Anlisis de Errores Ninguna medicin es perfecta.

Una de las ideas falsas ms comunes acerca de la ciencia es que sta es exacta. Es muy difcil lograr que los alumnos que se inician en ciencias crean que ninguna medicin es perfectamente correcta. Ellos tienden a pensar que si una medicin se aleja un poco del resultado real, esto se debe a un error si un profesional la hubiese hecho, sta debera haber sido exacta. Falso! Lo que los cientficos pueden hacer es estimar qu tan alejados podran estar del valor real. Este tipo de estimacin es llamado Barra de Error, y es expresada con el smbolo (lase ms o menos). Por ejemplo, si al medir el peso de mi perro indico que ste es 26 1 kilgramos, estoy diciendo que mi mejor estimacin del peso es de 26 kilgramos, y que pienso que yo podra estar errado en algo as como 1 kilgramo de ms o de menos. El trmino Barra de Error proviene de la convencin usada para representar el rango de incerteza de una medicin en un grfico, aunque el trmino tambin se usa si no hay grfico involucrado. Algunos excelentes trabajos cientficos resultan en mediciones que, sin embargo, tienen barras de error grandes. Por ejemplo, actualmente la mejor medicin de la edad del universo es de 15 5 mil millones de aos. Eso puede que no parezca tener una maravillosa precisin, pero las personas que la realizaron saban lo que estaban haciendo. Nada ms resulta ser que las nicas tcnicas disponibles para determinar la edad del universo son inherentemente pobres. Aun cuando las tcnicas para realizar mediciones son muy precisas, las barras de errores estn presentes. Por ejemplo, los electrones actan como pequeos magnetos, y la fuerza de pequeos magnetos, tales como los de cada electrn, se acostumbra a ser medida en unidades llamadas Magnetn de Bohr. A pesar de que la fuerza magntica de un electrn es una de las cantidades medidas con mayor precisin, el mejor de los valores experimentales presenta barras de error: 1.0011596524 0.0000000002 magnetones de Bohr. Existen varias razones de por qu es importante, en el trabajo cientfico, indicar estimaciones numricas de las barras de error. Si el objetivo de tu experimento es testear cundo los resultados son como los predichos por la teora, tu sabes que siempre habr una diferencia, aun si la teora es absolutamente correcta. Necesitas saber cundo la medicin es razonablemente consistente con la teora o cundo la discrepancia es muy grande para ser explicada por las limitaciones de los aparatos de medida. Otra razn importante para sealar resultados con sus barras de errores es que otras personas podran usar tus mediciones para propsitos que tu no tenas en mente. De manera que si ellos van a hacer uso de stos de manera inteligente, necesitan saber qu tan exactos fueron.

Las Barras de Errores no son lmites absolutos.

Las barras de errores no son limites absolutos. El verdadero valor podra estar fuera de ellas. Si uso una mejor escala podra encontrar que el peso de mi perro es de 25,8 0,1 kilogramos, dentro de mi error original, pero tambin es posible que el mejor resultado fuese 23,2 0,1 kilogramos. Dado que siempre hay alguna probabilidad de estar alejado en algo ms que tus barras de errores, o incluso mucho ms que eso, no tiene sentido insistir en esfuerzos por asegurar absolutamente que el verdadero valor est dentro del rango que has establecido. Cuando un cientfico indica una medicin con barras de errores, no est diciendo Si el valor verdadero est fuera de ese rango merezco ser corrido de la profesin. Si fuera ese el caso, entonces cada cientfico debera sealar barras de errores infladas ridculamente para evitar tener que terminar sus carreras por uno de los cientos de resultados publicados. Lo que los cientficos se comunican unos a otros mediante las barras de errores es un monto tpico por el cul ellos podran estar desviados, no un lmite superior.

Pequeos errores aleatorios. Pequeos errores sistemticos.

Errores aleatorios grandes. Pequeos errores sistemticos.

Pequeos errores aleatorios, Errores sistemticos grandes.

Errores Aleatorios y Errores Sistemticos.

Imagina que mides la longitud de un sof con una huincha de medir, lo mejor que puedas, hasta el milmetro ms cercano. Si repites nuevamente la medicin, obtendrs una respuesta distinta (asumiendo que no ests psicolgicamente predispuesto a repetir el resultado previo y que 1 [mm] es cercano al lmite de lo que puedes distinguir en la huincha). Si continas repitiendo la medicin, podras obtener un listado de valores como el siguiente: Largo Sof (cm) 203,1 203,4 202,8 203,3 203,2 203,4 203,1 202,9 203,9 203,1 Las variaciones de este tipo se denominan Errores Aleatorios, debido a que el resultado es diferente cada vez que realizas la medicin.

Los efectos de los errores aleatorios pueden ser minimizados promediando muchas mediciones. Algunas de las mediciones incluidas en el promedio son muy grandes o muy pequeas, de manera que el promedio tiende a ser mejor que una medicin individual. Mientras ms mediciones promedies ms preciso es el promedio. Para la lista indicada, el promedio es de 203,1 [cm]. Y, aunque promediar muchas mediciones no puede eliminar completamente los errores aleatorios, el hacerlo puede reducirlos. Por otro lado, qu pasara si la huincha de medir fue sobre-estirada un poco, de tal forma que tus mediciones siempre tienden a resultar cortas en 0,3 [cm]? Eso sera un ejemplo de un Error Sistemtico. Dado que el error sistemtico es el mismo cada vez, promediar no nos ayudara a deshacernos de l. Probablemente no tendras una manera sencilla de encontrar el monto del estiramiento exactamente, de forma que slo te queda sospechar que podra haber un error sistemtico debido a sobre-estirar la huincha de medir. Algunos escritores cientficos hacen distincin entre los trminos exactitud y precisin. Una medicin precisa es aquella con errores aleatorios pequeos, mientras que una medicin exacta es aquella que es cercana al resultado verdadero, teniendo ambas errores aleatorios y errores sistemticos pequeos. Personalmente, encuentro que la distincin se hace ms clara con los trminos error aleatorio y error sistemtico. El signo usado con las barras de errores normalmente implican a lo que nos referimos con errores aleatorios, dado que stos podran ser positivos o negativos, mientras que los errores sistemticos deberan estar siempre inclinados en la misma direccin.

El Objetivo del Anlisis de Errores.

Muy rara vez los resultados de un experimento vienen directamente desde un reloj, regla, o algn otro tipo de dispositivo de medida. Es ms comn tener los datos en bruto a partir de mediciones directas y entonces, mediante clculos que utilizan los datos brutos llegamos a un resultado final. Como ejemplo: s lo que quieres es medir el kilometraje de combustible de tu auto, los datos brutos deberan ser el nmero de litros de combustible consumido y el nmero de kilmetros que has viajado. Luego, deberas realizar la divisin de kilmetros por litro para obtener el resultado final. Cuando alguien ms vea tus resultados, no van a estar interesados en cuan exacto mediste los litros o en cuan exacta realizaste la medicin de kilmetros recorridos. Ellos simplemente querrn saber cuan exacto fue el resultado final. Fue ste 22 2 [km/l], 22,137 0.002 [km/l]? Por supuesto la exactitud del resultado final est basada y limitada por la exactitud de tus datos en bruto. Si ests alejado en 0.2 [l], entonces el monto de ese error afectar tus resultados finales. Solemos decir que los errores en los datos en bruto se propagan a travs de los clculos. Cuando se requiere que realices un anlisis de errores en un informe de laboratorio, esto significa que debers hacer uso de las tcnicas que se explicarn a continuacin para determinar las barras de error en tus resultados finales. Existen dos grupos de tcnicas que necesitars aprender: Tcnicas para encontrar la exactitud de tus datos en bruto, Tcnicas para el uso del error en tus datos en bruto al deducir el error en tus resultados finales.

Estimando errores aleatorios en los datos en bruto.

Ahora examinaremos tres posibles tcnicas para estimar los errores aleatorios existentes en tus mediciones originales, ilustrndolas con las mediciones del largo del sof.

Mtodo #1: Estimacin.

Si ests midiendo la longitud del sof con una huincha mtrica, entonces es muy probable que puedas hacer una estimacin razonable acerca de la precisin de tus mediciones. Dado que la divisin ms pequea en la huincha de medida es de un milmetro, y un milmetro es tambin cercano al lmite de nuestra habilidad para ver, tu sabes que no estars haciendo mejor que 1 [mm], 0.1 [cm]. Permitindonos alguna libertad en realizar las mediciones en forma directa, podra estimar nuestros errores aleatorios en algunos cuantos milmetros. No es malo realizar estimaciones de vez en cuando, pero existen al menos dos formas en las que esto puede traerte problemas. Una es que los estudiantes tienen mucha fe cuando los aparatos de medicin son sofisticados. Ellos piensan que una balanza digital debe ser perfectamente exacta, puesto que a diferencia de una balanza ms rudimentaria con pesas movibles en ella, la medicin se obtiene sin mediar el usuario. Eso es incorrecto. No existe medicin alguna que sea perfectamente exacta, y si la balanza digital indica una medicin a la dcima de gramo, no hay forma que los errores aleatorios sean ms pequeos que la dcima de un gramo. Otra forma de crear ms problemas es tratar de estimar las barras de errores en un grupo de datos en bruto cuando realmente no tienes suficiente informacin para hacer una estimacin inteligente. Por ejemplo, si ests midiendo el rango de un rifle, podras disparar y medir cun lejos alcanza a llegar la bala indicando hasta el centmetro ms cercano, concluyendo que tus errores aleatorios fueron de 1 [cm]. Sin embargo, en la realidad, su rango podra variar aleatoriamente en algo as como 50 metros, dependiendo de todos los tipos de factores aleatorios que no conoces. En este tipo de situaciones, mejor te abstienes de usar algn mtodo de estimacin de errores aleatorios.

Mtodo #2: Mediciones Repetitivas y la regla de los Dos Tercios.

Si tomas mediciones de lo mismo repetidas veces, el monto de variaciones de los nmeros puede indicarte qu tan grande fueron los errores aleatorios. Esta forma de atacar el problema tiene una ventaja sobre estimar los errores aleatorios: automticamente toma en cuenta todas la causas de errores aleatorios, aun las que tu no tengas presente. A grosso modo, las mediciones del largo del sof, en su mayor parte, estaban dentro de unos cuantos milmetros alrededor del promedio, lo que indica cun grandes son los errores aleatorios. Pero, asegurmonos en establecer nuestras barras de error de acuerdo a la siguiente convencin: estarn dos de tres veces dentro de la distribucin de las mediciones. Por supuesto, no conocemos el resultado verdadero, pero si re-ordenamos nuestro listado de mediciones podemos llegar a una estimacin bastante razonable de nuestras barras de errores si tomamos la mitad del rango cubierto por los dos tercios centrales. Re-ordenando nuestra lista de diez mediciones del sof, tenemos: Largo Sof (cm) 202,8 202,9 202,9

203,1 203,1 203,1 203,2 203,3 203,4 203,4 Dos tercios de l0 es 6 y el rango cubierto por las 6 mediciones centrales va desde 203,3 [cm] a 202,9 [cm]. En otras palabras, 0,4 [cm], cuya mitad es 0,2 [cm]. De esta forma diremos que estimamos nuestras barras de error en 0,2 [cm]. El promedio de las mediciones es 203,1 [cm], por lo que deberas llegar a establecer tus resultados como: 203,1 0,2 [cm]. Un error comn al estimar los errores aleatorios mediante la repeticin de mediciones es redondear todas ellas de manera que resultan lo mismo, y llegndose as a que las barras de errores fueron cero. Por ejemplo, si hubisemos hecho un redondeo al centmetro ms cercano, cada cantidad en la lista hubiese sido 203 [cm]. Eso no debera significar que nuestros errores aleatorios fueron cero! Lo mismo puede pasar con los instrumentos digitales, que automticamente redondean por ti. Una balanza digital podra estar redondeando a la dcima de gramo ms cercana, por lo que si colocas un mismo objeto una y otra vez en la balanza siempre obtendras el mismo valor. Eso no significa que es perfectamente precisa. Su precisin no es mejor que 0,1 [g].

Mtodo #3: Mediciones Repetitivas y Desviacin Estndar.

El mtodo para medir barras de error ms ampliamente aceptado se llama Desviacin Estandar. Usemos las mediciones del sof para ejemplificar en qu consiste. Obtener el promedio de las mediciones. Promedio = 203,1 [cm] Encontrar la diferencia o desviacin de cada medicin respecto del promedio. Desviacin [cm] 0,0 0,3 -0,3 0,2 0,1 0,3 0,0 -0,2 -0,2 0,0 Calcular el cuadrado de cada desviacin. Desviaciones al cuadrado [cm] 0,00 0,09 0,09 0,04 0,01 0,09

0,00 0,02 0,02 0,00 Calcular el promedio del cuadrado de las desviaciones. Promedio = 0,04 [cm] Sacar la raz cuadrada del resultado anterior. sta es la Desviacin Estandar: Desviacin Estandar = 0,2 [cm] Si hemos usado el smbolo x para la longitud del sof, el resultado debera ser indicado como: x = 203,1 0,2 [cm] (o bien x = 203,1 [cm] y x = 0,2 [cm]) Dado que la letra griega es usada como un smbolo para la desviacin estandar, a menudo se llama a sta una sigma. El paso (3) puede parecer un poco misterioso. Por qu no saltrselo? Si as hiciremos y seguimos de (2) directamente a (4), calculando simplemente el promedio de las desviaciones, terminaramos con un promedio de CERO! Si miras bien los datos en la tabla, las desviaciones siempre se van a cancelar cuando las sumas. Bien podras tomar los valores absolutos antes de sumarlas, pero la gracia de seguir los pasos indicados es que corresponden a un mtodo estandar que todos usan y por ende, sabrn cmo llegaste a tu resultado (adems de que la desviacin estandar tiene algunas simpticas propiedades) Sin embargo, un error comn al usar la tcnica de desviacin estandar es aplicarla a un conjunto de muy pocas mediciones. Por ejemplo, alguien podra tener slo dos mediciones para el largo del sof, digamos 203,4 [cm] y 203,4 [cm]. La persona inferira una desviacin estandar de cero, lo que sera irrealmente pequeo debido a que se tienen las mismas mediciones. Se usar desviacin estandar como sinnimo de barras de error, aunque esto no signifique que debas usar siempre el mtodo de la desviacin estandar por sobre el de estimacin o el de la regla de los dos tercios.

Probabilidad de las Desviaciones.

Tu puedes observar que aunque 0,2 [cm] es un buen valor para el tamao tpico de la desviacin de las mediciones del largo de un sof respecto del promedio, algunas de las desviaciones son ms grandes y otras son ms pequeas. La experiencia nos indica que las siguientes estimaciones de probabilidad suelen ser ciertas dependiendo de con qu frecuencia resultan las desviaciones de distinta magnitud:

resultado cae dentro de 1 desviacin estandar respecto al promedio: 2 de 3 veces resultado cae dentro de 1 y 2 desviaciones estandar respecto al promedio: 1 de 4 veces resultado cae dentro de 2 y 3 desviaciones estandar respecto al promedio: 1 de 20 veces resultado cae dentro de 3 y 4 desviaciones estandar respecto al promedio: 1 de 500 veces

Precisin del Promedio.

Hemos decidido que la desviacin estndar de nuestras mediciones de la longitud de un sof fue de 0,2 [cm], es decir, la precisin de cada medicin individual fue alrededor de 0,2 [cm]. Pero hemos dicho que el promedio, 203,1 [cm], fue ms preciso que cualquiera de las mediciones individuales. Cun preciso es el promedio?

desviacin s tan dard de una m edicin num ero de m ediciones

Esto significa que, tericamente, puedes medir cualquier cosa a cualquier precisin deseada con simplemente promediar un nmero suficiente de mediciones. En realidad, no importa cuan pequeo minimizas tus errores aleatorios, NO puedes deshacerte de los errores sistemticos promediando, por lo que se llega a un punto en el que es intil tomar ms mediciones.

Propagacin de Errores Propagacin del error en el caso de una variable.

Hemos estudiado tcnicas para estimar los errores aleatorios en datos en bruto, pero lo que necesitamos ahora es saber cmo evaluar los efectos de esos errores aleatorios en los resultados finales calculados a partir de los datos en bruto. Por ejemplo, imagina que se te entrega un cubo hecho de un material desconocido y se te pide que determines su densidad. La densidad es definida como = m / v ( letra griega rho) y el volumen de un cubo cuyos lados son de longitud b es V = b de manera que la frmula:

= m / b,
te dar la densidad si mides la masa y longitud de los lados del cubo. Si mides la masa de forma tan exacta como m = 1,658 0,003 [g], pero sabes que b = 0,85 0,06 [cm] con slo dos dgitos de precisin, entonces tu mejor valor para es 1,658 [g] /(0,85 [cm]) = 2,7 [g/cm]. Cmo puedes saber cun preciso es este valor de ? Nos hemos asegurado en dejar no ms que dos cifras significativas para , dado que el dato bruto menos exacto tiene tan solo dos cifras significativas. Es de esperarse que la ltima cifra sea incierta, pero no sabemos an qu tan incierta. Un mtodo sencillo para este tipo de situaciones consiste en alterar el dato en bruto en una sigma, recalcular el resultado y ver qu tanto cambia. En este ejemplo sumamos 0,06 [cm] a b para comparar: con b = 0,85 [cm] nos da = 2,7 [g/cm], con b = 0,91 [cm] nos da = 2,0 [g/cm]. El cambio resultante en la densidad fue de 0,7 [g/cm] y nuestra estimacin corresponder a: = 2,7 0,7 [g/cm]

Las Barras de Errores no son lmites absolutos.

Y qu sucede en el caso general en el cual ninguno de los datos brutos, usados en el clculo, es claramente la fuente de error? Por ejemplo, imagina que obtenemos una medicin ms exacta del lado del cubo, b = 0,851 0,001 [cm]. En trminos porcentuales, las exactitudes de m y b son comparables por lo que ambas pueden causar errores significativos en la obtencin de la densidad. En estos casos usaremos el siguiente mtodo: (1) Altera uno de los datos brutos, digamos m, en una desviacin estndar y observa por cunto cambia el resultado de . Usa el smbolo Qm para indicar el valor absoluto de ese cambio. m = 1,658 [g] m = 1,661 [g] nos da nos da = 2,690 [g/cm], = 2,695 [g/cm];

Qm = 0,005 [g/cm].
(2) Repite el paso (1) pero alterando el otro dato bruto (en este caso le toca a b). cambio en . b = 0,851 [cm] b = 0,852 [cm] nos da nos da = 2,690 [g/cm], = 2,695 [g/cm]; Sea Qb el

Qb = 0,009 [g/cm].
(3) La Desviacin Estndar de se calcula mediante la expresin:

Qm2 Qb2
lo que nos arroja

r = 0,01 [g/cm3] Finalmente el resultado es: = 2,69 0,01 [g/cm]