UNIDAD 1.

REPRESENTACIÓN DE DATOS EXPERIMENTALES1

Importancia de la representación gráfica

La presentación y análisis de los resultados experimentales debe considerarse como

parte integral de los experimentos. Es realmente útil que los datos obtenidos se
presenten en un gráfico, donde quede concentrada la información para su apreciación y
análisis. En la mayoría de los casos un gráfico es más útil que una tabla de valores,
especialmente en los casos en que:

Los experimentos se llevan a cabo midiendo una variable Y en función de otra X

que se varía independientemente y se quiere interpretar o determinar la
relación funcional entre ellas. Por ejemplo: medición del período de un péndulo
en función de su longitud; medición de la caída de potencial en un alambre en
función de la corriente aplicada; etc.

Interesa estudiar si dos variables mantienen una correlación (causal o no) y cuál
es el grado de vinculación o grado de independencia. Por ejemplo: estudio de la
relación entre el peso y la altura de personas; relación de consumo de gas
natural y la temperatura; relación entre la velocidad máxima que alcanza un
velero y su extensión desde proa a popa; etc.

Se trata de que la información que se quiere representar quede expuesta de una

manera lo suficientemente clara y explícita como para que la representación gráfica
“hable por sí sola”. Lo importante es que un gráfico debe servir para un posterior
tratamiento de los datos, que lleve a inferir las leyes subyacentes en ellos y ahondar
así en las posibles implicaciones y generalizaciones de los resultados obtenidos en los
experimentos.

O bien, en casi todas las áreas se tiene que con frecuencia los datos de una
experiencia se presentan en una tabla de valores.
A cada valor de “ x” (variable independiente) le corresponde un valor “ y” (variable
dependiente), entendiendo por variable independiente a la que se le atribuye un valor
arbitrario y por variable dependiente a aquella cuyo valor depende de la
independiente, los valores x e y de la tabla se pueden representar en un GRAFICO el
cual permitirá de una forma visual estudiar una relación funcional (ecuación)para las
variables que se están usando.

1
Material preparado por Ing Helena Ospino para el curso de Calculo Numérico de Ingeniería de Sistema de
la UNEFA – Mérida.
1
INSTRUCCIONES PARA LA CONFECCION DE UN GRAFICO

Todo gráfico debe llevar un título que indique el fenómeno que representa para
que sirva de guía a quien haga uso de él.

Se debe elegir un sistema de coordenadas adecuado, a menudo se usa el sistema
de coordenadas ortogonal.

Sobre los ejes se indican las magnitudes físicas que ellos representan con sus
respectivas unidades. Se debe usar las escalas adecuadas para representar las
medidas.

Generalmente en el eje de las abscisas se representa la variable independiente y
en el eje de las ordenadas la variable dependiente.

Para la confección del gráfico puede usarse papel milimetrado, logarítmico o
semi-logarítmico dependiendo de las relaciones entre las variables.

Al seleccionar la escala en la representación gráfica se recomienda:

Que los puntos no queden muy juntos y esto se logra ampliando la o
las escalas.

No deben unirse los puntos experimentales por medio de segmentos
rectos como lo muestra el gráfico Nº1, sino que debe construirse
mediante una curva suave y continua o si así se vislumbra puede ser
una línea recta como lo muestra el gráfico Nº2 (ambos gráficos
están incompletos).

2
Un gráfico debe construirse sobre la base de una elección adecuada tanto de las
variables como de las escalas de los ejes. Dado que los experimentos están pensados
para estudiar metodológicamente numerosos problemas de las ciencias, en este
capítulo daremos las bases que nos ayuden a efectuar una adecuada representación
gráfica de datos experimentales y presentan algunos métodos numéricos de utilidad
para el tratamiento general de los datos.

Elección de las variables

De una manera muy general, cuando estudiamos la fenomenología de un sistema

cualquiera, tratamos de obtener las variaciones o respuestas del sistema ante ciertas
perturbaciones que podemos aplicarle de manera controlada. La Fig. 1 representa
esquemáticamente un sistema bajo estudio.

Figura 1 Representación de un sistema al que se estudia las respuestas Yi cuando se

varía el conjunto de variables Xi.

Hemos llamado Xi a las "variables de entrada o independientes", o sea aquellas que

podemos controlar y variar. Ante los cambios de Xi, el sistema revela sus
características o comportamientos a través de los cambios que sufren las variables Yi,
que pueden llamarse las "variables de salida o dependientes". Si deseamos estudiar un
sistema, es conveniente, siempre que sea posible, aislar lo más posible las variables en
estudio.

Para ello es conveniente diseñar el experimento de modo tal que solo un parámetro
relevante varíe por vez, manteniendo los restantes parámetros constantes. De este
modo podremos concentrarnos en la respuesta de una de las variables de salida ante
las variaciones de solamente una de las variables de entrada. Siempre que esto sea
posible, esto es muy conveniente para simplificar el análisis.

Afortunadamente esta es una situación muy común en los experimentos, aunque no

siempre posible. En sistemas de mayor complejidad, en los que no podemos aislar los
parámetros que varían de a uno
por vez, el tipo de análisis que mostraremos puede generalizarse para tratar esos
casos.
3
RELACION ENTRE LAS MAGNITUDES MEDIDAS:

Uno de los principales objetivos de representar gráficamente el comportamiento de

magnitudes medidas en forma experimental es encontrar un MODELO LINEAL (
ecuación de una recta) que permita determinar los parámetros característicos del
sistema o mecanismo en estudio.

Si la relación funcional o dependencia entre ambas magnitudes físicas NO ES

LINEAL, se debe estudiar y aplicar un cambio de variables apropiado que permita
encontrar una relación funcional entre tales magnitudes, de tal forma de obtener un
modelo lineal representativo.

RELACION FUNCIONAL LINEAL

Cuando la relación funcional entre dos variables medidas experimentalmente tiende a

ser una línea recta, generalizamos diciendo que nuestro gráfico es una línea recta y en
consecuencia le podemos asociar una expresión del tipo:
y(x) = m x +b

donde m es la pendiente de la recta y b es el coeficiente de posición o corte con el eje

de las ordenadas. Para determinar el valor de estos parámetros, se pueden aplicar los
siguientes métodos:

 Método grafico
 Método de promedios
 Método de mínimos cuadrados.

MÉTODO GRAFICO:

Tomamos dos puntos de fácil lectura de la recta trazada (t1,x1), (t2,x2) y calculemos
su pendiente m. Para el valor de b leemos donde la recta trazada corta al eje de las
abscisas (se despeja b de la ecuación de la recta).

Ejemplo:
Se tiene un bloque que desliza por una superficie horizontal prácticamente sin roce.
Mediante un programa computacional se obtiene la siguiente información, donde x (t)
indica la posición y el tiempo transcurrido.

4
Se desea encontrar la relación funcional que liga a las variables, es decir al
desplazamiento con el tiempo, esto implica conocer la “ecuación itinerario” del móvil que
ha ocupado las siguientes posiciones en función del tiempo:

Para ello se han ubicado los puntos en el plano y se ha dibujado con una regla la mejor
recta estimada en el gráfico.

Así resulta b =3,6 (cm), de manera que la relación funcional es:

Desde el punto de vista físico la ecuación anterior corresponde a la ecuación itinerario de un

móvil, que entrega la posición en función del tiempo. Aquí la pendiente m=7,4 corresponde a
la velocidad (componente) con la que se desplaza el móvil y nos dice que en t=0 el móvil
estaba en la posición x= 3,6 m del origen del sistema hacia la derecha.

MÉTODO DE PROMEDIOS:

Entrega mejor resultado que el método gráfico, cuando se dispone de 6 o más puntos de
moderada precisión. Este método se basa en la suposición de que la suma de los residuos (r)
es igual a cero:
Σr=0
Se entiende por residuo la diferencia entre el valor experimental de “y” y el valor dado por la
expresión (mx + b):
r = y - (mx + b)
Para calcular m y b, se necesitan dos ecuaciones. Por lo tanto, para utilizar todas las medidas,
se dividen las “n” ecuaciones en dos grupos:

5
Del Grupo I, se obtiene una nueva ecuación (1) y del grupo II se obtiene otra ecuación
(2). Con (1) y (2), se forma un sistema que permite determinar “m” y “ b”.

EJEMPLO:
1.- En el problema planteado y de la tabla de valores se tomaron los cuatro primeros y
los cinco últimos para formar los dos grupos de manera que resulta un sistema de dos
ecuaciones
19,7 = 2,2m + b
45,7 = 5,7m + b

y de allí se obtiene la relación lineal: x (t) = 3,4 + 7,4t (cm)

y la sumatoria de los residuos es r=3

2.- Consideremos los siguientes datos obtenidos en un experimeto

tiempo distancia
(s) (cm)
1 0.1239 0.023
2 0.244 0.046
3 0.3658 0.069
4 0.489 0.092
5 0.6133 0.115
6 0.7351 0.138
7 0.8573 0.161
8 0.9776 0.184
9 1.098 0.207
10 1.219 0.23
11 1.337 0.253
12 1.457 0.276

Asi por el método de promedios tenemos que la ecuación de la recta es

puntos promedios
P1(x1,y1) P2(x2,y2) ecuaciones valores de pendiente y b
0.305675 1.21772 0.057=0.305*m+b m=0.1891
0.0575 0.23 0.23=1.217*m+b b=-0.0002
de c21 a de c28 a
c24 c32 y=0.1891x-0.0002 ecuacion de la recta buscada

6
 tiempo (s) distancia (cm) r=y-(mx+b)
1 0.1239 0.023 -0.00022949
2 0.244 0.046 5.96E-05
3 0.3658 0.069 2.722E-05
4 0.489 0.092 -0.0002699
5 0.6133 0.115 -0.00077503
6 0.7351 0.138 -0.00080741
7 0.8573 0.161 -0.00091543
8 0.9776 0.184 -0.00066416
9 1.098 0.207 -0.0004318
10 1.219 0.23 -0.0003129
11 1.337 0.253 0.0003733
12 1.457 0.276 0.0006813
r= -0.0032647

De manera que el ajuste es bueno pues la sumatoria de los residuos esta muy cerca de
cero.

METODO DE MINIMOS CUADRADOS

El tercer método, el de los mínimos cuadrados es más preciso pero, necesita muchos
más datos que los comentados hasta ahora y se basa en consideraciones estadísticas
para obtener la pendiente “m” de la recta y el interfecto “b” de la recta con el eje de
las ordenadas. Este método se basa en la siguiente definición: “la mejor curva de
ajuste de todas las curvas de aproximación a una serie de datos puntuales es la que
hace mínima la suma de los cuadrados de las desviaciones Di de la curva
[Di = yi - ( m xi + b )].
Las expresiones para m y b se encuentran con las siguientes ecuaciones:

Donde n es el número de puntos.

Cabe hacer notar que las variables x e y son de carácter genérico en la expresión
matemática, y que estas pasan a tomar otra designación dependiendo de las variables
que se están trabajando.

7
La forma de determinar que tan bueno fue el ajuste es mediante la formula

Donde r es el coeficiente de correlación. Cuanto más se aproxime a 1 mejor será la

correlación entre los datos experimentales y la relación teórica, la expresión para su
cálculo

EJEMPLO
1.- Retomando el ejemplo1 dado en el método anterior (el bloque que se desliza sobre
una superficie horizontal)
t(s) d(cm) t*d (x*y) t^2 (x^2) d^2 (y^2)
1.2 12.5 15 1.44 156.25 pendiente= 7.44179861
1.7 16.2 27.54 2.89 262.44 b= 3.56149462
2.5 22.1 55.25 6.25 488.41
3.3 28 92.4 10.89 784 r^2= 0.99955419
4.4 36.2 159.28 19.36 1310.44
4.9 39.9 195.51 24.01 1592.01
5.4 44.6 240.84 29.16 1989.16
6.2 49.5 306.9 38.44 2450.25
7.4 58.4 432.16 54.76 3410.56
37 307.4 1524.88 187.2 12443.52

2.- Retomemos el ejemplo 2 dado en el método anterior

X Y xy x2 y2
distancia
tiempo (s) (cm) t(s)*d(cm) t^2 d^2
1 0.1239 0.023 0.0028497 0.01535121 0.000529
2 0.244 0.046 0.011224 0.059536 0.002116
3 0.3658 0.069 0.0252402 0.13380964 0.004761
4 0.489 0.092 0.044988 0.239121 0.008464
5 0.6133 0.115 0.0705295 0.37613689 0.013225
6 0.7351 0.138 0.1014438 0.54037201 0.019044
7 0.8573 0.161 0.1380253 0.73496329 0.025921
8 0.9776 0.184 0.1798784 0.95570176 0.033856
9 1.098 0.207 0.227286 1.205604 0.042849
10 1.219 0.23 0.28037 1.485961 0.0529
11 1.337 0.253 0.338261 1.787569 0.064009
12 1.457 0.276 0.402132 2.122849 0.076176
∑ 9.517 1.794 1.8222279 9.6569748 0.34385

8
 Pendiente= 0.21184139 ecuacion de la recta
-
b= 0.00069261 y = 0.212x - 0.0007

r^2= 0.99996698 =1

Nótese que el coeficiente de correlación es igual a 1 lo que indica que el ajuste es el mejor.

RELACIÓN FUNCIONAL NO LINEAL

¿Y cómo se trabaja cuando la distribución de puntos no es una línea recta?

Con los datos experimentales se deben realizar ciertos cambios convenientes en las
variables de modo que convirtamos la curva obtenida en una recta. Este método se
conoce con el nombre de METODO DE RECTIFICACION.

Es un mecanismo que consiste en hacer un nuevo gráfico con una de las variables
modificadas matemáticamente de tal manera que el nuevo gráfico resulte una línea
recta

Las relaciones funcionales no lineales que se presentan con más frecuencia, son las del
tipo exponencial y potencial.

I.- Los gráficos Nº1 y Nº2 son curvas cuya intersección con el eje de las ordenadas es
de pendiente nula, la rectificación se logra cambiando la variable x por la de xn con n
número real mayor que cero, como lo muestra el gráfico Nº3.

II.- Para este gráfico Nº4 y disminuye cuando x aumenta, la rectificación se hace
con 1 / xn

Podemos generalizar los casos a funciones exponenciales y funciones potenciales

9
Función potencial y = axb

Supongamos que medimos pares de valores (X,Y) y tenemos conocimiento que la

relación funcional que los vincula es del tipo
Y = aXb (1)

donde a y b son constantes. Esta forma funcional potencial es muy común en las
ciencias puesto que sirve como aproximación del comportamiento en una gran variedad
de casos.

La constante b suele llamarse “exponente de escala” y define la escala de variación de

Y según varía X. Esto es, si X se multiplica por un factor f , Y cambiará
b
consecuentemente f veces. El significado físico de la constante a es el de
representar el valor que toma Y cuando X vale la unidad. La dimensión de a es tal que
da homogeneidad dimensional a la ecuación.

Si representamos datos medidos de Y en función de X , relacionados por una expresión

como (1), lo que obtenemos en el caso b ≠ 1 es una curva. De nuestro análisis
cualitativo del gráfico observaremos una curva “cóncava hacia arriba” si b > 1,
mientras que si b < 1, la curva se verá “cóncava hacia abajo”. Lo que cualquiera de los
casos precedentes significa es que una variación de la variable X a un dado ritmo, hace
que la variable Y cambie a un ritmo distinto: más rápido si b > 1, más lento si b < 1. Esta
observación cualitativa (en términos de “más rápido” o “más lento”, bien puede ser
buena en una gran variedad de casos de interés cuando estemos interesados en la
descripción general (tendencia) de algún fenómeno.

En el caso más general, supongamos que no conocemos a a ni a b , y que ambas

constantes deben encontrarse como resultado de la investigación experimental.
Entonces, ¿cómo procedemos?
Para facilitar la tarea de encontrar tanto el exponente de escala b como la constante
a, es conveniente representar log(Y) en función de log(X) . Esto queda claro si
transformamos nuestra ecuación original más general Y = aXb , sacándole el logaritmo a
ambos miembros

10
Comparando esta última expresión con un gráfico de log(Y) en función de log(X)
podremos ver que la ecuación representa una recta que tiene pendiente b y ordenada
al origen log(a).

En síntesis
Este tipo de representación gráfica es extremadamente útil cuando se analizan
ecuaciones algebraicas, se estudian correlaciones, leyes de crecimiento, etc.
Si la función es potencial la relación entre las variables es del tipo

Y = aXb
Y el problema es determinar el valor de las constantes b,a. La ecuación anterior,
aplicando logaritmo (puede ser logaritmo base e, o base 10) se puede transformar en:

Ln y = bLn x + Ln a
O
Log y = bLog x + Log a

De tal manera que en este caso la relación lineal se obtiene haciendo el cambio de
variables anterior

EJEMPLO

Se desea investigar como depende la variable y de la variable x

X Y Se grafica y en función de x, su aspecto es el de un sector de la
10 1.06 semi- parábola, por lo tanto la relación parecer ser potencial
20 1.33
30 1.52
40 1.68
50 1.81
60 1.91
70 2.01
80 2.11

Aplicando logaritmo a las variables x e y se construye la nueva tabla

11
 X = LogX Y = LogY Se grafican los datos y como se esperaba los datos tienen
1 0.02530587 una distribución lineal.
1.30103 0.12385164
1.47712125 0.18184359
1.60205999 0.22530928
1.69897 0.25767857
1.77815125 0.28103337
1.84509804 0.30319606
1.90308999 0.32428246

Para hallar la ecuación se procede utilizando los métodos anteriores de modo que por
mínimos cuadrados la ecuación de la recta es:

m= 0.33058933
-
b= 0.30559372
r^2= 0.99987475

X = LogX Y = LogY XY X^2 Y^2

1 0.02530587 0.02530587 1 0.00064039
1.30103 0.12385164 0.1611347 1.69267905 0.01533923
1.47712125 0.18184359 0.26860503 2.1818872 0.03306709
1.60205999 0.22530928 0.36095899 2.56659622 0.05076427
1.69897 0.25767857 0.43778817 2.88649908 0.06639825
1.77815125 0.28103337 0.49971983 3.16182187 0.07897975
1.84509804 0.30319606 0.55942645 3.40438678 0.09192785
1.90308999 0.32428246 0.61713869 3.6217515 0.10515911
12.6055205 1.72250083 2.93007773 20.5156217 0.44227594

Haciendo la regresión lineal para encontrar la ecuación potencial aXb partimos de la

ecuación Log y = bLog x + Log a

Sustituyendo por nuestros valores de m y b se tiene que

Log y = 0.330Log x - 0.305

De modo que Log a = -0.305 así a =0.495

Por tanto la ecuación potencial es y = 0.495X0.330

Funciones Exponenciales: y = AeBx

Del mismo modo en la función potencial, el aspecto grafico de dos variable nos puede indicar
si la relación entre ella es de tipo exponencial, como por ejemplo:
12
 y = AeBx
El problema es obtener el valor experimental de las constantes A y B

En este caso la relación lineal se obtiene haciendo el siguiente cambio de variables,

aplicando logaritmo neperiano en los dos lados de la ecuación (aquí se prefiere usar
logaritmo base e) :
Ln y = Bx + Ln A
que al compararla con la ecuación de la recta se observa que m = B y b = LnA.

EJEMPLO
Se desea investigar como depende la variable y de la variable x
X Y
12 930
41 815
93 632
147 487
204 370
264 265
373 147
509 76
773 17

Suponiendo que la grafica anterior es exponencial, la rectificamos aplicando logaritmo a la

variable y solamente
x y=Ln Y
12 6.83518459
41 6.70318811
93 6.44888939
147 6.18826412
204 5.91350301
264 5.57972983
373 4.99043259
509 4.33073334
773 2.83321334
Verificar por el metodo de minimos cuadrados el ajuste (encontrar la ecuacion de la recta)

Haciendo la regresión lineal para encontrar la ecuación potencial aXb partimos de la

ecuación Ln y = Bx + Ln A

Sustituyendo por nuestros valores de m y b se tiene que

Ln y = -0.005x + 6.944

De modo que Ln A = 6.944 así A =1036.909

Así, Ln y = -0.005x +Ln(1036.9)

Ln y – Ln(1036.9) = -0.005x
13
Ln(y/1036.9) = -0.005x

y/1036.9 = e-0.005x

Por tanto la ecuación exponencial es y = (1036.9)e-0.005x

ERROR

CIFRAS SIGNIFICATIVAS
Cuando realizamos una medición, por ejemplo el largo de una barra, existe la tendencia a
pensar que la exactitud con que se ha hecho la medición queda indicada por el número de cifras
decimales con que se entregue el resultado y esto no es cierto.

Se entiende por cifras significativas al número de cifras que razonablemente se está seguro,
de acuerdo con el instrumento que se haya usado para hacer la medición. La precisión de la
medida queda relacionada con el número de cifras con que se escribe el resultado de la
medición.

Como ejemplo se entregan ciertos números con sus respectivas cifras significativas:
5 1 cifra significativa

5,0 2 cifras significativas

21,3 3 cifras significativas

21,30 4 cifras significativas

0,032 2 cifras significativas

0,0240 3 cifras significativas

De acuerdo a estos ejemplos se puede decir que se consideran como cifra significativa los
dígitos necesarios para representar la precisión de la medida. No se consideran cifras
significativas los ceros que están a la izquierda del primer dígito real distinto de cero.

El realizar una medición implica que siempre estará sujeta a un grado de incerteza o de
error, situación que es inherente al proceso mismo de medición, ya que para poder realizarla se
usa de algún instrumento de medida el cual tiene una determinada precisión y por otra parte
esa medición dependerá de la habilidad que posea cada uno de nosotros para realizarla.

ERROR ABSOLUTO
Al realizar una medición designaremos por la letra “a” la medida de la magnitud y por “∆
∆a” o
δa” a la imprecisión o error que llamaremos “ error absoluto “, el resultado de esa medición
“δ
lo podemos entregar en la siguiente forma: a ± ∆a o a ± δa
Esto significa que se ha realizado la medida de una cierta magnitud y se obtuvo el resultado
“a”, pero un examen del instrumento utilizado y del método de la medición nos lleva a la
conclusión de que la medida se encuentra comprendida entre los valores a - ∆a y
a + ∆a o bien a+δ δa y a - δa
14
DICHO DE OTRA MANERA:
A causa de la presencia de los errores de medición, sólo es posible aseverar que el valor de esa
magnitud se encuentra en un cierto intervalo (A1, A2).

Una forma de representar esta situación es tomar el valor medio del intervalo (A1,A2) como
valor más probable; A = (A1 + A2)/2, y la mitad de ese intervalo como una medida del error
cometido en la medición; δA = (A2 - A1)/2 . Entonces, el valor medido de la magnitud M se
designa como
M = A ± δA ,
Donde δA se denomina error absoluto de la medición.

Ejemplo
L = 2.54 ± 0.02 m significa que tenemos certeza de que la longitud medida se encuentra entre
2.52 y 2.56 m (esto es todo lo que podemos afirmar respecto a la magnitud medida).

ERROR RELATIVO ( ε)
Se define a la fracción de incertidumbre en la medición de a , es decir:
ε = (∆a)/a

ERROR PORCENTUAL
Es el error relativo multiplicado por 100%.
ε %=εr ×100 = 100 (∆a/a)

En la práctica, ya sea el porcentaje de error o el error absoluto son informativos.

Por ejemplo en una parte de una máquina, la tolerancia es dada usualmente con un error
absoluto mientras que en componentes electrónicos la tolerancia se informa como error
porcentual.

PROPAGACIÓN DE ERRORES

Propagación de Errores - Perdida de Cifras Significativas

Aún cuando los números en cuestión se puedan representar en forma exacta en la
computadora, estos podrían contener error, por ejemplo si son datos experimentales.
Queremos ver como estos errores en los datos se propagan al usar las operaciones
aritméticas usuales o más general al evaluar funciones.

Denotamos por xt el valor real o exacto de una cierta cantidad y xa una aproximación
de xt obtenida experimentalmente ó al truncar xt para representarlo en la

15
computadora. Definimos los errores absolutos y relativos respectivamente en xa como
aproximación de xt por:
Error(xa) = xt - xa ,
Rel(xa) = Error(xa)/xt
.-Uno de los ejemplos más comunes de la propagación de errores es en el fenómeno
conocido como perdida de cifras significativas. Este tipo de situación se da cuando
algún cálculo numérico envuelve la resta de dos cantidades similares ó en el cálculo de
un número por medio de una sumatoria donde el resultado es mucho menor que los
términos de la sumatoria los cuales alternan en signo. Veamos algunos ejemplos:

EJEMPLO:
Considere el cálculo de la función para "x" grande.
Suponemos que trabajamos con seis cifras significativas. Veamos el caso de calcular
f(100).
Note que correctos a seis cifras.
Ahora calculamos .
El valor exacto a seis cifras de f(100) es de modo que perdimos tres
cifras en el computo. ¿Cúal fué el problema?
¡Restamos cantidades similares! En este caso podemos evitar restar cantidades
similares si rescribimos f (x) (racionalizando) como:

Podemos ahora calcular f (100) mediante:

Que es correcto a seis cifras.

-Una situación similar ocurre al usar la fórmula cuadrática.

En particular considere la ecuación x2+bx+c/4=0 donde b>0 y c es mucho más
pequeño que b. Entonces como el discriminante , vamos a tener cancelación
de cifras al calcular la raíz con el "+" en la fórmula cuadrática. Aquí nuevamente una
racionalización de la fórmula problemática resuelve el asunto. Si b<0, la raíz
problemática es la del "-".

.-Otro caso común de cancelación de cifras significativas ocurre en el cálculo de un

número mediante una sumatoria donde los términos de la sumatoria son mucho mayores
que el resultado y alternan en signo.

EJEMPLO

16
Considere el problema de evaluar el polinomio f(x) = x7-7x6+21x5-35x4+35x3-21x2+7x-
1.
El siguiente código en MATLAB evalúa el polinomio en el intervalo [0.988,1.012] y lo
grafica:

x=linspace(0.988,1.012,100);
y=x.^7-7*x.^6+21*x.^5-35*x.^4+35*x.^3-21*x.^2+7*x-1;
plot(x,y)

Lo que debería ser una gráfica suave de un polinomio aparece altamente oscilatoria y
de carácter aparentemente aleatorio. Esto se debe a la cancelación severa de cifras
significativas en el cálculo donde el resultado final es aproximadamente cero y se
toman sumas y diferencias de números del tamaño de .

El polinomio de este ejemplo corresponde a la forma expandida de (x-1)7 donde

graficamos cerca de x=1. Si calculamos con la fórmula sin expandir no ocurre el
problema de cancelación de cifras pero claro lo importante aquí es ilustrar el
fenómeno.

Propagación de Errores en las Funciones Aritméticas

Vamos a considerar ahora los efectos en la propagación de errores en las funciones
aritméticas de la computadora. Esto es consideramos ambas fuentes de error: el uso
de un número finito de cifras en los cálculos y como la función en si propaga los
errores en los datos.

Cuando una magnitud física se deduce de otras medidas realizadas en forma directa, decimos
que se está haciendo una medida indirecta. Por ejemplo el cálculo de la rapidez con que se
desplaza una partícula se calcula mediante la expresión v = d/ t, aquí para el cálculo de la
distancia (d) y del tiempo (t) se hacen en forma directa con cierto error ¿ y cómo se conoce el
error en el cálculo de la rapidez?
Para obtener dicho error se aplican ciertas reglas que describen a continuación.

Sean “a” y “b” los valores de las magnitudes medidas, siendo ∆a y ∆b sus respectivos errores
absolutos, entonces se tiene que para la :
17
1.- SUMA: (a ± ∆a) + (b ± ∆b) = (a+b) ± (∆∆a + ∆b)
2.- RESTA (a ± ∆a) - (b ± ∆b) = (a-b) ± (∆
∆a + ∆b)
∆ a ∆b
3.- MULTIPLICACION (a ± ∆a) * (b ± ∆b) = (a * b) ± (a * b) * ( + )
a b
(a ± ∆a) a a ∆a ∆b
4.- DIVISION = ± *( + )
(b ± ∆b) b b a b
n * ∆a
5.- POTENCIAS Y RAICES ( a ± ∆a)n = an ± an * [ ]
a

Observación: Para 1,2 El error propagado es más significativo (menos estable); Para 3,4
El error propagado en menos significativo (más estable).

OTRA NANERA DE EXPRESARLO ES

Considere el caso de una medición indirecta, donde el valor deseado de la magnitud no se obtiene
directamente a partir de algún instrumento, sino que se evalúa a través de una fórmula o expresión
analítica. Por ejemplo, el volumen de un cilindro se expresa por la relación

Donde D es el diámetro del cilindro y h su altura. Si el diámetro se midió con un error absoluto δD y
la altura con un error δh, ¿qué valor habrá que asignar al valor de V calculado?

Para calcular δV, consideremos los errores δD y δh como si fueran incrementos diferenciales dD y
dh de la función volumen V = V(D,h). ¿Cuánto varía V cuando D y h varían en un dD y un dh
respectivamente? La respuesta la da el cálculo diferencial. El volumen V varía en un diferencial dV
que viene dado por

En este caso particular, al calcular las derivadas parciales se obtiene

Donde se introduce el valor absoluto de cada derivada para garantizar que, de todas las posibles
combinaciones de signos en 2DhδD y Dδh, se tome el mayor valor. Esto garantiza que el valor
calculado Vo se encuentra efectivamente en el intervalo (Vo+dV, Vo-dV) . En este caso dV = δV se
denomina error absoluto máximo. El resultado anterior se generaliza inmediatamente cuando hay
más de dos variables involucradas en el cálculo del error.

Un análisis más profundo del problema, que considera una función arbitraria F = F(x,y,z) y toma en
cuenta la probabilidad de que los errores por exceso de una magnitud puedan cancelar los errores
por defecto de otra, debido a la diferencia casual de signos, conduce al concepto de error absoluto
probable. El error absoluto probable siempre resulta ser algo menor que el error absoluto
máximo, y se calcula por la expresión

18