Documente Academic
Documente Profesional
Documente Cultură
b,
12 Espacio tiempo
a
b
a+b
Figura 1.4: Suma de vectores.
indica la suma, o combinacin, o resultante de los dos vectores a y
b. Na-
turalmente solo podremos sumar vectores del mismo tipo: desplazamientos,
fuerzas, otros (g.??).
La magnitud de un vector. a la denotaremos por
|a| .
1.7.2. Multiplicacin de un vector. por un escalar.
Si a es un vector y es un escalar (nmero real) denimos
a
como el vector paralelo al vector a, de magnitud || veces la magnitud de a,
y del mismo sentido del vector a si > 0 y de sentido contrario si < 0.
(g.1.5)
1.7.3. Vectores unitarios.
Al vector paralelo y del mismo sentido que el vector a, pero de magnitud
unidad lo denotaremos por
a.
Entonces obviamente tenemos la siguiente importante relacin
a = |a| a.
1.7 Vectores. 13
a
a
a
a = a a
Figura 1.5: Multiplicacin por escalar
1.7.4. Vectores unitarios cartesianos.
Los vectores de magnitud unidad, paralelos y en el sentido positivo de los
ejes cartesianos, los denotaremos por
, ,
k
1.7.5. Componentes cartesianas de un vector.
Todo vector
A (en tres dimensiones), puede ser escrito como
A = A
x
+A
y
+A
z
k,
donde A
x
, A
y
, A
z
se denominan componentes cartesianas del vector.
1.7.6. Vector nulo.
Un vector de magnitud cero, se denomina vector nulo y lo indicaremos
por
0, y a veces simplemente por 0.
14 Espacio tiempo
1.7.7. Algunas propiedades.
Pueden establecerse algunas propiedades bsicas
a +
b =
b +a,
(a +
b) +c = a + (
b +c),
(1)a +a =
0,
a +
0 = a,
0 =
0.
Al vector (1)a lo denotaremos simplemente a.
1.7.8. Resta de vectores.
Se dene al vector diferencia
a
b =a + (1)
b.
a
b
a+b
- b
a -b
Figura 1.6: Resta de vectores
1.7.9. Producto escalar de vectores.
Dados dos vectores a, y
b = |a|
cos ,
siendo el ngulo que forman las direcciones de ellos.
1.8 Velocidad y aceleracin. 15
1.7.10. Otras propiedades.
Puede establecerse que
|a| =
q
a
2
x
+a
2
y
+a
2
z
,
a
b = a
x
b
x
+a
y
b
y
+a
z
b
z
,
a
b = (a
x
b
x
) + (a
y
b
y
) + (a
z
b
z
)
k.
1.8. Velocidad y aceleracin.
1.8.1. Vector posicin.
Si la posicin de un punto en tiempo t es el punto P, se dene el vector
posicin del punto al vector desde el origen al punto P, es decir
r(t) =
OP = x +y +z
k.
1.8.2. Vector velocidad.
El vector v(t), velocidad del punto en tiempo t se dene por
v(t) = lm
t0
r(t +t) r(t)
t
=
dr(t)
dt
=
dx
dt
+
dy
dt
+
dz
dt
k.
Es decir el vector velocidad es un vector cuyas componentes cartesianas son
v
x
=
dx
dt
,
v
y
=
dy
dt
,
v
z
=
dz
dt
.
16 Espacio tiempo
1.8.3. Vector aceleracin.
El vector a(t), aceleracin del punto en tiempo t se dene por
a(t) = lm
t0
v(t +t) v(t)
t
=
dv(t)
dt
,
=
dv
x
dt
+
dv
y
dt
+
dv
z
dt
k.
Es decir el vector aceleracin es un vector cuyas componentes cartesianas son
a
x
=
dv
x
dt
,
a
y
=
dv
y
dt
,
a
z
=
dv
z
dt
.
1.8.4. Velocidades absolutas y relativas.
El estado de movimiento o reposo es un concepto relativo. En la descrip-
cin del movimiento cualquier sistema de referencia puede ser considerado en
reposo. Si elegimos arbitrariamente un sistema de referencia S
0
como estando
en reposo, entonces se acostumbra a llamar las velocidades y aceleraciones
respecto a ese sistema como velocidades y aceleraciones absolutas. Si existe
otro sistema S que se mueva respecto al primero, las velocidades y aceleracio-
nes respecto al segundo sistema se suelen llamar velocidades y aceleraciones
relativas. En un tratamiento simplicado, supongamos que el segundo sistema
de referencia S se traslada sin rotaciones respecto al primero como se indica
en la gura (1.7), entonces, en fsica clsica, vale la llamada transformacin
de Galileo
r =
OA+r
0
,
y en consecuencia, si se deriva respecto al tiempo se obtiene
v
abs
= v
A
+v
rel
,
es decir, la velocidad absoluta se obtiene agregando a la velocidad relativa,
la velocidad del sistema mvil. Como se explica ms adelante, esta transfor-
macin no es vlida para velocidades cercanas a la velocidad de la luz.
1.9 Trayectoria. 17
r
r '
S S
0
O
A
Figura 1.7: Movimiento relativo.
1.9. Trayectoria.
Se dene la trayectoria del punto, como el lugar geomtrico de las posi-
ciones ocupadas por el punto para todo tiempo. La llamada ecuacin para-
mtrica de la trayectoria (con parmetro tiempo) es
x = x(t),
y = y(t),
z = z(t).
Ejemplo 1.9.1 Por ejemplo
x = Acos t,
y = Bsin t,
z = pt, .
con A, B, , y p constantes, representa un trayectoria llamada hlice.
En dos dimensiones, la ecuacin cartesiana de la trayectoria es
y = y(x).
Ejemplo 1.9.2 Por ejemplo
y = x 5x
2
,
representa un trayectoria parablica.
18 Espacio tiempo
En tres dimensiones, la ecuacin cartesiana de la trayectoria puede ser
escrita en trminos del parmetro z (por ejemplo)
x = x(z),
y = y(z).
Ejemplo 1.9.3 Como ejemplo la ecuacin de una hlice puede ser igual-
mente escrita como
x = Acos
p
z,
y = Bsin
p
z.
1.10. Transformacin de Galileo.
La transformacin de Galileo que relaciona velocidades relativas entre
sistemas que se trasladan uno respecto al otro con velocidad constante v,
por simplicidad a lo largo del eje OX, supone que el tiempo es universal y
establece que
x
0
= x vt,
o bien en trminos de velocidades
u
0
= u v.
1.11. La velocidad de la luz en el vaco.
Como se ha sealado, la velocidad de la luz en el vaco ha sido establecida
con extraordinaria precisin, y se acepta hoy en da que ella es exactamente
de magnitud
c = 299,792,458 (m/s),
dejando las incertezas experimentales a la denicin del metro. Sorprenden-
temente, se descubri que este valor es independiente de la velocidad del
observador, o de la fuente emisora luminosa, en agrante contradiccin con
la transformacin de Galileo. Esto trajo dramticas consecuencias para la
fsica, en particular para los conceptos de simultaneidad y de tiempo.
1.11 La velocidad de la luz en el vaco. 19
1.11.1. Concepto de simultaneidad.
El hecho notable sealado en la seccin anterior, en manos de Albert Eins-
tein, conduce de manera natural a una revisin del concepto de simultaneidad
y del tiempo. Aunque este tema pertenece a la llamada teora de la relativi-
dad, se presentan aqu algunos conceptos que no requieren de matemticas
muy complejas y que son muy interesantes. Si suceden dos eventos o sucesos
en un mismo punto del espacio, es simple idear mtodos fsicos para decidir
cual ocurri primero, o cual ocurre despus, o si ocurren simultneamente,
sin ser necesario usar relojes. Por ejemplo, si se encienden dos ampolletas A
y B, tome una foto cuando se encienda la primera. Bueno, la foto registrar
cul est encendida y por lo tanto ella se encendi primero. Sin embargo,
cuando los sucesos ocurren en diferentes puntos del espacio la cosa no es tan
simple, pues habr que considerar la velocidad con que la informacin nos
llega. Si la velocidad de la luz dependiera del estado de movimiento de la
fuente luminosa, ello complicara aun ms las cosas. Afortunadamente (o
no?) la velocidad de la luz es independiente del sistema de referencia o del
movimiento de la fuente emisora. Imagine que se quiere denir cuando dos
sucesos A y B que ocurren en diferentes lugares son simultneos o si o no lo
son. Para ello coloque observadores en esos lugares y que emitan una seal
luminosa al otro cuando ocurra el evento. Un tercer observador se coloca en
el punto medio C.
Definicion 1.11.1 Si las dos seales luminosas llegan simultneamente al
observador C en el punto medio (un hecho absoluto), entonces se dice que
los eventos A y B ocurrieron simultneamente.
Esta denicin, muy natural e intuitiva, sin embargo tiene consecuencias
sorprendentes, en particular conduce a que el concepto de simultaneidad es
un concepto relativo (No absoluto). En efecto, considere el experimento si-
guiente. Una barra, sistema S
0
, se mueve respecto a un sistema de referencia
S con velocidad v a lo largo de la barra. Se encienden dos ampolletas simul-
tneamente respecto a S
0
en sus extremos, en consecuencia las dos seales
luminosas llegan simultneamente al punto medio. Veamos sin embargo que
observa S. La gura (1.8) ilustra lo observado por S consecuente con el he-
cho que el coincide en que las seales llegan simultneamente al punto medio.
Para l, la seal proveniente de A ha viajado ms distancia que la que parti
de B, por lo tanto debe haber salido antes. De la gura, si llamamos L al
largo de la barra en movimiento, podemos sacar algo ms. En efecto se tiene
20 Espacio tiempo
A B
t
1
t
2
t 3
Figura 1.8: Simultaneidad
que
c(t
3
t
1
) =
L
2
+v(t
3
t
1
),
c(t
3
t
2
) =
L
2
v(t
3
t
2
),
de donde se obtiene
t
2
t
1
=
Lv
c
2
v
2
.
Esta expresin indica cuantitativamente del hecho que el evento A ocurri
en t
1
antes que el evento B que ocurri en t
2
. Aunque ser demostrado ms
adelante L depende de la velocidad de la forma
L = L
0
r
1
v
2
c
2
,
por lo que el resultado puede escribirse
t
2
t
1
=
v/c
2
q
1
v
2
c
2
L
0
.
Ejemplo 1.11.1 Una aplicacin de lo anterior es la siguiente. Imagine que
todo el eje O0X0mvil, es un largo tubo uorescente que se enciende entero
en t
0
= 0, cuando los orgenes coinciden. Cmo se ve el encendido desde el
sistema respecto al cual el tubo se mueve?
1.11 La velocidad de la luz en el vaco. 21
Solucin. De acuerdo al anlisis anterior el punto que coincide con x = 0
se enciende en t = 0. El punto que est en una posicin x se encender en
un tiempo
t =
xv
c
2
v
2
.
de modo que se ve una seal viajando a la derecha con velocidad
u =
x
t
=
c
2
v
2
v
,
mayor que c a menos que
1
2
5
1
2
c < v < c.
N
1.11.2. Un modelo de reloj.
Un modelo simple de reloj, un sistema que tiene una vibracin peridica,
consiste en dos espejos paralelos separados una distancia d
0
entre los cuales
est rebotando una seal luminosa. Para el dueo del reloj, la duracin de
un tick, ir de un espejo al otro y volver demora un tiempo
=
2d
0
c
.
Sin embargo, si ese mismo reloj es observado en movimiento, la luz, propa-
gndose con la misma velocidad debe recorrer una distancia ms larga, como
se ilustra en la gura siguienteDe la gura (1.9), mediante el teorema de
vt
ct
d
o
Figura 1.9: Reloj espejos paralelos a v
Pitgoras se tiene
c
2
t
2
= d
2
0
+v
2
t
2
,
22 Espacio tiempo
x=ct
t
d
2
x=vt
t
1
x
t
Figura 1.10: Reloj espejos perpendiculares a v
de modo que el tiempo, en ir y regresar, el periodo del reloj ser
T = 2t =
2d
0
c
2
v
2
=
2d
0
/c
q
1
v
2
c
2
.
Si el reloj se mueve con los espejos perpendiculares a la velocidad, gura
(1.10)un anlisis conduce a un resultado similar, pero que requiere una hip-
tesis adicional. La gura ilustra la ocurrencia de los eventos, salida, rebote y
regreso del haz luminoso.
Para calcular el tiempo de ida, t
1
, tenemos que
ct
1
= d +vt
1
,
y para el de regreso t
2
t
1
tenemos que
c(t
2
t
1
) = d v(t
2
t
1
),
de donde
t
1
=
d
c v
,
t
2
t
1
=
d
c +v
,
1.11 La velocidad de la luz en el vaco. 23
y por lo tanto, el tiempo total se obtiene sumando
T = t
2
=
2dc
c
2
v
2
=
2d/c
1
v
2
c
2
.
Luego, el reloj tiene el mismo periodo para ambos movimientos si
2d
0
/c
q
1
v
2
c
2
=
2d/c
1
v
2
c
2
,
lo que requiere que
d = d
0
r
1
v
2
c
2
,
o sea las longitudes paralelas al movimiento deben contraerse. Esto es efec-
tivamente as, como veremos ms adelante.
1.11.3. La transformacin de Lorentz.
Permitiendo entonces que el tiempo es relativo al sistema de coordenadas,
la transformacin que reemplaza a la de Galileo, cuando el movimiento de
los sistemas es a lo largo del eje x, compatible con que la rapidez de la luz
es absoluta, es la llamada transformacin de Lorentz
x
0
= (x vt),
y
0
= y,
z
0
= z,
t
0
= (t
vx
c
2
),
siendo
=
1
q
1
v
2
c
2
.
La transformacin inversa puede mostrarse es
x = (x
0
+vt
0
),
y = y
0
,
z = z
0
,
t = (t
0
+
vx
0
c
2
),
24 Espacio tiempo
De all puede deducirse la correspondiente transformacin de componentes
de velocidades relativas u y u
0
, que resultan ser
u
0
x
=
u
x
v
1
vu
x
c
2
,
u
0
y
=
u
y
q
1
v
2
c
2
1
vu
x
c
2
,
u
0
z
=
u
z
q
1
v
2
c
2
1
vu
x
c
2
.
Si adems sumamos los cuadrados tenemos que
(u
0
x
)
2
+ (u
0
y
)
2
+ (u
0
z
)
2
= c
2
c
2
u
2
x
+c
2
u
2
y
+c
2
u
2
z
2c
2
vu
x
+c
2
v
2
u
2
y
v
2
u
2
z
v
2
(c
2
vu
x
)
2
,
y si u
2
x
+u
2
y
+u
2
z
= c
2
entonces
(u
0
x
)
2
+ (u
0
y
)
2
+ (u
0
z
)
2
= c
2
c
4
2c
2
vu
x
+u
2
x
v
2
(c
2
vu
x
)
2
= c
2
,
comprobando el hecho que la rapidez de la luz es invariable. No como suele
decirse ms ligeramente que la velocidad de la luz es invariante. De hecho, la
velocidad de la luz cambia de direccin de sistema en sistema.
1.11.4. Cantidad de movimiento.
Si un cuerpo de masa m tiene velocidad u respecto al sistema S, la can-
tidad de movimiento respecto a ese sistema la denimos por
p = m(u)u,
siendo m(u) la masa de la partcula, la cual supondremos podra ser una
funcin de la rapidez de la partcula. Mediante algunos argumentos podemos
obtener la dependencia de m en la rapidez. Supongamos una colisin entre
dos esferas elsticas iguales, de modo que en dos sistemas de referencia la
colisin sea observada como en las dos guras siguientes (1.11). All se ilustra
la colisin observada en un sistema de referencia donde un partcula tiene
1.11 La velocidad de la luz en el vaco. 25
W
V
U
V
V
U
W/
Figura 1.11: Colisin elstica.
rapidez W y la otra velocidad en dos componentes u y v. Si esa colisin es
observada desde un sistema qque se propaga hacia la derecha con velocidad
de magnitud v, la ytansformacin de Lorentz de velocidades permite calcular
las componentes de velocidades relativas a este sistema que resultan ser U,
V y
W
.
El sistema en movimiento tiene precisamente velocidad v y = 1/
q
1
v
2
c
2
.
En la parte derecha de la gura estn indicadas las respectivas velocidades
relativas obtenidas utilizando la mencionada transformacin de Lorentz de
velocidades. Aceptaremos que en una colisin se conserva la cantidad de
movimiento vista de todos los sistemas de referencia. Por simetra, la com-
ponente x de la cantidad de movimiento es evidentemente conservada desde
ambos puntos de vista. Conservacin de cantidad de movimiento en la direc-
cin perpendicular al movimiento en ambos sistemas impone los siguientes
requisitos
m(
u
2
+v
2
)u = m(W)W,
m(u)u = m
_
_
s
v
2
+
2
_
_
W
.
De aqu se desprende que
W
= u
y entonces la primera se reduce a
m(
u
2
+v
2
)u = um(u)
26 Espacio tiempo
A B
t
1
t
2
x
1
x
2
Figura 1.12: Efecto Doppler.
o bin
m(
u
2
+v
2
) = m(u)
y tomando u = 0 se tiene
m(v) =
1
q
1
v
2
c
2
m(0). (1.1)
Ejercicio 1.11.1 Demuestre que la expresin (1.1) satisface (??), es decir
que
1
q
1
u
2
+v
2
c
2
=
1
q
1
v
2
c
2
1
s
1
1
c
2
u
2
1
v
2
c
2
.
1.11.5. El efecto Doppler para la luz.
Considere que desde un sistema mvil se lanzan pulsos luminosos hacia el
origen del sistema jo, separados en tiempo T
0
, desde el origen del sistema
mvil, como se indica en la gura (1.12), eventos A y B
De ese modo se tiene x
0
1
= x
0
2
= 0, t
0
2
t
0
1
= T
0
, y mediante la transfor-
macin inversa de Lorentz se obtiene
x
1
= vt
0
1
,
t
1
= t
0
1
,
y
x
2
= vt
0
2
,
t
2
= t
0
2
,
1.11 La velocidad de la luz en el vaco. 27
A B
t
1
t
2
x
1
x
2
Figura 1.13: Doppler seales.
entonces los tiempos de llegada, tomando en cuenta lo que deben recorrer los
pulsos son
T
1
= t
1
+
x
1
c
= t
0
1
+
vt
0
1
c
= t
0
1
(1 +
v
c
),
T
2
= t
2
+
x
2
c
= t
0
2
+
vt
0
2
c
= t
0
2
(1 +
v
c
),
es decir los pulsos llegan al origen separados un tiempo
T = T
2
T
1
= T
0
(1 +
v
c
) =
(1 +
v
c
)
q
1
v
2
c
2
T
0
,
o bien
T = T
2
T
1
= T
0
(1 +
v
c
) =
p
(1 +
v
c
)
p
1
v
c
T
0
.
Si analizamos las frecuencias a la cual los pulsos se emiten y se reciben
(f = 1/T) tenemos
f =
p
(1
v
c
)
p
1 +
v
c
f
0
1.11.6. El efecto Doppler para otras seales.
Si la velocidad de propagacin de los pulsos es menor que c, con mnimas
modicaciones respecto a la seccin anterior obtenemos
Igualmente se tiene x
0
1
= x
0
2
= 0, t
0
2
t
0
1
= T
0
, y mediante la transforma-
cin inversa de Lorentz se obtiene lo mismo anterior. Entonces los tiempos de
28 Espacio tiempo
llegada, tomando en cuenta lo que deben recorrer los pulsos con una velocidad
u
T
1
= t
1
+
x
1
u
= t
0
1
+
vt
0
1
u
= t
0
1
(1 +
v
u
),
T
2
= t
2
+
x
2
u
= t
0
2
+
vt
0
2
u
= t
0
2
(1 +
v
u
),
es decir los pulsos llegan al origen separados un tiempo
T = T
2
T
1
= T
0
(1 +
v
u
) =
(1 +
v
u
)
q
1
v
2
c
2
T
0
.
Pero, en magnitud
u =
u
0
v
1
vu
0
c
2
,
v
u
=
v(1
vu
0
c
2
)
u
0
v
,
Entonces reemplazando y considerando las frecuencias a la cual los pulsos se
emiten y se reciben (f = 1/T) tenemos
f =
q
1
v
2
c
2
u
0
v
2
u
0
c
2
(u
0
v)f
0
,
o bien
f =
1
q
1
v
2
c
2
(1
v
u
0
)f
0
siendo u
0
> v, para el caso en que la fuente se aleja del observador. Adems
u
0
es la velocidad con que la seal sale de la fuente, respecto a ella.
1.12. Problemas.
Ejercicio 1.12.1 Una partcula se deja caer desde lo alto de una torre de
modo que su altura y vara con el tiempo t de la forma
y = 50 5t
2
.
Determine la trayectoria que es observada desde un automvil que se aleja
por el eje horizontal x con rapidez de 20 m/s.
1.12 Problemas. 29
Ejercicio 1.12.2 Si la posicin de un mvil sobre un eje x vara de la forma
x = 2t t
3
,
determine la velocidad media en el intervalo de tiempo entre t y t +t.
Ejercicio 1.12.3 Respecto al ejercicio anterior, determine la velocidad ins-
tantnea en tiempo t tomando el lmite t 0.
Ejercicio 1.12.4 Una partcula se mueve de modo que su posicin en el
plano xy est determinada de acuerdo a
x = 2 +t
y = 3 t
2
.
Encuentre un sistema de referencia donde la partcula sea observada movin-
dose en lnea recta.
Ejercicio 1.12.5 Dos partculas se mueven con velocidades constantes da-
das por
v
1
= 2 + 3 + 5
k,
v
2
= + 2 + 3
k.
Determine el ngulo que forman esas velocidades entre s.
Ejercicio 1.12.6 Un cohete se aleja radialmente de la Tierra con velocidad
constante de 1000 m/s en el plano ecuatorial. Considerando que la Tierra
rota en torno de su eje dando una vuelta completa por da, determine la
forma de la trayectoria observada por los habitantes de la Tierra.
Ejercicio 1.12.7 Si una tortuga parte 100 m adelante de Aquiles y avanza
a razn de 0,1 m/s, en cuanto tiempo Aquiles alcanza la tortuga si corre a
10 m/s.
Ejercicio 1.12.8 Considere un tringulo rectngulo de catetos de longitu-
des iniciales 3 m y 5 m. Si el cateto ms corto crece a razn de 0,5 m/s,
mantenindose la forma del tringulo, determine la razn a la cual crece la
hipotenusa.
30 Espacio tiempo
Ejercicio 1.12.9 Considere una esfera de radio inicial R = 1 m. Si el
radio crece a razn constante de 1 m/s, determine la razn a la cual crece el
volumen por unidad de tiempo.
Ejercicio 1.12.10 Un cohete abandona la Tierra a una rapidez de 0,8c
siendo c la velocidad de la luz. Cunto toma al segundero del reloj a bordo
en dar una vuelta completa, determinado por observadores en la Tierra?
Ejercicio 1.12.11 Una partcula elemental tiene un tiempo de vida media
de 10
7
s cuando est en reposo. Cuanto puede viajar a una velocidad de
0,99c desde que fue creada?
Ejercicio 1.12.12 Explique porqu el punto luminoso en la pantalla de un
televisor puede verse movindose ms rpido que la luz.
Ejercicio 1.12.13 Un hombre en la Luna, observa a dos naves que se acer-
can a l desde direcciones opuestas, cada una con una rapidez de 0,8c y 0,9c
respectivamente. Cul es la velocidad relativa de una nave respecto a la otra?
Ejercicio 1.12.14 Demuestre que si u y u
0
indican velocidades relativas a
sistemas que se trasladan respecto al eje x entonces
u u
0
=
u
2
x
u
x
v +u
2
y
q
1
v
2
c
2
+u
2
z
q
1
v
2
c
2
1
vux
c
2
Ejercicio 1.12.15 Demuestre que
(u
0
x
)
2
+ (u
0
y
)
2
+ (u
0
z
)
2
= c
2
(c
2
v
2
)(u
2
x
+u
2
y
+u
2
z
) 2c
2
vu
x
+c
2
v
2
+u
2
x
v
2
(c
2
vu
x
)
2
,
Ejercicio 1.12.16 Demuestre que
r
1
(u
0
)
2
c
2
=
q
1
u
2
c
2
1
v
2
c
2
1
vu
x
c
2
,
es decir la cantidad
q
1
u
2
c
2
2G
M
T
R
3
T
h
= g(0) 2
g(0)
R
T
h.
3.1.2. Velocidad de escape.
Un objeto lanzado hacia arriba desde la supercie de un planeta, despre-
ciando el efecto del roce con la atmsfera, no regresa de cada si la velocidad
excede el valor denominado velocidad de escape que puede ser determinado
mediante
v
e
=
r
2GM
R
,
siendo M la masa del planeta, R su radio y G la constante de gravitacin.
3.1.3. Peso y masa.
El peso W del cuerpo es denido por la fuerza igual y opuesta necesario
para prevenir la aceleracin descendente del cuerpo. El mismo cuerpo puesto
en la supercie de la Luna tiene la misma masa, pero, como la Luna tiene
una masa de aproximadamente 1/81 veces el de la Tierra y un radio de
aproximadamente 0,27 el de la Tierra, el cuerpo en la supercie lunar tiene
un peso de slo 1/6 su peso de Tierra.
Newton pudo mostrar que las tres leyes de Kepler, se desprenden matem-
ticamente del uso de sus propias leyes de movimiento y de la de gravitacin.
En todas las observaciones del movimiento de un cuerpo celestial, slo el
producto de G y la masa M aparece. Newton estim la magnitud de G su-
poniendo la densidad de masa de promedio de la Tierra como 5,5 veces la de
agua y luego calculando la masa de la Tierra M
T
. As calcul G mediante
G =
gR
2
T
M
T
56 Gravitacin.
obteniendo un valor cercano a 6,6726 10
11
.
Usando las observaciones del movimiento de las lunas de Jpiter descu-
biertas por Galileo, Newton determin que Jpiter es 318 veces ms masivo
que la Tierra pero tiene slo 1/4 de su densidad y un radio 11 veces ms
grande que la Tierra.
3.1.4. Interaccin entre los cuerpos celestiales.
Cuando dos cuerpos celestiales de masa comparable se atraen gravitacio-
nalmente, ambos orbitan con respecto al centro de masa de los dos cuerpos.
Ese punto queda entre los cuerpos en la lnea que los une en una posicin tal
que las distancias a cada cuerpo multiplicadas por la masa de cada cuerpo
son iguales. En frmulas
R
1
=
M
2
M
1
+M
2
R,
R
1
=
M
2
M
1
+M
2
R,
M
1
R
1
= M
2
R
2
.
As, la Tierra y el Sol estn orbitando en torno a su centro comn de masa.
Este movimiento de la Tierra tiene dos consecuencias notables. Primero, la
posicin del Sol vista contra el fondo de las estrellas muy distantes vara cada
mes por aproximadamente 12 segundos de arco adems del movimiento anual
del Sol. Segundo, la velocidad de la lnea de visin desde la Tierra a un nave
espacial en movimiento libre vara cada mes a en 2.04 metros por segundo
segn datos muy exactos obtenidos por medio de tcnicas modernas. Con
leves modicaciones las leyes de Kepler son vlidas para los sistemas de dos
cuerpos de masas establecido estando el foco de las rbitas elpticas en la
posicin del centro de masa de los dos cuerpos, y resultando para la tercera
ley de Kepler
R
3
=
G(M
1
+M
2
)
4
2
T
2
Esta frmula puede usarse para determinar las masas separadas de es-
trellas binarias. La frmula anterior determina la suma de las masas y si
R
1
y R
2
son las distancias de las estrellas individuales del centro de masa,
la proporcin de las distancias debe equilibrar la proporcin inversa de las
masas, y la suma de las distancias es la distancia total R. Estas relaciones
3.1 Desarrollo de la teora gravitacional. 57
son sucientes para determinar las masas individuales. Las observaciones del
movimiento orbital de las estrellas dobles, del movimiento dinmico de es-
trellas que mueven colectivamente dentro de sus galaxias, y del movimiento
de las galaxias, verican que la ley de Newton de gravitacin es vlida, con
un alto grado de exactitud a lo largo y ancho del universo visible.
Newton tambin explic las mareas del ocano, fenmenos que envolvieron
en misterio a los pensadores durante siglos, que son una simple consecuencia
de la ley universal de gravitacin. Ellas son causados especcamente por el
tirn gravitatorio de la Luna y, en menor grado, del Sol sobre las aguas.
Ya era conocido en tiempos de Newton que la Luna no tiene una rbita
Kepleriana simple. Otras observaciones ms exactas sobre los planetas tam-
bin mostraron diferencias con las leyes de Kepler. El movimiento de la Luna
es particularmente complejo. Adems, la atraccin gravitatoria de los plane-
tas explica casi todos los rasgos de sus movimientos. Las excepciones son no
obstante importantes. Urano, el sptimo planeta del Sol, manifest impor-
tantes variaciones en su movimiento que no podan ser explicado a travs de
perturbaciones de Saturno, Jpiter, y de los otros planetas. Dos astrnomos
del siglo 19, John Couch Adams de Bretaa y Urbain-Jean-Joseph Le Verrier
de Francia, supusieron independientemente la presencia de un octavo planeta
inadvertido que podra producir las diferencias observadas. Ellos calcularon
su posicin dentro de una precisin de un grado de donde se descubri Nep-
tuno ms tarde en 1846.
Las medidas hechas por mucho tiempo del movimiento del planeta ms
cercano al Sol, Mercurio, llevaron a los astrnomos a concluir que el eje ma-
yor de su rbita elptica precesa en el espacio a una proporcin 43 segundos
de arco por siglo, ms rpido que lo que podra considerarse debido a per-
turbaciones de los otros planetas. En este caso, sin embargo, ningn otro
cuerpo podra encontrarse que podra producir esta diferencia. Al parecer una
modicacin muy leve de la ley de Newton de la gravitacin pareca ser nece-
saria. La teora de Einstein de la relatividad general, predice correctamente
la precesin de la de la rbita de Mercurio.
3.1.5. Teora potencial. (Usted puede omitir esto)
Para cuerpos irregulares o con distribuciones de masa no homogneas,
la formulacin original de la ley de Gravitacin es poco adecuada, aunque
en principio ella puede ser utilizada para encontrar el campo gravitatorio
resultante.
58 Gravitacin.
El progreso principal en teora gravitatoria clsica despus de Newton n
la introduccin de una teora potencial que es una representacin matemtica
de los campos gravitatorios.
Esto permite la investigacin terica de las variaciones gravitatorias en
espacio y de las anomalas debido a las irregularidades y deformaciones de la
forma de la Tierra.
La teora potencial tiene la siguiente elegante formulacin. En cualquier
punto del espacio r existe un potencial gravitacional, cuyo valor corresponde
una funcin escalar (r) llamada potencial gravitacional, de la cual se obtiene
el campo gravitacional g(r) mediante una generalizacin del concepto de
derivada
g(r) =
x
+
y
+
k
z
(r)
donde , , y
k representan los vectores unitarios bsicos de un sistema de
coordenadas Cartesiano tridimensional. El potencial (r) y por consiguiente
g son determinados por una ecuacin descubierta por el matemtico francs
Simon-Denis Poisson:
2
x
2
+
2
y
2
+
2
z
2
(r) = 4G(r).
La importancia de esta formulacin es que la ecuacin de Poisson puede
resolverse bajo condiciones bastante generales que no son el caso con la ecua-
cin de Newton. Cuando la densidad de masa (r) no es cero, la solucin se
expresa como un integral denida
(r) = G
Z
(r
0
)dV
0
|r r
0
|
.
Cuando (r) = 0, en particular, fuera de la Tierra, la ecuacin de Poisson
se reduce a la ecuacin ms simple de Laplace. Las coordenadas apropiadas
para una regin vecina a la Tierra casi esfrica son coordenadas polares esf-
ricas: r, la distancia al centro de la Tierra, la latitud medidas desde el polo
Norte y la longitud medida desde el meridiano de Greenwich. Las soluciones
son serie de potencias de funciones trigonomtricas de la latitud y longitud,
conocidas como armnicos esfrico donde los primeros trminos son:
(r) =
GM
T
R
T
(1 J
2
R
T
r
2
3 cos
2
1
2
J
3
R
T
r
3
5 cos
3
cos
2
),
3.1 Desarrollo de la teora gravitacional. 59
siendo constantes J
2
y J
3
determinables la distribucin de masa detalla-
da de la Tierra, y de acuerdo a observaciones de las perturbaciones en las
rbitas de la Luna, se ha encontrado para la Tierra J
2
= 1, 082,7 10
6
y
J
3
= 2,4 10
6
. Gran parte de la variacin del potencial con respecto a
una tierra esfrica es causada por una protuberancia ecuatorial, y hay un
aumento correspondiente en el valor de la gravedad en la supercie de la
Tierra del Ecuador a los polos. Newton fue el primero en formular una teora
de la protuberancia ecuatorial. Muchos ms trminos se han estimado de las
observaciones de las rbitas de satlites articiales cerca de Tierra.
Nota 3.1 Es absolutamente posible que usted encuentre que aqu hay dema-
siadas matemticas, cierto. De todos modos por si usted quiere profundizar
aqu han aparecido dos objetos, llamados operadores que son de frecuente
ocurrencia en Fsica. Se trata de
=
x
+
y
+
k
z
operador Nabla,
2
=
2
x
2
+
2
y
2
+
2
z
2
operador Laplaciano,
de modo que en trminos de estos, dos de las ecuaciones anteriores se escriben
como
g(r) = (r),
2
(r) = 4G(r).
3.1.6. Medidas absolutas de la gravedad.
Hay dos maneras bsicas de determinacin de la gravedad: cronometrando
el cada libre de un objeto y cronometrando el periodo del movimiento de un
pndulo bajo la gravedad , el cual para oscilaciones pequeas est dado por
T = 2
s
L
g
.
En 1817 el fsico ingls Henry Kater construye y n el primero en usar un
pndulo reversible para hacer medidas absolutas de g.(Pndulo de Kater)
El pndulo reversible se us para las medidas absolutas de gravedad desde
los tiempos de Kater hasta los aos cincuenta. Los instrumentos electrnicos
60 Gravitacin.
les han permitido a los investigadores medir con mucha precisin el tiempo
de cada libre. Tambin es posible hacer medidas sumamente exactas que
usan interferencia lser. Por consiguiente, las medidas directas de cada libre
han reemplazado el pndulo para las medidas absolutas de gravedad. Hoy da
los lasers sirven como fuentes luminosas para los interfermetros. El objeto
que cae reeja un haz de luz lser. Se han usado versiones transportables de
tal aparato para medir diferencias de gravedad en toda Tierra. La exactitud
alcanzable en estas medidas es aproximadamente una parte en 10
8
.
3.1.7. Medidas relativas de la gravedad.
Desde los tiempos de Newton, las mediciones de diferencias de gravedad,
estrictamente hablando, las proporciones de valores de gravedad, fueron he-
chas cronometrando el mismo pndulo en lugares diferentes. Durante los aos
treinta, sin embargo, los gravmetros estticos reemplazaron a los pndulos
para las medidas locales de variaciones pequeas de la gravedad. Hoy da
los experimentos de cada libre han dejado el pndulo obsoleto para estos
propsitos.
Los gravmetros estticos equilibran la fuerza de peso (mg) de gravedad en
una masa por medio de una fuerza elstica, usando dispositivos electrnicos
para lograr alta sensibilidad.
Otro gravmetro de desarrollo reciente desarrollo es el gravmetro de su-
perconductor, un instrumento en que la posicin de una esfera magntica-
mente levitada proporciona una medida de g.
Los gravmetros modernos pueden tener sensibilidades mejores que 0.005
miligal, las desviacin usuales en estudios de exploracin geofsica estn en
el orden de 0,01 0,02 miligal. (1gal = 10
2
m/s
2
; 1 miligal = 10
5
m/s
2
)
Se obtienen diferencias en gravedad medidas con estos gravmetros en
unidades bastante arbitrarias, por ejemplo en divisiones en un da graduado.
Posteriormente es necesario calibrar el instrumento utilizando el instrumento
en varios puntos donde g sea conocido.
3.1.8. La Teora gravitacional y otros aspectos de la
Fsica.
La teora de Newton de la gravedad est basada en la existencia de una
fuerza que aparece entre todos los pares de cuerpos, actuando a distancia.
3.1 Desarrollo de la teora gravitacional. 61
Cuando una de las dos masas se mueve, se supone que la fuerza que acta
en otras masas, se ajusta instantneamente a la nueva situacin con la masa
original cambiada de sitio. Esto entra en conicto con la teora de la rela-
tividad especial, donde ninguna informacin o seal fsica puede viajar ms
rpidamente que la velocidad de luz.
La teora de la relatividad junto a la teora del campo de fenmenos elc-
tricos y magnticos, han tenido tal xito, que se han construido teoras gravi-
tatorias ms modernas, como teoras de campo consistentes con los principios
de la relatividad especial. En una teora de campo, la fuerza gravitatoria en-
tre los cuerpos es formada por un proceso del dos etapas: El cuerpo produce
un campo gravitatorio que penetra todo el espacio que lo rodea. Un segundo
cuerpo en ese espacio es actuado por el campo y experimenta una fuerza.
3.1.9. Teoras del campo de gravitacin.
La posibilidad que la gravitacin pudiera unirse con las otras fuerzas de
naturaleza en una teora unicada de fuerzas aument el inters en teoras del
campo gravitatorias durante los aos setenta y los aos ochenta. El primer
modelo unicado de campos, y hasta ahora el nico exitoso, es de los fsicos
Abdus Salam de Pakistn y Steven Weinberg y Sheldon L. Glashow de los
Estados Unidos que propusieron que las fuerzas electromagnticas y la fuerza
dbil (responsable del decaimiento beta), son manifestaciones diferentes de
la misma interaccin bsica. (El decaimiento beta es un proceso donde un
neutrn decae en un protn ms un electrn y un neutrino)
Los Fsicos estn ahora buscando activamente otras posibles combina-
ciones unicadas de fuerzas. Debido entre otros aspectos a que la fuerza
gravitatoria es sumamente dbil comparada con todas las otras, y porque
aparenta ser independiente de todas las otras propiedades fsicas excepto la
masa, la unicacin de gravitacin con las otras fuerzas no se ha logrado.
Un ejemplo de una teora de campo es la relatividad general de Einstein
segn la cual la aceleracin debido a gravedad es una consecuencia comple-
tamente geomtrica de las propiedades de espacio-tiempo en el lugar donde
se encuentra la masa.
Las teoras de Einstein de campo de gravedad predicen correcciones es-
peccas a la forma Newtoniana de la gravitacin, en dos formas bsicas:
(1) cuando la materia est en movimiento, aparecen campos gravitatorios.
adicionales, anlogo a la aparicin de campos magnticos cuando las cargas
elctricas se mueven. (2) Las teoras clsicas de campo son lineales, en el
62 Gravitacin.
sentido que dos o ms campos elctricos o magnticos se superponen por
una simple suma vectorial para dar los campos totales, no siendo as en el
caso de la teora de Einstein de la gravitacin. Algunas de las consecuencias
de los trminos de la correccin respecto a la teora de Newton son prue-
bas concretas e importantes de la teora de Einstein. Debe sealarse que
estas predicciones de nuevos efectos gravitatorios. y de su comprobacin ex-
perimental, requieren de mucho cuidado pues debido al trabajo pionero de
Einstein en gravedad, esos campos gravitacionales afectan los instrumentos
bsicos de medicin, en particular a los relojes. Algunos de estos efectos se
listan debajo:
1. La proporcin en que el ritmo de los relojes es reducida por proximidad
de cuerpos masivos; es decir, los relojes cerca del Sol corrern ms lento
comparado con relojes idnticos ms lejos del Sol.
2. En la presencia de campos gravitatorios. la estructura espacial de obje-
tos fsicos no es ms describible por una geometra Euclidiana; por ejemplo,
para formar un tringulo, la suma de los ngulos subtendidos no igualar 180
grados
Un tipo ms general de geometra, geometra de Riemann, parece nece-
sario para describir la estructura espacial de la materia en la presencia de
campos gravitatorios. Los rayos luminosos no viajan en lneas rectas, siendo
desviados por los campos gravitatorios. En este sentido es posible decir que
los diversos rayos luminosos que salen de un punto, dibujan la geometra local,
en torno al punto. Ellos corresponden a las geodsicas del espacio-tiempo.
3.1.10. Los campos gravitacionales y la teora general
de relatividad.
En la teora general de la relatividad de Einstein, se formulan las conse-
cuencias fsicas de los campos gravitatorios. resumidamente de la siguiente
manera. El espacio-tiempo es un continuo de cuatro dimensiones no Euclidia-
no. La curvatura de este espacio-tiempo es determinada por la distribucin
de masa de la materia. Las partculas y los rayos de luz viajan a lo lar-
go de geodsicas, caminos extremales en este mundo geomtrico de cuatro
dimensiones.
Hay dos consecuencias principales de este punto de vista geomtrico de
la gravitacin: (1) las aceleraciones de cuerpos slo dependen de sus masas y
no en su constitucin qumica o nuclear, y (2) el camino de un cuerpo o de
3.1 Desarrollo de la teora gravitacional. 63
luz en la vecindad de un cuerpo masivo (el Sol, por ejemplo) es levemente
diferente del predicho por la teora de Newton. El primero es el principio
dbil de equivalencia.
El propio Newton realiz experimentos con pndulos que demostraron el
principio dentro de una parte en 1,000 para una variedad de materiales. Al
principio del 20 siglo, el fsico hngaro Roland, von del Barn Etvs, mostr
que materiales diferentes aceleran en el campo de la Tierra con la misma
proporcin dentro de una parte en 10
9
. Los ms recientes experimentos han
mostrado la igualdad de aceleraciones en el campo del Sol a dentro de una
parte en 10
11
. La teora de Newton est en acuerdo con estos resultados
debido al postulado que la fuerza gravitatoria es proporcional a la masa de
un cuerpo.
La masa inercial y gravitacional.
La masa inercial es un parmetro que da cuenta de la resistencia inercial
a los cambios de velocidad de un cuerpo al responder a todos los tipos de
fuerza. Por otro lado, la masa gravitacional es determinada por la intensidad
de la fuerza gravitatoria experimentada por el cuerpo cuando est en un
campo gravitatorio. Por consiguiente, el experimento de Etvs muestra que
la razn entre la masa gravitatoria y la inercial es la misma para todas las
substancias, aun cuando conceptualmente de trata de cosas muy diferentes,
por lo menos as se pensaba hasta que lleg Einstein..
La teora especial de la relatividad de Einstein, considera la masa inercial
como una manifestacin de todas las formas de energa en un cuerpo segn
su relacin fundamental
E = mc
2
,
donde E que la energa total de un cuerpo, m la masa inercial del cuerpo, y
c la velocidad de luz. Tratando entonces con la gravitacin, como un fenme-
no de campo, el principio dbil de equivalencia indica que todas las formas
de energa del tipo no gravitacional deben acoplar idnticamente o deben ac-
tuar recprocamente con el campo gravitatorio, porque los diversos materiales
en la naturaleza poseen cantidades diferentes de energas nuclear, elctrica,
magntica, y cintica, y sin embargo todas ellas aceleran en proporciones
idnticas.
El Sol tiene un parte importante de energa gravitatoria interior, y las
repeticiones de los experimentos de Etvs durante los aos setenta con el
Sol en lugar de la Tierra revela que los cuerpos aceleran a las proporciones
64 Gravitacin.
idnticas en el campo del Sol as como en el de la Tierra. Las medidas hechas
con lser, sumamente exactas, de la distancia de la Luna de la Tierra han
hecho posible una prueba extensa del principio dbil de equivalencia. Las
constituciones qumicas de la Tierra y la Luna no son las mismas, y si eso tu-
viera algn efecto, ellos deberan podran acelerar en proporciones diferentes
bajo la atraccin del Sol. Ningn efecto se ha descubierto.
Otros experimentos han dado conrmacin de las predicciones de Einstein
a una exactitud de uno por ciento.
3.1.11. Los caminos de partculas y luz.
La idea que la luz debe ser desviada pasando al pasar cerca de un cuer-
po material haba sido sugerida por el astrnomo britnico y gelogo John
Michell durante el siglo 18.
Sin embargo, la teora de relatividad general de Einstein predijo una des-
viacin dos veces ms grande. Una conrmacin del resultado de Einstein
surgi al efectuar mediciones directas sobre la direccin de una estrella cerca
del Sol durante el eclipse solar de 1919, durante la expedicin llevada a cabo
por el astrnomo britnico Sir Arthur Stanley Eddington. Las determinacio-
nes pticas del cambio de direccin de la posicin observada de una estrella
estn sujetas a muchos errores sistemticos, y lejos, la mejor conrmacin
de la teora de la relatividad general de Einstein se ha obtenido de las medi-
das de un efecto estrechamente relacionadoa saber, el aumento del tiempo
tomado por la luz a lo largo de un camino cerca de un cuerpo material. Cro-
nometrando el tiempo de viaje de ida y vuelta de un pulso de radar entre la
Tierra y otros planetas internos que pasan detrs del Sol, los experimentos
han conrmado con incertezas del orden de un 4 por ciento la prediccin de
un retraso de tiempo adicional.
La precesin de la rbita de Mercurio de 43 segundos de arco segundo por
siglo era conocido antes del desarrollo de la teora de relatividad general. Con
medidas hechas con radar de las distancias a los planetas, se han estimado
precesiones anmalas similares para Venus y la Tierra , en plena concordancia
con la relatividad general.
3.1.12. Estudio experimental de la gravitacin.
La esencia de la teora de Newton de gravitacin es que la fuerza en-
tre dos cuerpos es proporcional al producto de sus masas y al inverso del
3.1 Desarrollo de la teora gravitacional. 65
cuadrado de su separacin y que esa fuerza no depende de nada ms. Con
una modicacin geomtrica pequea, lo mismo es en general verdad en la
teora de la relatividad general. El propio Newton prob sus armaciones
mediante experimentos y observaciones. l hizo mediante el pndulo experi-
mentos para conrmar el principio de equivalencia y veric la ley cuadrada
inversa como una aplicacin a los periodo y dimetros de las rbitas de los
satlites de Jpiter y Saturno. Durante la ltima parte del siglo 19 siglo mu-
chos experimentos mostraron que la fuerza de gravedad es independiente de
la temperatura, de los campos electromagnticos, y de otros factores. Una
parte de la actividad cientca durante los aos setenta consisti en un es-
fuerzo terico para relacionar la fuerza de gravitacin con otras fuerzas de la
naturaleza. Se realizaron nuevos experimentos sobre el principio de la equi-
valencia. Se hicieron pruebas experimentales de la ley inversa al cuadrado de
la distancia en el laboratorio. Ha existido tambin un inters permanente en
la determinacin de la constante de gravitacin G, que ocupa una posicin
bastante anmala entre las otras constantes de la fsica. En primer lugar, la
masa M, de cualquier objeto celestial no puede determinarse independiente-
mente de la atraccin gravitatoria que ejerce. As, es la combinacin GM, y
no el valor separado de M, la nica propiedad signicativa de una estrella,
planeta, o galaxia. Segundo, segn la relatividad general y el principio de
equivalencia, G no depende de propiedades materiales pues es en cierto sen-
tido un factor geomtrico. La determinacin de la constante de gravitacin
no parece tan esencial como la medida de otras cantidades fsicas como la
carga del electrn o la constante de Planck. Tambin est mucho menos bien
determinada experimentalmente que cualquiera de las otras constantes de la
fsica.
Los experimentos en gravitacin son de hecho muy difciles, comparados
con los experimentos en la ley inversa al cuadrado de la distancia en elec-
trosttica. La ley electrosttica., que es tambin inversa al cuadrado de la
distancia, se ha establecido dentro de una parte en 10
16
usando el hecho que
el campo dentro de un conductor cerrado es cero cuando la ley cuadrada in-
versa es verdadera. As, midiendo cualquier campo residual con dispositivos
electrnicos muy sensibles, podran detectarse desviaciones muy pequeas
a esa ley. Las fuerzas gravitatorias tienen que ser medidas por medios me-
cnicos, a menudo el equilibrio de un pndulo de torsin y, aunque se han
mejorado las sensibilidades de los dispositivos mecnicos, ellos todava son
mucho menos sensibles que los equipo electrnicos. Por ltimo, las perturba-
ciones extraas al experimento son relativamente grandes porque las fuerzas
66 Gravitacin.
gravitatorias son muy pequeas As, la ley inversa al cuadrado de la distancia
se establece en laboratorios con una exactitud no mejor que una parte en 10
4
.
3.1.13. Datos actuales de las rbitas planetarias.
Hoy se conocen bastante bien las caractersticas de los planetas y de sus
rbitas, para lo cual se presenta la tabla siguiente
Mercurio Venus Tierra Marte
Distancia al Sol (Semi eje mayor Km) 57,909,175 108,208,930 149,597,890 227,936,640
Volumen (Tierra = 1) 0.054 0.88 1.0 0.149
Masa10
27
g 0.33022 4.8690 5.9742 0.64191
Densidad g cm
3
5.43 5.24 5.515 3.94
Gravedad en la supercie cms
2
370 887 980 371
Velocidad de escape en el Ecuador 4.25 km/s 10.36 km/s 11.18 km/s 5.02 km/s
Perio do de rotacin (sideral, das) 58.6462 243.0187* 0.99726968 1.02595675
Perio do orbital (Aos terrestres) 0.24084445 0.61518257 0.99997862 1.88071105
Velocidad orbital promedio kms
1
47.8725 35.0214 29.7859 24.1309
Excentricidad de la rbita 0.20563069 0.00677323 0.01671022 0.09341233
Inclinacin rbita con la eclptica (
o
) 7.00487 3.39471 0.00005 1.85061
Inclinacin Ecuador con la rbita (
o
) 0.0 177.3 23.45 25.19
T. media en la supercie slida K 440 730 288-293 183-268
T..atmosfrica al nivel de P = 1 bar, K 288
Constituyentes principales atmsfera CO2, N2 N2, O2 CO2, N2, Ar
Radio medio ecuatorial (Km) 2,439.7 6,051.8 6,378.14 3,397
1 AU = 149,597,870.66km
3.1 Desarrollo de la teora gravitacional. 67
Jpiter Saturno Urano Neptuno Plutn
778,412,020 1,426,725,400 2,870,972,200 km 4,498, 252, 900 5,906,376,200
1316 755 52 44 0.005
1,898.7 568.51 86.849 102.44 0.013
1.33 0.70 1.30 1.76 1.1
2312 896 869 1100 81
59.54 km/s 35.49 km/s 21.29 km/s 23.71 km/s 1.27 km/s
0.41354 0.44401 0.71833 * 0.67125 6.38718*
11.85652502 29.42351935 83.74740682 163.7232045 248.0208
13.0697 9.6724 6.8352 5.4778 4.7490
0.04839266 0.5415060 0.04716771 0.00858587 0.24880766
1.30530 2.48446 0.76986 1.76917 17.14175
3.12 26.73 97.86 29.58 119.61
57.8
165 134 76 73
H2,He He,H2,CH4 H2,He, CH4 H2, He
71,492 60,268 25,559 24,764 1,195
* retrgrado.
Ejercicio 3.1.1 Un cuerpo describe una rbita circular de radio R = 100
m en torno a un punto jo con rapidez constante dando una vuelta completa
por segundo. Determine la magnitud de la aceleracin del cuerpo.
Ejercicio 3.1.2 Si el cuerpo del ejercicio anterior, repentinamente siguiera
en lnea recta, determine la rapidez de crecimiento de la distancia al punto
jo en m/s.
Ejercicio 3.1.3 Las masas de la Tierra y de la Luna son aproximadamente
M
T
= 5,98 10
24
kg y M
L
= 7,36 10
22
Kg siendo la distancia promedio
entre ellos 3,84 10
8
m. Determine la fuerza ejercida por la Tierra sobre la
Luna y la ejercida por la Luna sobre la Tierra.
Ejercicio 3.1.4 De los datos del ejercicio anterior, determine el tiempo
empleado por la Luna en dar una vuelta completa en torno a la Tierra, en
das.
Ejercicio 3.1.5 Determine aproximadamente la fuerza que hace la Luna
sobre una persona de la Tierra de masa 80 Kg.
68 Gravitacin.
Ejercicio 3.1.6 Si el radio de la Luna es 1,74 10
6
m determine cuanto
pesa un Kg de oro en la Luna.
Ejercicio 3.1.7 De acuerdo a los radios orbitales, evale los periodos orbi-
tales usando la tercera ley de Kepler, comparando con los datos tabulados.
Ejercicio 3.1.8 Determine a qu distancia entre la Tierra y la Luna, un
cuerpo no es atrado hacia ninguno de los dos cuerpos.
Ejercicio 3.1.9 Un pndulo de longitud L = 2 m efecta oscilaciones en la
supercie terrestre. Determine el nmero de oscilaciones que efecta en cada
segundo.
Ejercicio 3.1.10 Utilizando las leyes de Kepler, discuta la existencia del
planeta X, hipottico planeta igual a la Tierra, en su misma rbita elptica
en torno al Sol, pero que permanece siempre oculto detrs del Sol y por eso
no ha sido observado.
Ejercicio 3.1.11 Si la distancia promedio de la Tierra al Sol es aproxima-
damente 1,496 10
11
m determine aproximadamente la masa del Sol.
Ejercicio 3.1.12 Verique con los datos de la tabla, el cumplimiento de la
tercera Ley de Kepler.
Ejercicio 3.1.13 De acuerdo a las masas de los planetas, evale las ve-
locidades de escape desde sus supercies, comparando sus valores con los
tabulados.
Ejercicio 3.1.14 De acuerdo a las masas de los planetas y sus radios, eva-
le la aceleracin de gravedad en sus supercies, comparando sus valores con
los tabulados.
Ejercicio 3.1.15 Estudie si existe alguna ley que de cuenta de las distan-
cias de los planetas al Sol. (Por razones histricas, considere unidades donde
la distancia Tierra Sol sea 10). Si existe alguna discontinuidad en su ley,
aventure alguna hiptesis.
Captulo 4
Cada libre y movimiento de
proyectiles.
4.1. Aceleracin.
De acuerdo a lo establecido por Galileo, los cuerpos en la vecindad de la
Tierra, estn acelerados hacia el centro de la Tierra independientemente de
su masa con una magnitud aproximadamente g = 9,8 m/s
2
. Esto es cuando el
efecto de la resistencia con el aire puede despreciarse. Si se utiliza un sistema
cartesiano de referencia con el eje OY vertical hacia arriba, lo anterior puede
escribirse vectorialmente como
a = g , (4.1)
De acuerdo al signicado de la aceleracin se tiene que
d
2
dt
2
r = g , (4.2)
que puede ser escrita en trminos de la velocidad v
d
dt
v = g . (4.3)
De aqu, mediante el proceso conocido como integracin podemos obtener
que
Z
v(t)
v(0)
dv =
Z
t
0
g dt, (4.4)
70 Cada libre y movimiento de proyectiles.
de donde
v(t) v(0) = gt , (4.5)
de modo que tenemos
v(t) =
dr
dt
= v(0) gt . (4.6)
Expresin que da cuenta de las variaciones de la velocidad con el tiempo,
en trminos de la velocidad inicial v(0), del tiempo transcurrido t, y de la
aceleracin de gravedad. Si la ltima expresin se integra nuevamente puede
obtenerse
Z
r(t)
r(0)
dr =
Z
t
0
(v(0) g t)dt (4.7)
por lo tanto
r(t) r(0) = v(0)t
1
2
g t
2
, (4.8)
y nalmente
r(t) = r(0) +v(0)t
1
2
g t
2
. (4.9)
4.2. Componentes cartesianas.
Recordando que
r(t) = x +y , (4.10)
y que
v = v
x
+v
y
, (4.11)
las expresiones 4.6, 4.9 en componentes conducen a
v
x
(t) = v
x
(0),
v
y
(t) = v
y
(0) gt,
x(t) = x(0) +v
x
(0)t,
y(t) = y(0) +v
y
(0)t
1
2
gt
2
.
Expresiones que dan las componentes cartesianas de la velocidad y posicin
en trminos de las condiciones iniciales y del tiempo transcurrido.
4.2 Componentes cartesianas. 71
4.2.1. Condiciones iniciales particulares.
Cada libre. Objeto que se suelta desde una altura h, en reposo:
v
x
(t) = 0,
v
y
(t) = gt,
x(t) = 0,
y(t) = h
1
2
gt
2
.
La altura decrece en forma proporcional al cuadrado del tiempo. Ade-
ms el tiempo total de cada, desde la altura h se obtiene haciendo
y(t) = 0 obteniendo
t =
s
2h
g
.
Por ejemplo si h = 10 m se tiene aproximadamente t = 1,41 s. Es-
te tiempo no poda determinarse con tal precisin en los tiempos de
Galileo. De hecho Galileo estudi el movimiento de cuerpos en cada
pero sobre un plano inclinado, para incrementar los tiempos de cada y
poderlos determinar con la precisin suciente para los medios disponi-
bles en aquellos tiempos. Usted podra quizs establecer que si el plano
inclinado es liso y su ngulo de inclinacin es , el tiempo empleado
por el cuerpo para descender una altura h est dado por
t =
s
2h
g sin
.
Lanzamiento vertical hacia arriba con rapidez inicial v
0
:
v
x
(t) = 0,
v
y
(t) = v
0
gt,
x(t) = 0,
y(t) = v
0
t
1
2
gt
2
.
Lanzamiento desde una altura h, con rapidez inicial v
0
formando un
72 Cada libre y movimiento de proyectiles.
ngulo con la horizontal
v
x
(t) = v
0
cos ,
v
y
(t) = v
0
sin gt,
x(t) = v
0
(cos )t,
y(t) = h +v
0
(sin)t
1
2
gt
2
.
4.2.2. Ecuacin de la trayectoria.
Para el ltimo caso, podemos obtener la ecuacin de la trayectoria, eli-
minando el tiempo entre x(t) e y(y), obteniendo
y = h +xtan
gx
2
2v
2
0
cos
2
, (4.12)
un parbola de segundo grado conocida como la parbola de tiro.
Ejercicio 4.2.1 Si un proyectil es lanzado desde el origen con rapidez ini-
cial v
0
formando un ngulo con la horizontal, demuestre que la altura
mxima H, y el alcance horizontal D, punto de cada sobre el eje OX estn
dados por
D = 2
v
2
0
g
sin cos =
v
2
0
g
sin 2,
H =
v
2
0
2g
sin
2
.
Ejercicio 4.2.2 Para el caso anterior, demuestre que el mximo alcance D
se logra cuando = /4.
4.2.3. Parbola de seguridad.
Si un proyectil es lanzado desde el origen con rapidez inicial v
0
formando
un ngulo con la horizontal, analicemos que puntos del plano OXY son
alcanzables para una rapidez inicial v
0
dada. La ecuacin de la parbola que
sigue el disparo puede escribirse como
y = xtan
gx
2
2v
2
0
cos
2
= xtan
gx
2
2v
2
0
(1 + tan
2
); (4.13)
4.2 Componentes cartesianas. 73
t
Figura 4.1: parbola de disparo.
de donde podemos despejar tan , resultando
gx
2
2v
2
0
tan
2
xtan +y +
gx
2
2v
2
0
= 0, (4.14)
tan =
v
2
0
p
(v
4
0
2gyv
2
0
g
2
x
2
)
gx
, (4.15)
es decir, en general hay dos ngulos de disparo para alcanzar un punto de
coordenadas (x, y). Sin embargo si la cantidad subradical es negativa, dicho
punto no es alcanzable. La frontera entre la regin alcanzable y la no alcan-
zable, la constituyen los puntos (x, y) para los cuales la cantidad subradical
es cero, es decir los puntos tales que
v
4
0
2gyv
2
0
g
2
x
2
= 0 (4.16)
o bien
y =
v
2
0
2g
gx
2
2v
2
0
. (4.17)
Esta es la ecuacin de una parbola simtrica respeto al eje OY , conocida
como parbola de seguridad. Los puntos sobre la parbola de seguridad son
alcanzables justo para un ngulo, de (4.15) ese ngulo est dado por
tan =
v
2
0
gx
. (4.18)
74 Cada libre y movimiento de proyectiles.
x
Figura 4.2: Parbola de seguridad.
4.2.4. Alcance mximo.
Si un proyectil es lanzado desde el origen con rapidez inicial v
0
formando
un ngulo con la horizontal, podemos preguntarnos cul es el mximo
alcance sobre un plano inclinado en un ngulo respecto a la horizontal y
que pasa por el origen y en qu ngulo de disparo se logra ese mximo? Una
respuesta simple se deduce al encontrar la interseccin entre la parbola de
seguridad y la recta y = xtan, es decir resolver
y =
v
2
0
2g
gx
2
2v
2
0
,
y = xtan ,
obteniendo
x = (tan + sec )
v
2
0
g
,
y = tan (tan + sec )
v
2
0
g
de modo que el alcance mximo sobre el plano inclinado es
D =
p
x
2
+y
2
= xsec = sec (tan + sec )
v
2
0
g
. (4.19)
4.2 Componentes cartesianas. 75
x
Figura 4.3: Alcance mximo.
Para obtener el ngulo tenemos que
tan =
v
2
0
gx
=
1
(tan + sec )
=
cos
sin + 1
=
s
1 sin
2
(1 sin)
2
=
s
1 + sin
1 sin
= tan
90 +
2
o sea
=
90 +
2
. (4.20)
Note que si = 0 se obtiene como era esperado = 45
o
. La gura (??)
siguiente ilustra lo que ocurre para v
0
= 10, = 30
o
Nota 4.1 Si se usara la transformacin de Galileo, bastara saber la solucin
del problema de la cada libre vertical, para obtener el movimiento de un
proyectil con cualquier condicin inicial de velocidad. En efecto, respecto al
sistema S
0
en que las condiciones iniciales de posicin son (0, h) y velocidad
cero, la solucin del problema es
x
0
= 0,
y
0
= h
1
2
gt
2
.
Para obtener la solucin general, considere otro sistema S que se mueve
respecto a S
0
con velocidad
v = v
0
(cos ) v
0
(sin) ,
76 Cada libre y movimiento de proyectiles.
y tal que los orgenes coinciden en t = 0. La transformacin de Galileo
establece que
r
0
= r +vt,
o bien, despejando las componentes x, y
x = v
0
(cos )t,
y = h +v
0
(sin )t
1
2
gt
2
.
Ejercicio 4.2.3 Un cazador que no sabe fsica, es decir que los proyectiles
caen con la aceleracin de gravedad, apunta en consecuencia directamente a
un mono que est sobre una rbol. El mono que tampoco sabe fsica, se deja
caer justo cuando el cazador dispara. Qu acontece?
Ejercicio 4.2.4 Un explorador se encuentra con un pozo de alguna pro-
fundidad desconocida. Para averiguar la profundidad deja caer una piedra y
toma nota del tiempo t = 4 s entre que solt la piedra y que escuch el sonido
de impacto de la piedra contra el fondo. Considerando que el sonido viaja con
velocidad constante de 340 m/s determine la profundidad del pozo.
Ejercicio 4.2.5 Un barco pirata se aproxima a un fuerte que est sobre un
acantilado de 100 m de altura. El barco y el fuerte tienen caones iguales que
disparan proyectiles con rapidez de salida de 200 m/s. Determine la distancia
horizontal a la cual el fuerte queda al alcance del can del barco y a la cual
el barco queda al alcance del fuerte.
Ejercicio 4.2.6 Un atleta que dispara la bala, que tiene una altura de 1,80
m alcanza una distancia horizontal de 20 m. Suponiendo que la bala parte de
esa altura y que fue lanzada en el ngulo ptimo, determine ese ngulo. (No
es 45
o
)
Ejercicio 4.2.7 Desde una altura de 100 m se deja caer una piedra. Un
segundo ms tarde se lanza otra piedra desde el suelo hacia arriba con rapidez
de 10 m/s. Determine la altura a la cual se cruzan.
Ejercicio 4.2.8 Una pelota se deja caer desde una altura de 100 m. En cada
rebote en el suelo, la pelota pierde la mitad de su rapidez. (es decir rebota
con la mitad de la velocidad con que lleg al suelo) Determine el tiempo que
tarda la pelota en quedar en reposo en el suelo.
4.2 Componentes cartesianas. 77
Ejercicio 4.2.9 Respecto al problema anterior, determine el total de espa-
cio recorrido por la pelota hasta detenerse.
Ejercicio 4.2.10 Un can dispara proyectiles con rapidez de 100 m/s. De-
termine el ngulo de disparo adecuado para dar en un blanco situado a 100
de altura y a una distancia horizontal de 1000 m del can, en el mnimo
tiempo.
Nota 4.2 Hay dos factores que en realidad hacen que la aceleracin de gra-
vedad no sea constante. Uno de ellos es la altura. Si la altura es h sobre la
supercie terrestre y R es el radio terrestre, la aceleracin de gravedad vara
con la altura de la forma aproximada (ver 3.1)
g(h) = g(0)
1 2
h
R
.
variacin despreciable para altura mucho menores que el radio terrestre. En
segundo lugar, la rotacin terrestre hace que la aceleracin de gravedad sea
algo menor en el Ecuador que en los Polos, diferencia no muy grande porque
la Tierra no gira muy rpido. De hecho si la rotacin fuera muy rpida, los
objetos tienen una tendencia a salir de la Tierra (a seguir en lnea recta).
78 Cada libre y movimiento de proyectiles.
Captulo 5
La evolucin de las estrellas.
5.0.5. Introduccin.
La materia del Universo est localizada hoy en da principalmente en las
estrellas, las cuales estn agrupadas en cientos de miles de millones, formando
organizaciones llamados galaxias. A su vez las galaxias aparecen agruparse en
cmulos y supercmulos, superestructcturas entre las cuales hay una enorme
cantidad de espacio prcticamente vaco. De ese modo la densidad promedio
del Universo es muy baja, digamos del orden de un tomo por metro cbico.
Algo parecido sucede al interior de un tomo. La masa est localizada prcti-
camente toda en su ncleo, cuyas dimensiones son una pequesima fraccin
del tamao del tomo. En el ncleo atmico se encuentran densidades cerca-
nas a los 300,000,000 de toneladas por centmetro cbico.
5.0.6. Las cuatro fuerzas fundamentales.
Las cuatro fuerzas o interacciones fundamentales de la naturaleza, elec-
tromagntica, dbil, fuerte y gravitacional., inuyen en el comportamiento
de la materia segn las densidades involucradas. As, la interaccin elec-
tromagntica predomina desde bajas densidades a densidades del orden de
10 toneladas por centmetro cbico. Aqu se maniesta la interaccin dbil,
que provoca enormes cambios en la estructura de la Materia, causando por
ejemplo la transformacin de protones en neutrones, mediante la absorcin
de electrones o a la inversa. A densidades superiores a 100,000 toneladas
80 La evolucin de las estrellas.
por centmetro cbico, el comportamiento de la materia es gobernado por la
fuerza fuerte. Por ltimo, la fuerza gravitacional. provee el mecanismo para
llevar la materia a esas enormes densidades, no estando claro en que otra
forma ella inuye en el comportamiento de la materia.
La materia como la conocemos en la Tierra, corresponde a las condiciones
de presin y temperatura existentes en nuestro planeta, por lejos diferentes
son las condiciones de la mayor parte de la materia presente en el Univer-
so. En la Tierra hay tomos neutros, separados enormes distancias entre s,
dependiendo de si se trata de gases, lquidos o slidos, las tres tradicionales
formas de la materia en nuestro planeta. Los avances en el conocimiento de
las interacciones bsicas de la materia en sus diversas formas, ha sido posible
gracias a la observacin de lo que ocurre en las estrellas y en los objetos
estelares en sus etapas nales de existencia, a la creacin en laboratorios de
alta energa de condiciones extremas de temperaturas y densidades, y a la
formulacin de modelos tericos, que a su vez permiten idear nuevos experi-
mentos en la tierra, u observar detalles nos de los objetos estelares para su
comprobacin. El Universo nos proporciona un gigantesco laboratorio cuya
observacin detallada nos ayuda a comprenderlo, con la ocurrencia de eventos
imposibles de lograr en nuestro planeta.
5.0.7. Equilibrio de un gas.
Un gas, un conjunto de tomos o molculas que se mueven ms o menos
libremente hasta que choquen entre s o con las paredes del recipiente que los
contiene, alcanza un estado de equilibrio. La rapidez del movimiento de las
partculas es una medida de la llamada temperatura del gas, las colisiones por
unidad de tiempo contra las paredes son una medida de la llamada presin
del gas. En general, si el volumen se disminuye, aumentan las colisiones de las
partculas entre s y con la pared, lo que signica aumento de temperatura
y presin, an cuando podra mantenerse la temperatura constante o an
bajarse. Eso requiere sin embargo sacar energa del sistema a travs de las
paredes que lo connan. Para un gas ideal, existe la llamada ecuacin de
estado que establece los posibles estados de equilibrio del gas, la cual es una
relacin entre la temperatura T, la presin P, el volumen V en la forma
pV = nRT.
Para otras formas de la materia, la ecuacin de estado, toma formas ms
complicadas, ver apndice.
81
R es la llamada constante de los gases (R = 8,314510 J mol
1
K
1
), y n es
el nmero de moles de gas encerrado en el volumen. Un mol de substancia es
igual a una cantidad de masa igual al peso atmico o molecular segn se trate
de tomos o molculas, expresado en gramos. Otra forma de connamiento
de un gas que no requiere de paredes, la provee la fuerza gravitacional. que
prueba ser muy efectiva, cuando la cantidad de materia es relativamente
grande. Es el caso de nuestra atmsfera, de los gases del planeta Jpiter, y
otros planetas exteriores. No as es el caso de la Luna, donde la gravedad fue
insuciente para mantener connada algn tipo de atmsfera.
5.0.8. Slidos y lquidos.
En los lquidos y slidos, las densidades son mucho mayores. Adems
de la agitacin trmica, aparecen fuerzas de origen elctrico que impiden su
acercamiento, y exigen presiones mucho mayores para lograr disminuciones
apreciables de su volumen. El estado slido, el de mayor densidad de la
materia comn de nuestro planeta, requiere de la Fsica cuntica. para su
descripcin. En el libro de Fsica de Serway, hay un interesante ensayo sobre
la fsica de las altas presiones, y en que medida se ha podido avanzar en lograr
presiones altas sobre los slidos, por medios mecnicos. Es claro que por
mtodos mecnicos existen lmites insuperables al considerar que los slidos
tienen durezas limitadas, a saber el diamante es el ms duro, en consecuencia
la mejor prensa deber tener diamante como agente de compresin.
5.0.9. La fuerza gravitacional.
Para explicar estos conceptos, es suciente recurrir a la forma Newtoniana
de la teora de la gravitacin. Dos masas se atraen con una fuerza proporcional
a sus masas e inversamente al cuadrado de su distancia. Es en consecuencia
una fuerza de alcance ilimitado y acumulativa, en cuanto crece sin lmite al
acumular ms masa. Su expresin matemtica es
F = G
m
1
m
2
d
2
.
5.0.10. Estados extremos de la materia.
Formas de la materia.
82 La evolucin de las estrellas.
La materia normal, como la conocemos usualmente est formada por
tomos o molcula. Uno de los constituyentes del tomo es el ncleo atmico,
ver gura (5.1) donde se muestran sus componentes bsicos
Figura 5.1: El ncleo atmico.
En las guras (5.2) y (5.3)
Figura 5.2: Atomo
se muestra esquemticamente la forma normal de la materia en la Tierra.
La presin a densidades bajas es causada por las colisiones de las partculas
con las paredes, como se esquematiza en la gura (5.4).
Para densidades superiores a 50 gramos por centmetro cbico, gura
(5.5), los orbitales comienzan a solaparse. Ello causa nalmente la prdida
de los electrones de los tomos.
A partir de densidades del orden de 500 gramos por centmetro cbico,
se tiene un plasma de Fermi, uido de electrones donde nadan los ncleos
desnudos de sus electrones, ver gura (5.6).
La gura (5.7) ilustra la presin debida a un mar de electrones libres, de
acuerdo al principio de exclusin de Pauli.
83
Figura 5.3: Molcula
Figura 5.4: presin ejercida por un gas.
Figura 5.5: Orbitales solapndose.
84 La evolucin de las estrellas.
Figura 5.6: Plasma de Fermi.
Figura 5.7: Principio de exclusin de Pauli.
85
Figura 5.8: Interaccin dbil.
Figura 5.9: Sobre un milln de toneladas por cc.
A partir de densidades del orden de 100 toneladas por centmetro cbico,
los electrones rpidos penetran en el ncleo, interactuando con los protones
mediante la interaccin dbil, gura (5.8)
El exceso de neutrones en los ncleos causa la expulsin de ellos, expulsin
causada por el principio de exclusin de Pauli. No hay estados disponible para
ellos dentro del ncleo, por lo cual deben abandonarlo.
La gura (5.9) representa a los neutrones libres que forman un uido de
Fermi, donde nadan electrones y ncleos enriquecidos con neutrones
En la gura (5.10), los ncleos se han disuelto, y se muestra esquemti-
camente la materia de neutrones, uido de Fermi consistente en un mar de
neutrones libres, con algunos protones y electrones en igual proporcin, que
soporta la presin hasta densidades sobre unos 100 millones de toneladas por
centmetro cbico.
86 La evolucin de las estrellas.
Figura 5.10: Mar de neutrones.
Proceso de compresin.
Imaginemos entonces que pudiramos comprimir materia sin lmites, de
hecho la gravedad, si hay masa suciente, puede hacerlo. El conocimiento
actual nos permite responder hasta un cierto lmite de los sucesos que ocurren
en este proceso.
Cuando la densidad alcanza valores entre 30 y 50 gramos por centmetro
cbico, el volumen se ha reducido hasta el punto que en los orbitales atmicos
empiezan a tocarse, o sobreponerse.
Aparecen entonces fuerzas de repulsin de origen cuntico, consecuencias
del principio de exclusin de Pauli., descubierto por l en el ao 1925. Ello
hace necesario aumentar ms la presin para tratar de aumentar la densi-
dad. Este principio de exclusin prohibe a los fermiones, protones, neutrones
y electrones ocupar el mismo estado fsico. En este proceso de acercamiento,
entonces los electrones escapan de los tomos. A medida que este proceso
sigue, al alcanzar una densidad del orden de 500 gramos por centmetro c-
bico, los electrones se han separados de los tomos, y la materia adquiere una
forma como de una sopa de electrones donde se mueven los ncleos desnudos.
A partir de ese punto, la presin requerida para el equilibrio, depende casi
exclusivamente de la temperatura, o sea de la agitacin, de esos electrones
libres. Este estado de materia se conoce como un uido o gas de Fermi de-
generado. Este tipo de materia puede soportar, sin colapsar, densidades de
hasta un orden de entre 1 a 10 toneladas por centmetro cbico. En este esta-
do, los ncleos no desempean un papel signicativo, salvo el de neutralizar
la carga elctrica de la materia. Cuando la densidad supera los 100 toneladas
por centmetro cbico, la enorme velocidad de los electrones, en el mbito
5.1 Formacin de una estrella. 87
relativista, es tan grande que los electrones pueden al chocar contra los n-
cleos, penetrar en ellos combinndose con los protones de ellos, formando
neutrones.
La responsable de esta transformacin es la llamada interaccin dbil.
Aqu comienza a jugar de nuevo un rol el principio de exclusin; los nuevos
neutrones que se crean en los ncleos no tienen estados fsicos distintos dis-
ponibles y en consecuencia se ven obligados a abandonar el ncleo. Ahora la
presin en aumento es equilibrada por un sistema de neutrones libres, cada
vez en mayor nmero, hasta que nalmente todos los electrones se han com-
binado con protones, terminndose en esta etapa con un uidos de neutrones
degenerados. Aqu se llega a las ltimas cuestiones conocidas por la fsica
actual. Como se cree, los hadrones, familia de partculas elementales a las
cuales pertenecen los neutrones y protones, estn constituidas por quarqs,
que estn connadas en una especie de saco que dene la frontera del ha-
drn. A presiones superiores, al alcanzar densidades ms o menos cinco veces
la densidad nuclear, aproximadamente entre 1000 y 1500 millones de tone-
ladas por centmetro cbico, esos sacos, se cree, deberan romperse de modo
que los quarqs seran liberados, formando una especie de sopa de quarqs, el
supuesto estado nal de la materia ultra comprimida.
5.1. Formacin de una estrella.
De acuerdo a la teora del big bang, que ser descrita en otro captulo,
despus de las primeras etapas, en el Universo exista una gran cantidad de
Hidrgeno, nubes de hidrgeno, las cuales por razones no totalmente com-
prendidas pero donde la gravitacin es la fuerza preponderante, formaron
regiones de mayor concentracin de hidrgeno, de forma cuasi esfrica, o elip-
soidal si hay rotacin neta del gas de hidrgeno. Estas conguraciones, si de
masa suciente reciben el nombre de proto estrellas. Normalmente se forma-
ron grupos de estas regiones, interactuando colectivamente por la gravitacin
entre ellas. La evolucin de estas conguraciones cuasi esfricas depende de
la masa de ellas, existiendo diversas posibilidades. La gravitacin tiende a
aumentar la densidad. Si la cantidad de masa es del orden de la masa de
la tierra, el proceso de compresin, al aumentar la temperatura, causar la
perdida de la mayor parte del gas debido a que la fuerza gravitacional. es
insuciente para retener el gas. Si la masa inicial mayor que la de la Tierra
pero menor que un dcimo de la masa solar, la gravedad retiene los gases,
88 La evolucin de las estrellas.
Figura 5.11: Evolucin de las estrellas
dando origen a las estrellas llamadas enanas marrones y tambin es el caso
de los planetas Jpiter y Saturno. En este sentido Jpiter tuvo insuciente
masa para convertirse en una estrella.
Cuando la masa inicial es superior al diez por ciento de la masa solar, el
sol incluido entonces, entra en juego un mecanismo que determina la mayor
parte de la vida de una estrella. La gravedad causa un aumento de la den-
sidad y temperatura en el ncleo de la estrella, alcanzando los niveles que
permiten entrar en juego a la interaccin fuerte, donde los ncleos de Hidr-
geno comienzan a fusionarse formando Helio. La enorme cantidad de energa
liberada equilibra entonces la presin causada por la gravedad, permitiendo a
la estrella brillar y vivir una enorme cantidad de tiempo en equilibrio. En este
proceso, la enorme cantidad de energa producida en el corazn de la estrella
sale a su supercie y de all al espacio en forma principalmente de radiacin
electromagntica. Se alcanzan en el ncleo temperaturas del orden de unos
15 millones de grados si la estrella es del tipo de nuestro Sol, y mayores en
estrellas ms masivas. Alcanzado este estado de equilibrio las estrellas viven
entre decenas y miles de millones de aos. Como explicaremos, el destino
nal de una estrella, depende de su masa inicial, como se esquematiza en la
gura (5.11)
5.1 Formacin de una estrella. 89
5.1.1. Agona de una estrella.
Enana blanca.
Para una estrella con una masa comparable a la Solar, al agotarse el
Hidrgeno, la gravitacin causar un aumento en la densidad y temperatu-
ra del ncleo, logrando las condiciones para reacciones nucleares superiores,
formando en diversas etapas, algunos millones de aos, ncleos de Carbono,
Oxgeno, hasta llegar a la formacin del Fierro, con un crecimiento de la es-
trella hasta una conocida como gigante roja. La reaccin nuclear que crea el
Fierro, no produce energa, sino que absorbe energa. La estrella pierde su en-
voltura, casi la mitad de su masa, formando una nebulosa planetaria, y luego
comienza a comprimirse lentamente, hasta alcanzar las densidades de un gas
comprimido de electrones degenerados que es capaz de detener la compresin
gravitacional. Su tamao se ha reducido hasta un dimetro del orden de unos
10,000 kilmetros, comparable a la tierra, y su masa es del orden de la mitad
de la del Sol. El ncleo de esta estrella est constituido principalmente de
Carbono y Oxgeno, pero quien balancea la presin es el gas degenerado de
electrones de Fermi. Esta estrella en su estado nal, an muy caliente, se
conoce como una enana blanca, llamada as porque es muy blanca. A partir
de all seguir enfrindose perdiendo luminosidad hasta apagarse. Clculos
debidos al astrofsico Chandrasekhar, dan un lmite a la masa nal de una
enana blanca capaz de soportar la gravedad. Ese valor lmite es de alrededor
de 1,4 veces la masa Solar. Las consecuencias del clculo de Chandrasekhar
fueron perturbadoras. Qu ocurrira a las estrellas de mayor masa una vez
agotado su combustible nuclear?
Estrella neutrnica.
En consecuencia el destino de una estrella de mayor masa debe ser otro.
Las estrellas ms masivas tienen algunas veces un nal ms catastrco. En
algunos casos, las estrellas pierden mucha masa durante su vida, en forma de
viento estelar por ejemplo, evitando as sobrepasar el lmite de Chandrasek-
har. Pero estrellas de mucho mayor masa pasan al formarse hierro, a lo que
se denomina una super gigante roja. Su ncleo, compuesto principalmente
de hierro, Nquel y otros elementos, en forma muy comprimida, penetrada
por el plasma de electrones degenerados que soporta el colapso gravitacio-
nal, adems debe soportar el peso de las capas exteriores de la estrella. El
hierro es el ltimo paso de los procesos nucleares en una estrella. Debido a la
90 La evolucin de las estrellas.
enorme presin y al agotamiento de la energa de las reacciones nucleares, el
ncleo de la estrella colapsa hasta, como explicamos, formando un ncleo de
puros neutrones, con un radio del orden de 10 kilmetros. En este proceso
los ncleos son desarmados formando una sopa de neutrones. Esto se conoce
como una estrella de neutrones o pulsar. Hay que decir que normalmente un
neutrn es slo estable dentro de un ncleo, y cuando est libre decae en un
protn un electrn y un neutrino. Aqu, debido a la enorme densidad, nueva-
mente el principio de exclusin de Pauli, prohibe el decaimiento del neutrn.
Clculos tericos establecen tambin un lmite a la masa que una estrella de
neutrones puede soportar sin colapsar en alrededor de algo menos que tres
masas solares. Durante los aos 30, las estrellas de neutrones no se haban
concebido, y los clculos de Chandrasekhar fueron duramente cuestionados
por el famoso terico Arthur Eddington. Esto provoc el abandono de Chan-
drasekhar de la academia britnica quien se fue a la Universidad de Chicago.
El tiempo prob que Eddington estaba errado.
Figura 5.12: Estrella neutrnica o pulsar.
Supernova.
Sin embargo, si la masa de la estrella es muy grande, compresin ha sido
tan rpida que la enorme cantidad de materia de las capas exteriores se
queda rezagada y comienza a acelerar hacia el ncleo, desplomndose sobre
5.1 Formacin de una estrella. 91
el a enormes velocidades. El violento choque contra el dursimo ncleo, hace
que la materia rebote, enviando al espacio una enorme cantidad de energa y
materia, que ha seguido en este proceso toda la serie de reacciones de fusin
nucleares posibles, formando los elementos ms pesados hasta el Uranio. Esta
explosin, conocida como una Supernova, puede destruir todo el astro, dejar
como resto una estrella neutrnica o bien eventualmente un agujero negro.
Figura 5.13: Supernova 1987A
Una de las caractersticas de las estrellas neutrnicas, consecuencia de la
conservacin del momentum angular, es que al haber disminuido tanto de
tamao, debe girar muy rpidamente sobre su eje, decenas o centenas de
veces por segundo, arrastrando a su vez un campo magntico muy intenso,
como esquematizado en la gura (5.12). Ello causa el envo al espacio de
enormes pulsos de energa electromagntica, que si son recibidos en la Tierra,
son recibidos de acuerdo a la frecuencia de rotacin de la estrella. De aqu
la denominacin de pulsares a las estrellas neutrnicas. La existencia de las
estrellas neutrnicas permaneci una conjetura hasta 1968, cuando Jocelyn
Bell, encontr mediante la utilizacin de un radio telescopio, encontraron una
fuente de ondas de radio en forma de pulsos que se reciban cada 1.3 segundos.
92 La evolucin de las estrellas.
Figura 5.14: Sistema binario.
tal rapidez slo pudo ser explicada por una estrella de neutrones girando muy
rpidamente en torno a su eje. Hoy hay buena evidencia para suponer que en
nuestra galaxia, la va lctea, existen alrededor de 100 millones de estrellas
neutrnicas.
Nova.
Las Novas ocurren en sistemas de estrellas binarias cercanas, donde una
de las estrellas es una enana blanca, y la otra es como el Sol. Por el meca-
nismo de acrecin de masa, la enana blanca quita hidrgeno a su vecina, el
cual se acumula en su supercie causando un progresivo aumento de la pre-
sin. El hidrgeno acumulado puede permanecer pasivo a veces por miles de
aos, hasta que, al alcanzarse un valor crtico de presin, inicia entonces una
explosin termonuclear en su base, conocida como una Nova, mucho menos
energtica que una supernova y que no destruye a la estrella. En la gura
(5.14) se muestra un donde una enana blanca captura materia de su estrella
compaera
Agujero negro.
De acuerdo a la teora de la gravitacin, para que un cuerpo pueda
escapar de la atraccin gravitacional. y no regresar, la velocidad que debe
5.1 Formacin de una estrella. 93
tener el cuerpo, llamada velocidad de escape, debe tener el valor
v =
r
2GM
R
,
siendo G la constante de gravitacin universal, M la masa del astro, y R su
radio. Si la masa es muy grande, eventualmente la velocidad escape alcanza
un lmite, la velocidad de la luz. Eso dene el llamado radio de Schwartzchild
R
S
=
2GM
c
2
De acuerdo a los valores para la masa de Sol y de la Tierra M
= 1,99
10
30
Kg y M
T
= 5,977 10
24
Kg se pueden calcular
R
S
=
26,67259 10
11
1,99 10
30
(3 10
8
)
2
= 5897. 6 m,
R
ST
=
26,67259 10
11
5,977 10
24
(3 10
8
)
2
= 1. 771 4 10
2
m,
de modo que si la tierra se comprimiera a ese tamao, menos de dos
centmetros, la velocidad de escape sera la velocidad de la luz. La densidad
de la Tierra sera
=
M
T
4
3
R
3
ST
= 2. 567 1 10
20
Ton
cm
3
.
Una estrella neutrnica, al igual que la enana blanca, tiene un lmite para
la masa que puede tener. Se ha calculado que esa masa es del orden de 1,95
de la masa solar. Si por algn motivo, la estrella neutrnica adquiere ms
masa que esa, ya sea en el proceso de la supernova, o por captura de materia
(acrecin) del espacio o de estrellas vecinas, se llega a un punto en que no
existe mecanismo conocido que permita equilibrar la presin gravitacional., la
estrella colapsa sin lmite, el radio se hace inferior al radio de Schwartzchild,
y nada, incluido la luz puede escapar de ella. Se ha creado un agujero negro,
invisible desde el exterior excepto por el enorme campo gravitacional que
produce.
94 La evolucin de las estrellas.
Captulo 6
El Universo y su evolucin.
6.1. Introduccin
El estudio y observacin del Universo, con mayscula, involucra todo lo
que puede analizarse con el mtodo cientco. Queremos describir lo que
las actuales teoras y datos observacionales nos informan sobre la estructura
actual del Universo y sus posibles formas de evolucin. A gran escala la
fuerza predominante es la fuerza gravitacional, pero como se ha explicado,
a otros niveles de densidad de la materia, juegan un papel importante otras
fuerzas. De las cuatro interacciones que se suponen son las bsicas, a modo de
comparacin, utilizando un factor de acoplamiento adimensional, ellas estn
en los ordenes relativos de magnitud que se indican en la tabla siguiente
Fuerte
S
= 15 (strong)
Electromagntica = 7,3 10
3
Dbil
W
= 3,1 10
12
(weak)
Gravitacional
G
= 5,9 10
39
.
Como veremos, ellas han jugado un rol determinante en diversas etapas del
modelo aceptado hoy en da de la evolucin del Universo.
Diversas preguntas se pueden formular sobre el Universo, antiguamente
en el plano de la losofa, hoy da tratables con mtodos de la Ciencia. Es el
Universo nito o innito? Tuvo o no un comienzo? Es el Universo siempre
igual (Esttico) o evoluciona con el tiempo (Dinmico)?, y muchas ms.
El problema de un Universo esttico o dinmico fue planteado apenas for-
mulada la teora de la Gravitacin de Newton. En efecto, si todos los cuerpos
96 El Universo y su evolucin.
se atraen gravitacionalmente, deberan nalmente colapsar. Sera extrao que
un Universo nito en tamao, donde los cuerpos se atraen gravitacionalmente
fuera esttico. Por otro lado, si el Universo fuera isotrpico, en todas par-
tes igual a larga escala, la fuerza gravitacional que ejercera una mitad del
Universo sobre un cuerpo sera innita.
Desde el desarrollo de la teora general de la relatividad, cuestin que
no puede detallarse aqu, se buscaron soluciones cosmolgicas (aplicables al
Universo entero), haciendo ciertas suposiciones. Es decir modelos que cum-
plen con el llamado principio cosmolgico, que establece precisamente que: a
grandes escalas el Universo es igual en todas partes, y en todas direcciones,
es decir es homogneo e isotrpico. (no hay lugares ni direcciones preferidas)
Evidentemente esto no es cierto para pequeas escalas, como lo muestran
diversas y distintas estructuras que se observan en el Universo.
Conjetura 1 Principio cosmolgico : el Universo es homogneo e isotrpi-
co a escalas grandes.
Tal solucin de las ecuaciones de Einstein la lograron primero Alexander
Friedmann en Rusia en 1923, el abate George Lemaitre en Blgica en 1927 y
posteriormente en forma independiente, los fsicos norteamericanos Howard
P. Robertson y A.G. Walker, conduciendo al llamado modelo de Friedmann-
Robertson-Walker de espacio tiempo.
6.2. La expansin del Universo.
Del anlisis del modelo de Friedmann-Robertson-Walker, se puede dedu-
cir matemticamente, y fue hecho dos aos antes de su comprobacin expe-
rimental, que el Universo debera estar en expansin o ms precisamente que
el espacio est en expansin. Debe ser destacado que el mismo Einstein ha-
ba deducido de sus ecuaciones, modelos de Universo que ya sea colapsaban
o crecan, cuestin que el descart modicando sus ecuaciones mediante la
introduccin de una cierta constante, llamada constante cosmolgica y tiene
el rol de introducir fuerzas cticias en el modelo, cancelando la gravedad a
distancias grandes, obteniendo lo que el crea tena que ser: Universos est-
ticos. Dos cosas pueden decirse: primero el mismo Einstein reconoci que
esta fue la mayor chambonada de su vida, y segundo que actualmente se han
encontrado nuevas razones para considerar constantes cosmolgicas. Vea por
ejemplo, Scientic American, de Enero de 1999. (Revolution in Cosmology)
6.2 La expansin del Universo. 97
La expansin del Universo fue descubierta por el astrnomo norteame-
ricano Edwin Hubble en los aos 1926 a 1929. Se saba en las dos dcadas
anteriores que muchas de las galaxias visibles aparentemente se alejaban del
Sol. La velocidad de una galaxia como la de una estrella, acercndose o alejn-
dose de nosotros se determina mediante el efecto Doppler de la luz (realmente
aqu aplica un tipo especial de efecto Doppler csmico). Las frecuencias de
las lneas de emisin de los elementos presentes en el astro aparecen corridas
hacia el rojo, en el caso que las galaxias se alejen, respecto de los mismos
elementos en la Tierra. De all se puede calcular la velocidad aparente de
recesin de las Galaxias. La contribucin mayor de Hubble consiste en haber
determinado las distancias a esas galaxias, por medio de la observacin de
ciertas estrellas variables, encontrando una correlacin muy simple: a ma-
yor distancia corresponde una mayor velocidad aparente de alejamiento o
recesin. De modo que si v representa la velocidad de una Galaxia y d su
distancia, entonces
v = H
0
d.
La constante H
0
, llamada constante de Hubble se conoce en forma apro-
ximada
H
0
= 70 kms
1
Mpc
1
.
No hay evidencia experimental suciente para asegurar que tal constante no
depende del tiempo, siendo una cuestin abierta si el ritmo de expansin
se mantendr, aumentar o permanecer constante. La unidad de distancia
Mpc, llamada Mega parsec es un milln de parsec, el cual es la distancia
que la luz recorre en 3,6 aos.
Es ms, Hubble interpret su correlacin como una evidencia directa de la
expansin homognea del espacio. Para visualizarlo, imagine que las galaxias
en lnea recta son puntos marcados en un elstico que se estira. Las velocida-
des relativas aparentes de un punto respecto a otro evidentemente crecen en
proporcin directa con su distancia. Doble distancia, doble velocidad. Esta
expansin del espacio podra imaginarse, aunque este es un modelo nada ms,
como si las galaxias fueran las pasas de un queque, el cual se expande. As,
las pasas se alejan todas, unas de otros, sin que realmente haya movimiento
relativo de las pasas respecto del queque ni tampoco un centro de expansin.
En otras palabras, es el espacio el que se expande y lo hace igual en todas
partes, principio cosmolgico, luego el Universo entero se expande. Por eso
hemos remarcado el hecho que las velocidades de recesin son aparentes. De
acuerdo al principio cosmolgico, la cuestin debe ser igual en todas partes y
98 El Universo y su evolucin.
en todas direcciones, por lo cual la simetra del espacio tridimensional debe
ser la simetra esfrica, lo cual no signica que la forma del universo sea es-
frica. Por otro lado el principio de homogeneidad del espacio, implica que el
Universo no podra tener un borde, puesto que los puntos de los bordes seran
distintos a los dems. Eso tampoco signica que el Universo sea innito
6.3. Propiedades generales del espacio tiem-
po.
Por la utilizacin del principio cosmolgico y la idea de la expansin del
espacio, podemos deducir ciertas propiedades, considerando lo que se observa
desde galaxias tpicas, que siguen el proceso de expansin y no estn afectas a
perturbaciones de las distancias entre s que sean efecto de atracciones locales
gravitacionales. Estos observadores, que llamaremos observadores fundamen-
tales, en su lnea de Universo se alejan entre s y ven el Universo de la misma
forma. Para todos ellos, como no hay velocidades relativas, podemos supo-
ner que el tiempo transcurre de la misma manera, tiempo que llamaremos
tiempo csmico. Es claro que transcurrido un tiempo t en nuestra galaxia,
el hoy para nosotros, no podemos conocer el hoy de otras galaxias, dada la
velocidad que tomara a la luz en llegar a nosotros.
As cada observador recibe luz recibe rayos de luz de otras galaxias que
se propagan en sus conos de luz del pasado.
Las galaxias lejanas las observamos como eran mucho tiempo atrs, y
sus velocidades de recesin que hoy da observamos eran las que ellas tenan
mucho tiempo atrs, considerando el tiempo que la luz de ellas demora en
llegarnos. Por otro lado, si el tiempo de vida de nuestro Universo es nito,
o sea si el fue creado en algn instante, slo nos puede llegar informacin de
puntos hasta cierta distancia, en efecto, la velocidad de la luz por el tiempo
de vida del Universo.
6.3.1. Diagramas espacio tiempo.
Como se ha establecido, en ausencia de materia, el universo es plano, la
luz se propaga en lnea recta, y el ordenamiento de los eventos que ocurren es
conveniente representarlos en un diagrama, espacio tiempo, donde se pueden
mostrar slo dos de las coordenada espaciales, digamos x, y, y preferible-
mente una de ellas solamente. As un objeto jo en el origen, tiene como
6.3 Propiedades generales del espacio tiempo. 99
x
y
t
x
y
t
x
y
t
x
y
t
cono de luz lnea de Universo
de partcula mvil.
lnea de Universo
de partcula fija.
lnea de Universo
de rayo luminoso
Figura 6.1: Lneas de Universo
representacin en el diagrama espacio tiempo, una lnea, llamada lnea de
universo, que es todo el eje del tiempo t. Un punto que se mueve en el eje y
con la velocidad de la luz tiene por representacin, o lnea de universo, una
recta de pendiente t/y = 1/c. Tomaremos para las representaciones c = 1,
de modo que la luz tendr en estos diagramas lneas de Universo en 45
o
res-
pecto al eje del tiempo. Otra partcula que naturalmente puede tener una
solo una velocidad menor que c, tendr una lnea de universo, ms cercana
al eje del tiempo. Objetos extendidos sean representados consecuentemente
representando las lneas de Universo de todos sus puntos. Por ejemplo, si
un pulso luminoso es emitido en el origen y se mueve en el plano xy, una
circunferencia que se expande en ese plano, tendr sus lneas de Universo
contenidas en un cono. Este cono, se denomina cono de luz. El cono de luz
tiene importancia en la clasicacin de los eventos que puedan ocurrir en ese
sistema de referencia, y como veremos en la descripcin de la geometra del
espacio tiempo.
De aqu en adelante, no mostraremos ms el sistema de coordenadas, sino
que solamente el cono de luz, estando implcito el hecho que su eje de simetra
representa el tiempo propio a ese sistema. As para cada evento, dibujare-
mos su cono de luz propio, del evento que ocurre en su vrtice. Considere
entonces las gura siguientes para explicar su contenido y que responde a la
pregunta: se pueden ordenar los eventos en el tiempo independientemente
del observador?
Primero si observamos eventos sobre nuestra lnea propia de Universo, es
decir eventos que ocurren en un mismo punto, la nica relacin que existe
100 El Universo y su evolucin.
A A A
B
B
B
(b)
(a)
(c)
lnea de Universo de A
Figura 6.2: Conos de luz
entre esos eventos es una separacin temporal. Es decir, podemos ordenar
los eventos por su orden de ocurrencia. Es este orden absoluto o slo vlido
nosotros ? La respuesta es que este orden es absoluto, vlido para todos
los observadores, aunque tengan otras lneas de Universo, si es que son
observable. La razn es que la ocurrencia de ellos puede usarse para gatillar
la ocurrencia de eventos que dejen una huella fsica, por ejemplo si para
nosotros ocurre A antes que B, podemos escribir la palabra AB, bueno no
hay dudas que todos los observadores vern escrita la palabra AB.
No es tan simple la cosa si un evento A ocurre en nuestra lnea de Universo
( en el origen) y otro evento B ocurre fuera (en el eje x), como se indica en
la gura siguiente. Sin conocer la lnea de Universo del evento B (por all
pasan muchas lneas de Universo, que corresponden a diversas velocidades
que puede tener el sistema donde ocurri B). Como se indica en la gura,
sin perder generalidad podemos distinguir tres casos, B est dentro del cono
de luz del futuro de A, est sobre el, o fuera, casos que llamaremos a,b y c.
a En este caso, cuando B est dentro del cono de luz del futuro de A, es
posible conectar A, con B con una lnea de Universo de otro observador
que viaja con velocidad menor que la de la luz (lnea que une A con
B), por lo tanto los eventos estn sobre una misma lnea de Universo
y como explicamos entonces la ordenacin temporal es absoluta. Para
todos los observadores B ocurre despus que B. Es en este caso en
que puede haber relacin de causa y efecto entre dos eventos. B, puede
ser causado por A. Se dice adems que entre estos eventos hay una
separacin se denomina intervalo tipo tiempo.
b En este caso cuando B est sobre el cono de luz del futuro de A, es
6.4 Horizonte observable. 101
A
B
lneas de Universo
(1) (2)
(3)
Figura 6.3: Intervalos
posible conectar A, con B slo con una lnea de Universo de una seal
luminosa (lnea que une A con B). Se dice en este caso que los eventos
estn separados por un intervalo tipo luz.
c En este caso, cuando B est fuera del cono de luz del futuro de A, no es
posible conectar A, con B con una lnea de Universo de otro observador
que viaja con velocidad menor o igual que la de la luz. Por lo tanto
A no puede inuenciar B de ninguna forma. Se dice adems que entre
estos eventos hay una separacin se denomina intervalo tipo espacio. La
razn, que se explica en la gura siguiente, es que en este caso hay un
observador para el cual los eventos estn separados slo espacialmente
(1), es decir son simultneos. En efecto considere la lneas de Universo
(1),(2), y (3). Para (1) son simultneos, para (2) A ocurre antes que
B, para (3) A ocurre despus que B.
6.4. Horizonte observable.
Suponiendo que el Universo fue creado T tiempo atrs, nos puede estar
llegando luz a lo ms de una distancia R = cT, la que puede haber recorrido
la luz desde el instante de su creacin. Esa distancia mxima visible se de-
nomina horizonte de partculas o visible. Los objetos que estn ms lejanos
simplemente no los podemos observar todava. Ese horizonte visible crece
precisamente con la velocidad de la luz, y decrece hacia el pasado con la
misma velocidad. O sea en el pasado, la parte visible del Universo era mucho
menor, y llegando a cero en el instante inicial.
El tiempo de vida del Universo podra evaluarse si la velocidad de recesin
de las galaxias se supone que ha sido siempre la misma, pues tendramos por
102 El Universo y su evolucin.
la ley de Hubble
v = H
0
d,
y si las distancias iniciales fueron cero, debemos tener d = vT entonces
v = H
0
vT,
de donde se deduce que
T =
1
H
0
1500 millones de aos.
De acuerdo al clculo, la velocidad aparente de recesin de los objetos en
el borde observable del Universo es la velocidad de la luz. De ello y de lo
que ocurra ms all, no debemos preocuparnos. La velocidad de recesin es
aparente, y los objetos ms all del borde aunque pueden tener una velocidad
aparente mayor que la velocidad de la luz, no podemos observarlos an. Estos
clculos ha supuesto que la velocidad de expansin ha permanecido constante
a lo largo de la vida del Universo. La cuestin si ello es as, si est acelerando
o desacelerando, slo puede dilucidarse experimentalmente. Lo normal de
esperar debido a la atraccin gravitacional de todos los objetos del Universo,
sera una desaceleracin progresiva, pero no necesariamente revirtiendo la
expansin. Ese es tambin un problema abierto hoy en da y su respuesta pasa
por estimar la masa total del Universo. La primera pregunta, al parecer tiene
una respuesta inesperada y sorpresiva. Recientes observaciones indicaran
que la expansin estara acelerando, cuestin que slo podra explicarse por
la presencia de una fuerza cosmolgica repulsiva, lo cual ha llevado de nuevo
a considerar la presencia de la constante cosmolgica en las ecuaciones de
Einstein.
6.4.1. El efecto Doppler csmico.
Una consecuencia de la expansin del espacio es que la longitud de onda de
la luz crece en la misma proporcin y por lo tanto su frecuencia disminuye.
Como la energa de la luz (de los fotones) depende exclusivamente de su
frecuencia, a medida que el Universo se expande, la luz va perdiendo energa,
pasando progresivamente a medida que el tiempo transcurre hacia el rojo,
infrarrojo, micro ondas, y consecuentemente enfrindose.
6.5 El modelo estndar del Big Bang. 103
6.4.2. Radiacin de fondo.
De acuerdo a la teora estndar del Big bang, en los primeros instantes,
debido a las enormes temperaturas existentes en el Universo, la luz no poda
propagarse debido a que la materia no estaba elctricamente neutralizada.
En el momento en que la materia se neutraliz mediante la formacin de
tomos neutros, denominada poca de recombinacin, se cre luz en todas
partes, estimndose su temperatura de creacin en alrededor de 3.000
o
K. En
1956, dos ingenieros del Laboratorio Bell en los Estados Unidos, detectaron
en sus radio telescopios un ruido que se reciba de todas partes del espacio, la
llamada radiacin de fondo, con una temperatura determinada en alrededor
de 2.73
o
K. Realizando clculos mediante el efecto Doppler, se estim que
esa luz fue creada en una edad csmica de alrededor de 200.000 aos (a
partir del cero). Esta es una de las mejores evidencias experimentales de la
teora del Big Bang. Esta poca de recombinacin, que ocurre alrededor de
un tiempo de 200.000 aos separa una fase opaca del Universo de la etapa
actual, transparente. Es necesario destacar que la radiacin de fondo fue
predicha por los aos 40 por George Gamov.
6.5. El modelo estndar del Big Bang.
En la poca actual de la expansin, las galaxias se alejan unas de otras,
sin que ocurran mayores choques, la mayor parte de la radiacin luminosa
presente es de baja temperatura y densidad. La materia es hoy da lo do-
minante en el Universo. Pero en el pasado, las densidades y temperaturas
que pueden extrapolarse son muchsimo mayores y cobran importancia otras
formas de la materia. Para describir la evolucin del Universo en sus prime-
ros momentos, se requiere conocer el comportamiento de la materia a niveles
extremos de temperatura y presin. El Universo al parecer naci como una
bola de fuegode altsima densidad y temperatura y en una expansin muy
rpida. Esto es ilustrativo solamente, no debe pensarse en una especie de
explosin en un espacio pre existente. Si ello fuera as, la radiacin de fondo
estara viajando junto con el lmite del Universo, y no llegando desde todos
los lugares, y a todos los lugares. Lo que se crea en el instante inicial, es todo,
espacio, tiempo y materia. La radiacin de fondo que nos est llegando hoy,
proviene de puntos del espacio que hoy estn muy lejos, aproximadamente
cT, siendo T la edad del Universo, pero que al comienzo estaban muy juntos,
104 El Universo y su evolucin.
y antes no existan. De acuerdo al principio cosmolgico esto es vlido para
todos los puntos del espacio, el cual por lo tanto no puede tener, ni haber te-
nido una frontera. El conocimiento ms detallado se logra entonces mediante
el conocimiento que se tiene sobre la partculas elementales.
6.6. Partculas elementales.
En los primeros momentos, la materia estaba disociada en sus componente
ms ntimos, las llamadas partculas elementales. En la tierra, ellas se crean
precisamente reconstruyendo las condiciones existentes en el Universo en los
primeros tiempo, en experimentos que se realizan en los llamados laboratorios
de alta energa.
En la actualidad se cree que la materia, est constituida por dos grandes
familias de partculas: los hadrones y los leptones, adems de los fotones. Los
hadrones son partculas compuestas, constituidas por quarqs, de los cuales
hay seis tipos. En los hadrones se pueden distinguir dos familias, los bariones
y los mesones. Los mesones son ms livianos y son todos inestables. A su vez
los bariones conforman dos clases: los nucleones, constituyentes del ncleo de
los tomos (protones y neutrones) y los hiperones, ms pesados e inestables.
La clase de los leptones. que no participan en las interacciones de la
fuerza fuerte, contiene slo seis partculas conocidas: tres leptones. con carga
elctrica y tres neutrinos sin carga, que por lo cual no participan en las
interacciones electromagnticas. Las siguientes tablas muestran las diferentes
familias de partculas
6.6 Partculas elementales. 105
Quarqs y antiquarqs.
Nombre masa carga spin num barinico
u (up) 5 2/3 1/2 1/3
anti u -2/3 1/2 -1/3
d (down) 10 -1/3 1/2 1/3
anti d 1/3 1/2 -1/3
s (strange) 250 -1/3 1/2 1/3
anti s 1/3 1/2 -1/3
c (charmed) 1500 2/3 1/2 1/3
anti c -2/3 1/2 -1/3
b (bottom) 4800 -1/3 1/2 1/3
anti b 1/3 1/2 -1/3
t (top) 30.000? 1/2 1/3
anti t 1/2 -1/3
Hadrones-nucleones.
Nombre masa carga spin num. barinico vida media
p (protn) 938.21 1 1/2 1 >10
33
aos
anti p -1 -1
n (neutrn) 939.50 0 1/2 1 925 s
anti n -1
resonancia N,
, , , , >p,n muy inestables
Mesones.
Nombre masa carga spin num. barinico vida media
pin
139.58 -1 0 0 2.610
8
s
pin
+
139.58 1 0 0 2.610
8
s
pin
0
134.97 0 0 0 0.8310
16
s
mesones muy inestables.
106 El Universo y su evolucin.
Leptones.
Nombre masa carga spin num. leptnico vida media
e
e
neutrino e < 6 10
5
0 1/2 ?
anti
e
0 1/2 ?
0 1/2 ?
0 1/2 ?
La masa est expresada en Mev/c
2
.
Partculas portadoras.
No entraremos en ms detalles, pero es necesario decir que las cuatro inte-
racciones bsicas sealadas al principio, se explica segn la mecnica cunti-
ca, mediante el intercambio de partculas virtuales portadoras o intermedias.
As la interaccin electromagntica se maniesta mediante intercambio de
fotones. La interaccin fuerte se maniesta mediante el intercambio de gluo-
nes, la dbil por el intercambio de bosones intermedios (W
+
, W
+
, Z
0
) y la
gravitacional se especula que mediante un gravitn.
6.7. Los grandes periodos del Universo.
6.7.1. Cosmologa cuntica.
Desde t = 0 , el inicio, hasta t = 10
43
s, las condiciones fsicas de tem-
peratura y presin son tan extremas, que no hay teora an que de cuenta
de ese periodo. Antes de t = 10
43
s, el horizonte observable corresponde a
dimensiones menores que al de una partcula.
6.7 Los grandes periodos del Universo. 107
6.7.2. La era hadrnica.
Este comprende el periodo comprendido entre t = 10
43
s y t = 10
4
s,
donde por la expansin, la temperatura cae desde T = 10
32
a 10
12 o
K, y la
densidad cae desde 10
94
a 10
14
g/cm
3
. El Universo est formado por una sopa,
muy caliente de quarqs, antiquarqs, leptones. y sus antipartculas y fotones,
en equilibrio con densidades similares. Cerca del n de esta era, se produce
un proceso esencial, la accin de las fuerzas glunicas entre los quarqs los
unen o connan, formando los nucleones que existen hoy en da : protones y
neutrones. Esto ocurre alrededor de t = 10
6
s.
6.7.3. La era leptnica.
La poca que se extiende desde t = 10
4
s hasta unos 10 s donde la
temperatura desciende desde unos 10
12 o
K hasta unos 10
10 o
K. Durante ella
sobreviven los nucleones escapados de la era hadrnica, junto a leptones, prin-
cipalmente electrones y neutrinos. Hay en este periodo abundantes fotones
que forman un mar de radiacin bastante homogneo.
6.7.4. La era radiativa y la ncleo sntesis.
Esta poca es dominada por la radiacin, los fotones y durante ella se for-
man los elementos qumicos primordiales. Se extiende desde unos 10 s hasta
aproximadamente 200,000 aos de la vida del Universo. La temperatura baja
desde unos 10
10 o
K hasta unos 3000
o
K. La materia es una mezcla de nu-
cleones y electrones que nadan en un mar de fotones. Entre uno y quince
minutos, cuando las temperaturas estn en el orden entre 10
9
y 2 10
7 o
K,
se producen los primeros ncleos de tomos de elementos ligeros, Hidrgeno,
Deuterio, Tritio y Helio. En un proceso competitivo entre la fuerza fuerte
que los forman, y los choques con los fotones que los desarman, cada vez
se forman ms ncleos. Se supone que al n de este proceso casi el 75 % es
Hidrgeno y un 25 % es Helio. (El resto de los elementos qumicos se for-
marn mucho despus en las estrellas y en las supernovas). La era radiativa
termina cuando los fotones cesan de interactuar con la materia. Esto ocurre
cuando la temperatura baja a unos 3000
o
K y los electrones se colocan en
sus orbitales atmicos, formando tomos neutros. Este proceso de recombi-
nacin o desacoplamiento, marca el n de la era radiativa. As, el Universo
se hace transparente a la luz, y esta radiacin original es la que an puede
108 El Universo y su evolucin.
ser observada, mucho ms fra, como la radiacin de fondo.
6.7.5. La era estelar.
Es la poca posterior a la edad de 200,000 aos, hasta hoy. La temperatura
del Universo ha bajado lentamente desde unos 3000
o
Khasta unos 2,73
o
Kque
es la temperatura actual de la radiacin de fondo. Los mecanismos detallados
que hacen que el Hidrgenos se acumule en ciertas regiones del espacio para
dar lugar a la formacin de estrellas, no se conocen, pero sin duda estn
gobernados por la fuerza gravitacional.
Hadrnica 10
43
10
4
s
quarqs, antiquarqs, leptones y sus
antipartculas y fotones
Leptnica 10
4
10s
nucleones, leptones, principalmente
electrones y neutrinos.
Radiativa 10 s 2 10
5
aos nucleones, electrones, fotones
Estelar 2 10
5
hoy galaxias, estrellas.
Captulo 7
Matemticas.
Aunque sera deseable que en un curso introductorio a la fsica no se
usara matemticas, ello es difcil pues las matemticas son la herramienta
mediante la cual se formulan las leyes en fsica. Aunque trataremos de no
usar matemticas complicadas, ciertos elementos como la derivada e integral,
son imprescindibles, asimismo la gracacin y el clculo numrico, por su
aplicacin a los mtodos experimentales. Aqu trataremos diversos tpicos,
cada cual con diversas aplicaciones, y sin rigor matemtico.
7.1. Algunas funciones importantes.
7.1.1. La funcin exponencial.
La funcin exponencial
y = b
x
,
donde b es la base, tiene un importante papel en Fsica. La base ms impor-
tante es el nmero e que se dene ms adelante y se tienen las dos importantes
propiedades
b
x
b
y
= b
x+y
,
b
0
= 1.
110 Matemticas.
7.1.2. El logaritmo.
Si
y = b
x
entonces
x = log
b
y,
que se lee logaritmo de y en base b. Todas las propiedades de esta funcin
se deducen de las propiedades de la funcin exponencial b
x
. Por ejemplo de
1 = b
0
con b > 0
se tiene que
log
b
1 = 0.
Similarmente de
b = b
1
se deduce que
log
b
b = 1.
Tambin si
u = b
x
,
v = b
y
,
entonces
uv = b
x+y
,
luego
x +y = log
b
uv
o sea
log
b
uv = log
b
u + log
b
v.
En particular para bases, 10 y e = 2. 718 3.. (el nmero e), se habla de
logartmos vulgares y naturales que se denotan con log(x) y ln(x) Entre otras
7.1 Algunas funciones importantes. 111
propiedades se tiene:
log(AB) = log A+ log B,
log A
x
= xlog A,
log 10 = 1,
ln(e) = 1,
log(10
n
) = n,
log
b
a log
a
b = 1,
ln(10) = 2,303 . . .
log(e) = 0,4343 . . .
Ejercicio 7.1.1 Demuestre a partir de la denicin del logaritmo que
log
b
a log
a
b = 1.
Ejercicio 7.1.2 Demuestre a partir de la denicin de logaritmo que
log
b
a
c
= c log
b
a.
7.1.3. El nmero e.
El nmero e = 2. 718 281 828 46.., la base de los logaritmos naturales de
dene como un lmite, el cual es
e = lm
n
1 +
1
n
n
.
La existencia de este lmite, puede ser establecida estudiando la secuencia
a
n
=
1 +
1
n
n
cuyos primeros valores son
a
1
=
1 +
1
1
1
= 2,0
a
2
=
1 +
1
2
2
= 2. 25
a
3
=
1 +
1
3
3
= 2. 370 370 370 37
a
4
=
1 +
1
4
4
= 2. 441 406 25
a
5
=
1 +
1
5
5
= 2. 488 32
112 Matemticas.
que muestra cierta tendencia, pero de lenta evolucin. Ahora del teorema
del binomio
1 +
1
n
n
= 1 +
n
1!
1
n
+
n(n 1)
2!
1
n
2
+
n(n 1)(n 2)
3!
1
n
3
+ ,
se deduce
1 +
1
n
n
= 1 +
1
1!
+
(1
1
n
)
2!
+
(1
1
n
)(1
2
n
)
3!
+ ,
y tomando el lmite puede obtenerse
e = 1 +
1
1!
+
1
2!
+
1
3!
+
la famosa expansin en serie del nmero e, que converge ms o menos rpi-
damente como se muestra a continuacin
1 +
1
1!
= 2,0
1 +
1
1!
+
1
2!
= 2. 5
1 +
1
1!
+
1
2!
+
1
3!
= 2. 666 666 666 67
1 +
1
1!
+
1
2!
+
1
3!
+
1
4!
= 2. 708 333 333 33
1 +
1
1!
+
1
2!
+
1
3!
+
1
4!
+
1
5!
= 2. 716 666 666 67
1 +
1
1!
+
1
2!
+
1
3!
+
1
4!
+
1
5!
+
1
6!
= 2. 718 055 555 56
1 +
1
1!
+
1
2!
+
1
3!
+
1
4!
+
1
5!
+
1
6!
+
1
7!
= 2. 718 253 968 25.
Como una curiosidad se presentan algunas de las frmulas donde aparece
el nmero e, de la vasta diversidad de ellas
e = 3
1
4
2
5
3
6
4
7
.
Z
e
1
dx
x
= 1.
e
1
= 1.
e
x
1
= cos x +
1 sinx.
n! =
2nn
n
e
n
(1 +
1
12n
+ ).
Podr usted probar alguna de ellas?
7.2 Sumatorias. 113
7.2. Sumatorias.
La suma de n trminos a
1
, a
2
, a
n
ser representada por
a
1
+a
2
+a
3
+ +a
n
=
n
X
i=1
a
i
.
7.2.1. Sumatorias notables.
Se deja como ejercicio probar que
n
X
i=1
r
i
=
r
n+1
r
r 1
n
X
i=1
i =
1
2
n(n + 1)
n
X
i=1
i
2
=
1
6
n(n + 1) (2n + 1)
n
X
i=1
i
3
=
1
4
n
2
(n + 1)
2
7.3. Grcos.
Por su importancia se trata este tema, de las diversas formas de ilustrar
grcamente el comportamiento de una funcin de una variable y = f(x).
Este smbolo indica que a cada valor de la variable independiente x existe un
valor numrico (real o complejo) de la funcin, denotado por y = f(x).
Ejemplos
y = Ax +B funcin lineal, A y B son constantes.
y = Ae
Bx
funcin exponencial, A y B son constantes.
y = A+Bln x funcin logartmica, A y B son constantes.
y = Ax
2
+Bx +C funcin polinomial de grado 2
y = Asinx funcin sinusoidal.
y = Ae
cx
cos x funcin cosenoidal amortiguada.
y = Ax
B
funcin potencia.
114 Matemticas.
Aunque existen diversas herramientas para analizar la conducta de una
funcin, tal vez lo ms ilustrativo consiste en hacer un grco de ella. Para
ello, las diversas constantes que puedan aparecer deben tener valores num-
ricos, generando grcos para un valor, o familias de grcos para diversos
valores de ellas. Existen adems diversas posibilidades para los ejes del di-
bujo, la escala de ellos puede ser uniforme, igual o distinta en cada eje. La
escala puede ser logartmica en los dos ejes (grcos log-log) o en uno de
ellos, (grcos semi-log). En ingeniera incluso se usan grcos con escalas
que varan de acuerdo a alguna determinada funcin, si ello resulta conve-
niente. Hay diversos factores que inciden en la decisin de qu tipo de escala
utilizar, algunos de los cuales explicaremos. Una de las escalas no uniformes
ms utilizada es la escala logartmica. La escala logartmica se construye de
acuerdo a los valores de los logartmos, siendo suciente considerar la tabla
de los valores de los logartmos entre 1 y 10:
1 0
2 0,3010
3 0,4771
4 0,6021
5 0,6990
6 0,7782
7 0,8451
8 0,9031
9 0,9542
10 1,0000
En la gura siguiente se ilustra en papel log log con dos periodos de
escala logartmica en el eje x y uno en el eje y.
7.3 Grcos. 115
1 2 3 4 5 6 7 8 9 10 20 30 40 50 60 70 80 90100
1
10
u
n
p
e
r
i
o
d
o
e
n
e
l
e
j
e
y
dos periodos en el eje X
papel log-log
papel log-log.
La propiedad log(10
n
) = n hace que sea necesario conocer la escala lo-
gartmica en un periodo solamente, pues en los otros hay un desfase de un
nmero entero de unidades. As por ejemplo log(200) = log 2+2, log(0,002) =
log 2 3, etctera.
7.3.1. Correlacin lineal : y = Ax +B (la lnea recta).
Si datos (x, y) provenientes de un experimento se ajustan a ese modelo,
con constantes desconocidas, entonces su grco con escalas uniformes en
ambos ejes es el ms apropiado, pues en ese caso resulta una lnea recta,
como se indica en la gura.De la gura se deduce que el intercepto B = 14 y
la pendiente obtenida de los puntos de coordenadas (0, 14) y (8, 12) ser
A =
14 + 12
0 8
= 3. 25,
de modo que el modelo ajustado ser
y = 3,25x + 14
116 Matemticas.
0 2 4 6 8
-15
-10
-5
0
5
10
15
Correlacin lineal
Y
X
Figura 7.1: Correlacin lineal.
7.3.2. Decaimiento con b < 0 (o crecimiento si b > 0)
exponencial : y = y
o
e
bx
.
Si los datos (x, y) provenientes de un experimento se ajustan a este mo-
delo, entonces lny = ln A+Bx, de modo que en un grco semi-log los datos
caern sobre una lnea recta. Realizado el grco, el de la gura, entonces
del grco se deducen los valores de las constantes y
0
y b. En efecto,del valor
y
A
= 5 correspondiente a x = 0, se deduce que y
0
= 5. Adems se observa
que x
C
= 3,9, y
C
= 0,002, x
B
= 0,8, y
B
= 1 y dado que
y
C
y
B
= e
b(x
C
x
B
)
,
se deduce que
b =
ln(
y
C
y
B
)
x
C
x
B
,
b =
ln(0,002)
3,9 0,8
= 2. 00
de modo que el modelo ajustado a los datos ser
y = 5e
2x
.
7.3 Grcos. 117
0 1 2 3 4 5
0,001
0,010
0,100
1,000
C
B
A
Decaimiento exponencial
Y
X
Figura 7.2: Decaimiento exponencial.
Mediante el mtodo de los mnimos cuadrados, se encuentra la mejor recta
cuando los puntos experimentales no caen exactamente sobre una lnea recta.
7.3.3. Modelo potencia y = Ax
B
.
En este caso si tomamos logaritmos se obtiene
log y = log A+Blog x,
de modo que si los datos se ajustan a este modelo, la relacin entre los
logaritmos es lineal. El grco ms adecuado a esta situacin si el propsito
es determinar las constantes del modelo, debe hacerse en un papel con escalas
logartmicas en ambos ejes, como se compara en los grcos siguen. Primero
en escalas uniformes segundo en papel log-log:
Como para x = 1, y = 5 y para x = 4, y = 10 resultar
A = 5,
B =
log y
2
log y
1
log x
2
log x
1
=
log 10 log 5
log 4 log 1
= 0,5
de modo que el modelo ajustado es
y = 5x
0,5
118 Matemticas.
0 1 2 3 4 5 6 7 8 9 10
10
20
Modelo potencia
Y
X
Figura 7.3: Modelo potencia,
1 10
1
10
Modelo potencia
Y
X
Figura 7.4: En papel log-log
7.3 Grcos. 119
0 2 4 6 8 10 12 14
10
100
1000
A)-B)
B) y=Ae
Bx
A) y=Ae
Bx
+C
Dx
Ajuste de dos exponenciales
Y
X
Figura 7.5: Dos exponenciales.
7.3.4. Modelo con dos exponenciales: y = Ae
bx
+Ce
dx
.
En un grco semilog, los datos estn gracados en la curva (A). Para
valores grandes de x, si los parmetros B y D son diferentes, a la larga
predomina uno de los exponenciales, lo cual se hace evidente en el grco
porque la curva tiende a ser lnea recta. (la lnea (B)) dibujada tangente a
los datos. Si se restan los datos (A) con los de la recta (B), se tiene una lnea
recta que representa a la otra exponencial.
De la gura hemos obtenido los siguientes valores numricos aproximados:
x y
A
y
B
y
A
y
B
0 300 112 187
4 95 73 22
12 31 31
de los cuales se deducen A = 112, y
B =
log 73 log 112
(4 0) log e
= 0. 107
120 Matemticas.
y de los datos para la diferencia C = 187 y
D =
log 22 log 187
(4 0) log e
= 0. 54,
resultando entonces para el modelo de dos exponenciales
y = 112e
0,107x
+ 187e
0,54x
.
7.4. Ejercicios.
Ejercicio 7.4.1 La tabla siguiente corresponden a las concentraciones de
alcohol en la sangre, en funcin del tiempo a partir de su ingestin
t (min) conc. (mgDL
1
)
90 134
120 120
150 106
180 93
210 78
240 65
270 50
Graque los datos y establezca un modelo del proceso metablico del
alcohol.
Ejercicio 7.4.2 Graque las funciones
y = 10e
0,1x
,
y = 5x
0,6
,
y = 10e
0,1x
+ 20e
0,8x
en papel con escalas uniformes y en papel con escalas ms adecuadas.
Ejercicio 7.4.3 Los datos siguientes corresponden a un experimento cti-
cio donde se determinaron dos variables t, y.
7.5 Derivadas. 121
t y
0 4.85
1 2.943
2 1.785
3 1.083
4 0.857
5 0.398
6 0.241
Determine un modelo para estos datos, y = y(t). Suponga ahora que
y representa la cantidad de una substancia radioactiva que se descompone,
determine el tiempo que en hay la mitad de la cantidad inicial.
Ejercicio 7.4.4 Si usted deposita una cantidad inicial M de dinero el cual
gana mensualmente un inters (tanto por uno) se pide realizar un grco
semi logartmico del monto de dinero acumulado en funcin del nmero de
meses para M = 100, = 0,1.
Ejercicio 7.4.5 El nmero e, la base de los logartmos naturales se dene
como
e = lm
N
(1 +
1
N
)
N
= 2,7182818 . . .
Calcule entonces el lmite
lm
N
(1 +
x
N
)
N
7.5. Derivadas.
Si se considera una funcin de una variable y = f(x) su grco con escalas
uniformes es una curva, genricamente como la que se ilustra en la gura.
En ella se indican dos puntos cercanos (1) y (2), se ha dibujado la tangente
a la curva en el punto (1) y la cuerda del punto (1) al punto (2).
Una medida de la tasa de crecimiento promedio de la funcin en el inter-
valo (x
1
, x
2
), puede ser denida por la razn
y
2
y
1
x
2
x
1
.
Si nos imaginamos que los dos puntos estn muy cerca, y en caso lmite x
2
se acerca a x
1
hasta confundirse con el, podemos observar que
122 Matemticas.
0 2 4 6 8 10 12 14
0
10
20
30
40
50
60
70
funcin y=f(x)
tangente en (1)
y
2
-y
1
x
2
-x
1
2
1
Derivada
Y
X
Figura 7.6: Tangente y derivada.
la cuerda 1-2, se aproxima y se confunde con la tangente a la curva.
La hipotenusa del tringulo indicado en la gura se confunde con la
tangente a la curva.
El tringulo rectngulo sealado se hace de lados cada vez menores,
cero en el caso lmite.
Es claro que la razn
y
2
y
1
x
2
x
1
es la tangente del ngulo que hace la cuerda
con el eje x, cualquiera que sea el tamao de los catetos del tringulo.
(Note que aqu tan=sin/ cos )
Se deduce entonces que el lmite cuando x
1
tiende a x
2
, lo que se escribe
como
lm
x
2
x
1
y
2
y
1
x
2
x
1
existe y es igual a la tan() del ngulo que forma la tangente a la curva
en el punto (1) con el eje x. Tal lmite se llama la derivada de la funcin en
el punto x
1
y se denota por
f
0
(x
1
) = lm
x
2
x
1
y
2
y
1
x
2
x
1
= lm
x
2
x
1
f(x
2
) f(x
1
)
x
2
x
1
.
7.6 Diferenciales. 123
7.6. Diferenciales.
El diferencial de una funcin, correspondiente a un cambio x de su
variable independiente se dene por
df(x) = f
0
(x)x.
Como adems la derivada de y = f(x) = x respecto a x es evidentemente
f
0
(x) = 1, se trata de una recta inclinada en 45
o
, entonces
dx = x,
y en consecuencia, la derivada de una funcin es igual al cuociente de los
diferenciales de la funcin y de la variable independiente x, o sea
f
0
(x) =
df(x)
dx
.
Como se observa en la gura siguiente el diferencial de la funcin, nos indica
la variacin de la funcin desde un punto inicial hasta la recta tangente a
la curva, cantidad que no es necesariamente pequea. En todo caso, esto
permite tratar a las derivadas como cuociente de diferenciales.
El proceso lmite implcito en la denicin de derivada, se ha hecho para
las funciones ms importantes, tabulando esos resultados. Esas tablas, junto
a unas pocas reglas, permiten calcular la derivada de prcticamente cualquier
funcin. Un fragmento de tabla es
f(x) f
0
(x)
x
a
ax
a1
ln(x)
1
x
e
x
e
x
ag(x) +bh(x) ag
0
(x) +bh
0
(x)
f(g(x)) f
0
(g(x))g
0
(x)
sinx cos x
cos x sin x
f(x)g(x) f
0
(x)g(x) +f(x)g
0
(x)
f(x)
g(x)
f
0
(x)g(x)f(x)g
0
(x)
g
2
(x)
a 0
tan x sec
2
x
cot x csc
2
x
124 Matemticas.
Ejercicio 7.6.1 Demuestre a partir de la denicin de derivada que
d cos x
dx
= sinx,
d sin x
dx
= cos x;
de
x
dx
= e
x
;
dx
a
dx
= ax
a1
,
d ln x
dx
=
1
x
.
Ejercicio 7.6.2 Considere la funcin y = xe
x
. Realice su grco. Como
usted podr observar, hay un valor mximo de la funcin. Si se considera
que un mximo o mnimo est caracterizado por ser la recta tangente en
esos puntos horizontal, es decir con ngulo de inclinacin cero y por lo tanto
derivada nula, determine la ubicacin del mximo y su valor.
Ejercicio 7.6.3 Considere una funcin (desconocida) de la cual se sabe
que su tasa de crecimiento instantnea, la derivada respecto al tiempo, es
proporcional a la funcin, es decir
dy
dt
= ky.
Si usted redene la escala del tiempo mediante = kt puede obtener una
relacin ms simple. Por inspeccin de la tabla de derivadas, determine las
funciones y(t) que satisfacen la relacin anterior. (si usted lo hace, ha tenido
xito en resolver una ecuacin diferencial, es decir ha integrado sin saberlo)
Ejercicio 7.6.4 Mediante el uso de la tabla (y algo ms) determine la de-
rivada de y = a
x
.
7.7. Integrales.
7.7.1. El rea bajo una curva.
Si se tiene una funcin y = f(x), planteamos el problema de determinar el
rea entre la curva representativa de la funcin y el eje X, entre los valores x
1
7.7 Integrales. 125
x
f(x)
x
2 1
1
2
3
N
Figura 7.7: Area bajo la curva.
y x
2
. Una aproximacin a la solucin de este problema consiste en aproximar
el rea por una suma de rectngulos como se indica en la gura.
Si el intervalo de x
1
a x
2
lo llenamos con N rectngulos que lleguen hasta
la curva, entonces los anchos de los rectngulos sern
d =
x
2
x
1
N
,
las abcisas de sus vrtices inferiores izquierdos sern
x
i
= x
1
+ (i 1)d, i = 1, 2, . . . , N
o
x
i
= x
1
+ (i 1)
x
2
x
1
N
, i = 1, 2, . . . , N
entonces el rea A ser aproximadamente
A
N
X
i=1
f(x
i
)
x
2
x
1
N
.
Como puede observarse, el error que se comete debido a que los rectngulos
tienen un dcit o exceso de rea respecto a la curva, se har cero si tomamos
el lmite haciendo que los anchos de los rectngulos tiendan a cero. Eso se
126 Matemticas.
logra tomando el lmite N , es decir
A = lm
N
N
X
i=1
f(x
i
)
x
2
x
1
N
= lm
N
N
X
i=1
f(x
1
+ (i 1)
x
2
x
1
N
)
x
2
x
1
N
,
7.7.2. La integral denida.
El ltimo lmite se denomina la integral denida de la funcin entre x
1
y
x
2
y se representa por
A =
Z
x
2
x
1
f(x)dx.
Como veremos el clculo de este lmite puede hacerse pues est relacionado
con el concepto de derivada.
Ejemplo 7.7.1 Calcule el rea bajo la curva y = x
2
entre x
1
= 0 y x
2
= x.
Solucin. Debemos en este caso evaluar
A = lm
N
N
X
i=1
f(x
i
)
x
2
x
1
N
= lm
N
N
X
i=1
(x
1
+ (i 1)
x
2
x
1
N
)
2
x
2
x
1
N
,
= lm
N
N
X
i=1
(i 1)
2
x
2
N
2
x
N
= lm
N
x
3
N
3
N
X
i=1
(i 1)
2
,
= lm
N
x
3
N
3
N1
X
i=1
i
2
.
Pero
P
n
i=1
i
2
=
1
6
n(n + 1) (2n + 1) de modo que
A = lm
N
x
3
N
3
1
6
(N 1)N (2N 1) ,
= lm
N
x
3
1
6
(1
1
N
)
2
1
N
,
=
1
3
x
3
.
7.7 Integrales. 127
f(x)
x
a
x+x
Figura 7.8: Elemento de rea.
Resulta entonces que hemos logrado calcular una integral, es decir
Z
x
0
x
2
dx =
1
3
x
3
.
N
7.7.3. Relacin con la derivada.
Considere la integral
A(x) =
Z
x
a
f(x)dx.
Esto es el rea bajo la curva entre a y x. Esta puede ser considerada una
funcin de x y por lo tanto la podemos derivar respecto a x. Si usamos la
denicin de derivada entonces
dA(x)
dx
= lm
x0
(A(x +x) A(x))
x
.
El numerador es una diferencia de reas y si x es pequeo, esa rea ser la
del rectngulo f(x)x, ver gura
de modo que
dA(x)
dx
= lm
x0
(A(x +x) A(x))
x
= lm
x0
f(x)x
x
= f(x).
128 Matemticas.
Este notable resultado muestra que
d
dx
Z
x
a
f(x)dx = f(x),
o sea que la integracin es la operacin inversa de la derivada. O sea que
el clculo de una integral se hace buscando que funcin tiene por derivada
f(x). Como las derivadas de las constantes son cero, esta bsqueda queda
indeterminada en una constante aditiva, por ejemplo
Z
x
a
x
3
dx =
x
4
4
+C
siendo C una constante. Esa constante puede evaluarse considerando que
Z
a
a
x
3
dx = 0,
de modo que resulta
C =
a
4
4
.
Finalmente
Z
x
a
x
3
dx =
x
4
4
a
4
4
.
7.7.4. Resultado nal.
Todo lo dicho se puede resumir en que la integral denida tiene la pro-
piedad
Z
x
a
f
0
(x)dx = f(x) f(a).
7.7.5. La integral indenida.
La operacin inversa de la derivada se denomina integral indenida, es
decir
Z
f
0
(x)dx = f(x)
7.8 Elementos de clculo numrico. 129
Ejercicio 7.7.1 Compruebe que
Z
x
n
dx =
x
n+1
n + 1
si n 6= 1
Z
dx
x
= lnx
Z
sin xdx = cos x
Z
cos xdx = sinx.
7.8. Elementos de clculo numrico.
La fsica trata con ecuaciones (relaciones entre cantidades fsicas) que si
se resuelven, constituyen la solucin de un determinado problema. Esto es en
teora, pues hay muchas ecuaciones que no pueden resolverse en forma ana-
ltica. Basta recordar el caso de las ecuaciones algebraicas, que son solubles
analticamente hasta el caso de grado cuatro. En fsica es clebre el problema
de los tres cuerpos, que tampoco admite en general solucin analtica. Sin
embargo, la solucin numrica es siempre factible, con determinado grado de
precisin y alcance. De algunos de estos mtodos trata esta seccin.
7.8.1. Mtodo de Newton para el clculo de una raz.
Considere la ecuacin f(x) = 0. La bsqueda analtica de las races, los
valores de x para los cuales la funcin se anula, es en general imposible. Las
excepciones son por ejemplo, ecuaciones algebraicas hasta cuarto grado. O
casos como sinx = 0, cuyas Doppler se encuentran por simple inspeccin
x = n con n entero. Considere la gura:La raz buscada es x. Uno puede
estimar un valor inicial x
1
, trazar la recta tangente a la curva en el punto x
1
,
su interseccin con el eje se produce en x
2
que est ms cercano (en general)
a la raz que el punto inicial. O sea x
2
es una mejor aproximacin a la raz
buscada. Luego repita el proceso partiendo del punto x
2
. De la denicin de
derivada se tiene que
f
0
(x
1
) =
0 f(x
1
)
x
2
x
1
,(la tangente del ngulo)
130 Matemticas.
0 2 4 6
-25
-20
-15
-10
-5
0
5
10
15
20
25
f(x
1
)
x x
2
x
1
Mtodo de Newton
Y
X
Figura 7.9: Mtodo de Newton.
entonces
x
2
= x
1
f(x
1
)
f
0
(x
1
)
.
Cuestin que debe ser repetida obteniendo aproximaciones sucesivas a la raz,
hasta la precisin deseada.
Ejemplo 7.8.1 Determine una raz de cosx = x.
Solucin. Dado que f(x) = cos x x, entonces f
0
(x) = sin x 1 y la
frmula se reduce a
x
2
= x
1
+
cos x
1
x
1
sin x
1
+ 1
.
Si partimos de una adivinanza inicial (radianes) x
1
= 1, entonces sucesivos
valores dan
x
2
= . 750 363 87,
x
3
= . 739 112 89,
x
4
= . 739 085 13,
x
5
= . 739 085 13.
Con 8 decimales en unos pocos clculos.
7.8 Elementos de clculo numrico. 131
0,0 0,5 1,0 1,5 2,0
0,0
0,2
0,4
0,6
0,8
1,0
x
3
=f(x
2
)
f(x
2
)
x
2
=f(x
1
)
f(x
1
)
x
1
y=x
x
y
y=cos(x)
Figura 7.10: Iterar.
N
7.8.2. Mtodo iterativo para determinar una raz de
f(x) = x.
Este mtodo tiene xito en algunos casos como explicaremos. Considere el
grco de la funcin y = f(x) y el grco de la funcin y = x. El punto donde
se cortan determina la raz. El mtodo consiste en partir de una adivinanza
inicial x
1
, y calcular sucesivos valores x
2
= f(x
1
), x
3
= f(x
2
), . . .. En el caso
de la gura para cos x = x, se observa que esos valores se aproximan cada vez
ms a la interseccin. Sea un valor inicial x
1
= 1, cos 1 = 0. 540 3,entonces:
cos 0. 540 3 = 0. 857 6,
cos 0. 857 6 = 0. 654 3,
valores que oscilan, pero que a la larga se aproximan al mismo valor
0.739 09, aunque mucho ms lentamente que en el mtodo de Newton. La
convergencia depender del ngulo en que se intersectan la curva y = f(x) e
y = x. Si ese ngulo es mayor de /2 no hay convergencia.
132 Matemticas.
0,0 0,5 1,0 1,5 2,0
-2
-1
0
1
2
(2)
(1)
aproximacin
raiz
X
2
X
1
X
Y
Figura 7.11: Mtodo de la secante.
7.8.3. Mtodo de la secante.
La idea de este mtodo es muy simple. Si se conocen do puntos tales
que en ellos las funcin f(x) tiene diferente signo, por ejemplo f(x
1
) < 0 y
f(x
2
) > 0, entonces (para funciones continuas) en algn punto intermedio la
funcin debe anularse. La recta que va desde el punto (1) al punto (2) corta el
eje x ms cerca de la raz buscada, como se ilustra en la gura siguiente:Como
la recta pasa por los puntos (1) y (2) su ecuacin es (verifquelo)
y = f(x
1
) +
f(x
2
) f(x
1
)
x
2
x
1
(x x
1
)
y el punto donde ella corta el eje x (la aproximacin) satisface
f(x
1
) +
f(x
2
) f(x
1
)
x
2
x
1
(x x
1
) = 0,
de donde
x = x
1
f(x
1
)
x
2
x
1
f(x
2
) f(x
1
)
x =
x
1
f(x
2
) x
2
f(x
1
)
f(x
2
) f(x
1
)
.
7.8 Elementos de clculo numrico. 133
Este proceso debe ser repetido hasta alcanzar la precisin deseada, eligiendo
entre nuevos valores iniciales, (x
1
, x) o (x, x
2
) segn en cual pareja hay cambio
de signo de la funcin.
7.8.4. Derivada numrica con dos puntos.
Para clculos numricos, con precisin limitada, no es necesario tomar el
lmite en la denicin de derivada, sino basta tomar un valor pequeo del
incremento x = h. As entonces podemos aproximar
dy
dx
= f
0
(x) =
f(x +h) f(x)
h
,
con h pequeo. El valor de h depende de la exactitud deseada. Por ejemplo
sea h = 0,00001, y calculemos la derivada de
y = f(x) = xe
x
lnx
en el punto x = 2. Resultar
f
0
(2) =
f(2 +h) f(2)
h
= 0,0 415 3,
que usted puede comprobar es correcto en todos sus decimales. Debemos decir
que existen mtodos mejores pero involucran conocer o evaluar la funcin en
ms de dos puntos, por lo cual para clculos aproximados es ms simple usar
lo indicado.
7.8.5. Derivada con ms puntos.
Las siguientes frmulas (Handbook of Mathematical functions de Abra-
mowitz) indican la forma de obtener la derivada con tres o cuatro puntos
correspondientes a abscisas igualmente espaciadas en una cantidad pequea
h.
Tres puntos, p = 1, 0, 1.
f
0
(x
0
+ph) =
1
h
(p
1
2
)f
1
2pf
0
+ (p +
1
2
)f
1
.
134 Matemticas.
Cuatro puntos, p = 1, 0, 1, 2
f
0
(x
0
+ph) =
1
h
3p
3
6p + 2
6
f
1
+
3p
2
4p 1
2
f
0
3p
2
2p 2
2
f
1
+
3p
2
1
6
f
2
.
7.8.6. Un ejemplo.
Las frmulas anteriores tienen especial aplicacin por ejemplo cuando
se determinan experimentalmente los desplazamientos de una partcula en
funcin del tiempo y se desea calcular la velocidad y la aceleracin. En los
laboratorios de fsica es comn estudiar el movimiento de una partcula o un
cuerpo, determinando los tiempos en que ella pas por determinadas posi-
ciones. La tabla siguiente indica los tiempos t en que una partcula pas por
las posiciones x (igualmente espaciadas) y se han determinado las velocida-
des y aceleraciones usando dos mtodos (dos y tres puntos), utilizando una
planilla de clculo, Excel por ejemplo, para que usted compare. Los datos
tienen probablemente errores, lo cual tiene un enorme efecto en el clculo de
las derivadas, velocidades y aceleraciones. En este ejemplo los datos han sido
generados por una funcin conocida, en el ejemplo x = v
0
t +
1
2
at
2
, pero a
los tiempos determinados se les ha introducido un error al azar de magnitud
mxima error %, para simular el efecto de los errores experimentales. (Para
efectos de comparacin, la velocidad debera resultar lineal v
0
+at). Veamos
que ocurre.
Para este ejemplo se ha elegido h = dx = 0, 015, v
0
= 10, a = 10, error
en t 0, 1 % y se grca la derivada hecha con tres puntos, y a continuacin
se ha repetido el clculo y gracado la velocidad para un error 0 %.
y a continuacin para 0 % de error introducido en t.
Como usted podr apreciar, los errores inuyen notablemente en el clcu-
lo de la derivada, lo cual queda de maniesto muy claramente al usar por
ejemplo datos provenientes de la captura de tiempos de interrupcin hechos
mediante la llamada polea inteligente (que por supuesto no es inteligente).
Eso lo ver usted en el curso de Fsica experimental I cuando haga expe-
rimentos de este tipo y le pida al programa un grco de la velocidad en
funcin del tiempo.
Dejamos al lector aventurar una respuesta a cmo solucionar este proble-
ma.
7.8 Elementos de clculo numrico. 135
dos puntos tres puntos
dx x t t con error dx/dt dx/dt
0,015 0,0000 0,00000 0,00000 9,9955 10,0123
0,0150 0,00150 0,00150 9,9622 9,9789
error en t % 0,0300 0,00300 0,00301 9,9562 9,9457
0,1 0,0450 0,00451 0,00451 9,9714 9,9997
0,0600 0,00602 0,00602 9,9153 9,9433
v0 0,0750 0,00753 0,00753 9,8964 9,8875
10 0,0900 0,00904 0,00905 9,9395 9,9836
a 0,1050 0,01056 0,01055 9,8523 9,8957
-10 0,1200 0,01207 0,01208 9,8393 9,8093
0,1350 0,01359 0,01360 9,9302 9,9273
0,1500 0,01511 0,01511 9,9359 9,9330
0,1650 0,01664 0,01662 9,7191 9,9388
0,1800 0,01816 0,01817
Figura 7.12: Tabla.
-0,002 0,000 0,002 0,004 0,006 0,008 0,010 0,012 0,014 0,016 0,018
9,80
9,85
9,90
9,95
10,00
error 0,1% en t
dx/dt
d
x
/
d
t
t
Figura 7.13: Con errores.
136 Matemticas.
-0,002 0,000 0,002 0,004 0,006 0,008 0,010 0,012 0,014 0,016 0,018
9,80
9,85
9,90
9,95
10,00
error 0,0% en t
dx/dt
d
x
/
d
t
t
Figura 7.14: Ejemplo.
7.9. Ejercicios.
Ejercicio 7.9.1 Determine numricamente una (o dos) raz de las ecuacio-
nes algebraicas
x
3
x + 1 = 0, ( R: x = 1. 324 718),
x
5
x + 1 = 0, ( R. x = 1. 167 304),
x
6
+x 1 = 0, (R. x = 1. 134 724 1, x = 0. 778 089 6)
Ejercicio 7.9.2 Determine numricamente una (o dos) raz de las ecuacio-
nes trascendentales
x = e
x
(R: x = 0. 567 143 29),
x = e
2x
, (R: x = 0. 426 302 75),
cos x = 2x, {R: x = 0. 450 183 61} .
Ejercicio 7.9.3 (Investigacin) Considere la regla de iteracin
x
n+1
= x
n
(1 x
n
).
7.9 Ejercicios. 137
Con 2, 5 < < 4, partiendo de un valor cualquiera x
1
y un determinado
genere valores sucesivos x
1
, x
2
, . . .hasta que ellos comiencen a repetirse.
Esquemtica en un grco esos valores obtenidos en funcin de para valores
de en el intervalo sealado. Si usted tiene xito, ha obtenido el diagrama de
bifurcaciones de la funcin logstica, que ha sido tema de mucha investigacin
que se muestra en la gura siguiente.
Figura 7.15: Logstica.
Ejercicio 7.9.4 (Investigacin) Respecto a la situacin del problema ante-
rior, si se hacen clculos muy cuidadosos, pueden obtenerse los valores del
parmetro para el cual ocurren las bifurcaciones. Si llamamos a estos va-
lores
1
,
2
,
3
,
4
. . . , estudie la tendencia que tienen las razones
n+1
n1
Ejercicio 7.9.5 Demuestre que la sumatoria
N
X
n=1
1
n
diverge si N .
138 Matemticas.
Ejercicio 7.9.6 Demuestre que
N
X
n=1
1
n
ln(N + 1)
converge a un nmero si N y estime ese valor numrico. Ese nmero
es la famosa constante de Euler.
Captulo 8
Elementos de probabilidades
8.1. Introduccin
Es una experiencia cotidiana que si un experimento se realiza un nme-
ro de veces bajo las mismas controlables condiciones, los resultados son
en general diferentes, aun cuando las diferencias pueden ser pequeas. Cada
experimento se realiza tratando de mantener las mismas condiciones. En el
mundo macroscpico en realidad no estamos en condiciones de controlar to-
das las variables que afectan al fenmeno por lo tanto uno puede pensar que
los diversos resultados se deben precisamente a la falta de control de algunas
de las variables que inuyen en los resultados. Por ejemplo el ruido de los
dispositivos electrnicos, uctuaciones incontrolables de una fuente de volta-
je, variaciones imperceptibles de la temperatura, etctera. Sin embargo, con
el desarrollo de la Mecnica Cuntica (qu ser eso?), se ha aceptado que
esto es un aspecto intrnseco de nuestro Universo, es decir que an cuando
las condiciones se mantengan absolutamente iguales, pueden haber diversos
resultados de un mismo experimento, no adjudicables a variables no controla-
das o no conocidas. Estos hechos fueron motivo de mucha controversia en los
inicios del desarrollo de la Mecnica Cuntica, siendo clebre la Conferencia
de Solvay en Bruselas en 1927, ver foto, donde Albert Einstein se enfrent al
resto del Mundo de los fsicos, tratando de salvar el determinismo clsico, de
acuerdo al cual, bajo mismas condiciones, se repiten los mismos resultados y
que cualquier discrepancia debera ser debida a causas no consideradas. Sin
140 Elementos de probabilidades
Figura 8.1: Conferencia de Solvay de 1927
embargo Einstein nalmente acept que los hechos indicaban fuera de duda,
la validez de este nuevo tipo de incertidumbre en el determinismo clsico.
8.2. Tmelo con calma.
En este captulo, hay demasiada matemtica que usted probablemente no
conoce an, pero la conocer. De modo que no se preocupe demasiado por las
demostraciones y trate de quedarse de alguna manera con el concepto, pues en
la evaluacin de este curso no se exigirn estas cuestiones. De todas maneras
se presentan algunos detalles matemticos complicados con la esperanza que
estos apuntes le sirvan ms en el futuro.
8.3. Cosas concretas.
Para que esta discusin no le parezca demasiado abstracta, ejemplos sim-
ples concretos se encuentran en los juegos de azar, por lo cual analizaremos
algunos, antes de introducir deniciones formales ms abstractas.
8.3 Cosas concretas. 141
8.3.1. Lanzar un dado.
Como usted debe saber al lanzar un dado hay seis resultados posibles,
que salga cualquiera de los nmeros del 1 al 6. Si usted idea un mtodo para
predecir el resultado que va a ocurrir, debera felicitarlo. Repita este experi-
mento, digamos 100 veces y anote los resultados que se obtienen. Una manera
de resumir la informacin obtenida es contando cuantas veces sali cada re-
sultado, y mejor calcular la fraccin del total en que ocurri cada resultado.
Estos resultados experimentales difcilmente coincidirn con los de otra
realizacin de 100 lanzamientos. Aqu no queda ms remedio y especular que
para un nmero muy grande de lanzamientos todos los resultados deberan
ocurrir en la misma proporcin. Esta conjetura podr ser sostenida hasta que
existan serias discrepancias con ella. (En tal caso lo que uno podra pensar
es que el dado est cargado).
8.3.2. Lanzar un dardo a un blanco.
Estrictamente hablando, aqu no se trata realmente de un juego de azar,
pero ocurre algo parecido. Los distintos resultados, puntos de cada del dardo
se distribuirn en forma continua cerca del blanco, pero de una forma que
no somos capaces de predecir. (La excepcin se dara si existiera un lanzador
perfecto)
8.3.3. Lanzar dos dados.
A diferencia del lanzamiento de uno, el conjunto de resultados posibles es
ahora mayor, en efecto ellos son 36 resultados distintos posibles. Sin embargo
uno puede estar interesado no en los resultados distintos, sino por ejemplo en
los resultados que sumen siete. Ahora los que suman siete son (1, 6), (2, 5),
(3, 4), (4, 3), (5, 2), (6, 1), o sea 6 casos de un total de 36. Seguramente usted
apostara a que el resultado siguiente no va a sumar 7. Usted seguramente
concordar en que las chances son 6 de 36, o bien
6
36
= 0. 166 7, nmero muy
pequeo que lo desalentar en la apuesta.
Estas ideas se formalizan estructurando la teora de las probabilidades.
142 Elementos de probabilidades
8.4. Probabilidad
8.4.1. Poblacin o Universo
El conjunto continuo o discreto de todos los distintos resultados x
i
de
un experimento la denominaremos la poblacin o el Universo asociado al
determinado experimento (Usualmente llamado espacio muestral, pero no
queremos confundir con muestras o grupos de datos, por ello usaremos la
terminologa explicada). Este conjunto puede ser nito para el caso de re-
sultados discretos, pero necesariamente innito cuando los resultados son un
continuo de valores. En este libro preferiremos el empleo del trmino resulta-
do del experimento, por tratarse de un libro sobre Fsica, aun cuando puede
y eventualmente se ocupar el trmino ms amplio de Evento, a lo que ocurre
tras la realizacin de algn experimento, de cualquier tipo.
8.4.2. Eventos simples
Los elementos del Universo o Poblacin se denominan eventos simples.
(por ejemplo los resultados del lanzamiento de un dado)
8.4.3. Eventos compuestos
Cualquier subconjunto del Universo o Poblacin se denomina un even-
to compuesto. Por ejemplo, ver gura, los subconjuntos A, B, AB, AB,
etctera. (por ejemplo los casos en que la suma de los dos dados es 7)
8.4.4. Probabilidad, caso discreto
Eventos simples
Aunque es posible hacer un tratamiento axiomtico del concepto de pro-
babilidad, seguiremos un proceso ms cercano a la experimentacin. Supon-
gamos que el Universo es de tamao nito M. Si al repetir un experimento
N veces el evento o resultado x
i
ocurre n
i
veces, la frecuencia relativa de
ocurrencia de dicho resultado se dene como
f
i
=
n
i
N
,
y si tal expresin tiene un lmite cuando N , entonces denimos la
probabilidad.
8.4 Probabilidad 143
Definicion 8.4.1 Denimos la probabilidad del evento simple x
i
por
P
i
= lm
N
n
i
N
.
De la denicin se desprende que
M
X
i=1
P
i
= 1.
Este tipo de denicin de probabilidad es a veces llamada a posteriori o
emprica, a diferencia de otra denicin que est basada en algn tipo
de razonamiento. Por ejemplo si no se encuentran causas para suponer que
un determinado evento debera ocurrir con distinta frecuencia que otro, uno
podra suponer en consecuencia que todas las probabilidades son iguales y por
lo tanto
P
i
=
1
M
.
Este tipo de denicin es a veces denominada probabilidad a priori. Debe-
mos remarcar que las teoras de la fsica que utilicen el concepto de proba-
bilidad, utilizan probabilidades a priori, estando su denicin comprometida
segn sean la comprobacin experimental de las predicciones de la respectiva
teora.
Eventos compuestos
Recordemos que los elementos de conjunto Universo corresponden a los
distintos posibles resultados de un experimento. Estos son los que hemos
llamados eventos simples. Las probabilidades de estos eventos las hemos lla-
mado P
i
y tienen la evidente propiedad
M
X
i=1
P
i
= 1.
Cualquier subconjunto A del Universo es denominado un evento com-
puesto. Su probabilidad se dene por
P
A
=
X
x
i
A
P
i
.
144 Elementos de probabilidades
C
B
A
A B
Figura 8.2:
Evento unin A B y evento interseccin A B
La unin o interseccin de dos subconjuntos del universo, es tambin un
subconjunto del universo o sea es un evento compuesto. Sus probabilidades
pueden relacionarse de acuerdo a
P
AB
= P
A
+P
B
P
AB
,
pues, de acuerdo a la gura (??), si los subconjuntos A y B tienen intersec-
cin vaca, al sumar las probabilidades de A y de B obtenemos correctamente
la probabilidad de la unin.
Sin embargo si la interseccin no es vaca, al realizar lo anterior estamos
contando dos veces los elementos de la interseccin. Restando en ese caso
los elementos de la interseccin una vez, se obtiene el resultado correcto. A
veces, la probabilidad de la unin puede leerse como : la probabilidad de que
el simple est en A o en B y similarmente para el caso de la interseccin,
la probabilidad de que el simple est en A y en B
Eventos independientes, probabilidad condicional
Queremos denir dos conceptos que juegan un rol muy importante en
teora de probabilidades. El concepto de probabilidad condicional toma en
cuenta el efecto (si lo hay) de que el saber que ocurri un determinado evento
A, afecta o no la probabilidad del siguiente evento B.
Definicion 8.4.2 Denimos la probabilidad condicional P(B | A) como la
probabilidad de que ocurra el evento B si sabemos que el evento A ocurri.
8.4 Probabilidad 145
Definicion 8.4.3 Dos eventos A y B se denominan independientes, si la
ocurrencia de uno no afecta la probabilidad del otro, es decir si P(B | A) =
P(B) y P(A | B) = P(A).
La forma en que la ocurrencia de un evento puede afectar la ocurrencia
de otro, puede deberse a diversas causas, dependiendo del experimento de
que se trate.
Ejemplo 8.4.1 Por ejemplo se tiene un conjunto de bolitas numeradas del
1 al 5 en una caja. El experimento puede ser sacar una bolita al azar, mirar
el resultado y reponerla en la caja o no reponerla en la caja. Analice esta
situacin.
Solucin. Para el primer caso obviamente el primer evento no afecta al
siguiente. O sea si el experimento es con reposicin, los eventos son indepen-
dientes y todos tienen probabilidad P =
1
5
. De modo que por ejemplo
P(1 | 1) =
1
5
, P(2 | 1) =
1
5
, , P(5 | 1) =
1
5
.
Si el experimento es sin reposicin, claramente la ocurrencia de una evento
afecta los siguientes, de modo que tendremos por ejemplo
P(1 | 1) = 0, P(2 | 1) =
1
4
, , P(3 | 1) =
1
4
.
Como podemos establecer alguna regla? Claramente tenemos un problema
de hacer bien las cuentas. Para eventos simples hay simplemente dos posi-
bilidades. Para el experimento sin reposicin P(A B) puede ser cero o no
dependiendo de que no hayan o hayan eventos simples comunes en A y en
B. Obviamente el Universo para el experimento en cuestin es
N
con reposicin
_
_
_
_
_
_
1, 1 1, 2 1, 3 1, 4 1, 5
2, 1 2, 2 2, 3 2, 4 2, 5
3, 1 3, 2 3, 3 3, 4 3, 5
4, 1 4, 2 4, 3 4, 4 4, 5
5, 1 5, 2 5, 3 5, 4 5, 5
_
_
_
_
_
_
P(1 2) =
1
25
P(1 | 2) =
1
5
P(2) =
1
5
notando que P(1 | 2) =
P(12)
P(2)
146 Elementos de probabilidades
sin reposicin
_
_
_
_
_
_
1, 2 1, 3 1, 4 1, 5
2, 1 2, 3 2, 4 2, 5
3, 1 3, 2 3, 4 3, 5
4, 1 4, 2 4, 3 4, 5
5, 1 5, 2 5, 3 5, 4
_
_
_
_
_
_
P(1 2) =
1
20
P(1 | 2) =
1
4
P(2) =
1
5
notando que P(1 | 2) =
P(12)
P(2)
Debe remarcarse la diferencia entre P(1 2) que es la probabilidad de
la ocurrencia del 1 seguido por el 2 respecto al total de resultados posibles,
mientras que P(1 | 2) est restringido al universo remarcado, donde el
primer evento fue un 2.
Aunque no ser demostrado nada aqu, los resultados del ejemplo pueden
ser enunciados como una relacin entre estas probabilidades de la siguiente
forma, que realmente constituye la denicin de probabilidad condicional:
Definicion 8.4.4
P(B | A) =
P(A B)
P(B)
Como una consecuencia de la denicin de eventos independientes, sigue
otro teorema:
I Teorema 8.1
Si dos eventos A y B son independientes, entonces
P(A B) = P(A)P(B).
8.5. Sacar cuentas.
Para el clculo de probabilidades normalmente deben sacarse cuentas del
total de eventos o resultados, y de los casos favorables. Para ello son de
utilidad los siguientes conceptos.
8.5 Sacar cuentas. 147
8.5.1. Concepto bsico de multiplicacin.
Si un procedimiento A puede hacerse de n
A
maneras diferentes y si pro-
cedimiento B puede hacerse de n
B
maneras diferentes, para cada forma en
que se hizo el primero, entonces el procedimiento A seguido por el B puede
hacerse de n
A
n
B
maneras diferentes.
Ejemplo 8.5.1 Si se elige un comit sorteando un hombre de un grupo de
seis y una mujer de un grupo de tres, el comit puede formarse de 63 = 18
maneras diferentes.
8.5.2. Permutaciones.
Si se tiene un grupo de n objetos diferentes, el nmero de distintos ordenes
en que puede formarse el grupo de n objetos es el nmero de permutaciones
P(n) = 1 2 3 n = n!
El smbolo n! (llamado ene-factorial), admite una famosa aproximacin para
n grande, llamada aproximacin de Stirling
n!
2nn
n
e
n
Ejemplo 8.5.2 Por ejemplo con los nmeros 1, 2, 3 hay 6 diferentes ordenes,
a saber (1, 2, 3), (1, 3, 2), (2, 1, 3), (2, 3, 1), (3, 1, 2), (3, 2, 1). En efecto 3! = 6.
8.5.3. Combinaciones.
Si se tiene un grupo de n objetos diferentes y se extrae de el un grupo
de m n objetos, sin importar el orden, el nmero de formas de hacerlo es
llamado el nmero de combinaciones y est dado por
n
m
=
n!
m!(n m)!
.
Este nmero es tambin llamado coeciente binomial dada su relacin con
el teorema del binomio el cual establece que, el binomio elevado a n tiene el
desarrollo:
(a +b)
n
=
n
0
a
n
+
n
1
a
n1
b +
n
2
a
n2
b
2
+ +
n
n 1
ab
n1
+
n
n
b
n
148 Elementos de probabilidades
Ejemplo 8.5.3 Por ejemplo, de un grupo de 10 personas, el nmero de for-
mas en que se puede constituir un comit de 4 personas es
10
4
=
10!
6!4!
=
7 8 9 10
1 2 3 4
= 210.
Ejemplo 8.5.4 Se lanza N veces una moneda al aire. Si la ocurrencia de ca-
ras o sellos es igualmente probable, determine la probabilidad de que ocurran
n sellos.
Solucin. El nmero de casos favorables de que ocurran n sellos es
n
m
.
Por otro lado, el total de casos est dado por (0 1 2 n sellos)
m=n
X
m=0
n
m
,
ahora bien, esta suma se puede deducir del teorema del binomio para el caso
en que a = 1, b = 1 obtenindose
m=n
X
m=0
n
m
= 2
n
,
por lo tanto la probabilidad buscada es
P =
1
2
n
n
m
.
Para tener una idea del comportamiento de esta probabilidad, realice un
grco para n = 10 con los valores de la
8.6 Variables aleatorias 149
0 1 2 3 4 5 6 7 8 9 10
0,00
0,05
0,10
0,15
0,20
0,25
p
r
o
b
a
b
i
l
i
d
a
d
numero m
distribucin binomial con p=q=0,5
n=10
Figura 8.3: Distribucin binomial.
tabla
m P
0
1
2
10
10
0
= 9. 766 10
4
1
1
2
10
10
1
= 9. 766 10
3
2
1
2
10
10
2
= 4. 395 10
2
3
1
2
10
10
3
= . 117 2
4
1
2
10
10
4
= . 205 1
5
1
2
10
10
5
= . 246 1
6
1
2
10
10
6
= . 205 1
7
1
2
10
10
7
= . 117 2
8
1
2
10
10
8
= 4. 395 10
2
9
1
2
10
10
9
= 9. 766 10
3
10
1
2
10
10
10
= 9. 766 10
4
N
cuyo grco se muestra a continuacin
8.6. Variables aleatorias
Nos limitaremos a analizar experimentos donde los resultados son valores
numrico x
i
, por ahora discretos, con una probabilidad conocida P
i
. Podemos
150 Elementos de probabilidades
decir por denicin que el resultado del experimento es una variable aleatoria
x con distribucin de probabilidad P(x) denida por
P(x) = P
i
si x = x
i
P(x) = 0 en otro caso.
Ejemplos de variables aleatorias discretas pueden ser
Ejemplo 8.6.1 x el nmero de caras que pueden ocurrir al lanzar n veces
una moneda. De acuerdo a lo explicado
P(x) =
1
2
n
n
m
si x = m( n)
P(x) = 0 en otro caso.
Ejemplo 8.6.2 x el resultado obtenido al arrojar un dado. Aqu
P(x) =
1
6
si x (1, 2, 3, 4, 5, 6)
P(x) = 0 en otro caso.
8.6.1. Distribucin binomial.
Si un experimento tiene dos resultados posibles A y B, con probabilidad
p y q = 1 p cada uno, y el experimento se repite n veces, la probabilidad
de que ocurran m resultados A, en cualquier orden es la famosa distribucin
binomial.
P(m) =
n
m
p
m
q
nm
,
muchas de sus propiedades sern dadas en el apndice (B).
Por sus aplicaciones a la teora de los errores preferiremos profundizar en
los casos en que la variable aleatoria es continua.
8.6 Variables aleatorias 151
8.6.2. Caso continuo
Cuando los posibles resultados experimentales son un continuo de valores,
el universos obviamente es de tamao innito. Por ello deben hacerse algu-
nas modicaciones formales, pero no de fondo, a lo explicado para el caso
discreto. As por ejemplo es posible denir (a priori o a posteriori) la pro-
babilidad de que el resultado este dentro de algn subconjunto del universo,
preferiblemente en un elemento innitsimo del universo. Para un caso unidi-
mensional., el universo puede ser un intervalo de los nmeros reales entre x
1
y x
2
. Obviamente la denicin de probabilidad debe ser tal que haya certeza
de que resulte algn valor del Universo, es decir
P([x
1
, x
2
]) = 1, (8.1)
donde la notacin expresa la probabilidad de que el resultado del experimento
sea alguno de los valores posibles x [x
1
, x
2
]. Para un intervalo diferencial
dx en torno de x, la probabilidad correspondiente ser denida mediante
P([x, x +dx]) = f(x)dx,
siendo f(x) la llamada funcin de distribucin de la variable aleatoria x.
Aqu, por algn medio ser preciso postular o determinar f(x).
Funciones de distribucin de variable aleatoria
Aqu profundizaremos algo de lo recin explicado. Sea x una variable
aleatoria resultado de algn experimento con resultados en un continuo, el
intervalo [x
1
, x
2
] . La probabilidad de que la variable est en un entorno dx
del valor x, se dene por
P([x, x +dx]) = f(x)dx,
siendo f(x) la funcin distribucin de la variable aleatoria x. Por la propiedad
8.1, las funciones distribucin estn normalizadas, es decir
Z
x
2
x
1
f(x)dx = 1.
152 Elementos de probabilidades
Algunos ejemplos
Ejemplo 8.6.3 Distribucin uniforme. La funcin distribucin uniforme,
corresponde a elegir un nmero real al azar dentro de un intervalo y est
dada por
f(x) =
_
_
0 si x <
1
si < x <
0 si x >
donde < son dos nmeros reales
Ejemplo 8.6.4 Un generador simple de nmeros (seudo) aleatorios. Consi-
dere la secuencia generada de acuerdo a
x
n+1
= 4x
n
(1 x
n
),
donde dado un nmero (semilla) x
1
entre 0 y 1, se generan todos los siguien-
tes en el mismo intervalo. Construya numricamente la funcin distribucin
de tal secuencia de nmeros. Para ello, divida el intervalo (0, 1) en un n-
mero de partes, por ejemplo 100, y cada vez que el nmero resulte en un
intervalo i (1 i 100) agregue 1 a un contador n
i
inicialmente en cero.
Graque enseguida las razones n
i
/N, siendo N el nmero total de cuentas.
La siguiente grca se obtuvo para un nmero de 100 intervalos y 20.000
generados. Un generador simple de nmeros (seudo) aleatorios. Considere la
secuencia generada de acuerdo a
x
n+1
= 4x
n
(1 x
n
),
8.6 Variables aleatorias 153
20 40 60 80 100
0,00
0,01
0,02
0,03
0,04
0,05
0,06
0,07
n
/
N
intervalo
Distribucin logstica
intervalos = 100
generados = 20.000
Figura 8.4: Aleatorios.
donde dado un nmero (semilla) x
1
entre 0 y 1, se generan todos los siguien-
tes en el mismo intervalo. Construya numricamente la funcin distribucin
de tal secuencia de nmeros. Para ello, divida el intervalo (0, 1) en un nmero
de partes, por ejemplo 100, y cada vez que el nmero resulte en un intervalo i
(1 i 100) agregue 1 a un contador n
i
inicialmente en cero. Graque en-
seguida las razones n
i
/N, siendo N el nmero total de cuentas. La siguiente
grca se obtuvo para un nmero de 100 intervalos y 20.000 generados.Esta
grca muestra claramente que la distribucin no es uniforme.
Ejemplo 8.6.5 La funcin distribucin normal, dependiente de dos parme-
tros (el valor esperado) y ( la desviacin estndar) es denida mediante
f (x; , ) =
1
2
e
(x)
2
2
2
,
que ha veces se abrevia N(, ).
Ejemplo 8.6.6 La funcin distribucin normal estndar, es un caso par-
ticular donde = 0 y = 1, es decir
f(x) =
1
2
e
x
2
2
154 Elementos de probabilidades
o abreviado N(0, 1), cuyo grco caracterstico - llamado campana de Gauss
se ilustra en la gura siguiente:
1
2
e
x
2
2
0
0.1
0.2
0.3
-4 -2 2 4
x
Campana de Gauss.
Ejemplo 8.6.7 Si la rapidez de fallas de algn dispositivo es constante a lo
largo del tiempo, entonces los tiempos de fallas tienen una distribucin de
probabilidad exponencial con valor esperado
f(t; ) =
1
e
t/
para u 0
donde e es la base de los logartmos naturales. La desviacin estndar para
la distribucin exponencial es = . (ver grco)
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2
5 10 15 20 25
u
= 5, Exponencial
La deduccin de tal funcin distribucin se muestra para quien se interese en
el apndice (A).
8.6 Variables aleatorias 155
Figura 8.5: Distribucin de Poisson.
Ejemplo 8.6.8 El proceso de Poisson. La distribucin de Poisson juega un
papel importante para un gran nmero de fenmenos observables. Considere-
mos una fuente radioactiva que emite partculas y denamos una variable
aleatoria X(t
1
, t
2
) como el nmero de partcula emitidas durante un intervalo
de tiempo [t
1
, t
2
] . Denotaremos tal funcin de distribucin por
P
n
(t
1
, t
2
) = P [X(t
1
, t
2
) = n] .
(que se lee como la probabilidad de que en el intervalo de tiempo entre t
1
y
t
2
el nmero de partculas emitidas sea n). En el apndice de (B) se indican
los detalles matemticos que conducen a
P
n
(t) =
1
n!
(t)
n
e
t
o
P(n, t) =
1
n!
(t)
n
e
t
que gracaremos para = 0,5 , n = 0, 1, 2, 3.
Las deniciones de valor esperado, varianza y desviacin estndar se dan
a continuacin.
156 Elementos de probabilidades
8.6.3. Valor esperado, varianza y desviacin estndar
Si x es una variable aleatoria continua en el rango [x
1
, x
2
] con funcin
distribucin de probabilidad f(x), se denen
Definicion 8.6.1 El valor esperado de x, E(x) tambin denotado por , se
dene por
E(x) = =
Z
x
2
x
1
xf(x)dx.
Definicion 8.6.2 La varianza de x, V ar(x) tambin denotada por
2
se
dene por
V ar(x) =
2
=
Z
x
2
x
1
(x )
2
f(x)dx.
Definicion 8.6.3 La desviacin estndar de x se dene como =
p
V ar(x).
Puede vericarse fcilmente que para la funcin distribucin normal, efec-
tivamente se cumple que
=
1
2
Z
ze
(z)
2
2
2
dz,
y que
2
=
1
2
Z
z
2
e
(z)
2
2
2
dz.
Para la distribucin uniforme puede calcularse
=
1
Z
xdx =
1
2
( +),
y
2
=
1
Z
x
2
dx =
1
3
(
2
+ +
2
).
Distribuciones de probabilidad acumuladas
Para el caso de variables aleatorias continuas, la probabilidad de un valor
exacto es evidentemente cero, pues hay innitos casos posibles. Se utilizan
en cambio acumulaciones de probabilidad, por ejemplo
8.6 Variables aleatorias 157
Caso 1 La distribucin de probabilidad normal acumulada
F(x; , ) =
1
2
Z
x
(z)
2
2
2
dz
que indica la probabilidad de que la variable aleatoria z con distribucin nor-
mal N(, ) tenga valores menores o iguales a x.
Caso 2 La distribucin de probabilidad normal acumulada
F(x; , ) =
1
2
Z
x
x
e
(z)
2
2
2
dz
que indica la probabilidad de que la variable aleatoria z con distribucin nor-
mal N(, ) tenga valores entre x y x.
Algunas propiedades
Si x es una variable aleatoria con funcin distribucin de probabilidad
f(x), y si a, b y c son constantes, los siguientes desarrollos sern de utilidad
E(ax +b) =
Z
x
2
x
1
(ax +b)f(x)dx = aE(x) +b.
V ar(cx) =
Z
x
2
x
1
(cx E(cx))
2
f(x)dx
=
Z
x
2
x
1
(cx c))
2
f(x)dx = c
2
V ar(x).
Similarmente, si x es una variable aleatoria con funcin distribucin de
probabilidad f(x), y si a, b son constantes, la funcin de distribucin g(z) de
z = ax +b, puede calcularse de
g(z)dz = f(x)dx,
de modo que
g(z) =
1
a
f(
z b
a
). (8.2)
Algn cuidado adicional se requiere si z no es una funcin montona de
x, como se explica al nal de este captulo.
158 Elementos de probabilidades
8.6.4. Funciones de variables aleatorias
Un problema de mucho inters es el de determinar la funcin distribucin
de una combinacin de variables aleatorias, cuando se conocen las distribu-
ciones de cada variable y si ellas son independientes en el sentido explicado
anteriormente. Esto tiene muchas aplicaciones como veremos. Por ejemplo si
las variables x
i
(i = 1, 2, N) son independientes con distribucin uniforme
en el intervalo
2
,
2
N
N
X
i=1
x
i
en el lmite para N muy grande? Este es un caso de mucho inters y en
el apndice (C) se explican algunos desarrollos matemticos para quien se
interese, pero nos interesa principalmente el resultado nal. Como all se
demuestra, la funcin distribucin resulta ser la distribucin normal
f(x) =
1
2
e
x
2
2
2
,
o sea, tenemos un teorema que es lo que importa:
I Teorema 8.2
Si las variables x
i
son aleatorias e independientes con distribucin uniforme
con valor esperado = 0 y desviacin estndar , entonces la variable
aleatoria
x =
1
N
N
X
i=1
x
i
tiene, para N distribucin normal
f(x) =
1
2
e
x
2
2
2
.
De acuerdo a las propiedades 8.2, si las variables aleatorias x
i
tuvieran
valor esperado 6= 0, entonces las variables aleatorias z
i
= x
i
tiene valor
esperado 0, de modo que la variable z tiene la distribucin anterior.
8.6 Variables aleatorias 159
8.6.5. Funcin distribucin del promedio
Por su importancia, considere ahora variables x
i
aleatorias e independien-
tes con distribucin uniforme con valor esperado , desviacin estndar ,
entonces la variable aleatoria (el promedio)
x =
1
N
X
x
i
tiene una distribucin que nos proponemos calcular, en el lmite de N muy
grande. Para ello considere
x =
1
N
1
N
X
(x
i
) + =
1
N
x +
donde ahora x tiene la distribucin normal con valor esperado cero. Por las
propiedades sealada
F( x)d x = f(x)dx =
Nf(
N( x )d x
o sea
F( x) =
2
e
N( x)
2
2
2
,
que puede ser escrita como
F( x) =
1
2
x
e
( x)
2
2
2
x
,
donde
x
=
N
y que puede ser escrito entonces como un importante teore-
ma:
I Teorema 8.3
Si las variables x
i
son aleatorias e independientes cada una con distribucin
uniforme con valor esperado , desviacin estndar , entonces la variable
aleatoria (el promedio)
x =
1
N
X
x
i
(8.3)
en el lmite de N grandes, tiene distribucin normal N(,
x
)
F( x) =
1
2
x
e
( x)
2
2
2
x
160 Elementos de probabilidades
con valor esperado E( x) = , y desviacin estndar
x
=
N
.
Como veremos, este teorema es fundamental para el tratamiento de erro-
res cuando se supone que ello son aleatorios. Por las propiedades explicadas,
para utilizar la distribucin normal estndar N(0, 1),es preferible utilizar la
variable estandarizada Z que se dene a continuacin, pues ella tiene desvia-
cin estndar unidad y valor esperado cero.
Z =
x
/
N
,
pues podemos usar la correspondiente tabla de valores centrales o inferiores
a un valor
z F (z) =
1
2
R
z
e
t
2
/2
dt. F (z) =
1
2
R
z
z
e
t
2
/2
dt.
1 0. 841 34 0. 682 69
2 0. 977 25 0. 954 5
3 0. 998 65 0. 997 3
4 0. 999 97 0. 999 94
los valores numricos, reas bajo la curva de Gauss, son las probabilidades
de que la variable estandarizada tenga valores menores que z, o entre z y
z respectivamente. De acuerdo a la gura la probabilidad de que la variable
z tenga valores entre y 1 es 0,8413. En este otro caso la probabilidad de
que la variable z tenga valores entre 1 y 1 es 0,6826.
Ejemplo 8.6.9 Se han hecho 100 lecturas x
i
de una variable aleatoria con
distribucin uniforme, resultados de un experimento, y ha resultado un valor
promedio x = 12,8, siendo la desviacin estndar de cada resultado el valor
= 0,5. Estime las probabilidades de que el valor esperado del promedio est
en determinados rangos en torno al valor x = 12,8.
Solucin. Primero que nada algunas aclaraciones. El promedio de los
100 valores es lo que se denomina el promedio muestral. Lo que se desea
es el valor esperado del promedio considerado como una variable aleatoria,
es decir . Dicho valor es naturalmente imposible de conocer con exactitud,
pues el Universo para este experimento es de tamao innito. Adems, se
8.6 Variables aleatorias 161
Figura 8.6: Area menor que z.
Figura 8.7: Area entre 1 y 1.
162 Elementos de probabilidades
ha proporcionado como informacin la desviacin estndar de cada medida,
valor que tampoco podramos en la prctica conocer por las mismas razones.
Ms adelante, en el captulo sobre estadstica, explicaremos como se puede
estimar algn valor para examinando muestras nitas, como es el caso
aqu. Aclarado esto, la solucin basada en que la variable Z tiene distribu-
cin normal estndar (aproximadamente para muestras grandes), se tiene por
ejemplo que la probabilidad de que Z est en el intervalo [1, 1] es 0,68269,
es decir con esa probabilidad podemos asegurar que
1 <
x
/
N
< 1,
o bien
x /
N < < x +/
N,
o numricamente
12,8 0,05 < < 12,8 + 0,05
resultado que suele escribirse como
= 12,8 0,05
con una probabilidad de un 68,3 %. Tambin se utiliza el trmino de intervalo
de conanza del 68,3 % al intervalo [12. 75, 12. 85]. Debe observarse que hay
dos factores que compiten. Si se desea aumentar el nivel de conanza (la
probabilidad), ello causa un ensanchamiento del intervalo de conanza. Ello
puede ser compensado aumentando el nmero N de medidas, pues ello tiende
a disminuir el ancho del intervalo de conanza como 1/
N.
N
Una parte de los resultados anteriores, El resultado de que la desviacin
estndar del promedio es /
2
x
= E(
1
N
X
x
i
2
),
aqu hay que cuidar sobre la independencia de las variables, pues al desarrollar
1
N
X
x
i
2
,
resulta
1
N
2
XX
x
i
x
j
2
N
2
X
x
i
+
2
,
donde debemos separar la suma doble en los trminos cuadrticos pues invo-
lucran variables dependientes, de los otros de la siguiente forma
1
N
2
(
X
i
x
2
i
+
X
i6=j
x
i
x
j
)
2
N
X
i
x
i
+
2
,
por lo tanto
2
x
=
1
N
2
(
X
E(x
2
i
) +
X
i6=j
E(x
i
)E(x
j
))
2
N
X
E(x
i
) +
2
,
que se reduce a
1
N
2
(NE(x
2
) + (N
2
N)
2
) 2
2
+
2
,
o bien nalmente a
2
x
=
1
N
E(x
2
)
2
=
2
N
.
Ms en general, puede demostrarse el teorema ms fuerte, llamado teore-
ma del lmite central, que colocamos aqu sin demostracin.
I Teorema 8.4 (Central del lmite)
Sean x
i
una sucesin de variables aleatorias independientes con funciones dis-
tribuciones arbitrarias con valores nitos para sus valores esperados E(x
i
) =
i
y varianzas V ar(x
i
) =
2
i
, entonces la variable
Z
n
=
P
n
i=1
(x
i
i
)
p
P
n
i=1
2
i
,
tiene distribucin normal N(0, 1) en el lmite n .
164 Elementos de probabilidades
8.6.6. Muestras pequeas
Recuerde que si N es grande, la variable Z indicada,
Z =
x
/
N
,
tiene distribucin N(0, 1). Sin embargo dado que la desviacin estndar de
la distribucin es desconocida, se suele estimarla mediante = s
n1
, es decir
usando la desviacin estndar insesgada de la muestra, siendo
s
2
n1
=
1
n 1
n
X
i=1
(x
i
x)
2
.
Sin embargo, el estadgrafo
t =
x
s
n1
/
n
,
considerado como una variable aleatoria debe tener una funcin distribucin
distinta a la normal, pues ahora no ms se puede considerar a s
n1
una cons-
tante, sino que es tambin una variable aleatoria. Fue el estadstico ingls
W.S.Gosset quin descubri la funcin distribucin de la variable t, denomi-
nada distribucin h
k
(t) denominada distribucin t de Student con k grados
de libertad. (Su trabajo fue publicado con el seudnimo de Student)
h
k
(t) =
(
k+1
2
)
(
k
2
)
k
(1 +
t
2
k
)
(k+1)/2
, < t < .
El trmino grados de libertad, corresponde al nmero de variables aleato-
rias independientes presentes en el estadgrafo considerado. Para el caso de
s
n1
estn involucradas las n variables aleatorias x
i
x, pero ellas no son
todas independientes, pues hay una relacin entre ellas
X
(x
i
x) = 0,
de modo que para ese caso hay n 1 grados de libertad, por lo tanto la
distribucin de
t =
x
s
n1
/
n
,
8.6 Variables aleatorias 165
es
h
n1
(t) =
(
n
2
)
(
n1
2
)
p
(n 1)
(1 +
t
2
n 1
)
n/2
, < t < . (8.4)
De aqu puede obtenerse como lmite para n
lm
n
h
n1
(t) =
1
2
e
t
2
2
,
la distribucin N(0, 1). Su grco para n = 5, 10, 15, y su lmite se indica a
continuacin
0
0.1
0.2
0.3
-4 -2 2 4
t
Distribucin T-Student.
8.6.7. Ms sobre funciones distribucin (f
d
)
Este tema requiere tambin de mucha matemticas, por lo tanto usted
puede omitirlo.
Unidimensional.
Cuando una variable x aleatoria continua tiene una f
d
conocida, interesa
determinar la f
d
de funciones de x. Por ejemplo si la variable x tiene distri-
bucin uniforme, cuales son las funciones distribucin de x
2
, de
x, etctera.
Para esto se presenta un teorema.
I Teorema 8.5
Sea x una variable aleatoria continua con f
d
f(x), donde por supuesto debe
ser f(x) no negativa. Suponga adems que y = h(x) es una funcin estric-
tamente montona (creciente o decreciente) y derivable, entonces la f
d
de la
166 Elementos de probabilidades
variable y est dada por
g(y) = f(x)
dx
dy
= f(h
1
(y))
1
h
0
(h
1
(y))
.
Aqu h
0
denota la derivada de h y h
1
denota la funcin inversa de h que por
las condiciones consideradas, existe.
Demostracin. Esto sigue de g(y) |dy| = f(x) |dx|, debindose expresar
x en funcin de y mediante x = h
1
(y). La funcin inversa existe por cuanto
la funcin h(x) es montona.
N
Si la funcin h(x) es continua, derivable, pero no montona ( su derivada
se anula en el rango), entonces debemos tener ms cuidado. Por ejemplo
suponga una variable x con distribucin uniforme en el intervalo [1, 1] la f
d
de y = x
2
(no montona) debe evaluarse de otra forma, as podemos escribir
g(y) |dy| =
X
y=x
2
f(x) |dx| ,
pues ahora hay dos valores de x correspondientes a un dado y. Ellos son
x =
y. As resulta
g(y) |dy| = f(+
y) |d
y| +f(
y) |d
y| ,
o bien
g(y) = (f(+
y) +f(
y))
1
2
y
,
pero f(x) =
1
2
en [1, 1], por lo cual resulta
g(y) =
1
2
y
, para 0 < y < 1
g(y) = 0 caso contrario.
8.6 Variables aleatorias 167
Bidimensional
Cuando se tienen dos variables aleatorias continuas x, y con f
d
conocidas,
f(x), y g(y), supuestas independientes, la f
d
de una funcin z = F(x, y), h(z)
puede evaluarse como sigue
h(z) |dz| =
Z
z=F(x,y)
f(x)g(y) |dxdy| , (8.5)
o sea la integral es sobre el rea entre las dos curvas F(x, y) = z, y F(x, y) =
z + dz. Como veremos en un ejemplo prctico, deberemos reemplazar las
variable (x, y) por otro conjunto (z, v) con v convenientemente elegida. En el
captulo sobre errores, se vern otras aplicaciones de esta relacin.
Generacin de una distribucin normal a partir de variables uni-
formes.
Ejemplo 8.6.10 Ejemplo, sean x, y continuas con distribucin uniforme en
el intervalo [0, 1] . Determine la f
d
de la variable z =
2 lnxcos 2y.
Solucin. Usaremos otra variable auxiliar v =
2 ln xsin 2y para
transformar la integral a variables z y v. De aqu puede obtenerse
2 lnx = z
2
+v
2
, x = e
1
2
(z
2
+v
2
)
,
tan2y =
v
z
, y =
1
2
arctan
v
z
,
y el jacobiano de la transformacin implica
|dxdy| = |dzdv|
x
z
x
v
y
z
y
v
=
1
2
e
1
2
z
2
1
2
v
2
|dzdv| ,
resulta entonces
h(z) =
Z
f(e
1
2
(z
2
+v
2
)
)g(
1
2
arctan
v
z
)
1
2
e
1
2
z
2
1
2
v
2
dv,
pero f = g = 1 de modo que nalmente se obtiene
h(z) =
1
2
e
1
2
z
2
(Adaptado de Numerical Recipes in Pascal)
168 Elementos de probabilidades
N
Nota 8.1 Esto tiene una evidente importancia para efectos de clculos nu-
mricos. En la mayor parte de los programas de computacin (C, Pascal,
Basic, etctera) estn desarrolladas rutinas para generar variables con dis-
tribucin uniforme en algn rango predeterrminado. Utilizando el resultado
anterior podemos entonces generar una variable z con distribucin normal
estndar.
Nota 8.2 Puede parecer perverso (Numerical Recipes in Pascal, The Art
of Scientic Computing) que la mquina ms precisa y determinista ideada
por el ser humano, el computador, pueda producir nmeros al azar. Todo
programa ideado debera producir un resultado completamente determinado
o predecible, por lo tanto no al azar. Sin embargo estos seudo generadores de
nmeros al azar, donde los nmeros que salen, nalmente cierran un ciclo,
generalmente muy largo, tienen muchas de las propiedades de los verdaderos
nmeros al azar, vea Knuth, Donald E. 1973, Sorting and Searching, vol. 3
of the Art of Computer Programming. (Addison - Wesley)
Nota 8.3 Qu es un verdadero nmero al azar? Aqu hay mucho de loso-
fa, pero segn se acepta hoy da, los fenmenos fsicos son intrnsecamente
probabilisticos, de modo que ellos pueden servir de base para generar verda-
deros nmeros al azar.
8.7. Ejercicios.
Ejercicio 8.7.1 Se lanzan tres monedas. Determine la probabilidad de ob-
tener
a) tres caras.
b) 2 caras y un sello.
c) 3 sellos.
c) al menos 2 caras.
Ejercicio 8.7.2 En un lanzamiento de dos dados, determine la probabilidad
de
8.7 Ejercicios. 169
a) sumen 7.
b) obtener dos nmeros iguales.
c) dos nmeros iguales o que sumen 8.
Ejercicio 8.7.3 En una caminata al azar, dando pasos hacia la izquierda
o hacia la derecha con la misma probabilidad, si los pasos son de un metro,
determine la probabilidad de que en 10 pasos, el avance sea de 8 metros hacia
la derecha.
Ejercicio 8.7.4 Respecto a la situacin del ejercicio anterior, determine la
posicin ms probable despus de 10 pasos.
Ejercicio 8.7.5 Una bolsa contiene 6 bolitas azules, 4 bolitas rojas y 2 bo-
litas verdes. Determine la probabilidad de al extraer sin reemplazo
a) tres de tres sean azules.
b) de cuatro, ninguna sea roja.
c) de tres, todas sean verdes.
Ejercicio 8.7.6 En un estudio para determinar la agudeza visual de una
persona se le presentan cuatro matices de diferente brillantes. Determine la
probabilidad de que ellos sean ordenados correctamente por casualidad.
Ejercicio 8.7.7 En una prueba de alternativas, cada pregunta tiene 5 al-
ternativas, siendo slo una de ellas correcta. Cul es la probabilidad de que
en 10 preguntas contestadas al azar, todas las respuestas sean correctas.
Ejercicio 8.7.8 Respecto a la pregunta anterior, si el estudiante tiene 5
respuestas buenas y 5 respuestas malas, cual debera ser su calicacin en la
escala de notas del 1 al 7.
Ejercicio 8.7.9 Si las variables aleatorias x
i
son independientes con valor
esperado y desviacin estandar , pruebe que
E(< x >) =
170 Elementos de probabilidades
Ejercicio 8.7.10 Si las variables aleatorias x
i
son independientes con valor
esperado
i
y desviacin estandar
i
, pruebe que la variable aleatoria
z =
X
a
i
x
i
tiene valor esperado
E(z) =
X
a
i
i
y varianza
2
z
=
X
a
2
i
2
i
Ejercicio 8.7.11 Si las variables aleatorias x
i
son independientes con valor
esperado y desviacin estandar , pruebe que la variable aleatoria < x >
tiene desviacin estndar (caso particular de lo anterior)
<x>
=
n
Solucin.
E( < x >
2
) =
1
n
2
E(
X
x
i
X
x
j
) =
=
1
n
2
E(
X
x
2
i
+
X
i6=j
x
i
x
j
)
=
1
n
E(x
2
i
) +
1
n
2
X
i6=j
E(x
i
x
j
)
=
1
n
E(x
2
) +
1
n
2
(n
2
n)
2
,
pero
E(x
2
)
2
=
2
,
por lo tanto
E( < z >
2
) =
1
n
(
2
+
2
) +
1
n
2
(n
2
n)
2
=
2
n
+
2
,
adems
E(< x >) = E(
1
n
X
x
i
) =
8.7 Ejercicios. 171
entonces
2
<x>
=
2
n
+
2
2
=
2
n
.
N
Ejercicio 8.7.12 Si las variables aleatorias undependientes x, y tienen dis-
tribucin de probabilidad uniforme en e intervalo [0, 10] detemine la funcin
distribucin de
a) z = x +y.
b) w = xy.
c) u = x
2
.
172 Elementos de probabilidades
Captulo 9
Estadstica de datos
9.1. Introduccin
Aqu nos preocuparemos de describir datos, provenientes o no de algn
experimento. Tendremos entonces un conjunto nito de datos, para el caso
que nos interesa nmeros reales, {x
i
} con i = 1, 2, , n. Este conjunto es
llamado una muestra en el caso de que dichos datos sean un subconjunto ob-
tenido por algn proceso selectivo de algn conjunto ms grande, usualmente
la poblacin o Universo de algn proceso de medicin, conjunto normalmente
de tamao innito, o bien simplemente los datos si ellos no provienen de
un conjunto ms grande. Sin embargo dicha conexin existente o no entre
muestra y poblacin, no es necesaria aqu. Se tiene simplemente una muestra
y por lo tanto toda la informacin relativa a la muestra est contenida en
la muestra misma. De hecho no hay ms informacin que ese conjunto ni-
to. Sin embargo en muchos casos las muestras son grandes o muy grandes y
ello requiere de tcnicas para resumir la informacin, o hacer la informacin
ms evidente sin necesidad de recorrer y examinar todos los valores. Para ese
efecto se ha desarrollado lo que se denomina la estadstica descriptiva, que
intenta describir las propiedades de las muestras mediante unos pocos par-
metros, denominados estadgrafos de la muestra. Podemos anticipar que
estos estadgrafos tendrn en algunos casos otra utilidad ms all de descri-
bir la muestra. Ello jugarn, junto a elementos de teora de probabilidad, un
rol importante en el hacer predicciones estadsticas con alguna determinada
probabilidad de acierto.
174 Estadstica de datos
9.2. Estadgrafos muestrales
En este libro, el tema central son resultados reales de algn experimento,
por ello consideraremos muestras de nmeros reales, siendo que en rigor bas-
tara considerar nmeros racionales por las incertezas propias de los procesos
de medicin. Haremos entonces algunas deniciones.
Definicion 9.2.1 El promedio muestral que se denota como x o < x > se
dene mediante
x =< x >=
1
n
n
X
i=1
x
i
. (9.1)
Definicion 9.2.2 La varianza muestral que se denota como s
2
n
se dene
mediante
s
2
n
=
1
n
n
X
i=1
(x
i
x)
2
. (9.2)
Definicion 9.2.3 La desviacin estndar de la muestra se dene mediante
s
n
=
v
u
u
t
1
n
n
X
i=1
(x
i
x)
2
Definicion 9.2.4 La varianza muestral (insesgada) s
2
n1
se dene mediante
s
2
n1
=
1
n 1
n
X
i=1
(x
i
x)
2
. (9.3)
La diferencia entre ambas es pequea si n es grande, pero como se explica ms
adelante, s
n1
es un mejor estimador de la desviacin estandar poblacional.
Definicion 9.2.5 La varianza muestral s
2
n
de la muestra se dene como
s
2
n
=
1
n
n
X
i=1
(x
i
x)
2
9.3 Distribuciones de frecuencia 175
La diferencia entre s
n
y s
n1
es mnima si n es grande, pero hay de
todos modos una diferencia conceptual que ser explicada ms adelante. Una
propiedad til que sigue de la denicin (9.2) mediante el desarrollo siguiente
s
2
n
=
1
n
n
X
i=1
(x
2
i
2x
i
< x > + < x >
2
),
o sea
s
2
n
=< x
2
> 2 < x >
2
+ < x >
2
,
o nalmente
s
2
n
=< x
2
> < x >
2
.
El signicado del promedio es conocido por todos. La desviacin estndar,
de acuerdo a (9.2), signica la raz del promedios de las diferencias cuadrti-
cas con el promedio. Se parece, pero no es igual al promedio de las distancias
al promedio. Claramente es imposible tratar de describir una muestra de n
elementos, con apenas un par de valores, pero algo es algo. Muchas veces los
detalles no son necesarios. En esa descripcin ayuda algo ms, examinar la
distribucin de frecuencias de la muestra, y su respectivo grco.
9.3. Distribuciones de frecuencia
Si se tiene una enorme muestra, mejor que examinar ese enorme listado
de valores, no se pierde demasiada informacin si los datos se agrupan en
intervalos o clases de igual ancho, indicando junto al respectivo intervalo, el
nmero de datos que tienen valor dentro de el, cuestin llamada la frecuencia
de la respectiva clase f
i
. Como valor representativo de la clase x
i
se suele usar
el promedio de los lmites de clases, es decir el valor central de la clase, aunque
ese valor podra no existir en la muestra. Por ejemplo, una tabla de frecuencia
tendra un aspecto como el siguiente.
176 Estadstica de datos
_
_
clase x
i
f
i
5 10 7,5 5
10 15 12,5 10
15 20 17,5 40
20 25 22,5 35
25 30 27,5 20
30 35 32,5 3
n = 113
_
_
Si esta es la informacin disponible, de aqu se pueden calcular apro-
ximadamente los estadgrafos muestrales con algunas modicaciones en las
frmulas. As
< x >=
1
n
X
clases
f
i
x
i
,
s
2
n1
=
1
n 1
X
clases
f
i
(x
i
< x >)
2
,
adems de representar la distribucinde datos de un sinnmero de formas
posibles. Por ejemplo diagrama de barras, lnea poligonal, diagrama de torta,
ajuste polinomial, etctera. El ms utilizado es un diagrama de barras, como
se ilustra en la gura siguiente, para el ejemplo dado.
f(x) =
_
_
5 if 5 < x < 10
10 if 10 < x < 15
40 if 15 < x < 20
35 if 20 < x < 25
20 if 25 < x < 30
3 if 30 < x < 35
Estas curvas, son a veces denominadas distribuciones experimentales de
probabilidad, pero ese concepto no ser usado aqu.
9.4. Mtodo de mnimos cuadrados
Supongamos que se tenga una muestra de tamao n, de pares de valores
(x
i
, y
i
). Un diagrama de dichos puntos en un grco X Y , puede mostrar
(o no) alguna tendencia a agrupacin cerca de alguna curva continua. Su-
pongamos que es aparente que los puntos se aproximan a cierta recta. Un
9.4 Mtodo de mnimos cuadrados 177
5
10
15
20
25
30
35
40
5 10 15 20 25 30 35 x
Figura 9.1: histograma de frecuencias.
problema que resuelve tambin la estadstica descriptiva es el encontrar la
ecuacin de la recta tal que la suma de los cuadrados de las diferencias en
y que se producen es mnima. Esto est relacionado pero no es una tcnica
de regresin lineal. Aqu no estamos hablando de modelos ni nada parecido.
As concretamente el problema es :
Se tienen n datos (x
i
, y
i
). (puntos en un plano)
Se busca una recta, es decir una funcin lineal y(x) = a +bx
Bajo la condicin que SSE =
P
(y(x
i
) y
i
)
2
sea un mnimo.
Utilizando la expresin lineal supuesta para y(x) debemos minimizar con
respecto a a y b, la expresin
SSE =
X
(a +bx
i
y
i
)
2
.
Si se desarrolla el cuadrado se tiene
SSE = b
2
X
x
2
i
+ 2ab
X
x
i
2b
X
x
i
y
i
2a
X
y
i
+
X
y
2
i
+a
2
.
Es decir se tiene una funcin cuadrtica en las variables a y b. Mediante tc-
nicas del clculo, detalles que usted puede omitir si tiene fe, resulta entonces
que los coecientes a y b deben ser tales que
a
X
(a +bx
i
y
i
)
2
=
X
2(a +bx
i
y
i
)x
i
= 0,
178 Estadstica de datos
b
X
(a +bx
i
y
i
)
2
=
X
2(a +bx
i
y
i
) = 0.
Estas ecuaciones pueden ser escritas en trminos de promedios, de la
siguiente forma
b < x
2
> +b < x > < yx >= 0,
b < x > +a < y >= 0,
de donde podemos despejar
b =
< yx > < x >< y >
< x
2
> < x >
2
,
por lo tanto
y(x) =< y > +
< yx > < x >< y >
< x
2
> < x >
2
(x < x >). (9.4)
Como explicamos podemos llamar
s
x
=
< x
2
> < x >
2
,
s
y
=
p
< y
2
> < y
2
>,
a las desviaciones estndar muestrales (estadgrafos de la muestra) de x,
y respectivamente. Para escribir el resultado (9.4) en otras formas, conside-
remos lo que sigue.
9.4.1. Variaciones
Medidas de las desviaciones de los datos y
i
respecto a su promedio, de los
datos y
i
respecto a la recta y de la recta respecto al promedio (ver gura 9.2),
se denominan variacin total, variacin no explicada y variacin explicada.
En forma ms precisa se denen (con diversas notaciones)
Variacin total S
yy
= SST.
SST = S
yy
=
X
(y
i
< y >)
2
.
9.4 Mtodo de mnimos cuadrados 179
Total No explicada Explicada
<y> <y> <y>
Figura 9.2: Variaciones.
Variacin no explicada SSE.
SSE =
X
(y
i
y(x
i
))
2
,
que fue la cantidad minimizada y
Variacin explicada SSR
SSR =
X
(y(x
i
) < y >)
2
.
I Teorema 9.1
Entre las variaciones denidas se tiene que
X
(y
i
< y >)
2
=
X
(y
i
y(x
i
))
2
+
X
(y(x
i
) < y >)
2
,
o
SST = SSR +SSE.
Demostracin. Desarrollando los cuadrados se tiene que
180 Estadstica de datos
SST =
X
(y
i
< y >)
2
= n(< y
2
> < y >
2
),
adems podemos desarrollar
SSE =
X
(y
i
y(x
i
))
2
=
X
(y
i
< y > a(x
i
< x >))
2
=
X
(y
i
< y >)
2
+na
2
(< x
2
> < x >
2
)
2an( < xy > < x >< y >),
pero
a = (< yx > < x >< y >)/(< x
2
> < x >
2
)
por lo que se puede escribir
SSE =
X
(y
i
< y >)
2
na
2
(< x
2
> < x >
2
),
por otro lado desarrollemos
SSR =
X
(y(x
i
) < y >)
2
= na
2
(< x
2
> < x >
2
),
que prueban el teorema.
N
9.4.2. Coeciente de correlacin lineal de Pearson
Se dene el coeciente de correlacin lineal de Pearson r, al coeciente
r =
r
variacin explicada
variacin total
,
Debe notarse que r = 1, si las desviaciones de los datos respecto al promedio
(la variacin total) son exclusivamente la desviacin de los valores de la recta
respecto al promedio, es decir todos los puntos caen sobre la recta. La eleccin
9.4 Mtodo de mnimos cuadrados 181
del signo se hace de acuerdo al signo del coeciente a, es decir el signo de la
pendiente. Si reemplazamos en la denicin se obtiene
r =
s
b
2
(< x
2
> < x >
2
)
(< y
2
> < y >
2
)
,
o bien
r = b
s
x
s
y
,
que puede nalmente escribirse
r =
< yx > < x >< y >
s
x
s
y
,
El signicado del coeciente de correlacin lineal r, es entonces 1, cuan-
do la variacin no explicada es cero, es decir cuando la cantidad minimizada
es cero, que corresponde a un ajuste perfecto. El signo de r corresponde al
signo de la pendiente de la recta de mnimos cuadrados pues
b = r
s
y
s
x
.
Tambin se dice que el ajuste es completamente imperfecto si r = 0, caso
que suele describirse diciendo que no hay correlacin lineal..
Finalmente nos quedamos con esta ltima versin de la ecuacin de la
recta ajustada por mnimos cuadrados a los datos:
y(x) =< y > +r
s
y
s
x
(x < x >).
Definicion 9.4.1 Aunque esta materia no tiene que ver con errores en las
mediciones (vea captulo siguiente), se dene el error estndar del ajuste,
como
s
est
=
r
P
(y
i
y(x
i
))
2
n
=
SSE,
el cual es evidentemente cero si el ajuste es perfecto.
Alternativamente podemos usar alguna expresin deducida ms arriba
SSE =
X
(y
i
< y >)
2
na
2
(< x
2
> < x >
2
) =
= n(< y
2
> < y >
2
) na
2
(< x
2
> < x >
2
)
= ns
2
y
nr
2
(
s
y
s
x
)
2
s
2
x
= ns
2
y
(1 r
2
)
182 Estadstica de datos
por lo cual
s
est
=
SSE = s
y
1 r
2
.
Note adems que este error tambin se reduce a cero si s
y
= 0, puesto que
en este caso todos los datos y
i
son iguales.
9.4.3. Resumen
Finalmente, al margen de las demostraciones, interesan los resultados,
que pueden escribirse como:
estadgrafos de una muestra x
i
, i : 1, . . . , n.
promedio muestral
< x >= x =
1
n
X
x
i
,
desviaciones estndar muestrales
s
n
=
r
1
n
X
(x
i
< x >)
2
=
< x
2
> < x >
2
,
s
n1
=
r
1
n 1
X
(x
i
< x >)
2
=
r
n
n 1
< x
2
> < x >
2
,
varianzas muestrales
s
2
n
=
1
n
X
(x
i
< x >)
2
= < x
2
> < x >
2
,
s
2
n1
=
1
n 1
X
(x
i
< x >)
2
=
n
n 1
(< x
2
> < x >
2
).
9.4 Mtodo de mnimos cuadrados 183
Para n grande, las diferencias entre los estadgrafos de dispersin de la mues-
tra s
n
y s
n1
son mnimas. (O entre s
2
n
y s
2
n1
) Sin embargo hay una diferencia
conceptual entre ellos. Si se trata de establecer la dispersin de los datos res-
pecto al promedio, cualquiera de ellos la dene de una manera. Sin embargo,
y esto ser establecido ms adelante, si se trata de estimar los valores de la va-
rianza (
2
) del Universo del cual la muestra proviene, es un mejor estimador
s
2
n1
.
Recta de ajuste de mnimos cuadrados
Forma 1:
y(x) =< y > +r
s
y
s
x
(x < x >).
Forma 2:
y(x) = a +bx.
Coeciente de correlacin lineal de Pearson
r ==
< yx > < x >< y >
s
x
s
y
.
Desviaciones estndar
s
x
=
< x
2
> < x >
2
,
s
y
=
p
< y
2
> < y >
2
.
Variacin total
SST =
X
(y
i
< y >)
2
= ns
2
y
.
184 Estadstica de datos
Variacin no explicada
SSE =
X
(y
i
y(x
i
))
2
= ns
2
y
(1 r
2
).
Variacin explicada
SSR =
X
(y(x
i
) < y >)
2
= nr
2
s
2
y
Error estndar del ajuste
s
est
=
r
P
(y
i
y(x
i
))
2
n
= s
y
1 r
2
.
Pendiente
b = r
s
y
s
x
=
n
P
x
i
y
i
P
x
i
P
y
i
n
P
x
2
i
(
P
x
i
)
2
=
< xy > < x >< y >
< x
2
> < x >
2
=
< xy > < x >< y >
s
2
x
.
Intercepto
a = < y > r
s
y
s
x
=
P
x
2
i
P
y
i
P
x
i
P
x
i
y
i
n
P
x
2
i
(
P
x
i
)
2
=
< x
2
>< y > < x >< xy >
< x
2
> < x >
2
=
< x
2
>< y > < x >< xy >
s
2
x
.
Tpicos ms avanzados se encuentran en el captulo siguiente sobre mo-
delos. All se explican, pero eso requiere de ms matemticas, las formas de
tratar los errores de los modelos lineales.
Captulo 10
Modelos lineales.
10.1. Introduccin.
En el captulo anterior se explic el llamado ajuste lineal de mnimos
cuadrados. En fsica, en la mayor parte de los casos, se tiene en mente un
modelo el cual debe ser contrastado con los datos obtenidos. En este punto,
generalmente la cuestin es: hay evidencia experimental para rechazar el
modelo? Si la respuesta es no, ello no signica que se haya elegido el mejor
modelo o que el modelo corresponda a la realidad. Pueden haber muchos
modelos distintos relativos al mismo fenmeno que no puedan ser rechazados
por la evidencia experimental. En este punto probablemente deba elegirse de
acuerdo a otro tipo de criterios. Por ejemplo: el ms simple, el ms elegante,
el que tenga menos parmetros, el que est de acuerdo con alguna teora
mas amplia, etctera. Desde nuestro personal punto de vista, la fsica expe-
rimental no demuestra cuestiones, sino que ms bien no descarta hiptesis
a menos que los datos as lo indiquen. Por ejemplo, no puede demostrarse
experimentalmente que la ley de interaccin entre dos cargas puntuales es
inversa al cuadrado de la distancia, sino ms bien debe decirse que no se
ha encontrado evidencia experimental para rechazar ese modelo. De hecho
las teoras - que son en cierta medida modelos - justamente son descartadas
cuando se encuentra evidencia experimental contraria.
En fsica existe una permanente bsqueda de las posibles relaciones entre
propiedades fsicas, algunas veces derivadas de alguna teora, otras veces por
experimentacin pura. En el primer caso, evidencia experimental en contrario
186 Modelos lineales.
causa un quiebre de la teora, mientras que en el segundo caso, si se encuen-
tra que una relacin no es objetable, se trata afanosamente de justicarla
tericamente, lo cual a su vez produce avances en las teora. El avance de
los mtodos experimentales encuentra caminos para producir avances en las
teoras, as tambin a la inversa.
En el captulo anterior se indicaron las tcnicas para hacer un ajuste de
mnimos cuadrados a un conjunto de datos. Es una pregunta frecuente del
cmo estimar los errores del ajuste, los errores de la pendiente y del intercep-
to. Es ms, muchos programas computacionales simplemente los calculan.
Sin embargo hay cuestiones conceptuales que es conveniente aclarar antes
de entrar a ese tema el cual requiere de matemticas algo avanzadas pero que
ser presentado de todos modos por completitud.
Si los datos fueran por ejemplo el consumo per cpita (y
i
) de algn pro-
ducto a travs del tiempo (x
i
), y los datos son los correctos, no hay nada
ms que hacer y el ajuste de mnimos cuadrados, resulte de la calidad que
sea, es todo lo que se puede hacer. Podramos a lo sumo hacer una prediccin
sobre el consumo per cpita del ao siguiente, pero no hay forma de estimar
su error aun cuando el ajuste de los aos anteriores sea perfecto. Esto es un
ejemplo pero hay muchsimas situaciones del mismo tipo.
Hay otro tipo de situaciones y eso hay que aclararlo a priori antes de
intentar aplicar las tcnicas que se explicarn.
10.2. Modelo lineal.
Es posible aventurar la hiptesis, basada en algn tipo de argumentos, de
que existe una relacin lineal entre dos variables (x, y). Por ejemplo basndose
en la teora electromagntica, se puede hacer la hiptesis de que la corriente
en un dispositivo es una funcin lineal del voltaje aplicado. Es decir se puede
conjeturar que
y = +x.
Los coecientes y se denominan los parmetros del modelo y se desea
tener alguna estimacin de ellos, y ojal establecer intervalos donde ellos
deberan encontrarse con alguna probabilidad especicada. Si se efectan
mediciones para un nmero de valores exactosde x se obtendr un conjunto
de valores medidos y los cuales por la naturaleza de los procesos de medicin,
tendrn errores. Es decir existir alguna distribucin de los valores y medidos.
10.2 Modelo lineal. 187
En otras palabras el conjunto (y
i
) constituye una muestra aleatoria, y los
coecientes del ajuste de mnimos cuadrados
y = a +bx,
es decir la
Pendiente
b =
< xy > < x >< y >
s
2
x
,
y el
Intercepto
a =
< x
2
>< y > < x >< xy >
s
2
x
.
pasan a ser variables aleatorias puesto que los y
i
lo son. Naturalmente, es
ahora importante dilucidar cuestiones acerca del cunto se acercan los valores
calculados de a y b a los valores verdaderos o sea los parmetros del modelo.
Del modelo
y = +x
de deduce que el valor esperado de y
i
es
E(y
i
) = +E(x
i
) = +x
i
.
Adems es fcil establecer que
E( < y >) =
1
n
X
E(y
i
) = + < x >,
E( < xy >) =
1
n
X
x
i
E(y
i
) =
1
n
X
x
i
( +x
i
)
= < x > + < x
2
> .
Entonces podemos calcular
E(b) =
E(< xy >) < x > E(< y >)
s
2
x
=
< x > + < x
2
> < x > ( + < x >)
s
2
x
= .
188 Modelos lineales.
Similarmente
E(a) =
< x
2
> E(< y >) < x > E(< xy >)
s
2
x
=
< x
2
> ( + < x >) < x > ( < x > + < x
2
>)
s
2
x
= .
Es decir hemos demostrado que:
I Teorema 10.1
a yb son estimadores insesgados de los parmetros y .
El clculo de la varianza de a y b es ms complicado. La tarea se simplica
algo si calculamos primero en general para una funcin lineal en los y
i
de la
forma
c =
X
i
d
i
y
i
Aceptaremos para los diversos x
i
las variables aleatorias y
i
, y
j
son inde-
pendientes y tienen la misma varianza .
Entonces
2
c
=
X
i
d
2
i
2
(y
2
i
) =
2
X
i
d
2
i
.
Luego de
b =
1
n
P
(x
i
< x >)y
i
s
2
x
,
podemos calcular
2
b
=
1
n
2
P
i
(x
i
< x >)
2
2
s
4
x
=
1
n
2
s
2
x
.
Similarmente de
a =
1
n
P
(< x
2
> < x > x
i
)y
i
s
2
x
,
sigue que
2
a
=
2
n
2
P
(< x
2
> < x > x
i
)
2
s
4
x
.
Usted podra probar que esto se puede escribir
2
a
=
2
n
< x
2
>
s
2
x
10.2 Modelo lineal. 189
10.2.1. Estimacin del parmetro .
Para que las frmulas anteriores tengan alguna utilidad, debemos ser
capaces de estimar . Se enuncia sin demostracin el siguiente teorema.
I Teorema 10.2
Un estimador insesgado de
2
es
s
2
=
SSE
n 2
.
Note que si el ajuste es perfecto SSE = 0. Adems de acuerdo al captulo
anterior
s
est
=
SSE = s
y
1 r
2
,
de modo que podemos estimar mediante
s =
s
y
1 r
2
n 2
10.2.2. Intervalos de conanza para y .
Aqu, nuevamente es necesario hacer algunas suposiciones. Podemos esti-
mar , mediante los coecientes a y b, pero debemos cuanticar algo sobre
la validez de la estimacin. El problema pasa por saber la distribucin de
probabilidad que tienen las variables aleatorias a(y) y b(y). A su vez esto
depende de la distribucin de probabilidad que tiene la variable aleatoria y.
Supondremos que la variable aleatoria y
i
es normal con valor esperado
= +x
i
y desviacin estandar .
Usted podra hacer otras suposiciones, pero es en este caso donde hay
varios teoremas que enunciamos sin demostracin:
I Teorema 10.3
Un intervalo de conanza del (1 p)100 % para el parmetro es
= b
st
p/2
s
x
n
donde t
p/2
es un valor de la distribucin t con n 2 grados de libertad.
190 Modelos lineales.
I Teorema 10.4
Un intervalo de conanza del (1 p)100 % para el parmetro es
= a
st
p/2
p
P
x
2
i
ns
x
donde t
p/2
es un valor de la distribucin t con n 2 grados de libertad.
I Teorema 10.5
Intervalo de prediccin. Un intervalo de conanza del (1 p)100 % para el
valor esperado de una medicin y
0
correspondiente al valor x
0
es
y
0
= y(x
0
) st
p/2
s
1 +
1
n
+
(x
0
< x >)
2
s
x
n
donde t
p/2
es un valor de la distribucin t con n 2 grados de libertad.
En estos teoremas la notacin
y = y
0
,
signica
y
0
< y < y
0
+,
y
s =
s
y
1 r
2
n 2
.
10.2.3. Valores particulares de t
p
.
Para calcular los intervalos de conanza sealados se requieren los valores
crticos t
p/2
para los cuales el nmero de grados de libertad es gl = n 2.
Por ejemplo si n = 20 y se desea un intervalo de conanza del 95 % entonces
gl = 18, p/2 = 0,05/2 = 0,025, t
p/2
= 2,101.
10.2 Modelo lineal. 191
gl.\p 0.10 0.05 0.025 0.01 0.005
1 3.078 6.314 12.706 31.821 63.657
2 1.886 2.920 4.303 6.965 9.925
3 1.638 2.353 3.182 4.541 5.841
4 1.533 2.132 2.776 3.747 4.604
5 1.476 2.015 2.571 3.365 4.032
6 1.440 1.943 2.447 3.143 3.707
7 1.415 1.895 2.365 2.998 3.499
8 1.397 1.860 2.306 2.896 3.355
9 1.383 1.833 2.262 2.821 3.250
10 1.372 1.812 2.228 2.764 3.169
11 1.363 1.796 2.201 2.718 3.106
12 1.356 1.782 2.179 2.681 3.055
13 1.350 1.771 2.160 2.650 3.012
14 1.345 1.761 2.145 2.624 2.977
15 1.341 1.753 2.131 2.602 2.947
16 1.337 1.746 2.120 2.583 2.921
17 1.333 1.740 2.110 2.567 2.898
18 1.330 1.734 2.101 2.552 2.878
19 1.328 1.729 2.093 2.539 2.861
20 1.325 1.725 2.086 2.528 2.845
21 1.323 1.721 2.080 2.518 2.831
22 1.321 1.717 2.074 2.508 2.819
23 1.319 1.714 2.069 2.500 2.807
24 1.318 1.711 2.064 2.492 2.797
25 1.316 1.708 2.060 2.485 2.787
26 1.315 1.706 2.056 2.479 2.779
27 1.314 1.703 2.052 2.473 2.771
28 1.313 1.701 2.048 2.467 2.763
29 1.311 1.699 2.045 2.462 2.756
inf. 1.282 1.645 1.960 2.326 2.576
192 Modelos lineales.
Captulo 11
Mtodo experimental
11.1. Medicin
El tema de las mediciones en Fsica es uno de los aspectos centrales de
este libro. Tambin intentaremos claricar algunos conceptos relativos a la
teora de errores (en las mediciones) y al tratamiento estadstico de datos,
temas sobre los cuales hay variadas interpretaciones. En esta introduccin se
tratarn en forma un tanto vaga conceptos que sern explicados con mayor
precisin ms adelante, por ejemplo los trminos de error, valor verdadero,
incerteza, acuciosidad, precisin, modelos, etctera.
Cualquier medicin involucra primero que nada la denicin de la propie-
dad fsica a ser medida y en segundo lugar involucra una comparacin (por
algn mtodo) con una propiedad fsica conocida del mismo tipo, la unidad
de medida. El proceso termina arrojando un nmero para la propiedad fsica
siendo medida, ms alguna estimacin del error cometido. El error se dene
como la diferencia entre el valor medido y el valor verdadero, hipottico valor
que posee la cantidad fsica.
El proceso de medicin siempre involucra algn intercambio de energa
entre el observador o el instrumento, con el objeto siendo medido. En muchos
casos eso produce un efecto despreciable sobre la determinacin realizada, pe-
ro en otros casos produce un efecto no despreciable que limita la acuciosidad
del valor logrado, sobre todo a nivel del mundo microscpico.
194 Mtodo experimental
11.2. Valor verdadero
Los errores en las mediciones estn bien denidos, aunque sean descono-
cidos, cuando el valor verdadero de la propiedad fsica siendo medida existe.
Este punto no est absolutamente claro, pero se cree que hay ciertas canti-
dades fsicas que tienen valor verdadero. Por ejemplo la carga del electrn o
del protn. La masa en reposo del electrn. La velocidad de la luz. Adems
existen constantes en las leyes de la fsica, las cuales tienen presumiblemen-
te un valor verdadero, por ejemplo la constante de gravitacin universal, la
constante de Planck, etctera. Por otro lado, la corriente que circula por un
dispositivo puede tener uctuaciones intrnsecas de causas desconocidas, que
indeterminan el concepto de valor verdadero, y por lo tanto el concepto de
error en su medicin. La aplicacin de teoras de errores o tratamiento es-
tadstico de datos que se explica ms adelante, requiere tener claridad sobre
estos aspectos. Considere por ejemplo el siguiente caso.
Caso 3 Es una prctica usual de algn curso de laboratorio de primer nivel,
entregarle a un alumno una esfera metlica, un instrumento para medir
longitudes, por ejemplo un pie de metro, y se solicita el dimetro de la es-
fera con su error.
Discusin. Este simple caso tiene muchos de los aspectos que nos pro-
ponemos claricar en este libro, por lo cual se analiza desde un punto de
vista crtico. Claramente, por la existencia de otro tipo de errores, errores
de fabricacin, no existen esferas perfectas. Por otro lado esferas imperfectas
simplemente no son esferas. Qu hacer? Para exagerar la situacin y que
esto queda algo ms claro, supongamos que en realidad se tiene un elipsoide.
Si el pie de metro se coloca varias veces para medir un dimetro en la
misma posicin relativa respecto al objeto, la distancia d entre los paralelas
a los puntos de contacto (ver gura 11.1) debe tener un valor verdadero
(suponiendo que no haya causas que la hagan variable), y los resultados
experimentales del proceso de medicin probablemente sean parecidos pero
distintos. De esto tratar la teora de errores, tratando de aproximarse al valor
verdadero de esa distancia. Para ello jugarn un papel importante aspectos
de la estadstica matemtica.
Si ese proceso se repite, para varias posiciones relativas del instrumento
respecto al objeto, se tendrn diversos valores, ahora no necesariamente pa-
recidos, cada uno con una estimacin de su error. Qu se puede decir sobre
11.2 Valor verdadero 195
d
Figura 11.1: medida con un pie de metro
el objeto siendo medido?. Para dilucidar este aspecto de la situacin es vi-
tal el uso del llamado tratamiento estadstico de datos y ajustes a modelos.
Aunque no lo describiremos aqu con detalle el ajuste a modelos hecho con
tcnicas estadsticas arrojar incertezas de algn tipo (no errores) sobre las
constantes del modelo an si los datos estuvieran libres de errores. A ello, a
las incertezas, mediante tcnicas conocidas como de propagacin de errores
se agregan los errores producto de los errores en los datos (si los hay).
Finalmente, la respuesta puede ser muy variada, dependiendo de la apli-
cacin prctica que se desee hacer con los resultados. Por ejemplo
El objeto se parece a una esfera de cierto dimetro con desviacin
estndar afecta de cierto error en el dimetro de cierto valor. Note
que rigurosamente hablando aqu se produce una mezcla de errores
propiamente tales, con otras incertezas producto de que el objeto no se
ajusta exactamente al modelo.
El objeto se ajusta mejor a un elipsoide con desviaciones estndar en
los semiejes de cierto valor. (para el caso analizado, estas desviaciones
estndar deberan ser menores que para el otro caso). Aplican asimismo
las mismas otras consideraciones del primer caso.
Por ltimo, uno debera quedarse con el modelo que mejor se aproxime
o ajuste a los datos, siendo necesario tambin analizar lo que ocurre si los
errores realizados en las mediciones superan las incertezas predichas por el
196 Mtodo experimental
modelo. Lo lgico en este caso ser decir que no hay evidencias experimentales
en contra del modelo elegido. Ms adelante, por su importancia, se analizar
una tcnica llamada regresin lineal mltiple, con las respectivas tcnicas
para establecer su validez, que es una de las tantas tcnicas para seleccionar
mejores modelos.
Este resumen se ha hecho a modo de introduccin para justicar lo que
viene. Deberemos aprender a tratar errores, a ajustar modelos mediante m-
todos estadsticos y nalmente discriminar la mejor respuesta posible.
11.3. Estandarizacin
Los primeros estndares de medicin aparecieron en las culturas medite-
rrneas y estaban basadas en partes del cuerpo humano, o en lo que algn
animal poda tirar, o en el volumen de algn depsito. La unidad egipcia
cubit se acepta que fu la unidad de longitud lineal ms extendida en el
mundo antiguo a partir de ao 3000 BC, y consista en la longitud entre
el codo del brazo hasta la punta de los dedos extendidos. Bueno, las cosas
han avanzado progresivamente y hoy da de acuerdo a una convencin in-
ternacional realizada en Pars en 1960 acordaron el sistema internacional de
unidades (SI) basado en siete unidades bsicas.
Las letras SI representan al Systme International dUnits. Este es
el sistema internacionalmente acordado para la mayor parte de los trabajos
cientcos y tecnolgicos en la mayora de los pases. Las Unidades SI son de
tres tipos base, suplementarias, y derivadas. Hay siete unidades base corres-
pondientes a las siete cantidades fsicas dimensionalmente independientes,
como se muestra en la tabla siguiente
Unidades SI base
Cantidad fsica Nombre Smbolo
longitud metro m
masa kilogramo kg
tiempo segundo s
corriente elctrica Ampre A
temperatura termodinmica Kelvin K
cantidad de substancia mol mol
intensidad luminosa candela cd
11.3 Estandarizacin 197
Unidades SI suplementarias
Cantidad fsica Nombre Smbolo
ngulo plano radin rad
ngulo slido estereorradin sr
Unidades SI derivadas
Cantidad fsica Nombre Smbolo
frecuencia Hertz Hz
energa Joule J
fuerza Newton N
potencia Watt W
presin Pascal Pa
carga elctrica Coulomb C
diferencia de potencial elctrico Volt V
resistencia elctrica Ohm
conductancia elctrica Siemens S
capacidad elctrica Farad F
ujo magntico Weber Wb
inductancia Henry H
densidad de ujo magntico 11.3 Tesla T
ujo luminoso Lumen lm
iluminacin Lux lx
*Tambin conocida como induccin magntica
Unidades SI se usan con catorce prejos para formar mltiplos decimales
y submltiplos de las unidades.
Prejos usados con unidades SI
Nombre de Nombre de
Factor Prejo Smbolo Factor Prejo Smbolo
10 deca- da 10
1
deci- d
10
2
hecto- h 10
2
centi- c
10
3
kilo- k 10
3
mili- m
10
6
mega- M 10
6
micro-
10
9
giga- G 10
9
nano- n
10
12
tera- T 10
12
pico- p
10
15
peta- P 10
15
femto- f
10
18
exa- E 10
18
atto- a
198 Mtodo experimental
11.4. Valores de algunas constantes fundamen-
tales
De acuerdo a la recomendacin de 1986, CODATA recomienda los si-
guientes valores de algunas constantes fundamentales
Cantidad Smb. Valor Unidad ppm
veloc. de la luz en vaco c 299792458 ms
1
0
permitiv. el. del vaco
0
4 10
7
NA
2
0
permitiv mag. del vaco
0
8.854187817.. 10
12
Fm
1
0
const. de gravitacin G 6.67259(85) 10
11
m
3
kg
1
s
2
128
const. de Planck h 1.05457266(63) 10
34
J s 0.60
carga electrn e 1.60217733(49) 10
19
C 0.30
masa electrn m
e
9.1093897(54) 10
31
kg 0.59
const. de Avogadro N
A
6.0221367(36) 10
23
mol
1
0.59
Los dgitos entre parntesis corresponden a la incerteza estndar en la
desviacin de los ltimos dgitos del valor dado. CODATA fu establecido en
1996 como un comit interdisciplinario del Consejo Internacional de uniones
cientcas (International Council of Scientic Unions). Tabla adaptada de
la Referencia NIST sobre Constantes, Unidades e Incertezas. La incerteza
relativa est expresada en partes por milln (ppm).
11.5. Las unidades bsicas.
las deniciones de las unidades bsicas, de espacio tiempo y masa, han
experimentado cambios con el propsito de adecuarse a los avances en los
mtodos experimentales, no existiendo razn alguna para suponer que las
actuales deniciones son las denitivas. La excepcin consiste en la unidad
de masa, el kilogramo, establecida en 1887. Hoy (1999), las deniciones acep-
tadas son las siguientes.
Definicion 11.5.1 El kilogramo se dene como la masa de un cilindro fabri-
cado con una aleacin de platino e Iridio que se conserva en la International
Bureau of Weights and Measures, en Sevres Francia.
11.6 Introduccin a errores 199
Este patrn (primario) no se ha cambiado debido a la extraordinaria
estabilidad de esa aleacin. Un duplicado (patrn secundario) se conserva en
el National Bureau of Standards en Gaitherburg.
Definicion 11.5.2 Un segundo es el tiempo que requiere un tomo de Cesio
133 para realizar 9.192.631.770 vibraciones, correspondientes a la transicin
entre dos niveles hipernos de su estado fundamental.
Esta denicin tiene la ventaja respecto a la denicin del kilogramo, de
no requerir de patrones especcos guardados en algn lugar, para su reali-
zacin. La pregunta que se puede formular es Cuando sera necesario hacer
una redenicin de esta unidad? Una respuesta posible es: Cuando las tcni-
cas experimentales permitan medir tiempos menores que el de una oscilacin
de las mencionadas. De este punto de vista, el tiempo est bien denido hoy
en da hasta ese lmite. No hay razn para suponer un lmite denitivo y si lo
hubiera, entonces el tiempo sera una propiedad fsica discreta (no continua).
Definicion 11.5.3 El metro se dene como la distancia recorrida por la luz
en el vaco en un intervalo de tiempo de 1/299,792,458 segundos.
Esta denicin est basada en la extraordinaria precisin con que actual-
mente se puede medir la velocidad de la luz, la cual se acepta hoy en da
que es exactamente 299,792,458 m/s. Si usted est preocupado porque el
intervalo de tiempo involucrado es demasiado pequeo, no se preocupe pues
se est bastante lejos de lo alcanzable, en ese lapso de tiempo el tomo de
Cesio 133 ha realizado 9,192,631,770/299,792,458 = 30. 663 vibraciones.
11.6. Introduccin a errores
11.6.1. Lmites de las mediciones.
La fsica no es una ciencia exacta por la imposibilidad concreta de de-
terminar exactamente los valores de las cantidades fsicas. Muchos son los
factores que inciden en la calidad de la determinacin de una cantidad fsica.
Por ejemplo
Errores de apreciacin. Cuando se utilizan instrumentos de medida, la
ltima cifra que podra determinarse se estima como una fraccin de
200 Mtodo experimental
la divisin ms pequea. Por razones de muy diversa ndole, si un ob-
servador repite estas mediciones, apreciar cada vez diversas fracciones
de la escala ms pequea. Estas constituyen errores de apreciacin que
supondremos variarn de manera aleatoria o casual. Los valores de-
terminados en cada medicin quedan entonces determinados hasta esa
ltima cifra, correspondiente a la fraccin estimada de la divisin ms
pequea, estando incierta la cifra siguiente. Por ejemplo si se utiliza
una regla graduada en mm para determinar una longitud, los valores
obtenidos podran ser
10,2 10,2 0,05 mm
10,1 10,1 0,05 mm
10,1 10,1 0,05 mm
10,3 10,3 0,05 mm
10,2 10,2 0,05 mm
10,1 10,1 0,05 mm
10,2 10,2 0,05 mm
10,3 10,3 0,05 mm
donde en la primera columna se indican solamente las cifras signi-
cativas y en la segunda se hace explcita la incerteza que se produce
producto del desconocimiento de la cifra que sigue. Para todo el proceso
que se explicar ms adelante, se utilizarn los valores como los dados
en la primera columna, pero para efectuar las operaciones matemti-
cas, como ser la determinacin del promedio y otras, se utilizarn las
reglas para operaciones con nmeros con cifras signicativas conocidas,
es decir se determinar el promedio con tres cifras signicativas y de
acuerdo a lo que se explica ms adelante, el resultado de la longitud se
puede escribir con un 68% de seguridad como
l = 10,2 0,02
Errores aleatorios o casuales. Adems de los errores de apreciacin,
caractersticas similares tienen los errores que son causados por cau-
sas o uctuaciones de causas desconocidas de las condiciones en cada
medida. Por ejemplo uctuaciones de la tensin de alimentacin de al-
gn instrumento. Fluctuaciones de la presin atmosfrica, temperatura
ambiente, etctera.
11.7 Errores aleatorios 201
Errores causados por falta de denicin. Aunque el proceso de medicin
fuera perfecto, pueden producirse uctuaciones de los valores medidos
por falta de denicin de la cantidad fsica siendo medida. Por ejemplo
si se miden los dimetros de un objeto esfrico, pueden producirse uc-
tuaciones de los resultados obtenidos simplemente porque el objeto no
es exactamente esfrico. O bien, al medir una supuesta corriente cons-
tante, se obtienen diversos valores porque la corriente no era realmente
constante. Este tipo de errores no son susceptibles de tratamiento es-
tadstico, por los cual lo nico que cabe es analizar la situacin caso
a caso. Puede ser grco distinguir este tipo de errores con errores
aleatorios del proceso de medicin.
Errores sistemticos. Estos errores pueden ser causados por defectos
de los aparatos de medicin y pueden ser detectados mediante la uti-
lizacin de otros aparatos o bien realizando ajustes o calibraciones de
los aparatos que se utilizan. Para ello es necesario disponer de patrones
de calibracin.
11.7. Errores aleatorios
Como se explic existen errores en las mediciones de diversos tipos, pero
los nicos susceptibles de un tratamiento estadstico son los errores aleatorios,
con los cuales algo se puede hacer con las herramientas que hemos conside-
rado. Supongamos entonces que hemos diseado un experimento donde se
miden propiedades fsicas A, B, etctera, con hipotticos valores verdaderos
existentes que llamaremos a, b, etctera. Por hiptesis, cuando slo hay erro-
res al azar, los resultados de las medidas tienen una cierta distribucin de
probabilidad, es decir podemos decir, que estamos sacando al azar, elementos
del universo de posibles valores de variables aleatorias que llamaremos x
A
,
x
B
, etctera. Estas variables aleatorias que supondremos son estadsticamen-
te independientes con valor esperado
A
,
B
, , y varianzas
2
A
,
2
B
, . La
hiptesis usual, no demostrable, es que los valores verdaderos son los valores
esperados de las respectivas variables aleatorias, es decir
a =
A
, b =
B
, .
Es necesario remarcar que nada se puede a priori decir del tipo de distri-
bucin que se tiene en cada proceso de medicin. Ella puede ser uniforme,
202 Mtodo experimental
Gaussiana, o de cualquier tipo. La hiptesis es que ella existe y su valor
esperado corresponde al valor verdadero de la cantidad fsica siendo medida.
11.7.1. Error de una medida
Por ahora, concentrndonos en la medicin de una cantidad fsica A. El
error (absoluto) de una medida x
i
se dene como
i
= x
i
,
valor imposible de determinar, pues no podemos conocer , el valor ver-
dadero o esperado de la distribucin. Sin embargo, hay formas de estimarlo,
cuestin que nos proponemos explicar. Para ello podemos utilizar el teorema
central del lmite que fu explicado en el captulo de probabilidades. Supon-
gamos que hemos hecho un nmero n de medidas, arrojando valores x
i
. Como
se explic en el captulo referido, si < x > indica el promedio, entonces la
variable aleatoria
z =
< x >
/
n
,
tiene distribucin normal estndar N(0, 1), si n es grande. La variable alea-
toria (promedio) < x > est dada por
x = < x > =
1
n
X
x
i
,
de manera que podemos precisar el intervalo central donde debe estar z si
damos su probabilidad, que ahora llamaremos nivel de conanza o seguridad.
De las tablas de la distribucin normal podemos deducir el valor numrico z
<
x
/
n
< z
,
con un 100 % de probabilidad, o despejando
x z
n
< < x +z
n
, con nivel
o sea el desconocido valor verdadero , est en un entorno pequeo del pro-
medio muestral si n es grande. Valores usuales, correspondientes valores de
z
1 0. 682 69
2 0. 954 5
3 0. 997 3
Sin embargo, no es conocido. De esto nos preocupamos en la seccin
que sigue.
11.7.2. Estimacin de
Por denicin, la varianza
2
es el valor esperado de la (x )
2
, es decir
V ar(x) =
2
=
Z
x
2
x
1
(x )
2
f(x)dx,
que puede desarrollarse as
2
=
Z
x
2
x
1
(x
2
2x +
2
)f(x)dx = E(x
2
)
2
similarmente desarrollemos
s
2
n1
=
1
n 1
n
X
i=1
(x
i
< x >)
2
=
n
n 1
(< x
2
> < x >
2
),
y calculemos los valores esperados
E( < x >
2
) =
1
n
2
E(
XX
x
i
x
j
) =
1
n
2
E(
X
x
2
i
+
XX
i6=j
x
i
x
j
)
=
1
n
2
(nE(x
2
) +
XX
i6=j
2
) =
1
n
2
(n(
2
+
2
) + (n
2
n)
2
),
E(< x >
2
) =
2
+
2
n
n
.
similarmente resulta
E(< x
2
>) = E(
1
n
X
x
2
i
) =
2
+
2
,
204 Mtodo experimental
por lo tanto, al reemplazar
E(s
2
n1
) =
n
n 1
(E(< x
2
>) E(< x >
2
)) =
2
.
Esta es la razn por la cual se llam a s
2
n1
un estimador insesgado de
la varianza de la distribucin de probabilidad, pues su valor esperado coin-
cide con la varianza de la funcin distribucin. Usaremos entonces como un
estimador para a la desviacin estndar muestral s
n1
, de modo que
x z
s
n1
n
< < x +z
s
n1
n
, con nivel ,
cuestin que suele escribirse ms livianamente como
= x z
s
n1
n
, con nivel de signicacin ,
de modo que podemos tambin estimar el rango donde est el error absoluto
de una medida x
i
con el mismo nivel de conanza , mediante
i
= x
i
= x
i
x z
s
n1
n
.
Lo que importa nalmente, es que nos hemos aproximado al valor verdadero,
obteniendo para las diversas variables siendo medidas, intervalos donde po-
demos asegurar con determinada probabilidad que su valor verdadero est.
O sea, para cada propiedad medida, tenemos nalmente sus valores con sus
errores
A
= < x
A
>
A
,
B
= < x
B
>
B
,
etctera
11.8. Sobre algunas caractersticas de los apa-
ratos de medicin.
En el anlisis de las mediciones se utilizan frecuentemente los trminos
de precisin y exactitud, que a veces son considerados en el lenguaje diario
como la misma cosa. Sin embargo son cuestiones muy diferentes.
11.9 Propagacin de errores 205
Exactitud. La exactitud es una medida de la ausencia de errores sistem-
ticos. Esto es considerando que los errores aleatorios pueden ser eli-
minados por el proceso estadstico que se describe ms adelante. En
otras palabras un aparato de medicin es ms exacto mientras ms se
acerque el valor promedio de las lecturas al valor verdadero.
Precisin. La precisin de un aparato es una medida de lo pequeo que son
los errores aleatorios, es decir un aparato muy preciso arrojar casi los
mismos valores en cada medicin en ausencia de errores personales o
de otro tipo.
Como puede comprenderse, exactitud requiere de precisin pero precisin
no garantiza exactitud.
Tambin es importante conocer los conceptos de resolucin y sensibilidad
de un instrumento.
Resolucin. La resolucin esta relacionada con el nmero de cifras signi-
cativas con que el instrumento muestra los resultados. Por ejemplo
si un instrumento medidor de velocidades indica una velocidad v =
1,18745 ms
1
podemos decir que este instrumento resuelve 0,00001
ms
1
. Este instrumento tiene mayor resolucin que otro que indicara
v = 1,18 ms
1
.
Sensibilidad. La sensibilidad es el cambio incremental ms pequeo que
puede detectar el instrumento. A primera vista se confunde con el con-
cepto de resolucin pero hay diferencias. De hecho, aparatos de me-
dicin electrnicos pueden aumentar su sensibilidad (por ejemplo am-
plicando la seal siendo medida) pero ello puede causar problemas
de estabilidad en la lectura, debindose en consecuencia mantener la
resolucin ja para tener lecturas estables.
11.9. Propagacin de errores
La pregunta que uno puede hacerse ahora es, si se conocen los errores de
propiedades fsica medidas A, B, cuales son los errores de expresiones tales
como A + B, AB, A
2
+ B, f(A, B), etctera. La respuesta pasa tambin
por una anlisis probabilstico, debemos poder decir algo de las funciones
de distribucin de las combinaciones de variables, suponiendo que ellas son
206 Mtodo experimental
estadsticamente independientes. Esto requiere de matemticas ms o menos
compleja por lo cual las demostraciones de dejan en el apndice para el que
se interese.
11.9.1. Funcin distribucin de la suma
Por ejemplo, sean f
A
y f
B
las funciones de distribucin de A y B. La
funcin distribucin de la suma ser
f(x)dx =
Z Z
R
f
A
(x
A
)f
B
(x
B
)dx
A
dx
B
,
en la regin R donde x
A
+x
B
= x, o bien
f(x) =
Z
f
A
(x
A
)f
B
(x x
A
)dx
A
,
as, es valor esperado de la suma ser
=
Z Z
xf
A
(x
A
)f
B
(x x
A
)dx
A
dx
si cambiamos variable x x
A
= x
B
=
Z Z
(x
A
+x
B
)f
A
(x
A
)f
B
(x
B
)dx
A
dx
B
=
Z
(x
A
f
A
(x
A
)dx
A
+x
B
f
B
(x
B
)dx
B
)
dando como resultado
=
A
+
B
.
Veamos ahora que pasa con las varianzas
11.9 Propagacin de errores 207
2
=
Z Z
(x
A
B
)
2
f
A
(x
A
)f
B
(x x
A
)dx
A
=
Z Z
(x
A
A
+x
B
B
)
2
f
A
(x
A
)f
B
(x
B
)dx
A
dx
B
=
Z Z
((x
A
A
)
2
+ 2(x
A
A
)(x
B
B
) +
(x
B
B
)
2
)f
A
(x
A
)f
B
(x
B
)dx
A
dx
B
=
2
A
+
2
B
,
es decir, las varianzas se suman
2
=
2
A
+
2
B
.
11.9.2. Funciones distribucin de dos variables
Como se estudi en el captulo de probabilidades (8.5) si la variable alea-
toria z depende funcionalmente de dos variables aleatorias x, y con f
d
, f(x)
y g(y) respectivamente, siendo z = F(x, y), la funcin distribucin de z ser
h(z) |dz| =
Z
z=F(x,y)
f(x)g(y) |dxdy| ,
donde la integral es sobre el rea entre las dos curvas F(x, y) = z, y F(x, y) =
z +dz. Por ejemplo
Producto de dos variables
Aqu z = xy, de donde resulta
h(z) |dz| =
Z
z=xy
f(x)g(y) |dxdy| ,
podemos pasar a variables a nuevas variables
x = x,
z = xy,
208 Mtodo experimental
para lo cual necesitamos el Jacobiano
det
x
x
x
y
z
x
z
y
= det
1 0
y x
= x,
siendo entonces
dxdy =
dxdz
x
,
por lo tanto
h(z) =
Z
f(x)g(
z
x
)
dx
x
,
es la funcin distribucin del producto.
Nos interesa ahora calcular
z
y
2
z
. Lo primero resultar
z
=
Z
zf(x)g(y)dxdy
=
Z
xf(x)dx
Z
yg(y)dy
=
x
y
.
Lo segundo es algo ms complicado
2
z
=
Z Z
(z
z
)
2
f(x)g(y)dxdy
=
Z Z
z
2
f(x)g(y)dxdy
2
z
=
Z
x
2
f(x)dx
Z
y
2
g(y)dy
2
z
= E(x
2
)E(y
2
)
2
z
,
pero E(x
2
) =
2
x
+
2
x
, E(y
2
) =
2
y
+
2
y
,
z
=
x
y
, luego si se reemplaza
resulta
2
z
=
2
y
2
x
+
2
x
2
y
+
2
x
2
y
.
Es necesario destacar que al menos en dos referencia ([?]), pag.48 y ([?]) pag.
185, se establece o se deduce incorrectamente que para este caso se tiene
2
z
=
2
y
2
x
+
2
x
2
y
.
Sin embargo, para estar seguros, en el programa que se acompaa, se
comparan ambas expresiones para variables aleatorias x, y generadas random
uniforme. Usted podr juzgar.
11.9 Propagacin de errores 209
Cuociente de dos variables
Aqu z = x/y, de donde resulta
h(z) |dz| =
Z
z=x/y
f(x)g(y) |dxdy| ,
podemos pasar a variables a nuevas variables
x = x,
z = x/y,
para lo cual necesitamos el Jacobiano
det
x
x
x
y
z
x
z
y
= det
1 0
1
y
x
y
2
=
x
y
2
,
siendo entonces
dxdy =
y
2
dxdz
x
=
xdxdz
z
2
,
por lo tanto
h(z) =
Z
f(x)g(
x
z
)
xdx
z
2
,
es la funcin distribucin del cuociente.
Nos interesa ahora calcular
z
y
2
z
. Ambas cosas son ahora obvias, pues
el cuociente es adems un producto, z = x(1/y) resultando
z
=
x
1/y
.
Si la notacin es algo confusa, podemos escribir para el caso en que las
variables aleatorias x, y son independientes
E(
x
y
) = E(x)E(
1
y
).
Lo segundo, el clculo de la varianza, es
2
z
=
2
x
2
1/y
+
2
1/y
2
x
+
2
x
2
1/y
.
210 Mtodo experimental
Caso general de dos variables (Usted puede omitir esta seccin)
Aqu z = F(x, y), de donde resulta
h(z) |dz| =
Z
z=F(x,y)
f(x)g(y) |dxdy| ,
podemos pasar a nuevas variables
x = x,
z = F(x, y),
para lo cual necesitamos el Jacobiano
det
x
x
x
y
z
x
z
y
= det
1 0
F
x
F
y
F
y
,
siendo entonces
dxdy =
dxdz
F
y
,
por lo tanto
h(z) =
Z
f(x)g(y)
dx
F
y
,
siendo necesario despejar y(z, x) de z = F(x, y).
h(z) =
Z
f(x)g(y(z, x))
dx
|F
y
(x, y(z, x))|
,
es la funcin distribucin de z = F(x, y).
Nos interesa ahora calcular
z
y
2
z
. Lo primero resultar
z
=
Z Z
F(x, y)f(x)g(y)dxdy.
y lo segundo
2
z
=
Z Z
(F(x, y)
z
)
2
f(x)g(y)dxdy (11.1)
=
Z Z
F
2
(x, y)f(x)g(y)dxdy
2
z
11.9 Propagacin de errores 211
Aproximacin para
2
z
Si se expande F(x, y) en serie de Taylor en torno a los valores esperados
x
y
y
se tiene
F(x, y) = F(
x
,
y
) + (x
x
)F
x
+ (y
y
)F
y
+
1
2
((x
x
)
2
F
xx
+ (y
y
)
2
F
yy
+ 2(x
x
)(y
y
)F
xy
) +
de donde resultar
z
= F(
x
,
y
) +
1
2
(
2
x
F
xx
(
x
,
y
) +
2
y
F
yy
(
x
,
y
)) + (11.2)
similarmente calculemos F
2
(x, y), pero no consideraremos trminos lineales
en (x
x
) ni en (y
y
) pues darn cero al integrar, as resulta
F
2
(x, y) = F
2
(
x
,
y
) + (x
x
)
2
F
2
x
+ (y
y
)
2
F
2
y
+
(x
x
)
2
(y
y
)
2
F
2
xy
,
por lo tanto
Z Z
F
2
(x, y)f(x)g(y)dxdy = F
2
(
x
,
y
) +
2
x
F
2
x
+
2
y
F
2
y
+
2
x
2
y
F
2
xy
,
(11.3)
luego resultar
2
z
=
2
x
(F
2
x
FF
xx
) +
2
y
(F
2
y
FF
yy
) +
2
x
2
y
F
2
xy
,
donde F y todas sus derivadas son evaluadas en el punto (
x
,
y
).
Como ejemplos
si F es lineal F = ax +by resulta
2
z
= a
2
2
x
+b
2
2
y
.
si F = xy resulta
2
z
=
2
y
2
x
+
2
x
2
y
+
2
x
2
y
si F = G(x)H(y)
212 Mtodo experimental
2
z
=
2
x
H
2
(G
02
GG
00
) +
2
y
G
2
(H
02
HH
0
) +
2
x
2
y
G
02
H
02
2
z
z
2
=
2
x
(G
02
GG
00
)
G
2
+
2
y
(H
02
HH
0
)
H
2
+
2
x
2
y
(
G
0
H
0
GH
)
2
2
z
z
2
=
2
x
x
G
0
G
2
y
y
H
0
H
+
2
x
2
y
(
G
0
H
0
GH
)
2
11.10. Resumen
Al margen de las demostraciones, los resultados que interesa destacar son
los siguientes:
Si la variable aleatoria x corresponde a diversas medidas de una canti-
dad fsica con errores al azar solamente, entonces esa variable tendra
alguna determinada funcin de distribucin de probabilidad, imposible
de determinar tericamente, ms que haciendo un sinnmero de medi-
ciones y haciendo algn histograma experimental. El valor verdadero
ser el valor esperado de esa desconocida distribucin de valores. El
error absoluto de cada medida ser simplemente
i
= x
i
,
El error estndar en una lectura cualquiera puede ser denido como la
desviacin estndar de esa distribucin
= lm
n
r
1
n
X
(x
i
)
2
,
valor imposible de determinar exactamente.
Sin embargo, la variable aleatoria promedio tiene una funcin dis-
tribucin terica para n grande, la distribucin Gaussiana. De all se
dedujo que si la variable aleatoria x corresponde a diversas medidas
de una cantidad fsica con errores al azar solamente, entonces el valor
verdadero de la cantidad fsica siendo medida est en el intervalo
x z
s
n1
n
< < x +z
s
n1
n
, con nivel de signicacin ,
siendo
11.10 Resumen 213
el promedio
x = < x > =
1
n
X
x
i
,
la desviacin estndar
s
n1
=
v
u
u
t
1
n 1
n
X
i=1
(x
i
x)
2
,
algunos valores de z
1 0. 682 69
2 0. 954 5
3 0. 997 3
.
De modo que al utilizar el promedio como estimador del valor verda-
dero, el error se puede escribir como
z
s
n1
n
.
Propagacin de errores estndar. Si dos cantidades fsicas A y B con
errores aleatorios tienen valores verdaderos y errores estndar conoci-
dos, es decir se conocen sus valores esperados
A
,
B
y sus varianzas
2
A
,
2
B
. Estas variables aleatorias las supondremos estadsticamente in-
dependientes. Entonces los valores verdaderos y los errores estndar de
algunas funciones f(A, B), la suma, el producto y el cuociente, son los
siguientes.
La suma
A+B
=
A
+
B
,
A+B
=
q
2
A
+
2
B
.
El producto
AB
=
A
B
,
AB
=
q
2
A
2
B
+
2
B
2
A
+
2
A
2
B
.
214 Mtodo experimental
El cuociente
A/B
=
A
1/B
,
A/B
=
q
2
1/B
2
A
+
2
A
2
1/B
+
2
A
2
1/B
.
11.10.1. Ejemplos de simulacin numrica
En el programa de ejemplo que se acompaa, usted puede denir una
funcin de dos variables, f(x, y) y generar un histograma de su funcin dis-
tribucin cuando las variables x, y tienen distribucin uniforme de valor
esperado y desviacin estndar denible por el usuario.
Captulo 12
Mtodos numricos
12.1. Generacin de nmeros random
Puede generar nmeros random enteros o reales x
i
con distribucin uni-
forme en un rango seleccionable [a, b], en un determinado nmero, y hacer
algunas pruebas para comprobacin de su calidad
te orico simulaci on
=
1
2
(a +b), < x >=
1
n
P
x
i
2
=
1
3
(a
2
+ab +b
2
). s
2
n1
=
1
n1
P
(x
i
< x >)
2
12.2. Generacin de N(0, 1)
Como se explic en el captulo de probabilidades, si x, y son variables
aleatorias alrededor con distribucin uniforme en el intervalo [0, 1] , entonces
las variables z =
2 ln xcos 2y, y v =
2
e
1
2
z
2
Esto est realizado en el programa, para visualizar como el histograma se
aproxima al de la distribucin normal.
216 Mtodos numricos
12.3. Distribucin del promedio
Si las variables x
i
tienen distribucin continua uniforme en el intervalo
[a, b] entonces la variable aleatoria
z =
< x >
/
n
,
debe tener distribucin normal N(0, 1) siendo
=
1
2
(a +b),
2
=
1
3
(a
2
+ab +b
2
),
cuestin que es examinada en el programa, para diversos n contrastando el
histograma obtenido con el esperado.
12.4. Distribucin t Student
Se examina la convergencia de la variable aleatoria
t =
x
s
n1
/
n
,
con =
1
2
(a + b), en trminos del tamao de la muestra a la distribucin t
de Student con n 1 grados de libertad
h
n1
(t) =
(
n
2
)
(
n1
2
)
p
(n 1)
(1 +
t
2
n 1
)
n/2
, < t < .
12.5. Integracin numrica.
12.5.1. Mtodo del punto medio:
Z
b
a
f(x) dx M
n
= x[f(x
1
) +f(x
2
) + +f(x
n
)]
donde
x =
b a
n
y
x
i
=
1
2
(x
i1
+x
i
)
es el punto medio de [x
i1
, x
i
].
12.6 Aproximaciones lineales y cuadrticas. 217
12.5.2. Mtodo del Trapecio:
b
Z
a
f(x) dx T
n
=
x
2
[f(x
0
) + 2f(x
1
) + 2f(x
2
) + + 2f(x
n1
) +f(x
n
)]
donde
x = (b a)/n y x
i
= a +i x
12.5.3. Cotas de error:
Suponga que |f
00
(x)| K para a x b. Si E
T
y E
M
denotan los errores
los mtodos del trapecio y del punto medio entonces
|E
T
|
K(b a)
3
12n
2
y |E
M
|
K(b a)
3
24n
2
12.5.4. Mtodo de Simpson:
Z
b
a
f(x) dx S
n
=
x
3
[f(x
0
) + 4f(x
1
) + 2f(x
2
) + 4f(x
3
) + + 2f(x
n2
)
+4f(x
n1
) +f(x
n
)]
donde n es par y x = (b a)/n.
12.5.5. Cota de error para mtodo de Simpson:
Suponga que
f
(4)
(x)
K para a x b. Si E
S
es el error en el mtodo
de Simpson, entonces
|E
S
|
K(b a)
5
180n
4
12.6. Aproximaciones lineales y cuadrticas.
12.6.1. Diferencial:
Definicion 12.6.1 Sea y = f(x), donde f es una funcin diferenciable.
Entonces la diferencial dx es una variable independiente; esto es, dx puede ser
218 Mtodos numricos
dada de cualquier valor. La diferencial dy es entonces denida en trminos
de dx por
dy = f
0
(x) dx
Los diferenciales dx y dy son ambos variables, pero dx es independiente,
mientras que dy es dependiente depende de los valores de x y dx. Si dx es
dado, entonces dy est determinado.
Si dx 6= 0, obtenemos
dy
dx
= f
0
(x). Esto es la derivada es la razn o
cuociente de dos diferenciales
12.6.2. Aproximacin lineal:
Definicion 12.6.2 La aproximacin lineal de f(x) cerca de a es
f(x) f(a) +f
0
(a)(x a)
12.6.3. Aproximacin cuadrtica:
Definicion 12.6.3 La aproximacin cuadrtica de f(x) cerca de a es
f(x) f(a) +f
0
(a)(x a) +
f
00
(a)
2
(x a)
2
Ejemplo 12.6.1 Sea
f (x) =
3x
2
+ 5
2x 4
y a = 3. La aproximacin lineal de f (x) cerca de 3 es
f(a) +f
0
(a)(x a) = 37 7x.
y la aproximacin cuadrticas es
f(a) +f
0
(a)(x a) +
f
00
(a)
2
(x a)
2
=
227
2
58x +
17
2
x
2
.
.
Las funciones y = (3x
2
+5)/(2x4), y = 377x, y = 227/258x+17x
2
/2
estn representadas en los grcos
12.7 Ajuste de curvas por polinomios. 219
-100
-50
0
50
100
150
200
y
-10 10 20 30
x
-20
0
20
40
60
80
y
1 2 3 4 5
x
-10
0
10
20
30
40
y
2 2.5 3 3.5 4 4.5
x
12
13
14
15
16
17
18
19
20
y
2.8 2.9 3 3.1 3.2
x
12.7. Ajuste de curvas por polinomios.
Un grco de puntos podra mostrar evidencia de la existencia de una
relacin polinomial. Para polinomios de grados dos y tres eso signica la
220 Mtodos numricos
existencia de ecuaciones de la forma
y = A+Bx +Cx
2
, o
y = A+Bx +Cx
2
+Dx
3
Lo datos siguientes establecen claramente una relacin no lineal. El m-
todo de los mnimos cuadrados puede usarse para ajustar un polinomio
0
2
4
6
8
-3 -2 -1 1 2 3
(3, 7), (2, 4), (1, 2), (0, 0), (1, 1,5), (2, 5), (3, 10)
El grco siguiente muestra el ajuste mediante una parbola (polinomio de
grado 2, en verde) y un polinomio de grado tres (curva roja).
0
2
4
6
8
10
y
-3 -2 -1 1 2 3
x
Para grado 2, resuelva el sistema de ecuaciones lineales para A, B, C:
An + B
X
X +C
X
X
2
=
X
Y
A
X
X +B
X
X
2
+C
X
X
3
=
X
XY
A
X
X
2
+B
X
X
3
+C
X
X
4
=
X
X
2
Y
12.8 Mtodo de Newton. 221
Para grado 3, resuelva el sistema de ecuaciones lineales para A, B, C, D:
An + B
X
X +C
X
X
2
+D
X
X
3
=
X
Y
A
X
X +B
X
X
2
+C
X
X
3
+D
X
X
4
=
X
XY
A
X
X
2
+B
X
X
3
+C
X
X
4
+D
X
X
5
=
X
X
2
Y
A
X
X
3
+B
X
X
4
+C
X
X
5
+D
X
X
6
=
X
X
3
Y
12.8. Mtodo de Newton.
Muchos problemas en ciencia e ingeniera conducen a un problema de
determinar las races de una ecuacin de la forma f(x) = 0 donde f es una
funcin diferenciable. Para una ecuacin cuadrtica ax
2
+bx +c = 0 es bien
conocido que
x =
(
b+
b
2
4ac
2a
,
2c
b+
b
2
4ac
.
.
Para ecuaciones de tercer y cuarto orden hay tambin frmulas, pero
que son complicadas. Si f es un polinomio de grado 5 o superior no existe
tal frmula. Asimismo no hay frmulas que nos permitan encontrar races
exactas de ecuaciones trascendentales como cos x = x. Mtodos que permitan
encontrar aproximaciones para las races de ecuaciones se han desarrollado.
Uno de tales mtodos se denomina mtodo de Newton-Raphson.
12.8.1. Mtodo de Newton-Raphson.
El mtodo de Newton se basa en la observacin de que la lnea tangente
es una buena aproximacin local a una funcin. Sea (x
0
, f(x
0
)) un punto de
la curva. La lnea tangente en ese punto ser
y f(x
0
) = f
0
(x
0
)(x x
0
).
Esta lnea cruza el eje-x donde y = 0. El valor de x ser
x = x
0
f(x
0
)
f
0
(x
0
)
.
222 Mtodos numricos
En general, dada una aproximacin x
n
a una raz de la funcin f(x), la lnea
tangente cruza el eje x donde
x
n+1
= x
n
f(x
n
)
f
0
(x
n
)
.
Dado x
0
, el mtodo de Newton produce una lista x
1
, x
2
, . . ., x
n
de aproxi-
maciones al cero de f.
En los grcos que siguen, f(x) = x x
3
, x
0
= 0,44, x
1
0,41, x
2
0,27, y x
3
0,048.
-0.4
-0.2
0
0.2
0.4
-1 -0.8 -0.6 -0.4 -0.2 0.2 0.4 0.6 0.8 1
x
x x
3
12.9. Serie de Taylor y Maclaurin.
Si f tiene una representacin en serie en torno de a, o sea si
f (x) =
X
n=0
c
n
(x a)
n
|x a| < R
entonces los coecientes son
c
n
=
f
(n)
(a)
n!
Substituyendo c
n
en la serie para f, se tiene la serie de Taylor:
f (x) =
X
n=0
f
(n)
(a)
n!
(x a)
n
= f (a)+
f0 (a)
1!
(x a)+
f00 (a)
2!
(x a)
2
+
f000 (a)
3!
(x a)
3
+...
12.9 Serie de Taylor y Maclaurin. 223
En el caso especial donde a = 0, se tiene la serie de Maclaurin:
f (x) =
X
n=0
f
(n)
(0)
n!
x
n
= f (0) +
f0 (0)
1!
x +
f00 (0)
2!
x
2
+
f000 (0)
3!
x
3
+...
Funciones que pueden ser representadas por series de potencia en torno
a a son llamadas analticas en a. Funciones analticas son innitamente dife-
renciables en a; eso es que tiene derivadas de todo orden en a. Sin embargo,
no todas las funciones innitamente diferenciable son analticas.
Las sumas parciales de Taylor son
T
n
(x) =
n
X
i=0
f
(i)
(a)
i!
(x a)
i
= f (a)+
f0 (a)
1!
(x a)+
f00 (a)
2!
(x a)
2
+...+
f
(n)
(a)
n!
(x a)
n
T
n
es un polinomio de grado n llamado el polinomio de Taylor de grado n de
f en a.
I Teorema 12.1
Si f (x) = T
n
(x) +R
n
(x), y
lm
n
R
n
(x) = 0
para |x a| < R, entonces f es igual a su serie de Taylor series en el intervalo
|x a| < R; esto es , f es analtica en a.
I Teorema 12.2 (Frmula de Taylor)
Si f tiene n+1 derivadas en el intervalo I que contiene el nmero a, entonces
para x en I hay un nmero z estrictamente entre x y a tal que el resto puede
ser expresado como
R
n
(x) =
f
(n+1)
(z)
(n + 1)!
(x a)
n+1
Para el caso especial n = 0, se tiene que
f (b) = f (a) +f0 (c) (b a)
este es el Teorema del valor medio.
224 Mtodos numricos
12.9.1. Serie importantes de Maclaurin.
Serie de Maclaurin Intervalo de Convergencia
1
1x
=
P
n=0
x
n
= 1 +x +x
2
+x
3
+... (1, 1)
e
x
=
P
n=0
x
n
n!
= 1 +
x
1!
+
x
2
2!
+
x
3
3!
+... (, )
sin x =
P
n=0
(1)
n
x
2n+1
(2n+1)!
= x
x
3
3!
+
x
5
5!
x
7
7!
+... (, )
cos x =
P
n=0
(1)
n
x
2n
(2n)!
= 1
x
2
2!
+
x
4
4!
x
6
6!
+... (, )
tan
1
x =
P
n=0
(1)
n
x
2n+1
2n+1
= x
x
3
3
+
x
5
5
x
7
7
+... [1, 1]
12.10. Ecuaciones diferenciales ordinarias.
El problema clsico de la ecuacin diferencial ordinaria de primer orden
es encontrar una funcin y(x) que satisfaga
dy
dx
= f(x, y),
dado el valor inicial de la funcin y(x
0
) = y
0
. Una variedad de mtodos
aproximados se han desarrollado, entre los cuales describiremos algunos.
12.10.1. Mtodo de Euler.
Se reemplaza la derivada por
dy(x)
dx
=
y(x +h) y(x)
h
,
siendo h algn nmero pequeo. As la ecuacin diferencial se transforma en
una ecuacin de diferencias
y(x +h) = y(x) +hf(x, y).
Si llamamos
x
k+1
= x
k
+h,
tenemos que
y(x
k+1
) = y(x
k
) +hf(x
k
, y
k
).
12.10 Ecuaciones diferenciales ordinarias. 225
12.10.2. Mtodo de Runge-Kutta.
Si h es un nmero pequeo y se denen
k
1
= hf(x, y),
k
2
= hf(x +h/2, y +k
1
/2),
k
3
= hf(x +h/2, y +k
2
/2),
k
4
= hf(x +h, y +k
3
),
entonces
y(x +h) = y(x) + (k
1
+ 2k
2
+ 2k
3
+k
4
)/6.
12.10.3. Mtodos predictor corrector.
Los mtodos predictor corrector hacen uso de una frmula para una pri-
mera aproximacin de y
k+1
, seguida de una frmula correctora que hace me-
joramientos sucesivos. As por ejemplo una primera aproximacin es
y
0
k+1
= y
k
+hy
0
k
,
que puede ser mejorada con
y
1
k+1
= y
k
+
1
2
(y
0
k+1
+y
0
k
)
= y
k
+
1
2
(f(x
k+1
, y
0
k+1
) +f(x
k
, y
k
)).
12.10.4. Mtodo de Milne:
Este mtodo requiere cuatro valores previos y la pareja predictora correc-
tora es
y
k+1
= y
k3
+ (4h/3)(2y
0
k2
y
0
k1
+ 2y
0
k
),
y
k+1
= y
k1
+ (h/3)(y
0
k+1
+ 4y
0
k
+y
0
k1
).
12.10.5. Mtodo de Adams.
y
k+1
= y
k3
+ (h/24)(55y
0
k
59y
0
k1
+ 37y
0
k2
9y
0
k3
),
y
k+1
= y
k1
+ (h/24)(9y
0
k+1
+ 19y
0
k
5y
0
k1
+y
0
k2
),
que al igual que el mtodo de Milne requiere de cuatro valores previos.
226 Mtodos numricos
12.10.6. Ecuaciones de orden mayor.
La ecuacin lineal
d
2
y
dx
2
= f(x, y,
dy
dx
),
se reduce a un sistema de ecuaciones de primer orden. Para ello dena p =
dy/dx y entonces
dy
dx
= p,
dp
dx
= f(x, y, p),
es un sistema de ecuaciones diferenciales de primer orden, que es resuelto
similarmente adaptando los mtodos anteriores.
12.11. Derivacin numrica.
Si tenemos una funcin conocida para valores discretos igualmente es-
paciados de las abcisas x
i
con x
i+1
x
i
= h, entonces existen algoritmos
que permiten estimar la derivada de distinto orden, utilizando determina-
do nmero de puntos.Las siguientes frmulas (Handbook of Mathematical
functions de Abramowitz) indican la forma de obtener la derivada con tres
o cuatro puntos correspondientes a abscisas igualmente espaciadas en una
cantidad pequea h.
Dos puntos. Tenemos las tres posibilidades
f
0
(x) =
_
_
_
(f(x +h) f(x))/h,
(f(x) f(x h))/h,
(f(x +h) f(x h))/2h.
Tres puntos, p = 1, 0, 1.
f
0
(x
0
+ph) =
1
h
(p
1
2
)f
1
2pf
0
+ (p +
1
2
)f
1
.
Cuatro puntos, p = 1, 0, 1, 2
f
0
(x
0
+ph) =
1
h
(
3p
3
6p + 2
6
f
1
+
3p
2
4p 1
2
f
0
3p
2
2p 2
2
f
1
+
3p
2
1
6
f
2
).
Captulo 13
Apndice
13.1. A) La distribucin exponencial.
El anlisis, que requiere conocimientos de matemticas algo elevados y
que conduce a la distribucin exponencial es el siguiente. Si la probabilidad
de que un dispositivo falle en entre tiempo t y tiempo t + dt, por hiptesis
es
f(t)dt
ser igual al producto de que no haya fallado en el intervalo t : 0 t, y
falle a continuacin, es decir
f(t)dt =
1
Z
t
0
f())d
dt
,
de aqu
df(t)
dt
=
f(t)
,
e integrando
f(t) = ce
,
normalizacin (certeza que falle alguna vez) requiere que
1 =
Z
0
ce
dt = c,
228 Apndice
de donde nalmente
f(t) =
1
,
13.2. B) El proceso de Poisson. Detalles.
Consideremos una fuente radioactiva que emite partculas y denamos
una variable aleatoria X(t
1
, t
2
) como el nmero de partcula emitidas durante
un intervalo de tiempo [t
1
, t
2
] . Como se explic, denotaremos tal funcin de
distribucin por
P
n
(t
1
, t
2
) = P [X(t
1
, t
2
) = n] .
Nos proponemos deducir la distribucin de probabilidad para la varia-
ble aleatoria recin denida haciendo algunas hiptesis. (Este es un ejemplo
donde la naturaleza intrnsecamente probabilista de la naturaleza se pone de
maniesto). Las suposiciones que haremos son las siguientes
Caso 4 Las variables X(t
1
, t
2
) y X(t
3
, t
4
) son independientes si los
intervalos de tiempo tienen interseccin vaca.
La funcin distribucin de X(t
1
, t
2
) depende slo de t
2
t
1
. (caso con-
trario tendramos que preocuparnos de cuando fue creada tal substancia
radioactiva, para empezar a contar el tiempo). Por lo tanto llamaremos
simplemente t al intervalo de tiempo
Si el intervalo de tiempo es pequeo, supondremos que la funcin de
distribucin para que haya una emisin es proporcional al intervalo de
tiempo. Es decir
P
1
(dt) = P [X(dt) = 1] = dt.
Supondremos tambin que si el intervalo de tiempo es innitsimo, la
probabilidad de tener ms de una emisin es despreciable, es decir
P
k
(dt) = P [X(dt) = k] = 0 si k > 1.
Tambin, la probabilidad de que no haya ninguna emisin en dt de
tiempo ser
P
0
(dt) = 1 dt,
de modo que conocemos P
0
para tiempos pequeos.
13.2 B) El proceso de Poisson. Detalles. 229
De acuerdo a lo anterior, la probabilidad de tener n + 1 emisiones en un
tiempo t+dt, es el producto de tener n emisiones en un tiempo t, multiplicada
por la probabilidad de tener una emisin en el intervalo dt, (o bien, por ello
+) la probabilidad de tener n + 1 emisiones en tiempo t y ninguna en dt, es
decir
P
n+1
(t +dt) = P
n
(t)dt +P
n+1
(t)(1 dt),
se ha obtenido una ecuacin funcional para determinar P
n
(t). Sin embargo
la probabilidad de no tener una emisin en tiempo t + dt es simplemente la
probabilidad de no emisin en tiempo t multiplicada por la probabilidad de
no emisin en tiempo dt, es decir
P
0
(t +dt) = P
0
(t)(1 dt),
que puede ser resuelta pues se obtiene
dP
0
(t)
dt
= P
0
(t),
o bien, mediante una integracin
P
0
(t) = P
0
(0)e
t
.
Considere ahora que
P
n+1
(t +dt) = P
n+1
(t) +P
0
n+1
(t)dt,
resultando
P
0
n+1
(t) = P
n
(t) P
n+1
(t),
sea P
n
(t) = g
n
(t)e
t
, con g
0
(t) = P
0
(0), resulta
g
0
n+1
= g
n
(t),
puede integrarse recursivamente obteniendo
g
1
(t) = P
0
(0)t,
y
g
2
(t) =
1
2!
2
P
0
(0)t
2
,
230 Apndice
y nalmente
P
n
(t) =
1
n!
n
P
0
(0)t
n
e
t
,
normalizacin exige que
n=
X
n=0
P
n
(t) = 1,
resultando P
0
(0) = 1, y nalmente
P
n
(t) =
1
n!
(t)
n
e
t
,
13.3. C) Algunos detalles matemticos.
Aqu se explican los detalles para el caso en que las variables x
i
(i =
1, 2, N) son independientes con distribucin uniforme en el intervalo
2
,
2
,
y se desea obtener la distribucin de la variable aleatoria
x =
1
N
N
X
i=1
x
i
en el lmite para N muy grande. (Estos detalles requieren de slidos conoci-
mientos de matemticas que si usted desea puede omitir)
Haciendo uso de la independencia de las variables, podemos entonces
escribir la expresin
f(x)dx =
Z
Z
P(x
1
)dx
1
P(x
2
)dx
2
P(x
N
)dx
N
N
N
X
i=1
dx
i
y
P(x) =
_
_
_
0 si x <
1
2
1 si
1
2
< x <
1
2
0 si x >
1
2
e
ikx
dk,
de modo que
f(x)dx =
Z 1
2
1
2
Z 1
2
1
2
P(x
1
)dx
1
P(x
2
)dx
2
P(x
N
)dx
N
(x
1
N
N
X
i=1
x
i
)dx,
pero
f(x)dx =
1
2
Z
e
ikx
dk
Z 1
2
1
2
Z 1
2
1
2
P(x
1
)dx
1
P(x
2
)dx
2
P(x
N
)dx
N
N
P
N
j=1
x
j
dx,
que puede ser escrita como
f(x) =
1
2
Z
e
ikx
dk
Z 1
2
1
2
dze
ik
1
N
z
!
N
,
pero
1
Z 1
2
1
2
e
ik
1
N
z
dz =
2
N
k
sin
k
2
N
,
luego
f(x) =
1
2
Z
e
ikx
dk
N
k
sin
k
2
N
!
N
para evaluar el lmite cuando N , usemos la expansin
sin z = z
1
6
z
3
, de modo que resulta
232 Apndice
f(x) =
1
2
Z
e
ikx
dk
1
1
24
2
k
2
N
N
,
o bien
1
2
Z
e
ikx
2
k
2
24
dk,
que es evaluada mediante tablas
1
2
6x
2
24
pero
V ar(x) =
2
=
1
Z 1
2
1
2
x
2
dx =
1
12
2
,
por lo cual
f(x) =
1
2
e
x
2
2
2
,
13.4. D) La distribucin binomial.
Si se repite varias veces el experimento donde hay dos resultados posibles
A con probabilidad p y B con probabilidad q = 1p, entonces la probabilidad
de que en n experimentos ocurran m resultados A, en cualquier orden, es la
llamada distribucin binomial
P =
n
m
p
mnm
=
n!
m!(n m)!
p
m
q
nm
. (13.1)
Podemos vericar que est correctamente normalizada pues
n
X
m=0
n
m
p
m
q
nm
= (p +q)
n
= 1.
13.4 D) La distribucin binomial. 233
13.4.1. El valor esperado de m.
Su denicin es
E(m) =
n
X
m=0
m
n
m
p
m
q
nm
,
que puede ser evaluado mediante un truco. En efecto
E(m) = p
n
X
m=0
m
n
m
p
m1
q
nm
= p
p
n
X
m=0
n
m
p
m
q
nm
= p
p
(p +q)
n
= np(p +q)
n1
= np,
nalmente
E(m) = np.
13.4.2. La varianza de m.
Debemos calcular
E(m
2
) =
n
X
m=0
m
2
n
m
p
m
q
nm
,
sumatoria ms dicil de calcular. Similarmente a lo hecho anteriormente
E(m
2
) = p
n
X
m=0
m
2
n
m
p
m1
q
nm
= p
p
n
X
m=0
m
n
m
p
m
q
nm
= p
p
p
n
X
m=0
m
n
m
p
m1
q
nm
= p
p
p
p
n
X
m=0
n
m
p
m
q
nm
= p
p
p
p
(p +q)
n
= np
p
p(p +q)
n1
= np((p +q)
n1
+ (n 1)p(p +q)
n2
),
234 Apndice
pero
p +q = 1,
luego
E(m
2
) = np(1 + (n 1)p).
Entonces
2
m
= E(m
2
) (E(m))
2
= np(1 + (n 1)p) n
2
p
2
= np(1 p) = npq,
= E(m)(1 p)
Para p = q =
1
2
se tiene que
E(m) =
1
2
n,
2
m
=
1
4
n.
13.4.3. Lmite para n grande
Considere (13.1) y tomemos su logaritmo
y(m) = ln P = ln n! ln m! ln(n m)! +mlnp + (n m) ln q,
y usemos la aproximacin de Stirling para nmeros grandes
ln n! = nlnn n,
entonces
y(m) = nln n mlnm(n m) ln(n m) +mln p + (n m) ln q.
Para expandir en torno al mximo derivemos respecto a m
y
0
(m) = lnm+ ln (n m) + lnp ln q,
y
00
(m) =
n
m(n m)
.
13.4 D) La distribucin binomial. 235
El mximo ocurre cuando y
0
(m
0
) = 0 o sea m
0
= np =
m
. La expansin
buscada ser
y(m) = y(m
0
)
1
2
n
m
0
(n m
0
)
(mm
0
)
2
,
= y(m
0
)
1
2
1
npq
(mm
0
)
2
,
= y(m
0
)
1
2
1
2
m
(m
m
)
2
,
de modo que nalmente
P(m) = Ce
1
2
1
2
m
(m
m
)
2
,
P(m) = Ce
1
2
1
npq
(mnp)
2
,
es decir, una distribucin Gaussiana.
13.4.4. Caminata al azar
Como un ejemplo, analizaremos la caminata al azar, donde un punto
puede moverse a la derecha o hacia la izquierda con probabilidad p a la
derecha y q hacia la izquierda, con longitud de pasos pequea d, y deseamos
encontrar la funcin distribucin de probabilidad de su posicin x, cuando
los pasos son de longitud d y han ocurrido N pasos en total
Para m pasos a la derecha y por lo tanto N m pasos a la izquierda, la
posicin x estar dada por
x = {m(N m)} d = {2mN} d,
y la probabilidad de este valor de x estar dado por la distribucin binomial
P =
N
m
p
m
q
Nm
=
N!
m!(N m)!
p
m
q
Nm
.
Expresemos esto en trminos de la variable x. Tenemos que
m =
N
2
+
x
2d
,
N m =
N
2
x
2d
.
236 Apndice
En particular si los pasos a la derecha y a la izquierda ocurren con la misma
probabilidad entonces
p = q =
1
2
,
y tendremos
P
N
(x) =
N!
(
N
2
+
x
2d
)!(
N
2
x
2d
)!
(
1
2
)
N
.
A medida que la longitud de los pasos tiende a cero, y el nmero de pasos
tiende a innito, la variable x tiende a ser una variable continua. En forma
ms precisa buscaremos el lmite cuando N , tendiendo d 0 en la
forma
d =
N
.
Luego la probabilidad de que la variable x tenga valores entre x = {2mN} d
y x = {2m+ 2 N} d, es decir en el intervalo
dx = 2d =
2
N
en torno de x ser
f(x)dx = f(x)
2
N
=
N!
(
N
2
+
x
2d
)!(
N
2
x
2d
)!
(
1
2
)
N
de donde (el lgebra es algo tediosa)
f(x) =
N
2
N!
(
N
2
+
x
2d
)!(
N
2
x
2d
)!
(
1
2
)
N
=
N
2
N!
(
N
2
+
x
2
N)!(
N
2
x
2
N)!
(
1
2
)
N
=
N
2
N!
(
N
2
(1 +
x
N
)!(
N
2
(1
x
N
)!
(
1
2
)
N
cuestin sobre la que tomaremos el lmite cuando N . Para ello usaremos
la llamada aproximacin de Stirling
n!
2nn
n
e
n
13.4 D) La distribucin binomial. 237
podemos aproximar
(
N
2
(1 +))! =
r
2
N
2
(1 +)(
N
2
(1 +))
N
2
(1+)
e
N
2
(1+)
(
N
2
(1 ))! =
r
2
N
2
(1 )(
N
2
(1 ))
N
2
(1)
e
N
2
(1)
y entonces
(
N
2
(1 +))!(
N
2
(1 ))! = N
1
2
(
N
2
)
N
(1
2
)
N
2
(1 +)
N
2
()
(1 )
N
2
()
e
N
N! =
2NN
N
e
N
resultando
f(x) = =
N
2
2NN
N
(1 )
N
2
()
N
1
2
(
N
2
)
N
(1
2
)
N
2
(1 +)
N
2
()
(
1
2
)
N
=
1
2
2(1
x
N
)
N
2
(
x
N
)
1
2
(1
x
2
2
N
)
N
2
(1 +
x
N
)
N
2
(
x
N
)
=
1
2
(1
x
N
)
x
N
2
(1
x
2
2
N
)
N
2
(1 +
x
N
)
x
N
2
=
1
2
(e
)
x
2
e
x
2
2
2
(e
x
)
x
2
=
1
2
e
x
2
2
2
.
Donde hemos usado
(1 +
x
N
)
N
e
x
.
Sorprendentemente, hemos encontrado que se trata de la distribucin normal.
f(x) =
1
2
e
x
2
2
2
.
con valor esperado cero y desviacin estndar . Para efectos de hacer clcu-
los numricos
= d
N
con N grande debemos hacer pasos pequeos d = /
Ncon arbitrario.