
10
4
1x10
1
0 10

4 4 0 1 2 3 4
0 1x10 2x10 10 10 10 10 10

6.4 Análisis de resultados

Toda experimento se realiza con ciertos objetivos motivadores. Las observaciones y los resultados obtenidos
a partir de ellas deben analizarse a la luz de estos objetivos, intentando dar respuesta a las preguntas
planteadas al comienzo. Luego de haber respondido total o parcialmente dichas preguntas, es necesario
reflexionar sobre la validez de las respuestas. En este punto suele ser de interés ahondar en las hipótesis
asumidas por el modelo considerado como ası́ también en la calidad de las observaciones. También puede
ser necesario, si existen discrepancias entre el modelo y las observaciones, discutir el posible origen de las
mismas. Finalmente, suele ser útil proponer mejoras deseables en futuras experiencias.

41
6.5 Problemas
1. En todos los casos que siguen, enuncie las variables o combinaciones de variables que deben medirse y
graficarse, y diga cómo puede encontrarse la incógnita (pendiente, ordenada al origen, etc.):

(a) La frecuencia fundamental de vibración de una cuerda está dada por:

r
1 T
n=
2l m
donde n, l y T son las variables medidas. Determine m.
(b) La velocidad de flujo de salida de un fluido ideal por un orificio en el lado de un tanque está dada
por: s
2P
v=
ρ
donde v y P son las variables medidas. Determine ρ.
(c) La descarga de un capacitor está descrita por:
Q = Q0 exp (−t/RC)
donde q y t son variables medidas, y R es fija y conocida. Determine C.
(d) Las longitudes de onda de las lı́neas en las serie de Balmer del espectro del hidrógeno están dadas
por:  
1 1 1
=R − 2
λ 4 n
donde λ y n son variables medidas (n = 1, 2, . . .). Determine R (constante de Rydberg).

2. Las siguientes mediciones se efectuaron durante una investigación de fenómenos para los cuales no hay
modelos disponibles. En cada caso identifique una función adecuada y evalúe sus constantes.

v i T f
0.1 0.61 100 0.161
0.2 0.75 150 0.546
0.3 0.91 200 0.995
0.4 1.11 250 1.438
0.5 1.36 300 1.829
0.6 1.66 350 2.191
0.7 2.03 400 2.500
0.8 2.48 450 2.755
0.9 3.03 500 2.981

42
Fı́sica Experimental I - 2do. Cuat. 2018

7 Presentación de resultados cientı́ficos

Existen tres maneras generales de presentar resultados cientı́ficos particulares, sean estos investigaciones
originales, experiencias de laboratorio, etc.1 :

a) artı́culo o informe cientı́fico

b) presentación oral

c) poster

Daremos a continuación una descripción de cada tipo de presentación, haciendo hincapié en la primera. Esta
descripción no debe tomarse como una regla rı́gida para la confección de cada tipo de presentación. En la
medida de lo posible los autores deberán pensar en un estilo personal, claro, atractivo y convincente.

7.1 El artı́culo o informe

En este caso el destinatario de la información no tendrá contacto con el/los autor/es. Por tal motivo, debe
hacerse especial énfasis en que la presentación sea clara y autocontenida. Más allá de el amplio rango de
estilos posibles para la escritura del informe, la calidad de la edición es de la mayor importancia.
El objetivo del informe es reportar resultados novedosos acerca de un problema particular y su solución
total o parcial. En el mismo debe estar claramente identificado el problema, sus antecedentes, el pro-
cedimiento utilizado para su solución, los resultados obtenidos y, a partir del análisis de los mismos, las
conclusiones finales. Debe figurar la información suficiente para que cualquier persona en cualquier lugar del
mundo pueda reproducirlo, si cuenta con los medios adecuados.
Es habitual utilizar la voz pasiva para la redacción de reportes cientı́ficos. Sin embargo, es cada vez más
común el empleo de la primera persona, lo cual brinda un lenguaje más cercano sin pérdida de rigurosidad.
Por ejemplo: “... en este trabajo empleamos un modelo lineal para la interpretación de los resultados”, en
lugar de “se empleó un modelo...” [1].
Es común que los profesores ofrezcan guı́as de trabajo para la realización de las prácticas de laboratorio,
las cuales incluyen datos tales como el nombre de la experiencia, sus objetivos, los materiales necesarios
para realizarlas, una breve base teórica, un procedimiento secuencial para su realización y otros detalles de
importancia. Si bien la información contenida en la guı́a es de importancia en la confección del informe, éste
1 Excluimos de la lista las tesis, libros y otros tipos de reportes de gran extensión.

43
no tiene porqué tener la misma estructura ni ser una réplica un poco más extensa de la misma. De hecho, el
informe debe ahondar en los aspectos de cada experiencia particular, de los resultados y problemas surgidos
durante su realización.
El informe cientı́fico posee una estructura caracterı́stica, la cual debe permitirle al lector (habitualmente
apurado) profundizar de manera secuencial en el grado de detalle de la información brindada en el artı́culo.
Este objetivo debe tenerse continuamente en mente durante la redacción del informe.
Podemos identificar las siguientes partes en un informe modelo:

a) Tı́tulo: El tı́tulo del informe debe ser claro, atractivo y tan corto como sea posible. Debe situar
rápidamente al lector en el tema del artı́culo. Debe evitarse que el tı́tulo comience con un artı́culo
(“El...” o “La...”).
b) Autores: Debe escribirse el nombre de los autores y su filiación, es decir, a qué institución pertenecen
(instituto, departamento, facultad, universidad, etc.). En el caso de informes de laboratorio, suele ser
conveniente anotar simplemente los nombres de los autores y las direcciones de email de uno o todos ellos.
c) Resumen: Si el informe es extenso se suele incluir un resumen del mismo (no más de 200 palabras) el
cual debe servirle al lector para discriminar rápidamente si el informe cientı́fico es o no de su interés. El
resumen debe responder de manera muy resumida a la preguntas: ¿qué hicimos? ¿qué se obtuvo? En
principio, si en el resumen no se incluye la respuesta (resumida) a la última pregunta, el lector deberı́a
encontrarla en las Conclusiones.
d) Palabras clave: A veces suele incluirse una lista de tres a cinco palabras clave que tienen que ver con el
problema. Es habitual que los interesados realicen búsquedas por palabra clave de artı́culos cientı́ficos.
e) Introducción: En esta sección se incluye la clara identificación del problema y todos los datos necesarios
para comprenderlo. Debe figurar aquı́ la introducción teórica (dejando claras sus aproximaciones y
limitaciones) y los antecedentes (otros estudios que abordaron el mismo problema, si los hay).
En su parte final, la Introducción debe contener un párrafo con una explicación resumida de cómo se
abordó en este caso el problema (un resumen del procedimiento), resaltando los aspectos originales del
mismo, y en qué se diferencia de lo hecho hasta el momento por otros investigadores. En definitiva, los
objetivos del trabajo son incluidos en este punto.
La Introducción deberı́a responder a todas o algunas de las siguientes preguntas: ¿cuál es el problema?,
¿cuál es su importancia?, ¿qué se ha hecho hasta ahora para resolverlo?, ¿qué aspectos quedan por re-
solver?, ¿qué preguntas se intentan responder en este trabajo y cómo?
Leyendo la Introducción, el lector deberı́a ser capaz de pasar directamente a las Conclusiones para ver
cuáles fueron los resultados del estudio.
f) Procedimiento/Detalles experimentales: Si el lector está leyendo esta parte del informe es porque
tiene posiblemente mucho interés en conocer detalles. Por tal motivo, debemos describir rigurosamente

44
 cómo se hicieron las mediciones, con qué aparatos (incluyendo su precisión, modelo, marca de fabricante,
etc.), cómo se dispuso el arreglo experimental (setup), cómo se prepararon las muestras, etc. Recordemos
que se deben incluir todos los datos necesarios para que el experimento pueda ser reproducido con facilidad.
Si una magnitud del experimento se midió empleando alguna técnica muy conocida o desarrollada por
otro/s, se puede llamar por su nombre o haciendo referencia a la fuente bibliográfica donde se puede con-
sultar. Por ejemplo: “Las resistencias se midieron usando un puente de Wheatstone con una exactitud de
0.01”. Deben evitarse detalles circunstanciales que no son de utilidad práctica, del tipo: “... conectamos
el terminal B, encendimos la fuente C, leı́mos el voltı́metro D, ...”, etc. Este tipo de información debe
brindarse mediante esquemas, siempre que sea posible.

g) Resultados: En general, se estudiará la variación de alguna magnitud respecto a otra. Los resultados
sin duda podrán apreciarse mejor en una tabla (siempre que sea de poca extensión) o gráfico. No resulta
aconsejable incluir en esta sección tablas conteniendo el resultado individual de un gran número de
mediciones. Estas tablas conviene colocarlas en un Apéndice para no entorpecer la lectura.
Cada vez que en un gráfico o tabla se indique una magnitud, debe utilizarse la misma nomenclatura que en
el texto y aclarando las unidades empleadas. Suele ser común incorporar, junto a cada entrada numérica
de una magnitud, su incertidumbre respectiva. Se debe especificar claramente la clase de incertidumbres
que estamos considerando. Es muy probable que se trate de lı́mites extremos estimados o de parámetros
estadı́sticos tales como la desviación estándar. En el caso de parámetros estadı́sticos no debemos dejar de
señalar la cantidad de observaciones en la muestra de la que se obtuvieron los resultados. El análisis de
incertidumbres (propagación de errores) debe hacerse por separado (en un Apéndice) y en la tabla sólo
se coloca el resultado numérico o un bastón de error en los gráficos.
Si nuestro experimento ha sido bien diseñado, debemos haber obtenido nuestro resultado final casi segu-
ramente mediante algún procedimiento gráfico. Llegamos a expresiones como estas: “el valor medido de
la resistencia eléctrica se obtuvo de la pendiente de la gráfica V vs I (que se ilustra en la Fig. 5)”.
Los gráficos deben estar libres de información superflua o en código que dificulte su interpretación. Los
ejes deben estar bien identificados. En el epı́grafe de cada gráfica debe estar la información mı́nima para
entenderla. Si dicha explicación es muy extensa, deber remitirse al texto.
Esta sección del informe debe responder detalladamente a la pregunta: ¿qué obtuvimos? (cuando seguimos
los procedimientos descritos en la sección anterior).

h) Análisis: El análisis es una parte integral del informe, y no una reflexión posterior [1]. Aquı́ debemos
desligarnos de nuestras esperanzas y aspiraciones sobre el experimento y aceptar objetivamente el resul-
tado final. En esta etapa del informe debemos hacer una afirmación franca y desprejuiciada del resultado.
Lo deseable es un enunciado simple y directo de la situación real; por ejemplo: “El comportamiento del
modelo lo representa la ecuación (1), en la cual la variación del flujo Q con la presión P es una lı́nea recta
que pasa por el origen. En nuestro experimento, los resultados sı́ mostraron una variación lineal sobre
parte del rango, pero en vez de pasar por el origen, la lı́nea que mejor se ajusta a las observaciones tiene

45
 una ordenada al origen no nula. Además de esto, en la parte superior de la escala P , las observaciones
muestran una desviación sistemática de la linealidad en una cantidad que evidentemente excede la incer-
tidumbre de la medición”. Luego debemos analizar qué consecuencias tienen estas discrepancias respecto
al modelo.
Mucha de la habilidad en la experimentación consiste en la preservación de nuestros resultados finales
de esas fuentes de error. De todas formas finalicemos insistiendo en que estas pautas no se deben tomar
como lineamientos rı́gidos, y que lo importante del asunto es hacer una presentación que le interese al
lector al cual deseamos llegar.
A veces, es posible señalar qué aspectos del experimento podrı́an mejorarse, qué nuevos experimentos
podrı́an diseñarse para abordar mejor el mismo problema, o qué aspectos del problema quedan aún sin
resolver.
i) Conclusiones: Aquı́ se incluirán los aportes esenciales obtenidos como resultado del trabajo. De alguna
manera, el Resumen, la parte final de la Introducción y las Conclusiones deberı́an formar una unidad
cerrada.
j) Bibliografı́a o Referencias: Cada vez que en el informe se incluye información (fórmulas, resultados
previos, etc.) que no es parte original del trabajo, debe a continuación figurar una cita bibliográfica del
tipo “[1]”. Al final del informe, en la sección Bibliografı́a (o Referencias), la cita se explicita en detalle
de manera que el lector pueda identificarla y eventualmente conseguirla sin dificultad:
[1] M. Alonso, E. J. Finn, Fı́sica Vol. I: Mecánica, Fondo Educativo Interamericano, México, 1986, pág.
77-86 (o Cap. 3).
Las referencias bibliográficas al final del informe en general se ordenan de acuerdo al orden de aparición
en el texto, o bien alfabéticamente según el primer autor. Las referencias a sitios Web (URLs) deben
incluir la fecha.

Las secciones anteriores pueden contener subsecciones si la extensión o complejidad del informe las hace
indispensables para la comprensión del tema.
A veces, los Resultados por sı́ mismos son suficientemente claros como para no hacer necesario un
Análisis. Otras veces, el análisis de los resultados y las conclusiones conviene incluirlos en una única sección.
Esto queda a criterio del autor.
El discurso debe tener continuidad. Si nos parece que tenemos que incluir alguna descripción particular
larga, extensa y detallada que pudiese romper la libre continuidad de la argumentación principal conviene
anexarla como Apéndice al final del informe.
Las fórmulas matemáticas suelen incluirse centradas y en renglón aparte, numerándose de manera
creciente entre paréntesis a la derecha. Este número se utilizará para hacer referencia a la expresión a
lo largo del texto. En las expresiones matemáticas, en el texto y en las figuras, las variables matemáticas y
parámetros se notan generalmente en itálica, mientras que los números, paréntesis, corchetes y llaves, como

46
ası́ también las funciones predefinidas (seno, coseno, logaritmo natural, etc.) se notan en una fuente recta,
de la siguiente manera:
 
1
h(t) = h0 + v0 t + gt2 + cos(ωt) (32)
2
Es importante conservar la notación utilizada para nombrar las variables en la Introducción a lo largo del
resto del informe. Cada sı́mbolo utilizado en el informe debe definirse claramente cuando se utiliza por
primera vez.
Las figuras deben aparecer en la página donde se las cita por primera vez, o en las siguientes. En general
conviene que estén numeradas, aunque también puede escribirse “en la figura siguiente...”, evitando numerar
la figura. Sin embargo, esto trae problemas a la hora de hacer referencia a la misma.
Los diversos procesadores de texto disponibles permiten automatizar ciertos aspectos durante la edición
de los informes, tales como el formateo automático del texto (tı́tulo, resumen, tı́tulos de secciones, etc.), las
referencias cruzadas, las citas bibliográficas, la numeración automática de ecuaciones, el posicionamiento de
figuras, etc. Entre ellos podemos nombrar: Word (Microsoft), OpenOffice (libre), Lyx (libre), LaTeX (libre),
etc.

7.2 Presentación oral. Poster

La presentación oral y el poster poseen en común que el expositor está cara a cara con el público. Esto
permite obviar en el reporte ciertas piezas de información, dado que las mismas pueden ser obtenidas por
los interados de manera personal. Esto mismo obliga a la vez a sintetizar muy hábilmente la información
ofrecida, para que el contenido de la misma llegue de manera clara y entretenida.
La presentación oral es la exposición de resultados cientı́ficos mediante diapositivas frente a un auditorio.
En general, las diapositivas se proyectan sobre una pantalla. Las diapositivas se suelen editar mediante algún
software apropiado, tal como Powerpoint de Microsoft Office, o su similar del OpenOffice. También es común
editar las diapositivas mediante cualquier procesador de texto para luego crear un documento PDF, el cual es
finalmente proyectado en pantalla completa. En general, no es aconsejable proyectar más 20 a 25 diapositivas,
con el fin de no aburrir al auditorio. Es importante cuidar que el tamaño de las fuentes no sea muy pequeño
y que las diapositivas no estén atestadas. Los textos incluidos en cada diapositiva deben servir de referencia
para el expositor y el auditorio, casi a modo de ayuda-memorias. Las piezas de texto extensas sólo distraen
o cansan a la audiencia. Si se considera que cierta información importante puede llegar a ser necesaria para
aclarar algunos puntos, pueden incluirse en diapositivas que no son expuestas en el cuerpo de la charla, pero
que están disponibles en caso de que se produzcan preguntas relacionadas. El fondo oscuro suele ser más
atractivo para el auditorio que un fondo de diapositiva muy luminoso. Conviene indicar en cada diapositiva
el número de diapositiva sobre el número total de las mismas.
La presentación debe comenzar con el tı́tulo y el nombre del expositor. Luego se pasa al cuerpo de
la exposición. En una diapositiva se ofrece una vista previa de los puntos a ser tocados durante la charla

47
(outline). Se suele volver a esta diapositiva cada vez que se completa una parte de la charla, para que el
auditorio guarde referencia acerca del desarrollo de la misma. En lo demás, la estructura es muy similar
a la del informe escrito, sin embargo conviene que cada parte de la exposición sea cerrada sobre sı́ misma,
evitando que el auditorio deba guardar muchos datos en su memoria para comprender los contenidos. Al
final suele hacerse hincapié en los trabajos futuros (outlook ). Debe recurrirse, siempre que sea posible, al uso
de gráficos. También es posible incluir otros medios audiovisuales, tales como videos, animaciones, etc. Suele
ser común dedicar unas palabras finales al grupo de investigación involucrado en el trabajo, explicitando
claramente una manera eficaz de ponerse en contacto con el mismo (email, URL, etc.). Conviene que algunos
datos de la exposición (tı́tulo, autores, etc.) estén presentes en cada diapositiva a modo de marco inferior o
superior y también al final, para que los asistentes que llegan tarde a la charla puedan saber rápidamente de
qué charla se trata.
En el caso del poster, la información relevante (tı́tulo, autores, filiación, contactos, resumen, proce-
dimiento, resultados, conclusiones, referencias, etc.) se ordena en un afiche, junto al cual el expositor aguarda
las consultas de los interesados. Suele ser común ofrecer versiones reducidas (tamaño A4) del poster, las
cuales están disponibles junto al poster para que los apurados puedan llevarse y releer más tarde. Es común
encontrar en los congresos desde pósters que no son otra cosa que un conjunto de hojas A4 agrupadas, hasta
otros finamente diseñados e impresos en papel plastificado. En cualquier caso, es importante tener en cuenta
que el objetivo del poster es transmitir cierta información de manera clara, y que los recursos de diseño
deben ayudar y no entorpecer a este fin.

48
Fı́sica Experimental I - 2do. Cuat. 2018

8 Propuestas de experiencias: medición de g

8.1 Caı́da libre
Un cuerpo de masa m cae desde una altura h y se mide el tiempo t de caı́da hasta que toca el piso. Si se
hacen las siguientes hipótesis:

a) Se desprecia el rozamiento del aire

b) No se considera la rotación de la tierra (efecto Coriolis)

c) Se considera al cuerpo como una masa puntual

se tiene que:
1 2
h(t) = gt
2
donde h se mide desde el punto superior de la trayectoria. Si el cuerpo cae una cierta distancia h0 antes de
caer la altura h, tenemos que:
1
h(t) = v0 t + gt2
2
Como v02 = 2gh0 :
p 1
h(t) = 2gh0 t + gt2
2

8.2 Péndulo simple

Una masa m pendula con amplitud θ0 de una cuerda de largo l. Si se hacen las siguientes hipótesis:

a) Se desprecia el rozamiento del aire

b) No se considera la rotación de la tierra (efecto Coriolis)

c) Se considera al cuerpo como una masa puntual

d) θ0 es pequeño

49
se tiene que el perı́odo de oscilación es: s
l
T = 2π
g
con lo cual:
l
g = (2π)2
T2

8.3 Péndulo fı́sico

Un cuerpo plano de masa m y momento de inercia I = mr2 con respecto a su centro de masa pendula de
un punto situado a una distancia h del centro de masa. El cuerpo pendula con amplitud θ0 . Si se hacen las
siguientes hipótesis:

a) Se desprecia el rozamiento del aire

b) No se considera la rotación de la tierra (efecto Coriolis)
c) θ0 es pequeño

se tiene que es:

dL
= hmgsenθ (33)
dt
donde L es el momento de inercia, con lo cual:
d 
ωm(r2 + h2 ) = hmgsenθ

(34)
dt  2
r + h2 d2 θ

'θ (35)
hg dt2
Es decir, el péndulo oscilara con perı́odo:
s
r2 + h2
T = 2π (36)
hg

8.4 Masa unida a un resorte

Un cuerpo de masa m cuelga en reposo de un resorte de constante k. La elongación x del resorte con respecto
a su posición de equilibrio x0 está relacionada con el peso del cuerpo a través de :
mg = k(x − x0 ) (37)

50
Fı́sica Experimental I - 2do. Cuat. 2018

9 Apéndice A: Probabilidades
9.1 Introducción
Hemos visto en Fı́sica I cómo las Leyes de Newton permiten predecir la trayectoria de una partı́cula si se
conocen las fuerzas que actúan sobre ella, y las condiciones iniciales del movimiento. De igual manera, la
Ley de Ohm permite predecir el valor de la corriente que circulará por un resistor si se conoce la diferencia
de potencial a la que está sometido. En todos los casos, conociendo las condiciones en las que se realiza
el experimento se puede anticipar su resultado. Este tipo de fenómenos se denominan determinı́sticos. Sin
embargo, es posible encontrar situaciones o experimentos en los cuales el desenlace final de los mismos
no se puede determinar con total exactitud antes de que la misma se concrete: el resultado de tirar una
moneda, el número en una tirada de dados, etc. En estos experimentos el azar determina el resultado y se
denominan aleatorios, no-determinı́sticos o estocásticos. En este tipo de experimentos toma relevancia el
concepto de probabilidad. Dado que las mediciones experimentales se ven afectadas por variaciones al azar
aún en situaciones determinı́sticas como las dos nombradas al principio, resulta importante conocer algunos
aspectos relacionados con el tema.

9.2 Definiciones
Se denomina experimento aleatorio a un experimento que reúne las siguientes caracterı́sticas:

a) se puede repetir indefinidamente sin cambiar las condiciones.

b) si bien no se puede predecir cuál será el resultado particular de cada experimento, sı́ se conoce el conjunto
de todos los resultados posibles. Este conjunto se suele llamar espacio muestral.

Aunque los resultados son caprichosos al principio, luego de realizar el experimento un gran número de
veces es posible observar cierto comportamiento caracterı́stico o regularidad. Es este comportamiento el
que resulta interesante y a veces permite confeccionar un modelo matemático para describir el experimento
observado.
Denominaremos suceso o evento a todo subconjunto del espacio muestral. Diremos que:

a) Si A y B son sucesos, entonces A ∪ B es el suceso que ocurre si ocurre A o B o ambos.

b) Si A y B son sucesos, entonces A ∩ B es el suceso que ocurre si ocurren A y B.

51
Se dice que dos sucesos son mutuamente excluyentes si, cuando ocurre uno, el otro no puede ocurrir (A ∩ B =
∅).
Supongamos ahora que relizamos n repeticiones de un experimento aleatorio. Llamaremos frecuencia
relativa fA al cociente nA /n, donde nA es el número de veces que ocurrió el evento A. Nuestra experiencia
marca que a medida que n crece, fA converge a un valor definido: la probabilidad P (A) de que ocurra el
evento A. Es decir:
P (A) = lim fA
N →∞

Es posible definir las condiciones para que P (A) sea una función de probabilidad:

a) 0 ≤ P (A) ≤ 1

b) Si S es el espacio muestral, entonces P (S) = 1

c) Si A y B son sucesos excluyentes, entonces P (A ∪ B) = P (A) + P (B)

¿Es posible estimar P (A) sin necesidad de realizar n experimentos aleatorios? En muchos casos la
respuesta es afirmativa, si se cumplen ciertas condiciones. Cuando se sabe que los elementos del espacio
muestral S son equiprobables, entonces la probabilidad de que ocurra cada evento elemental  es igual a 1/M ,
donde M es el número de elementos de S. De esta manera, si un suceso A es favorable cuando ocurren k
eventos elementales, la probabilidad de que ocurra A será:

k
P (A) = (38)
M
o, escrito de otra manera:
número de casos favorables
P (A) =
numero total de casos

9.3 Probabilidad condicional. Sucesos independientes

Es posible encontrar el caso en que queremos calcular la probabilidad de que ocurra el evento B si ya sabemos
que ocurrió el evento A. Notaremos esta probabilidad como P (B|A), que se dice: “probabilidad de B dado
A”. Como ejemplo, supongamos que se cuenta con un lote de 100 autos, algunos son nuevos (N ) y otros
usados (U ), algunos son diesel (d) y otros nafteros (n), con la siguiente distribución:

d n
N 40 30 70
U 20 10 30
60 40 100

52
Se escoge un auto al azar y resulta que es nuevo, ¿cuál es la probabilidad de que también sea diesel? Lo que
queremos calcular es P (d|N ). Teniendo en cuenta de que hay 70 autos nuevos, resulta que:

40 40/100 P (d ∩ N )
P (d|N ) = = =
70 70/100 P (N )

De manera general podemos definir la probabilidad condicional P (B|A) como:

P (A ∩ B)
P (B|A) = (39)
P (A)

Se dice que dos sucesos son independientes si P (B|A) = P (B). Es decir, la probabilidad de ocurrencia
de B no depende de si ocurrió o no A. De otra manera:

P (A ∩ B) = P (A)P (B) (40)

(Ejercicio: ¿son independientes los sucesos de la tabla anterior?).

9.4 La ley de los grandes números

Este teorema cuantifica de alguna manera lo que sabemos intuitivamente acerca de la relación entre el
concepto de probabilidad y la frecuencia relativa de ocurrencia de un evento dado.
Supongamos un experimento aleatorio que se repite n veces y se toma nota del número nA de veces que
ocurre el evento A. Como antes, llamemos fA = nA /n a la frecuencia relativa de ocurrencia del evento A.
Supongamos que p = P (A). Puede demostrarse que [4, p. 253]:

p(1 − p)
Prob [|fA − p| ≥ ] ≤
n2
o, lo que es lo mismo:
p(1 − p)
Prob [|fA − p| < ] ≥ 1 −
n2
donde  es un número positivo cualquiera.
Por ejemplo, ¿cuántas repeticiones de un experimento aleatorio deben realizarse para tener una prob-
abilidad mayor que 0.95 de que la frecuencia relativa difiera de P (A) en menos de un 1%? En este caso
debemos utilizar la segunda desigualdad con  = 0.01, de modo que:

p(1 − p)
0.95 = 1 −
n2

53
con lo cual n debe cumplir:
p(1 − p)
n≥
(0.05)(0.01)2
Si A es que obtengamos un 6 al tirar un dado, entonces p = 1/6, obteniendo:
15
66
n≥ = 27778
(0.05)(0.01)2
Cuando p no se conoce, basta con suponer la cota mayor, que ocurre cuando el producto p(1 − p) es mayor,
es decir, cuando p = 1/2.

9.5 Variables aleatorias

En muchos casos, el resultado de un experimento aleatorio es directamente un número (tirar un dado, medir
el perı́odo de un péndulo, etc.) o bien el resultado puede expresarse como un número. Formalmente, estamos
asignando a cada elemento  del espacio muestral S un número mediante una función X = X(), el cual puede
ser natural, entero, real, etc. Dicho número, por ser el resultado de un experimento aleatorio se denomina
variable aleatoria. A veces, a partir de un único experimento aleatorio pueden definirse varias variables
aleatorias. En todos los casos, todos los valores posibles xi (i = 1, 2, ..., N ) que puede tomar X definen
un nuevo espacio muestral de N elementos, al cual también se le suele llamar recorrido de X. Llamemos
P (X = xi ), o más directamente P (xi ) o Pi , a la probabilidad de que la variable aleatoria X tome el valor
particular xi . Como estamos hablando de una probabilidad, se deben cumplir las siguientes condiciones:
a) 0 ≤ P (xi ) ≤ 1
PN
b) i=1 P (xi ) = 1

En el caso anterior estamos hablando de una variable aleatoria cuyo recorrido es un conjunto ordenable de N
de valores, por lo que se dice que es una variable aleatoria discreta. Puede darse el caso de variables aleatorias
que pueden tomar cualquier valor sobre un intervalo real dado. Es el caso, por ejemplo, del experimento
aleatorio en el que se mide el alcance de un proyectil. En este caso la variable aleatoria es continua, y
hablamos de la probabilidad P (x)dx de que, luego de realizar el experimento aleatorio, X tome algún valor
entre x y x + dx. En este caso, a P (x) se la denomina función de densidad de probabilidad. Las propiedades
anteriores toman la siguiente forma para el caso de una variable aleatoria continua:
a) P (x) ≥ 0
R∞
b) −∞ P (x)dx = 1
Además, la probabilidad de que X tome algún valor entre x = a y x = b se calcula mediante:
Z a
P (a ≤ X ≤ b) = P (x)dx
b

54
9.6 Funciones de variables aleatorias
A veces resulta de interés definir magnitudes que son funciones de una variable aleatoria, y hallar la proba-
bilidad de ocurrencia de sus posible valores. Por ejemplo, si definimos Y = f (X), Y es también una variable
aleatoria. A partir de la forma explı́cita de la función f (x) es posible definir el recorrido de Y , y luego, a
partir de la distribución de probabilidades de X, se obtiene la de Y .
Supongamos que para la variable aleatoria X tenemos la siguiente distribución de probabilidades y que
definimos la nueva variable aleatoria Y = f (X) con f (x) = x2 :

xi −2 −1 0 1 2 3
P (X = xi ) 0.2 0.2 0.05 0.05 0.2 0.3
yi = (xi )2 4 1 0 1 4 9

Vemos que el recorrido de Y está dado por {0, 1, 4, 9}. Si tenemos en cuenta las veces que se repite algún
valor f (xi ) y las probabilidades asociadas a cada uno de ellos, podemos construir la siguiente tabla para Y :

yi 0 1 4 9
P (Y = yi ) 0.05 0.25 0.4 0.3

9.7 Variables aleatorias bidimensionales

Puede ocurrir que un mismo experimento aleatorio de lugar a dos variables aleatorias, por lo que puede ser útil
definir una variable aleatoria bidimensional, es decir, un par (X, Y ). En este caso P (X = xi , Y = yj ) = pij
será la distribución de probabilidades conjunta, donde cada variable tendrá su propio recorrido. En este caso
deberá cumplirse que:

a) 0 ≤ pij ≤ 1
P P
b) i j pij = 1

Por ejemplo, supongamos que se analizan las fallas del sistema informático de una empresa por la
mañana (3 horas) y por la tarde (3 horas). Podemos definir la variable X como la hora de la mañana a la
que se produce una falla, y como Y la hora de la tarde a la que se produce una falla. Es posible construir
la siguiente tabla, que detalla los valores de las distintas probabilidades:

Y \X 1 2 3 Marginal de Y
1 0.05 0.05 0.15 0.25
2 0.15 0.1 0.1 0.35
3 0.05 0.1 0.25 0.4
Marginal de X 0.25 0.25 0.5 1

55
(Ejercicio: ¿La probabilidad de que ocurra qué evento está dada por P (1, 3)?).
Se han incluido en la tabla anterior las probabilidades marginales, definidas como:
X
P (X = xi , Y = cualquiera) = pij (41)
j
X
P (X = cualquiera, Y = yj ) = pij (42)
i

9.8 Variables aleatorias independientes

Ası́ como hemos definido el concepto de sucesos independientes, también es posible definir la independencia
entre variables aleatorias. Siguiendo con el razonamiento utilizado anteriormente, diremos que X e Y son
variables aleatorias independientes si se cumple que:
P (X = xi , Y = yj ) = P (X = xi )P (Y = yj )
Es decir, pi,j es igual al producto de las probabilidades marginales correspondientes.

9.9 Esperanza de una variable aleatoria

Dada una variable X, a veces interesa saber cuál es el valor esperado de X o esperanza, que suele denotarse
como E(X) o, también, hXi. Teniendo en cuenta la relación que existe entre P (X = xi ) y la frecuencia
relativa de ocurrencia del valor xi después de un gran número de experimentos, parece natural definir E(X)
como: X
E(X) = hXi = xi p(xi ) (43)
i
En el caso de una variable aleatoria continua, la expresión anterior toma la forma:
Z ∞
E(X) = hXi = xP (x)dx (44)
−∞

La definición puede extenderse, por ejemplo:

Z ∞
2 2
x2 P (x)dx


E(X ) = X =
−∞

y, en general, si consideramos la variable aleatoria Y = h(X), entonces:

 P
 i h(xi )p(xi ) X discreta
E(Y ) = hY i =
 R∞
−∞
h(x)P (x)dx X continua

56
De manera similar, si tenemos una variable aleatoria bidimensional (X, Y ) y Z = h(X, Y ), entonces:
 P
 i,j h(xi , yj )p(xi , yj ) X, Y discretas
E(Z) = (45)
 RR ∞
−∞
h(x, y)P (x, y)dxdy X, Y continuas

Como se ve, no es necesario conocer la distribución de probabilidades de Y (X) o Z(X, Y ) para calcular la
esperanza.
Algunas propiedades de E(X):

1. E(cX) = cE(X), donde c es una constante

2. E(X + Y ) = E(X) + E(Y ), donde X e Y son dos variables aleatorias cualquiera
3. si (X, Y ) es una variable aleatoria bidimensional y X e Y son independientes, entonces E(XY ) =
E(X)E(Y )

9.10 Varianza de una variable aleatoria

Se define la varianza V (X) = σx2 de la variable aleatoria X como (σx es la desviación estándar de X):
V (X) = E (X − E(X))2 = (X − hXi)2
 

(46)
Algunas propiedades de V (X):

1. V (cX) = c2 V (X), donde c es una constante

2. V (X + c) = V (X), donde c es una constante
3. si (X, Y ) es una variable aleatoria bidimensional y X e Y son independientes, entonces V (X + Y ) =
V (X) + V (Y )

Puede demostrarse que:

2
V (X) = E(X 2 ) − [E(X)]2 = X 2 − hXi


(47)

9.11 El coeficiente de correlación

El coeficiente de correlación ρxy mide el grado de asociación entre dos variables aleatorias X e Y . Se define
como:
E {[X − E(X)][Y − E(Y )]}
ρxy = p (48)
V (X)V (Y )
Algunas observaciones:

57
a) Cuando no hay dudas sobre su significado, se escribe ρ en lugar de ρxy .
b) ρ es adimensional.
c) El numerador de la Ec. (48) se suele denotar como σxy , o covarianza de X e Y , con lo que dicha ecuación
se puede escribir como:
σxy
ρxy =
σx σy

Puede demostrarse que la Ec. (48) se puede escribir como:

E(XY ) − E(X)E(Y )
ρxy = p (49)
V (X)V (Y )

Algunas propiedades de ρ:

a) Si X e Y son independientes se cumple que ρ = 0, pues E(XY ) = E(X)E(Y ).

b) Si ρ = ±1, entonces Y = aX + b, es decir, existe una relación lineal entre ambas variables aleatorias.

9.12 La distribución binomial

Supongamos que de una lı́nea de producción se obtienen artı́culos defectuosos (evento D) con una probabil-
idad P (D) = p = 0.2 y no defectuosos (evento N ) con una probabilidad P (N ) = 1 − p = 0.8. Supongamos
que tomamos tres artı́culos al azar y contabilizamos el número X de artı́culos defectuosos. X es una variable
aleatoria discreta que puede tomar los valores {0, 1, 2, 3}, con probabilidades de acuerdo a la siguiente tabla:

xi 0 1 2 3
Casos NNN DN N, N DN, N N D DDN, DN D, N DD DDD
Pi (0.8)3 3 × (0.8)2 (0.2) 3 × (0.8)(0.2)2 (0.2)3

Puede comprobarse que la suma de las Pi es igual a la unidad.

De manera general, consideremos N repeticiones de un experimento en el que sólo dos resultados son
posibles en cada repetición, A y Ā, con probabilidades p y 1 − p, respectivamente. Se toma como variable
aleatoria el número k de veces que ocurrió A. Puede demostrarse que:
 
N k
PN,p (X = k) = p (1 − p)n−k (50)
k
donde:  
N N!
=
k k!(N − k)!

58
9.13 La distribución normal o de Gauss
Esta distribución resulta de gran importancia dado que, entro otros motivos, suele servir como una excelente
aproximación a un gran número de distribuciones. Supongamos la variable aleatoria continua X, que puede
tomar cualquier valor en el intervalo −∞ ≤ x ≤ ∞. Se dice que X tiene una distribución normal o gaussiana
si su función densidad de probabilidad está dada por:
"  2 #
2 1 1 x−µ
P (x) = N (µ, σ ) = √ exp − (51)
2πσ 2 σ

donde µ y σ 2 son la esperanza y la varianza de la distribución (51), respectivamente, calculadas mediante:

Z −∞
µ = E(X) = xP (x)dx
∞
Z −∞
σ 2 = V (X) = (x − µ)2 P (x)dx
∞

La probabilidad de que X tome un valor entre µ − σ y µ + σ es:

Z µ−σ
P (µ − σ, µ + σ) = P (µ ± σ) = P (x)dx = 0.68
µ+σ

Esto significa que el 68% de las veces X tomará un valor dentro de dicho intervalo. Por otro lado, P (x̄±2σ) =
0.95.
Muchos magnitudes fı́sicas medidas experimentalmente presentan fluctuaciones estadı́sticas de acuerdo
a la distribución normal. Ello ocurre cuando el valor medido es el resultado de un conjunto de apartamientos
infinitesimales aleatorios en ambas direcciones a partir de un valor central (ver Ref. [1], pág. 164).

59
9.14 Problemas
1. Suponga los siguientes experimentos aleatorios:
(a) se arroja un dado y se anota el número de la cara superior
(b) se lanza una moneda cuatro veces y se anota el número total de caras obtenidas
(c) se tiran dos dados a la vez y se anota el valor X de la suma
(d) se toman lámparas de una lı́nea de producción y se anota la duración de la misma
(e) se arroja una pelota de goma desde cierta altura y se toma nota de la altura que alcanza después
de robotar
Determine los elementos del espacio muestral
2. En el experimento aleatorio correspondiente al Prob. 1c identifique los elementos que hacen que los
siguientes eventos ocurran :
(a) A = {X es un número par}
(b) A = {X < 5}
(c) A = {X es un número primo}
3. Suponga un experimento aleatorio en el que sólo son posibles tres resultados: a1 , a2 y a3 . La ocurrencia
de a1 es dos veces más probable que la de a2 , la cual, a su vez, es dos veces más probable que la de a3 .
Calcule P (a1 ), P (a2 ) y P (a3 ).
4. Calcule P (A) en los tres casos del Problema 2.
5. Dos fichas rojas se mezclan con dos azules en una caja. Se extraen las fichas una a una, hasta encontrar
las azules.
(a) ¿Cuál es la probabilidad de encontrar la última ficha azul en la segunda extracción?
(b) ¿Cuál es la probabilidad de encontrar la última ficha azul en la tercera extracción?
(c) ¿Cuál es la probabilidad de encontrar la última ficha azul en la cuarta extracción?
(d) Sume las probabilidades anteriores. Trate de explicar el resultado.
6. Suponga el caso de una caja con 5 bolillas rojas y 10 bolillas azules, de la cual sacamos dos bolillas
consecutivas (sin reposición). Si llamamos evento R a sacar una bolilla roja y evento A a sacar una
azul, ¿cuál es la probabilidad de sacar una bolilla roja si la primera fue azul, es decir, cuánto vale
P (R|A)? Calcule la misma probabilidad pero suponiendo que el experimento es con reposición. ¿Son
independientes en este caso los eventos A y R? Confeccione en ambos casos una tabla como la de la
pág. 52.

60
 7. Cinco fichas numeradas del 1 al 5 se encuentran en una caja. Se toman dos fichas, cuyos valores
determinan el par (X, Y ). Calcule P (X + Y = 3). ¿Cambia el resultado si la extración se hace con y
sin reposición?

8. Se arroja una moneda tres veces. Determine el espacio muestral. Suponga la variable aleatoria X =
número de caras. Determine el recorrido de X y la probabilidad de obtener cada uno de los posibles
valores de X. Suponga primero que la probabilidad de obtener cara (C) es la misma que la de obtener
seca (S), y luego que P (C) = 2P (S). Dibuje un gráfico de P (xi ) en ambos casos.
9. Se arroja un dado dos veces seguidas y se definen las siguientes variables aleatorias:

(a) número total veces que salió el número uno

(b) suma de las dos tiradas
Determine el espacio muestral en cada caso y las probabilidades asociadas a cada elemento de los
mismos.

10. Suponga que la variable aleatoria continua X, definida en el intervalo −1 ≤ x ≤ 1, posee la siguiente
densidad de probabilidad:
P (x) = Ax2
(a) Determine el valor que debe tener la constante de normalización A para que P (x) esté correcta-
mente definida (normalización).
(b) Calcule E(X) y V (X) = σ 2 .
(c) Calcule P (X ± σ), P (X ± 2σ) y P (X ± 3σ).
11. Dada la tabla de probabilidades de la pág. 55, suponga que Y = (X − 1)2 . Encuentre el espectro de
Y y su distribución de probabilidades.

12. Teniendo en cuenta las Ecs. (45) y (47), exprese la varianza de la variable Y = h(X) en función de la
distribución de probabilidades de X.
13. Dada la tabla de probabilidades de la pág. 55, calcule la probabilidad condicional P (X = 2|Y = 1).
También determine si X e Y son independientes.

14. Determine E(X) en los dos casos del Prob. 8.

61
Fı́sica Experimental I - 2do. Cuat. 2018

10 Apéndice B: Tablas

10.1 Tabla 1: Distribución de Gauss normalizada

En la siguiente tabla, tomada de [5], se muestran los valores:

Z z Z z
Φ(z) = N1,0 (z 0 )dz 0 = (2π)−1 exp (−z 02 /2)dz 0
0 0

62
 z 0 1 2 3 4 5 6 7 8 9
0.0 0.00000 0.00399 0.00798 0.01197 0.01595 0.01994 0.02392 0.0279 0.03188 0.03586
0.1 0.03983 0.0438 0.04776 0.05172 0.05567 0.05962 0.06356 0.06749 0.07142 0.07535
0.2 0.07926 0.08317 0.08706 0.09095 0.09483 0.09871 0.10257 0.10642 0.11026 0.11409
0.3 0.11791 0.12172 0.12552 0.1293 0.13307 0.13683 0.14058 0.14431 0.14803 0.15173
0.4 0.15542 0.1591 0.16276 0.1664 0.17003 0.17364 0.17724 0.18082 0.18439 0.18793
0.5 0.19146 0.19497 0.19847 0.20194 0.2054 0.20884 0.21226 0.21566 0.21904 0.2224
0.6 0.22575 0.22907 0.23237 0.23565 0.23891 0.24215 0.24537 0.24857 0.25175 0.2549
0.7 0.25804 0.26115 0.26424 0.2673 0.27035 0.27337 0.27637 0.27935 0.2823 0.28524
0.8 0.28814 0.29103 0.29389 0.29673 0.29955 0.30234 0.30511 0.30785 0.31057 0.31327
0.9 0.31594 0.31859 0.32121 0.32381 0.32639 0.32894 0.33147 0.33398 0.33646 0.33891
1.0 0.34134 0.34375 0.34614 0.34849 0.35083 0.35314 0.35543 0.35769 0.35993 0.36214
1.1 0.36433 0.3665 0.36864 0.37076 0.37286 0.37493 0.37698 0.379 0.381 0.38298
1.2 0.38493 0.38686 0.38877 0.39065 0.39251 0.39435 0.39617 0.39796 0.39973 0.40147
1.3 0.4032 0.4049 0.40658 0.40824 0.40988 0.41149 0.41309 0.41466 0.41621 0.41774
1.4 0.41924 0.42073 0.4222 0.42364 0.42507 0.42647 0.42785 0.42922 0.43056 0.43189
1.5 0.43319 0.43448 0.43574 0.43699 0.43822 0.43943 0.44062 0.44179 0.44295 0.44408
1.6 0.4452 0.4463 0.44738 0.44845 0.4495 0.45053 0.45154 0.45254 0.45352 0.45449
1.7 0.45543 0.45637 0.45728 0.45818 0.45907 0.45994 0.4608 0.46164 0.46246 0.46327
1.8 0.46407 0.46485 0.46562 0.46638 0.46712 0.46784 0.46856 0.46926 0.46995 0.47062
1.9 0.47128 0.47193 0.47257 0.4732 0.47381 0.47441 0.475 0.47558 0.47615 0.4767
2.0 0.47725 0.47778 0.47831 0.47882 0.47932 0.47982 0.4803 0.48077 0.48124 0.48169
2.1 0.48214 0.48257 0.483 0.48341 0.48382 0.48422 0.48461 0.485 0.48537 0.48574
2.2 0.4861 0.48645 0.48679 0.48713 0.48745 0.48778 0.48809 0.4884 0.4887 0.48899
2.3 0.48928 0.48956 0.48983 0.4901 0.49036 0.49061 0.49086 0.49111 0.49134 0.49158
2.4 0.4918 0.49202 0.49224 0.49245 0.49266 0.49286 0.49305 0.49324 0.49343 0.49361
2.5 0.49379 0.49396 0.49413 0.4943 0.49446 0.49461 0.49477 0.49492 0.49506 0.4952
2.6 0.49534 0.49547 0.4956 0.49573 0.49585 0.49598 0.49609 0.49621 0.49632 0.49643
2.7 0.49653 0.49664 0.49674 0.49683 0.49693 0.49702 0.49711 0.4972 0.49728 0.49736
2.8 0.49744 0.49752 0.4976 0.49767 0.49774 0.49781 0.49788 0.49795 0.49801 0.49807
2.9 0.49813 0.49819 0.49825 0.49831 0.49836 0.49841 0.49846 0.49851 0.49856 0.49861

Los valores de Φ(z) para z = 3.0 − 4.5 son:

3.0 0.49865 3.4 0.49966 3.8 0.49993

3.1 0.49903 3.5 0.49977 3.9 0.49995
3.2 0.49931 3.6 0.49984 4.0 0.499968
3.3 0.49952 3.7 0.49989 4.5 0.499997

63
10.2 Tabla 2: Distribución de Student

64
Fı́sica Experimental I - 2do. Cuat. 2018

11 Apéndice C: Datos de instrumentos

11.1 Calibre digital

65
66
 7,10 8,72 9,05 9,33 9,59 9,98 10,14 10,31 10,70 10,99
7,16 8,8 9,07 9,36 9,60 9,98 10,14 10,38 10,74 11,02
7,84 8,8 9,12 9,38 9,61 10,00 10,16 10,41 10,76 11,11
7,97 8,84 9,24 9,40 9,67 10,01 10,18 10,43 10,77 11,26
8,31 8,84 9,24 9,48 9,68 10,03 10,21 10,49 10,79 11,28
8,39 8,89 9,28 9,48 9,71 10,04 10,22 10,51 10,81 11,30
8,59 8,9 9,29 9,52 9,76 10,06 10,24 10,54 10,86 11,41
8,62 8,96 9,30 9,53 9,82 10,07 10,26 10,56 10,89 11,70
8,67 8,96 9,32 9,56 9,87 10,09 10,28 10,56 10,92 12,19
8,69 8,99 9,32 9,59 9,88 10,10 10,28 10,67 10,97 13,05

Tabla 1: Resultado de n = 100 mediciones de longitud, ordenadas de menor a mayor.

67