Uno de los tipos ms comunes e interesantes de experimento involucra la medicin de varios valores de dos diferentes variables fsicas a fines

de investigar la relacin matemtica entre las dos variables. Ud. mismo ha realizado experimentos de esta clase en este curso. Sin embargo, en dichos experimentos el ajuste de los datos a una funcin propuesta, tal como una lnea recta, fue realizada en forma cualitativa, es decir, a ojo. Existen formas cuantitativas de encontrar el valor de los parmetros que mejor representan a un conjunto de datos, y es precisamente este tema el que trataremos en esta Seccin. Le recomendamos nuevamente que, adems del breve desarrollo includo en este apunte, consulte la bibliografa recomendada por la Ctedra. Probablemente, los experimentos ms comunes del tipo descripto ms arriba son aquellos para los cuales la relacin esperada entre las variables es lineal. Por ejemplo, si creemos que un cuerpo est cayendo con aceleracin constante g, entonces su velocidad v debera ser una funcin lineal del tiempo t, v = v0 + gt. En forma ms general, consideraremos un par cualquiera de variables fsicas x e y de las cuales sospechemos que estn relacionadas por una relacin lineal de la forma y = A + Bx, donde A y B son constantes. Si las dos variables y y x estn relacionadas de esta manera, entonces un grfico de y versus x debiera resultar en una lnea recta de pendiente B, que intersecta al eje y en y = A. Si medimos N diferentes valores de x y los correspondientes valores de y, y si nuestras mediciones no estn sujetas a incerteza alguna, entonces cada uno de los puntos (xi, yi) caera exactamente sobre la lnea y = A +Bx. En la prctica, existen incertezas, y lo mejor que podemos esperar es que la distancia entre cada punto y la recta sea razonable comparada con las incertezas, tal como en el caso de la siguiente figura:

Las inevitables incertezas experimentales se muestran a travs de las barras de error, y slo podemos esperar que los puntos estn razonablemente cerca de la recta. En este caso, slo la variable y est sujeta a incertezas apreciables.

Cuando realizamos una serie de mediciones de este tipo, podemos hacernos dos preguntas. En primer lugar, si tomamos por garantido quey y x estn relacionadas linealmente, entonces el problema es encontrar la recta y = A + Bx que mejor se ajusta a las mediciones, es decir, las mejores estimaciones para los valores de A y B. Este problema puede tratarse grfica o analticamente. El mtodo analtico de encontrar la mejor recta que se ajusta a una serie de datos experimentales es llamadoregresin lineal, o ajuste de mnimos cuadrados para una recta. La segunda pregunta que surge es si los valores medidos realmente llenan nuestras expectativas acerca de la linealidad entre y y x. Para contestar a esta pregunta, deberamos primero encontrar la recta que mejor se ajusta a los datos, y adems encontrar alguna forma de medir qu tan bien esta lnea se ajusta a los datos. Si conocemos las incertezas asociadas a los datos, como en el caso de la figura 5, podemos evaluar el ajuste visualmente. Si no tenemos una estimacin

confiable de las incertezas, entonces tenemos que analizar la bondad del ajuste examinando la distribucin de los puntos mismos. Este problema, relacionado con los conceptos de covarianza y correlacin, no ser tratado en esta Seccin. Vayamos a la cuestin de encontrar la recta y = A + Bx que mejor se ajusta a un conjunto de puntos (x1, y1),..., (xN, yN). Para simplificar nuestra discusin, supondremos que slo las incertezas de la variable yson apreciables. Esta suposicin es frecuentemente muy razonable, porque es comn el caso en que las incertezas en una variable son muchos ms grandes que en la otra. Supondremos adems que todas las incertezas en y tiene la misma magnitud. (Esta suposicin es tambin razonable en muchos experimentos. Si las incertezas fueran diferentes, existen formas de generalizar el anlisis dndole un peso adecuado a las distintas mediciones). Si conociramos las constantes A y B, entonces, para cualquier valor xipodramos calcular el verdadero valor yi que le corresponde: (verdadero valor de yi) = A + B xi. La desviacin de esta magnitud respecto al valor medido se puede escribir entonces como: yi = yi (A + B xi). Intuitivamente, vemos que un criterio razonable para elegir la recta que mejor se ajusta a los puntos experimentales es elegir aquella que minimice la suma de los cuadrados de las desviaciones individuales dyi. Esto significa que el valor de los parmetros A y B estar dado por las siguientes dos condiciones: (/A)[ ( yi)2] = -2 (yi - A - B xi)2 = 0 (/B)[ ( yi)2] = -2 xi (yi - A - B xi)2 = 0.

La resolucin simultnea de estas ecuaciones resulta en las expresiones siguientes (demustrelo!): A = ( xi2 yi - xi xi yi )/ , B = ( N xi yi - xi yi )/ , donde = N xi2 - ( xi )2 . Como vemos, la aplicacin del criterio de minimizacin de la suma de los cuadrados de las desviaciones resulta en la obtencin de resultados objetivos para los parmetros A y B. Adems de que este criterio es intuitivamente razonable, se puede demostrar que si la medicin de cada yi est gobernada por una distribucin Gaussiana, entonces la mejor estimacin de los parmetros A y B es aquella que minimiza la suma ( yi)2. La desviacin estndard de la pendiente y la ordenada al origen se calculan en trminos de la desviacin estndard s y de la distribucin de valores de yi alrededor de la mejor recta (en el sentido de los cuadrados mnimos). Esta desviacin estndard est dada por
y

= [ ( yi)2 / (N 2)]1/2.

El factor (N 2) obedece a razones que no demostraremos aqu, y que estn ligadas al nmero de grados de libertad disponibles. (Para una justificacin estadstica ms profunda refirase a la bibliografa sugerida). Usando esta expresin para la incerteza de los valores medidos yi , podemos usar propagacin de errores para escribir las incertezas en las cantidades A y B:
A

=
B

( xi2 / )1/2
y

(N / )1/2.

De esta forma, la aplicacin del criterio de cuadrados mnimos nos ha permitido encontrar la mejor estimacin de los parmetros A y B, as como tambin su incerteza. Es fcil demostrar que si por alguna razn tenemos motivos para suponer que la mejor recta debe pasar por el origen de coordenadas, o sea que es de la forma y = Bx, entonces la mejor estimacin para la constante B es: B = xi yi / xi2. La incerteza en B est dada en este caso por:
B

/ ( xi2 )1/2 = [ (yi - Bxi)2 / (N 1)]1/2 / ( xi2)1/2.