Professional Documents
Culture Documents
27 de marzo de 2003
1 email: lhrodrig@lauca.usach.cl
II
Contenidos
1. Espacio tiempo 1
1.1. Conceptos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Unidades. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3. Teorías en física. . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4. Sistemas de referencia. . . . . . . . . . . . . . . . . . . . . . . 4
1.5. Escalas de tiempos y longitudes. . . . . . . . . . . . . . . . . . 5
1.6. Descripción del movimiento. . . . . . . . . . . . . . . . . . . . 6
1.6.1. Movimiento unidimensional. . . . . . . . . . . . . . . . 7
1.6.2. Desplazamientos en el espacio. . . . . . . . . . . . . . . 10
1.7. Vectores. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.7.1. Notación. . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.7.2. Multiplicación de un vector. por un escalar. . . . . . . 12
1.7.3. Vectores unitarios. . . . . . . . . . . . . . . . . . . . . 12
1.7.4. Vectores unitarios cartesianos. . . . . . . . . . . . . . . 13
1.7.5. Componentes cartesianas de un vector. . . . . . . . . . 13
1.7.6. Vector nulo. . . . . . . . . . . . . . . . . . . . . . . . . 13
1.7.7. Algunas propiedades. . . . . . . . . . . . . . . . . . . . 14
1.7.8. Resta de vectores. . . . . . . . . . . . . . . . . . . . . . 14
1.7.9. Producto escalar de vectores. . . . . . . . . . . . . . . 14
1.7.10. Otras propiedades. . . . . . . . . . . . . . . . . . . . . 15
1.8. Velocidad y aceleración. . . . . . . . . . . . . . . . . . . . . . 15
1.8.1. Vector posición. . . . . . . . . . . . . . . . . . . . . . . 15
1.8.2. Vector velocidad. . . . . . . . . . . . . . . . . . . . . . 15
1.8.3. Vector aceleración. . . . . . . . . . . . . . . . . . . . . 16
1.8.4. Velocidades absolutas y relativas. . . . . . . . . . . . . 16
1.9. Trayectoria. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.10. Transformación de Galileo. . . . . . . . . . . . . . . . . . . . . 18
IV CONTENIDOS
3. Gravitación. 51
3.1. Desarrollo de la teoría gravitacional. . . . . . . . . . . . . . . 51
3.1.1. Ley inversa al cuadrado de la distancia. . . . . . . . . . 54
3.1.2. Velocidad de escape. . . . . . . . . . . . . . . . . . . . 55
3.1.3. Peso y masa. . . . . . . . . . . . . . . . . . . . . . . . 55
3.1.4. Interacción entre los cuerpos celestiales. . . . . . . . . . 56
3.1.5. Teoría potencial. (Usted puede omitir esto) . . . . . . . 57
3.1.6. Medidas absolutas de la gravedad. . . . . . . . . . . . . 59
3.1.7. Medidas relativas de la gravedad. . . . . . . . . . . . . 60
3.1.8. La Teoría gravitacional y otros aspectos de la Física. . 60
3.1.9. Teorías del campo de gravitación. . . . . . . . . . . . . 61
3.1.10. Los campos gravitacionales y la teoría general de rela-
tividad. . . . . . . . . . . . . . . . . . . . . . . . . . . 62
CONTENIDOS V
6. El Universo y su evolución. 95
6.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
6.2. La expansión del Universo. . . . . . . . . . . . . . . . . . . . . 96
6.3. Propiedades generales del espacio tiempo. . . . . . . . . . . . 98
6.3.1. Diagramas espacio tiempo. . . . . . . . . . . . . . . . . 98
6.4. Horizonte observable. . . . . . . . . . . . . . . . . . . . . . . . 101
6.4.1. El efecto Doppler cósmico. . . . . . . . . . . . . . . . . 102
6.4.2. Radiación de fondo. . . . . . . . . . . . . . . . . . . . . 103
6.5. El modelo estándar del Big Bang. . . . . . . . . . . . . . . . . 103
6.6. Partículas elementales. . . . . . . . . . . . . . . . . . . . . . . 104
6.7. Los grandes periodos del Universo. . . . . . . . . . . . . . . . 106
6.7.1. Cosmología cuántica. . . . . . . . . . . . . . . . . . . . 106
6.7.2. La era hadrónica. . . . . . . . . . . . . . . . . . . . . . 107
6.7.3. La era leptónica. . . . . . . . . . . . . . . . . . . . . . 107
6.7.4. La era radiativa y la núcleo síntesis. . . . . . . . . . . . 107
6.7.5. La era estelar. . . . . . . . . . . . . . . . . . . . . . . . 108
VI CONTENIDOS
7. Matemáticas. 109
7.1. Algunas funciones importantes. . . . . . . . . . . . . . . . . . 109
7.1.1. La función exponencial. . . . . . . . . . . . . . . . . . 109
7.1.2. El logaritmo. . . . . . . . . . . . . . . . . . . . . . . . 110
7.1.3. El número e. . . . . . . . . . . . . . . . . . . . . . . . . 111
7.2. Sumatorias. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
7.2.1. Sumatorias notables. . . . . . . . . . . . . . . . . . . . 113
7.3. Gráficos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
7.3.1. Correlación lineal : y = Ax + B (la línea recta). . . . . 115
7.3.2. Decaimiento con b < 0 (o crecimiento si b > 0) expo-
nencial : y = yo ebx . . . . . . . . . . . . . . . . . . . . . 116
7.3.3. Modelo potencia y = AxB . . . . . . . . . . . . . . . . 117
7.3.4. Modelo con dos exponenciales: y = Aebx + Cedx . . . . . 119
7.4. Ejercicios. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
7.5. Derivadas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
7.6. Diferenciales. . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
7.7. Integrales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
7.7.1. El área bajo una curva. . . . . . . . . . . . . . . . . . . 124
7.7.2. La integral definida. . . . . . . . . . . . . . . . . . . . 126
7.7.3. Relación con la derivada. . . . . . . . . . . . . . . . . . 127
7.7.4. Resultado final. . . . . . . . . . . . . . . . . . . . . . . 128
7.7.5. La integral indefinida. . . . . . . . . . . . . . . . . . . 128
7.8. Elementos de cálculo numérico. . . . . . . . . . . . . . . . . . 129
7.8.1. Método de Newton para el cálculo de una raíz. . . . . . 129
7.8.2. Método iterativo para determinar una raíz de f (x) = x. 131
7.8.3. Método de la secante. . . . . . . . . . . . . . . . . . . . 132
7.8.4. Derivada numérica con dos puntos. . . . . . . . . . . . 133
7.8.5. Derivada con más puntos. . . . . . . . . . . . . . . . . 133
7.8.6. Un ejemplo. . . . . . . . . . . . . . . . . . . . . . . . . 134
7.9. Ejercicios. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
13.Apéndice 227
13.1. A) La distribución exponencial. . . . . . . . . . . . . . . . . . 227
13.2. B) El proceso de Poisson. Detalles. . . . . . . . . . . . . . . . 228
13.3. C) Algunos detalles matemáticos. . . . . . . . . . . . . . . . . 230
13.4. D) La distribución binomial. . . . . . . . . . . . . . . . . . . . 232
13.4.1. El valor esperado de m. . . . . . . . . . . . . . . . . . 233
13.4.2. La varianza de m. . . . . . . . . . . . . . . . . . . . . . 233
13.4.3. Límite para n grande . . . . . . . . . . . . . . . . . . . 234
13.4.4. Caminata al azar . . . . . . . . . . . . . . . . . . . . . 235
X CONTENIDOS
Índice de figuras
Espacio tiempo
1.1. Conceptos.
Los conceptos de espacio y tiempo son centrales en todas las teorías de
la Física. Aunque no se haya explicado aún de que se trata una teoría de la
Física, adelantemos que ellas tratan con cantidades físicas.
Existen conceptos físicos, algunos primarios y otros derivados de los an-
teriores, los cuales, aunque sean definidos en forma vaga, dan origen a las
cantidades Físicas cuando se establece un método para asignarle un valor
numérico al concepto. Este proceso, llamado definición operacional de una
cantidad física, elimina las ambigüedades presentes en la definición del con-
cepto, pues al seguir ese procedimiento, todos estaremos de acuerdo en el
valor numérico de la cantidad física. Como explicaremos más adelante ello es
relativo a la unidad de medida de la respectiva cantidad física.
Claramente este es el caso respecto a los conceptos de espacio y tiem-
po. Tenemos nociones intuitivas, difícilmente expresables sin ser circulares
(basadas en ellas mismas) y difícilmente coincidentes.
El tiempo tiene que ver con aspectos tales como: el fenómeno A ocurre
antes o después que el fenómeno B, o quizás simultáneamente. O bien que
un proceso duró más o menos que otro. La cantidad física tiempo se define
operacionalmente estableciendo valores numéricos ya sea relacionados con la
ocurrencia de los sucesos, o con la duración de un proceso. Tal procedimiento
debe involucrar un método experimental bien definido.
Similarmente ocurre lo mismo con el concepto de espacio. Tenemos clara
2 Espacio tiempo
Nota 1.1 Si usted ha leído algo sobre mecánica cuántica. esta nota puede
ser de su interés. La concepción de la existencia de un valor verdadero (exac-
to) puede ser discutida por quienes mal interpretan la mecánica cuántica
(juicio del autor). La asignación de un número debe ser posible, al menos
en principio, exacta. Es decir no se aceptan cantidades físicas definidas con
incerteza. Esto parece contradictorio con la existencia de errores en los pro-
cesos de medición o bien con incertezas predichas por la mecánica cuántica.
No es así. Creemos en la existencia de lo que se denomina “valor verdadero”
tanto en las cantidades físicas del mundo microscópico como en las del mundo
macroscópico. Otro problema es determinar ese valor. La teoría de errores
clásica trata justamente de eso, y precisamente bajo la hipótesis de que existe
un valor verdadero. Por otro lado, las incerteza intrínsecas de la mecánica
cuántica no tienen que ver con el proceso de medición (el cual puede y en
la teoría es exacto) sino que tiene que ver con la perdida de la capacidad de
predicción de los resultados que ocurren en el futuro. La pérdida del determi-
nismo. Así, podemos no saber que resultado de la energía va a resultar si la
medimos, pero podemos medirla en forma exacta. Si no fuera así la pregunta
es ¿qué diablos es la energía?
1.2. Unidades.
La cantidades físicas reciben valores numéricos relativos a la unidad de
ella. Así, la unidad de tiempo, el segundo en el sistema internacional de
unidades (SI) se define como
Por otro lado, cuando tenemos unas pocas leyes, a veces denominadas
principios, de los cuales se pueda deducir, por métodos puramente matemá-
ticos todo un conjunto de leyes que abarquen la totalidad de los fenómenos
de un cierto ámbito, se dice entonces que tenemos una teoría física. Un ejem-
plo es la teoría clásica de la mecánica, donde de tres leyes o principios (de
Newton), se pueden deducir todas las leyes que regulan el comportamiento
mecánico de los cuerpos. Sin embargo como se estableció durante este siglo
(siglo 20), las deducciones de esa teoría son incorrectas al menos en dos ám-
bitos, cuando las velocidades involucradas son cercanas a la velocidad de la
luz o cuando las dimensiones de los cuerpos están en la escala del mundo ató-
mico. Aquí se han seguido los dos caminos. Se han elaborado teorías nuevas
que dan cuenta correctamente de los fenómenos nuevos (Mecánica relativista,
Mecánica cuántica.), pero también se sigue utilizando la mecánica clásica en
el ámbito donde ella conduce a resultados correctos.
Es necesario además decir que dentro de una teoría caben ciertas hipó-
tesis que realmente no tienen el rango de leyes deducibles de los principios
básicos, y cuya validez descansa en las comprobaciones experimentales de las
deducciones que siguen de su uso. Por ejemplo la llamada ley de gravitación
universal de Newton, donde se establece que los cuerpos se atraen en forma
proporcional al producto de sus masas y en forma inversa al cuadrado de la
distancia.
Por último, en una teoría tienen cabida símbolos que no representan can-
tidades físicas, pero que tiene por último la finalidad de hacer predicciones
relativas a cantidades físicas. Es el caso de la mecánica cuántica. donde se
utiliza el concepto de “función de onda”, o “estado del sistema”, que no cons-
tituyen cantidades físicas. Puede también ese ser el caso en la teoría de las
partículas elementales donde se usan algunos conceptos que quizás no sean
observables, pero son útiles en la construcción de la teoría.
∆x
∆t
O t
Velocidad media.
La razón
∆x
v̄ =
∆t
se define como la velocidad media en el intervalo de tiempo ∆t. Tal razón
sería constante independiente del intervalo de tiempo si la curva que describe
el movimiento fuera una recta, es decir si x variara linealmente con el tiempo.
x = 2t + t2 ,
Solución.
luego
∆x
v̄ = = 2 + 2t + ∆t,
∆t
que se observa depende del tiempo t y del intervalo de tiempo ∆t.
Velocidad instantánea.
La velocidad instantánea se define por el límite (la derivada)
∆x dx
v = lı́m = .
∆t→0 ∆t dt
Con respecto a la gráfica x(t) la velocidad instantánea es la pendiente o sea
la tangente del ángulo de inclinación que hace la tangente a la curva, con el
eje del tiempo.
1.6 Descripción del movimiento. 9
A
x
T
b'
c
a'
b
O t
a
Como ejemplo
1 1 1 1
1= + + + + ···
2 4 8 16
1.7. Vectores.
Los vectores son objetos que tienen las características de los desplaza-
mientos, es decir que tienen magnitud, dirección, sentido, y tales que la com-
binación (llamada suma vectorial) de dos de ellos, se obtiene de acuerdo a
la regla del triángulo indicada en la figura anterior. Obviamente un ejemplo
de vectores son los desplazamientos. Otro ejemplo de vectores en Física, lo
constituyen las fuerzas que se aplican a los cuerpos. Ellas poseen las tres
características básicas, magnitud dirección y sentido. La cuestión de que si
las fuerzas se combinan de acuerdo a la regla de suma vectorial, puede y
es establecida experimentalmente. Es decir debe establecerse que aplicar dos
fuerzas dadas sobre un cuerpo es físicamente equivalente a aplicar una fuer-
za, llamada fuerza resultante que tiene la magnitud, dirección y sentido dada
por la regla de adición vectorial.
Debemos señalar que no es suficiente que un objeto tenga magnitud, di-
rección, sentido para ser considerado un vector. Deben necesariamente com-
binarse como tales. Las rotaciones de los cuerpos, en torno a la dirección de
un eje, en un sentido u otro, y de cierta magnitud (el ángulo), no son vectores
porque no se combinan como los desplazamientos.
1.7.1. Notación.
Los vectores, cualquiera sea su naturaleza, los denotaremos con letras
con flechas: a, B, f y la combinación o suma vectorial de ellos con el símbolo
usual de suma +, es decir
c = a + b,
12 Espacio tiempo
a
b
a+b
|a| .
λa
a = |a| â.
1.7 Vectores. 13
λa
a
a= a a
a
ı̂, ̂, k̂
A = Ax ı̂ + Ay ̂ + Az k̂,
a+b = b + a,
(a + b) + c = a + (b + c),
(−1)a + a = 0,
a+0 = a,
λ0 = 0.
a − b = a + (−1)b.
-b
a -b
a
b
a+b
−→
r(t) = OP = xı̂ + ŷ + z k̂.
dx
vx = ,
dt
dy
vy = ,
dt
dz
vz = .
dt
16 Espacio tiempo
vabs = vA + vrel ,
S0 S
r'
r
A
1.9. Trayectoria.
Se define la trayectoria del punto, como el lugar geométrico de las posi-
ciones ocupadas por el punto para todo tiempo. La llamada ecuación para-
métrica de la trayectoria (con parámetro tiempo) es
x = x(t),
y = y(t),
z = z(t).
x = A cos ωt,
y = B sin ωt,
z = pt, .
y = y(x).
y = x − 5x2 ,
x = x(z),
y = y(z).
Ejemplo 1.9.3 Como ejemplo la ecuación de una hélice puede ser igual-
mente escrita como
ω
x = A cos z,
p
ω
y = B sin z.
p
u0 = u − v.
t1 A B
t2
t3
que
L
c(t3 − t1 ) = + v(t3 − t1 ),
2
L
c(t3 − t2 ) = − v(t3 − t2 ),
2
de donde se obtiene
Lv
t2 − t1 = .
− v2c2
Esta expresión indica cuantitativamente del hecho que el evento A ocurrió
en t1 antes que el evento B que ocurrió en t2 . Aunque será demostrado más
adelante L depende de la velocidad de la forma
r
v2
L = L0 1 − 2 ,
c
por lo que el resultado puede escribirse
v/c2
t2 − t1 = q L0 .
v2
1 − c2
x c2 − v 2
u= = ,
t v
¡ √ ¢
mayor que c a menos que 12 5 − 12 c < v < c.
2d0
τ= .
c
Sin embargo, si ese mismo reloj es observado en movimiento, la luz, propa-
gándose con la misma velocidad debe recorrer una distancia más larga, como
se ilustra en la figura siguienteDe la figura (1.9), mediante el teorema de
ct do
vt
Pitágoras se tiene
c2 t2 = d20 + v2 t2 ,
22 Espacio tiempo
t x=vt x=ct
t2
t1
x
d
2d /c 2d/c
q 0 = 2 ,
2
1 − vc2 1 − vc2
x0 = γ(x − vt),
y 0 = y,
z 0 = z,
vx
t0 = γ(t − 2 ),
c
siendo
1
γ=q .
v2
1− c2
x = γ(x0 + vt0 ),
y = y0,
z = z0,
vx0
t = γ(t0 + 2 ),
c
24 Espacio tiempo
qc
v2
uy 1 − c2
u0y = ,
1 − vu
c2
x
q
2
uz 1 − vc2
u0z = vux .
1− c2
p = m(u)u,
γU
W/γ
W
A B
t1 t2
x1 x2
o bién √
m( u2 + v2 ) = γm(γu)
y tomando u = 0 se tiene
1
m(v) = q m(0). (1.1)
v2
1− c2
x1 = γvt01 ,
t1 = γt01 ,
x2 = γvt02 ,
t2 = γt02 ,
1.11 La velocidad de la luz en el vacío. 27
A B
t1 t2
x1 x2
entonces los tiempos de llegada, tomando en cuenta lo que deben recorrer los
pulsos son
x1 γvt01 v
T1 = t1 + = γt01 + = γt01 (1 + ),
c c c
0
x2 γvt 2 v
T2 = t2 + = γt02 + = γt02 (1 + ),
c c c
es decir los pulsos llegan al origen separados un tiempo
v 0 (1 + vc ) 0
T = T2 − T1 = γT (1 + ) = q T,
c 1 − vc2
2
o bien p
v (1 + vc ) 0
T = T2 − T1 = γT 0 (1 + ) = p T.
c 1 − vc
Si analizamos las frecuencias a la cual los pulsos se emiten y se reciben
(f = 1/T ) tenemos
p
(1 − vc ) 0
f= p f
1 + vc
llegada, tomando en cuenta lo que deben recorrer los pulsos con una velocidad
u
x1 γvt01 v
T1 = t1 + = γt01 + = γt01 (1 + ),
u u u
0
x2 γvt 2 v
T2 = t2 + = γt02 + = γt02 (1 + ),
u u u
es decir los pulsos llegan al origen separados un tiempo
0 v (1 + uv ) 0
T = T2 − T1 = γT (1 + ) = q T.
u 1 − vc2
2
Pero, en magnitud
u0 − v
u = 0 ,
1 − vu
c2
0
v v(1 − vu c2
)
= 0
,
u u −v
Entonces reemplazando y considerando las frecuencias a la cual los pulsos se
emiten y se reciben (f = 1/T ) tenemos
q
2
1 − vc2
f= v2 u0
(u0 − v)f 0 ,
0
u − c2
o bien
1 v 0
f=q (1 − )f
1− v2 u0
c2
siendo u0 > v, para el caso en que la fuente se aleja del observador. Además
u0 es la velocidad con que la señal sale de la fuente, respecto a ella.
1.12. Problemas.
Ejercicio 1.12.1 Una partícula se deja caer desde lo alto de una torre de
modo que su altura y varía con el tiempo t de la forma
y = 50 − 5t2 .
Determine la trayectoria que es observada desde un automóvil que se aleja
por el eje horizontal x con rapidez de 20 m/s.
1.12 Problemas. 29
x = 2t − t3 ,
x = 2+t
y = 3 − t2 .
uy = c sin θ cos φ,
uz = c sin θ sin φ
ux = c cos θ
Demuestre entonces que el ángulo λ que hace c con c0 está dado por
q
2 2
c·c0 sin θ(1 − 1 − vc2 )
cos(λ) = 2 = 1 −
c 1 − v cos
c
θ
x0 = αx + βt,
t0 = γx + δt.
2.1. Introducción.
Aristóteles pensaba que las substancias que constituían la Tierra eran
diferentes de las substancias existentes en los Cielos. El también creía que la
dinámica, la rama de la Física que describe los movimientos, estaba deter-
minada esencialmente por la naturaleza de la substancia que se movía. Así,
limitándonos a lo esencial, Aristóteles tenía la creencia de que una piedra caía
hacia el suelo porque eran substancias similares. En términos de sus cuatro
elementos básicos, la piedra era esencialmente “tierra”. De la misma forma
el humo se elevaba porque era principalmente “aire” (y algo de “fuego”) y
por lo tanto el humo deseaba estar cerca del “aire ”y lejos de la “tierra” y del
“agua”. Por similares argumentos él pensaba que los cielos estaban formados
por la más perfecta de las substancias, la quinta esencia, la cual poseía por su
naturaleza la tendencia de efectuar un movimiento perfecto, es decir circular.
El también pensaba que los objetos en la Tierra se movían mientras fueran
empujados, de modo que ellos se detenían apenas se eliminaban las fuerzas
aplicadas. Uno de los problemas que tuvo Aristóteles fue explicar porqué una
flecha lanzada mediante un arco, continuaba volando aún después de que la
cuerda terminaba su contacto con la flecha. Algunas explicaciones fueron es-
bozadas, por ejemplo que la flecha en su vuelo producía un vacío detrás. El
aire se precipitaba en ese vacío empujando además a la flecha.
34 Desarrollo del método científico.
Esto es un esbozo de lo que eran las creencias antes del desarrollo del
método científico.
Una de las cuestiones que origina el desarrollo de la ciencia y del método
científico es la explicación del movimiento de los objetos que se ven en el
Cielo. Hoy día, producto de una enorme cantidad de observaciones, las cosas
parecen estar claras. Sin embargo antes la información disponible era muy
escasa. Excepto quizás por estimaciones sobre la Luna y el Sol, los hombres
de antes no tenían idea de las distancias y de los tamaños de los objetos
celestiales. No debería causar extrañeza entonces que los Griegos apoyaron
la idea, con mucho sentido común, de que la tierra debería estar estacionaria
(en reposo), y en base a esa hipótesis había que diseñar un método para
predecir las posiciones de los astros. La versión final de este modelo fue
diseñada por Ptolomeo de Alejandría, modelo que es conocido en nuestros
tiempos como el modelo de Ptolomeo.
vacional realizado por Tycho Brahe, astrónomo danés (Dic. 14, 1546,— Oct.
24, 1601), cuyo trabajo en el desarrollo de instrumentos astronómicos y en
las determinaciones de las posiciones de los astros fue crucial.
Tycho Brahe fue el más grande de los observadores en astronomía antes
de la invención del telescopio. Bajo el auspicio del rey de Dinamarca él cons-
truyó y operó el observatorio de Uraniborg, que constaba de innumerables
instrumentos de su propio diseño. En particular, Brahe compiló extensos
datos sobre la órbita de Marte, que más tarde probaría ser crucial para la
formulación de las leyes correctas del movimiento de los planetas por parte
de Kepler.
Las críticas al modelo de Ptolomeo las inició Copérnico, quien basándose
directamente en trabajos de Tycho Brahe puso de manifiesto las discrepancias
del modelo con la observación, discrepancias no muy grandes pero que debían
36 Desarrollo del método científico.
posición aparente de
Marte en el fondo de
las estrellas
Tierra Marte
Sol
ser justificadas.
círculos exigidos por Aristóteles, sino círculos aplanados, que los geómetras
llaman elipses. Sin embargo las órbitas son apenas elípticas, y para los da-
tos disponibles en ese tiempo, era precisamente la órbita de Marte quien
mostraba ser más elíptica.
Cada planeta se mueve en una órbita elíptica en torno del Sol, el cual
ocupa uno de sus focos.
La línea que conecta el Sol con cada planeta, barre áreas iguales en
intervalos iguales de tiempo.
Los cuadrados de los tiempos requeridos por cada planeta para dar
una vuelta completa en torno al Sol, son proporcionales al cubo de su
distancia promedio al Sol.
por otro cuerpo, continúa moviéndose con la nave. Los planetas se mueven
alrededor del Sol porque ellos son desviados por una materia sutil que llena
todo el espacio (¿qué será?). Podían así construirse modelos similares para
considerar todos los fenómenos; el sistema Aristotélico podría ser reempla-
zado por el Cartesiano. Existía sin embargo un problema mayor, y eso bastó
para derrumbar al Cartesianismo en esos tiempos. La materia Cartesiana y
movimiento no tenían ningún propósito. Ni la filosofía de Descartes parecía
necesitar la participación activa de una deidad. El cosmos Cartesiano, como
lo dijo Voltaire después, era como un reloj que al cual le habían dado cuerda
en la creación y que continuaba haciendo tictac por siempre.
Kepler propuso sus tres leyes del movimiento de los planetas basándose en
las regularidades que encontró en los datos de Brahe. Estas leyes se suponía
aplicaban sólo al movimiento de los planetas, no teniendo relación alguna con
otros movimientos en el Universo. Además eran completamente empíricas,
ellas daban buenos resultados, pero nadie sabía la razón de porqué ellas
funcionaban.
Newton cambió todo eso. Primero él demostró que los movimientos de
todos los cuerpos podían ser descritos mediante tres leyes. Luego demostró
que las tres leyes de Kepler no eran más que casos especiales de sus leyes si
la fuerza es de un tipo especial, la que hoy llamamos fuerza gravitacional.
42 Desarrollo del método científico.
1938 Otto Hahn, Fritz Strassmann, Lise Meitner y Otto Frisch descu-
bren la fisión nuclear.
Gravitación.
Kepler pudo describir las órbitas de los planetas mediante simples relaciones
geométricas y aritméticas. Estas relaciones son conocidas hoy como las tres
leyes de Kepler del movimiento de los planetas y pueden resumirse por:
2 La línea que une un planeta al Sol barre áreas iguales en tiempos igua-
les.
4π 2
a= R.
T2
Newton supuso la presencia de una fuerza atractiva entre todos los cuer-
pos materiales, una fuerza que no requiere contacto directo y actúa a distan-
cia. Haciendo uso de la ley de inercia es decir que los cuerpos no sometidos a
fuerzas siguen con velocidad constante en una línea recta, Newton concluyó
que una fuerza ejercida por la Tierra sobre la Luna es necesaria para que su
movimiento sea circular en torno a la Tierra. Él comprendió que esta fuerza
debería ser, considerando las proporciones, igual que la fuerza con la que la
Tierra atrae a objetos sobre su superficie.
Newton analizó el movimiento de la Luna de la que tiene un periodo de
T = 27,3 días (casi un mes) y una órbita de radio aproximadamente igual
a RL = 384, 000 kilómetros (aproximadamente 60 radios de la Tierra RT ).
Él encontró que la aceleración de la Luna en su órbita es (dirigida hacia la
Tierra) de magnitud
4π 2 RL 4π 2 3,84 × 108 m
a= 2
= 2
= 0,0027 2 ,
T (27,3 × 24 × 3600) s
T 2 = kR3
se obtiene
4π 2 R 4π 2
a= = .
kR3 kR2
Newton también dedujo que las fuerzas gravitacionales entre los cuerpos
deberían depender de las masas de los cuerpos. Dado que un cuerpo de masa
M que experimenta una fuerza F acelera a razón F/M, una fuerza proporcio-
nal a M sería consistente con la observaciones de Galileo de que los cuerpos
aceleran bajo la gravedad terrestre con la misma magnitud. Así y en forma
resumida la teoría gravitacional de Newton establece que
m1 m2
F12 = G ,
(r12 )2
donde F12 es la magnitud de la fuerza gravitatoria que actúa entre las los
cuerpos de masas m1 y m2 separadas una distancia r12 . “La fuerza iguala
el producto de estas masas y de G, una constante universal, dividida por el
cuadrado de la distancia”. Su teoría gravitatoria permitió explicar las leyes
de Kepler y estableció la ciencia cuantitativa moderna de la gravitación.
La constante de gravitación universal tiene en el sistema SI el valor
GMT
g(h) = (3.1)
(RT + h)2
µ ¶
MT MT
= G 2 + −2G 3 h
RT RT
g(0)
= g(0) − 2 h.
RT
gRT2
G=
MT
56 Gravitación.
M2
R1 = R,
M1 + M2
M2
R1 = R,
M1 + M2
M1 R1 = M2 R2 .
son suficientes para determinar las masas individuales. Las observaciones del
movimiento orbital de las estrellas dobles, del movimiento dinámico de es-
trellas que mueven colectivamente dentro de sus galaxias, y del movimiento
de las galaxias, verifican que la ley de Newton de gravitación es válida, con
un alto grado de exactitud a lo largo y ancho del universo visible.
Newton también explicó las mareas del océano, fenómenos que envolvieron
en misterio a los pensadores durante siglos, que son una simple consecuencia
de la ley universal de gravitación. Ellas son causados específicamente por el
tirón 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 órbita
Kepleriana simple. Otras observaciones más exactas sobre los planetas tam-
bién mostraron diferencias con las leyes de Kepler. El movimiento de la Luna
es particularmente complejo. Además, la atracción gravitatoria de los plane-
tas explica casi todos los rasgos de sus movimientos. Las excepciones son no
obstante importantes. Urano, el séptimo planeta del Sol, manifestó impor-
tantes variaciones en su movimiento que no podían ser explicado a través de
perturbaciones de Saturno, Júpiter, y de los otros planetas. Dos astrónomos
del siglo 19, John Couch Adams de Bretaña y Urbain-Jean-Joseph Le Verrier
de Francia, supusieron independientemente la presencia de un octavo planeta
inadvertido que podría producir las diferencias observadas. Ellos calcularon
su posición dentro de una precisión de un grado de donde se descubrió Nep-
tuno más tarde en 1846.
Las medidas hechas por mucho tiempo del movimiento del planeta más
cercano al Sol, Mercurio, llevaron a los astrónomos a concluir que el eje ma-
yor de su órbita elíptica precesa en el espacio a una proporción 43 segundos
de arco por siglo, más rápido que lo que podría considerarse debido a per-
turbaciones de los otros planetas. En este caso, sin embargo, ningún otro
cuerpo podría encontrarse que podría producir esta diferencia. Al parecer una
modificación muy leve de la ley de Newton de la gravitación parecía ser nece-
saria. La teoría de Einstein de la relatividad general, predice correctamente
la precesión de la de la órbita de Mercurio.
Nota 3.1 Es absolutamente posible que usted encuentre que aquí hay dema-
siadas matemáticas, cierto. De todos modos por si usted quiere profundizar
aquí han aparecido dos objetos, llamados “operadores” que son de frecuente
ocurrencia en Física. Se trata de
∂ ∂ ∂
∇ = ı̂ + ̂ + k̂ operador Nabla,
∂x ∂y ∂z
∂2 ∂2 ∂2
∇2 = + + operador Laplaciano,
∂x2 ∂y 2 ∂z 2
de modo que en términos de estos, dos de las ecuaciones anteriores se escriben
como
g(r) = −∇φ(r),
∇2 φ(r) = 4πGρ(r).
les han permitido a los investigadores medir con mucha precisión el tiempo
de caída libre. También es posible hacer medidas sumamente exactas que
usan interferencia láser. Por consiguiente, las medidas directas de caída libre
han reemplazado el péndulo para las medidas absolutas de gravedad. Hoy día
los lasers sirven como fuentes luminosas para los interferómetros. El objeto
que cae refleja un haz de luz láser. 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 108 .
Cuando una de las dos masas se mueve, se supone que la fuerza que actúa
en otras masas, se ajusta instantáneamente a la nueva situación con la masa
original cambiada de sitio. Esto entra en conflicto con la teoría de la rela-
tividad especial, donde ninguna información o señal física puede viajar más
rápidamente que la velocidad de luz.
La teoría de la relatividad junto a la teoría del campo de fenómenos eléc-
tricos y magnéticos, han tenido tal éxito, que se han construido teorías gravi-
tatorias más modernas, como teorías de campo consistentes con los principios
de la relatividad especial. En una teoría 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.
idénticas en el campo del Sol así como en el de la Tierra. Las medidas hechas
con láser, sumamente exactas, de la distancia de la Luna de la Tierra han
hecho posible una prueba extensa del principio débil de equivalencia. Las
constituciones químicas de la Tierra y la Luna no son las mismas, y si eso tu-
viera algún efecto, ellos deberían podrían acelerar en proporciones diferentes
bajo la atracción del Sol. Ningún efecto se ha descubierto.
Otros experimentos han dado confirmación de las predicciones de Einstein
a una exactitud de uno por ciento.
Vo lu m e n (T ie rra = 1 ) 0.05 4 0 .8 8 1 .0 0 .1 49
−27
M a sa ×10 g 0 .3 3 0 2 2 4 .8 6 9 0 5 .9 7 4 2 0 .6 4 1 9 1
g cm−3
D en sid a d 5 .4 3 5 .2 4 5 .5 1 5 3 .9 4
1 A U = 14 9 ,5 9 7 ,8 7 0.66 k m
3.1 Desarrollo de la teoría gravitacional. 67
J ú p ite r S a tu rn o U ra n o N e p tu n o P lu tó n
77 8 ,4 1 2 ,0 2 0 1 ,4 2 6 ,72 5 ,4 0 0 2 ,8 7 0 ,9 72 ,2 0 0 k m 4 ,4 9 8 , 2 5 2 , 9 0 0 5 ,9 0 6 ,3 7 6 ,2 0 0
13 1 6 755 52 44 0 .0 0 5
1,8 9 8 .7 56 8 .5 1 8 6 .8 4 9 1 0 2 .4 4 0 .0 1 3
1.3 3 0 .7 0 1 .3 0 1 .7 6 1 .1
59 .5 4 k m / s 3 5 .4 9 k m / s 2 1 .2 9 k m / s 2 3 .7 1 k m / s 1 .2 7 k m / s
0.4 1 3 5 4 0 .4 4 4 01 0 .7 1 8 33 * 0 .6 7 1 2 5 6 .3 8 7 1 8 *
1 1 .8 5 65 2 5 0 2 2 9 .4 2 35 1 9 3 5 8 3 .7 4 74 0 6 8 2 1 6 3 .7 2 3 2 0 4 5 2 4 8 .0 2 0 8
13 .0 6 9 7 9 .6 7 2 4 6 .8 3 5 2 5 .4 7 7 8 4 .7 4 9 0
0 .0 4 8 39 2 6 6 0 .5 4 1 50 6 0 0 .0 4 7 16 7 7 1 0 .0 0 8 5 8 5 8 7 0 .2 4 8 8 0 7 6 6
1.3 0 5 3 0 2.4 8 4 4 6 0 .7 6 9 86 1 .7 6 9 1 7 1 7 .1 4 1 7 5
3.1 2 2 6 .7 3 9 7 .8 6 2 9 .5 8 1 1 9 .6 1
— — — — 5 7 .8
16 5 134 76 73 —
H 2 ,H e H e ,H 2 ,C H 4 H 2 ,H e, C H 4 H2, He —
71 ,4 9 2 60 ,2 6 8 2 5 ,5 5 9 2 4 ,7 6 4 1 ,1 9 5
* retrógrado.
Ejercicio 3.1.7 De acuerdo a los radios orbitales, evalúe los periodos orbi-
tales usando la tercera ley de Kepler, comparando con los datos tabulados.
Ejercicio 3.1.13 De acuerdo a las masas de los planetas, evalúe las ve-
locidades de escape desde sus superficies, comparando sus valores con los
tabulados.
Ejercicio 3.1.14 De acuerdo a las masas de los planetas y sus radios, eva-
lúe la aceleración de gravedad en sus superficies, 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 históricas, considere unidades donde
la distancia Tierra Sol sea 10). Si existe alguna discontinuidad en su ley,
aventure alguna hipótesis.
Capítulo 4
Caída libre y movimiento de
proyectiles.
4.1. Aceleración.
De acuerdo a lo establecido por Galileo, los cuerpos en la vecindad de la
Tierra, están acelerados hacia el centro de la Tierra independientemente de
su masa con una magnitud aproximadamente g = 9,8 m/s2 . 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 = −ĝ, (4.1)
De acuerdo al significado de la aceleración se tiene que
d2
r = −ĝ, (4.2)
dt2
que puede ser escrita en términos de la velocidad v
d
v = −ĝ. (4.3)
dt
De aquí, mediante el proceso conocido como integración podemos obtener
que
Z v(t) Z t
dv = − ĝdt, (4.4)
v(0) 0
70 Caída libre y movimiento de proyectiles.
de donde
v(t) − v(0) = −gt̂, (4.5)
de modo que tenemos
dr
v(t) = = v(0) − gt̂. (4.6)
dt
Expresión que da cuenta de las variaciones de la velocidad con el tiempo,
en términos de la velocidad inicial v(0), del tiempo transcurrido t, y de la
aceleración de gravedad. Si la última expresión se integra nuevamente puede
obtenerse Z Z
r(t) t
dr = (v(0) − ĝt)dt (4.7)
r(0) 0
por lo tanto
1
r(t) − r(0) = v(0)t − ĝt2 , (4.8)
2
y finalmente
1
r(t) = r(0) + v(0)t − ĝt2 . (4.9)
2
vx (t) = vx (0),
vy (t) = vy (0) − gt,
x(t) = x(0) + vx (0)t,
1
y(t) = y(0) + vy (0)t − gt2 .
2
Expresiones que dan las componentes cartesianas de la velocidad y posición
en términos de las condiciones iniciales y del tiempo transcurrido.
4.2 Componentes cartesianas. 71
vx (t) = 0,
vy (t) = −gt,
x(t) = 0,
1
y(t) = h − gt2 .
2
La altura decrece en forma proporcional al cuadrado del tiempo. Ade-
más el tiempo total de caída, desde la altura h se obtiene haciendo
y(t) = 0 obteniendo
s
2h
t= .
g
Por ejemplo si h = 10 m se tiene aproximadamente t = 1,41 s. Es-
te tiempo no podía determinarse con tal precisión en los tiempos de
Galileo. De hecho Galileo estudió el movimiento de cuerpos en caída
pero sobre un plano inclinado, para incrementar los tiempos de caída y
poderlos determinar con la precisión suficiente para los medios disponi-
bles en aquellos tiempos. Usted podría quizás establecer que si el plano
inclinado es liso y su ángulo de inclinación es α, el tiempo empleado
por el cuerpo para descender una altura h está dado por
s
2h
t= .
g sin α
vx (t) = 0,
vy (t) = v0 − gt,
x(t) = 0,
1
y(t) = v0 t − gt2 .
2
o bien
v02 gx2
y= − . (4.17)
2g 2v02
Esta es la ecuación de una parábola simétrica respeto al eje OY , conocida
como parábola de seguridad. Los puntos sobre la parábola de seguridad son
alcanzables justo para un ángulo, de (4.15) ese ángulo está dado por
v02
tan α = . (4.18)
gx
74 Caída libre y movimiento de proyectiles.
v02 gx2
y = − ,
2g 2v02
y = x tan β,
obteniendo
v02
x = (− tan β + sec β) ,
g
v02
y = tan β (− tan β + sec β)
g
x = v0 (cos α)t,
1
y = h + v0 (sin α)t − gt2 .
2
Ejercicio 4.2.3 Un cazador que no sabe física, es decir que los proyectiles
caen con la aceleración de gravedad, apunta en consecuencia directamente a
un mono que está sobre una árbol. El mono que tampoco sabe física, se deja
caer justo cuando el cazador dispara. ¿Qué acontece?
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 ángulo óptimo, determine ese ángulo. (No
es 45o )
Ejercicio 4.2.7 Desde una altura de 100 m se deja caer una piedra. Un
segundo más 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 llegó al suelo) Determine el tiempo que
tarda la pelota en quedar en reposo en el suelo.
4.2 Componentes cartesianas. 77
Ejercicio 4.2.10 Un cañón dispara proyectiles con rapidez de 100 m/s. De-
termine el ángulo de disparo adecuado para dar en un blanco situado a 100
de altura y a una distancia horizontal de 1000 m del cañón, en el mínimo
tiempo.
Nota 4.2 Hay dos factores que en realidad hacen que la aceleración de gra-
vedad no sea constante. Uno de ellos es la altura. Si la altura es h sobre la
superficie terrestre y R es el radio terrestre, la aceleración de gravedad varía
con la altura de la forma aproximada (ver 3.1)
µ ¶
h
g(h) = g(0) 1 − 2 .
R
5.0.5. Introducción.
Proceso de compresión.
relativista, es tan grande que los electrones pueden al chocar contra los nú-
cleos, penetrar en ellos combinándose con los protones de ellos, formando
neutrones.
La responsable de esta transformación es la llamada interacción débil.
Aquí comienza a jugar de nuevo un rol el principio de exclusión; los nuevos
neutrones que se crean en los núcleos no tienen estados físicos distintos dis-
ponibles y en consecuencia se ven obligados a abandonar el núcleo. Ahora la
presión en aumento es equilibrada por un sistema de neutrones libres, cada
vez en mayor número, hasta que finalmente todos los electrones se han com-
binado con protones, terminándose en esta etapa con un fluidos de neutrones
degenerados. Aquí se llega a las últimas cuestiones conocidas por la física
actual. Como se cree, los hadrones, familia de partículas elementales a las
cuales pertenecen los neutrones y protones, están constituidas por quarqs,
que están confinadas en una especie de saco que define la frontera del ha-
drón. A presiones superiores, al alcanzar densidades más o menos cinco veces
la densidad nuclear, aproximadamente entre 1000 y 1500 millones de tone-
ladas por centímetro cúbico, esos sacos, se cree, deberían romperse de modo
que los quarqs serían liberados, formando una especie de sopa de quarqs, el
supuesto estado final de la materia ultra comprimida.
Estrella neutrónica.
En consecuencia el destino de una estrella de mayor masa debe ser otro.
Las estrellas más masivas tienen algunas veces un final más catastrófico. En
algunos casos, las estrellas pierden mucha masa durante su vida, en forma de
viento estelar por ejemplo, evitando así sobrepasar el límite de Chandrasek-
har. Pero estrellas de mucho mayor masa pasan al formarse hierro, a lo que
se denomina una super gigante roja. Su núcleo, compuesto principalmente
de hierro, Níquel y otros elementos, en forma muy comprimida, penetrada
por el plasma de electrones degenerados que soporta el colapso gravitacio-
nal, además debe soportar el peso de las capas exteriores de la estrella. El
hierro es el último paso de los procesos nucleares en una estrella. Debido a la
90 La evolución de las estrellas.
Supernova.
Sin embargo, si la masa de la estrella es muy grande, compresión ha sido
tan rápida que la enorme cantidad de materia de las capas exteriores se
queda rezagada y comienza a acelerar hacia el núcleo, desplomándose sobre
5.1 Formación de una estrella. 91
tal rapidez sólo pudo ser explicada por una estrella de neutrones girando muy
rápidamente en torno a su eje. Hoy hay buena evidencia para suponer que en
nuestra galaxia, la vía láctea, existen alrededor de 100 millones de estrellas
neutrónicas.
Nova.
Agujero negro.
Una estrella neutrónica, al igual que la enana blanca, tiene un límite para
la masa que puede tener. Se ha calculado que esa masa es del orden de 1,95
de la masa solar. Si por algún motivo, la estrella neutrónica adquiere más
masa que esa, ya sea en el proceso de la supernova, o por captura de materia
(acreción) del espacio o de estrellas vecinas, se llega a un punto en que no
existe mecanismo conocido que permita equilibrar la presión gravitacional., la
estrella colapsa sin límite, 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 evolución de las estrellas.
Capítulo 6
El Universo y su evolución.
6.1. Introducción
El estudio y observación del Universo, con mayúscula, involucra todo lo
que puede analizarse con el método científico. Queremos describir lo que
las actuales teorías y datos observacionales nos informan sobre la estructura
actual del Universo y sus posibles formas de evolución. 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 básicas, a modo de
comparación, utilizando un factor de acoplamiento adimensional, ellas están
en los ordenes relativos de magnitud que se indican en la tabla siguiente
Fuerte αS = 15 (strong)
Electromagnética α = 7,3 × 10−3
Débil αW = 3,1 × 10−12 (weak)
Gravitacional αG = 5,9 × 10−39 .
Como veremos, ellas han jugado un rol determinante en diversas etapas del
modelo aceptado hoy en día de la evolución del Universo.
Diversas preguntas se pueden formular sobre el Universo, antiguamente
en el plano de la filosofía, hoy día tratables con métodos de la Ciencia. ¿Es el
Universo finito o infinito? ¿Tuvo o no un comienzo? ¿Es el Universo siempre
igual (Estático) o evoluciona con el tiempo (Dinámico)?, y muchas más.
El problema de un Universo estático o dinámico fue planteado apenas for-
mulada la teoría de la Gravitación de Newton. En efecto, si todos los cuerpos
96 El Universo y su evolución.
t t
línea de Universo
línea de Universo
de partícula fija. de rayo luminoso
y y
x x
t t
x x
línea de Universo de A
B
B
B
A A A
(a) (b) (c)
a En este caso, cuando B está dentro del cono de luz del futuro de A, es
posible conectar A, con B con una línea de Universo de otro observador
que viaja con velocidad menor que la de la luz (línea que une A con
B), por lo tanto los eventos están sobre una misma línea de Universo
y como explicamos entonces la ordenación temporal es absoluta. Para
todos los observadores B ocurre después que B. Es en este caso en
que puede haber relación de causa y efecto entre dos eventos. B, puede
ser causado por A. Se dice además que entre estos eventos hay una
separación se denomina intervalo tipo tiempo.
líneas de Universo
(1) (2)
(3)
posible conectar A, con B sólo con una línea de Universo de una señal
luminosa (línea que une A con B). Se dice en este caso que los eventos
están separados por un intervalo tipo luz.
c En este caso, cuando B está fuera del cono de luz del futuro de A, no es
posible conectar A, con B con una línea de Universo de otro observador
que viaja con velocidad menor o igual que la de la luz. Por lo tanto
A no puede influenciar B de ninguna forma. Se dice además que entre
estos eventos hay una separación se denomina intervalo tipo espacio. La
razón, que se explica en la figura siguiente, es que en este caso hay un
observador para el cual los eventos están separados sólo espacialmente
(1), es decir son simultáneos. En efecto considere la líneas de Universo
(1),(2), y (3). Para (1) son simultáneos, para (2) A ocurre antes que
B, para (3) A ocurre después que B.
la ley de Hubble
v = H0 d,
y si las distancias iniciales fueron cero, debemos tener d = vT entonces
v = H0 vT,
1
T = ≈ 1500 millones de años.
H0
Quarqs y antiquarqs.
Hadrones-nucleones.
Mesones.
Leptones.
Partículas portadoras.
No entraremos en más detalles, pero es necesario decir que las cuatro inte-
racciones básicas señaladas al principio, se explica según la mecánica cuánti-
ca, mediante el intercambio de partículas virtuales portadoras o intermedias.
Así la interacción electromagnética se manifiesta mediante intercambio de
fotones. La interacción fuerte se manifiesta mediante el intercambio de gluo-
nes, la débil por el intercambio de bosones intermedios (W + , W + , Z 0 ) y la
gravitacional se especula que mediante un gravitón.
Matemáticas.
bx by = bx+y ,
b0 = 1.
110 Matemáticas.
7.1.2. El logaritmo.
Si
y = bx
entonces
x = logb y,
que se lee logaritmo de y en base b. Todas las propiedades de esta función
se deducen de las propiedades de la función exponencial bx . Por ejemplo de
1 = b0 con b > 0
se tiene que
logb 1 = 0.
Similarmente de
b = b1
se deduce que
logb b = 1.
También si
u = bx ,
v = by ,
entonces
uv = bx+y ,
luego
x + y = logb uv
o sea
logb uv = logb u + logb v.
propiedades se tiene:
logb a loga b = 1.
logb ac = c logb a.
7.1.3. El número e.
El número e = 2. 718 281 828 46.., la base de los logaritmos naturales de
define como un límite, el cual es
µ ¶n
1
e = lı́m 1 + .
n→∞ n
La existencia de este límite, puede ser establecida estudiando la secuencia
µ ¶n
1
an = 1 +
n
cuyos primeros
¡ ¢valores son
1
a1 = 1 + 11 = 2,0
¡ ¢2
a2 = 1 + 12 = 2. 25
¡ ¢3
a3 = 1 + 13 = 2. 370 370 370 37
¡ ¢4
a4 = 1 + 14 = 2. 441 406 25
¡ ¢5
a5 = 1 + 15 = 2. 488 32
112 Matemáticas.
que muestra cierta tendencia, pero de lenta evolución. Ahora del teorema
del binomio
µ ¶n
1 n 1 n(n − 1) 1 n(n − 1)(n − 2) 1
1+ =1+ + + +··· ,
n 1! n 2! n2 3! n3
se deduce
µ ¶n
1 1 (1 − n1 ) (1 − n1 )(1 − n2 )
1+ =1+ + + + ··· ,
n 1! 2! 3!
y tomando el límite puede obtenerse
1 1 1
e=1+ + + + ···
1! 2! 3!
la famosa expansión en serie del número e, que converge más o menos rápi-
damente como se muestra a continuación
1 + 1!1 = 2,0
1 + 1!1 + 2!1 = 2. 5
1 + 1!1 + 2!1 + 3!1 = 2. 666 666 666 67
1 + 1!1 + 2!1 + 3!1 + 4!1 = 2. 708 333 333 33
1 + 1!1 + 2!1 + 3!1 + 4!1 + 5!1 = 2. 716 666 666 67
1 + 1!1 + 2!1 + 3!1 + 4!1 + 5!1 + 6!1 = 2. 718 055 555 56
1 + 1!1 + 2!1 + 3!1 + 4!1 + 5!1 + 6!1 + 7!1 = 2. 718 253 968 25.
Como una curiosidad se presentan algunas de las fórmulas donde aparece
el número e, de la vasta diversidad de ellas
1
e=3− 2 .
4− 5− 3
4
6− 7−···
Z e
dx
= 1.
1 x
√
eπ −1
= −1.
√ √
ex −1 = cos x + −1 sin x.
√ 1
n! = 2πnnn e−n (1 + + · · · ).
12n
¿Podrá usted probar alguna de ellas?
7.2 Sumatorias. 113
7.2. Sumatorias.
La suma de n términos a1 , a2 , · · · an será representada por
X
n
a1 + a2 + a3 + · · · + an = ai .
i=1
X
n
rn+1 − r
ri =
i=1
r−1
X
n
1
i = n (n + 1)
i=1
2
X
n
1
i2 = n (n + 1) (2n + 1)
i=1
6
X
n
1
i3 = n2 (n + 1)2
i=1
4
7.3. Gráficos.
Por su importancia se trata este tema, de las diversas formas de ilustrar
gráficamente el comportamiento de una función de una variable y = f (x).
Este símbolo indica que a cada valor de la variable independiente x existe un
valor numérico (real o complejo) de la función, denotado por y = f (x).
Ejemplos
y = Ax + B función lineal, A y B son constantes.
y = AeBx función exponencial, A y B son constantes.
y = A + B ln x función logarítmica, A y B son constantes.
y = Ax2 + Bx + C función polinomial de grado 2
y = A sin x función sinusoidal.
−cx
y = Ae cos x función cosenoidal amortiguada.
y = AxB función potencia.
114 Matemáticas.
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
papel log-log
10
un periodo en el eje y
1
1 2 3 4 5 6 7 8 9 10 20 30 40 50 60 70 80 90100
papel log-log.
14 + 12
A= = −3. 25,
0−8
y = −3,25x + 14
116 Matemáticas.
Correlación lineal
15
10
0
Y
-5
-10
-15
0 2 4 6 8
y = 5e−2x .
7.3 Gráficos. 117
A Decaimiento exponencial
B
1,000
0,100
Y
0,010
0,001
0 1 2 3 4 5
X C
Modelo potencia
20
10
Y
0 1 2 3 4 5 6 7 8 9 10
Modelo potencia
10
Y
1
1 10
100
Y
10
0 2 4 6 8 10 12 14
B) y=Ae
Bx A)-B) X
x yA yB yA − yB
0 300 112 187
4 95 73 22
12 31 31
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 función del tiempo a partir de su ingestión
y = 10e−0,1x ,
y = 5x0,6 ,
y = 10e−0,1x + 20e−0,8x
t y
0 4.85
1 2.943
2 1.785
3 1.083
4 0.857
5 0.398
6 0.241
7.5. Derivadas.
Si se considera una función de una variable y = f (x) su gráfico con escalas
uniformes es una curva, genéricamente como la que se ilustra en la figura.
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 función en el inter-
valo (x1 , x2 ), puede ser definida por la razón
y2 − y1
.
x2 − x1
Si nos imaginamos que los dos puntos están muy cerca, y en caso límite x2
se acerca a x1 hasta confundirse con el, podemos observar que
122 Matemáticas.
tangente en (1)
Derivada
70
2
60
función y=f(x)
50 y2-y1
1
40
x2-x1
Y
30
20
10
0
0 2 4 6 8 10 12 14
7.6. Diferenciales.
El diferencial de una función, correspondiente a un cambio ∆x de su
variable independiente se define por
df (x) = f 0 (x)∆x.
dx = ∆x,
f (x) f 0 (x)
xa axa−1
1
ln(x) x
ex ex
7.7. Integrales.
7.7.1. El área bajo una curva.
Si se tiene una función y = f (x), planteamos el problema de determinar el
área entre la curva representativa de la función y el eje X, entre los valores x1
7.7 Integrales. 125
f(x)
N
2 3
1
x1 x2
x2 − x1
d= ,
N
xi = x1 + (i − 1)d, i = 1, 2, . . . , N
o
x2 − x1
xi = x1 + (i − 1) , i = 1, 2, . . . , N
N
entonces el área A será aproximadamente
X
N
x2 − x1
A≈ f (xi ) .
i=1
N
Como puede observarse, el error que se comete debido a que los rectángulos
tienen un déficit o exceso de área respecto a la curva, se hará cero si tomamos
el límite haciendo que los anchos de los rectángulos tiendan a cero. Eso se
126 Matemáticas.
X
N
x2 − x1
A = lı́m f (xi )
N→∞
i=1
N
XN
x2 − x1 x2 − x1
= lı́m f (x1 + (i − 1) ) ,
N→∞
i=1
N N
Como veremos el cálculo de este límite puede hacerse pues está relacionado
con el concepto de derivada.
X
N
x2 − x1 X N
x2 − x1 2 x2 − x1
A = lı́m f (xi ) = lı́m (x1 + (i − 1) ) ,
N→∞
i=1
N N→∞
i=1
N N
XN
x2 x x3 X
N
2
= lı́m (i − 1) 2 = lı́m 3 (i − 1)2 ,
N→∞
i=1
N N N→∞ N
i=1
x3 X 2
N−1
= lı́m i.
N→∞ N 3
i=1
Pn
Pero i=1 i2 = 16 n (n + 1) (2n + 1) de modo que
x3 1
A = lı́m (N − 1)N (2N − 1) ,
N→∞ N 3 6
µ ¶
31 1 1
= lı́m x (1 − ) 2 − ,
N→∞ 6 N N
1 3
= x.
3
7.7 Integrales. 127
f(x)
a x x+∆x
0 − f (x1 )
f 0 (x1 ) = ,(la tangente del ángulo)
x2 − x1
130 Matemáticas.
Método de Newton
25
20
15
10 f(x1 )
5
Y 0
x1 x x2
-5
-10
-15
-20
-25
0 2 4 6
entonces
f (x1 )
x2 = x1 − .
f 0 (x1 )
Cuestión que debe ser repetida obteniendo aproximaciones sucesivas a la raíz,
hasta la precisión deseada.
y=x
1,0
f(x1)
0,8
0,6
f(x2)
y
0,4
0,2
x3=f(x2) y=cos(x)
0,0
0,0 0,5 1,0 1,5 2,0
x2=f(x1) x
x1
(2)
X1
0
Y X2
(1)
raiz
-1
aproximación
-2
0,0 0,5 1,0 1,5 2,0
X
Este proceso debe ser repetido hasta alcanzar la precisión deseada, eligiendo
entre nuevos valores iniciales, (x1 , x) o (x, x2 ) según en cual pareja hay cambio
de signo de la función.
dy f (x + h) − f (x)
= f 0 (x) = ,
dx h
con h pequeño. 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 ln x
en el punto x = 2. Resultará
f (2 + h) − f (2)
f 0 (2) = = 0,0 415 3,
h
que usted puede comprobar es correcto en todos sus decimales. Debemos decir
que existen métodos mejores pero involucran conocer o evaluar la función en
más de dos puntos, por lo cual para cálculos aproximados es más simple usar
lo indicado.
7.8.6. Un ejemplo.
Las fórmulas anteriores tienen especial aplicación por ejemplo cuando
se determinan experimentalmente los desplazamientos de una partícula en
función del tiempo y se desea calcular la velocidad y la aceleración. En los
laboratorios de física es común estudiar el movimiento de una partícula o un
cuerpo, determinando los tiempos en que ella pasó por determinadas posi-
ciones. La tabla siguiente indica los tiempos t en que una partícula pasó por
las posiciones x (igualmente espaciadas) y se han determinado las velocida-
des y aceleraciones usando dos métodos (dos y tres puntos), utilizando una
planilla de cálculo, Excel por ejemplo, para que usted compare. Los datos
tienen probablemente errores, lo cual tiene un enorme efecto en el cálculo de
las derivadas, velocidades y aceleraciones. En este ejemplo los datos han sido
generados por una función conocida, en el ejemplo x = v0 t + 12 at2 , pero a
los tiempos determinados se les ha introducido un error al azar de magnitud
máxima error %, para simular el efecto de los errores experimentales. (Para
efectos de comparación, la velocidad debería resultar lineal v0 + at). Veamos
que ocurre.
Para este ejemplo se ha elegido h = dx = 0, 015, v0 = 10, a = −10, error
en t 0, 1 % y se gráfica la derivada hecha con tres puntos, y a continuación
se ha repetido el cálculo y graficado la velocidad para un error 0 %.
y a continuación para 0 % de error introducido en t.
Como usted podrá apreciar, los errores influyen notablemente en el cálcu-
lo de la derivada, lo cual queda de manifiesto muy claramente al usar por
ejemplo datos provenientes de la captura de tiempos de interrupción hechos
mediante la llamada polea inteligente (que por supuesto no es inteligente).
Eso lo verá usted en el curso de Física experimental I cuando haga expe-
rimentos de este tipo y le pida al programa un gráfico de la velocidad en
función del tiempo.
Dejamos al lector aventurar una respuesta a cómo solucionar este proble-
ma.
7.8 Elementos de cálculo numérico. 135
dx/dt
error 0,1% en t
10,00
9,95
dx/dt
9,90
9,85
9,80
-0,002 0,000 0,002 0,004 0,006 0,008 0,010 0,012 0,014 0,016 0,018
dx/dt
error 0,0% en t
10,00
9,95
dx/dt
9,90
9,85
9,80
-0,002 0,000 0,002 0,004 0,006 0,008 0,010 0,012 0,014 0,016 0,018
7.9. Ejercicios.
Ejercicio 7.9.1 Determine numéricamente una (o dos) raíz de las ecuacio-
nes algebraicas
xn+1 = µxn (1 − xn ).
7.9 Ejercicios. 137
diverge si N → ∞.
138 Matemáticas.
XN
1
− ln(N + 1)
n=1
n
Elementos de probabilidades
8.1. Introducción
embargo Einstein finalmente aceptó que los hechos indicaban fuera de duda,
la validez de este nuevo tipo de incertidumbre en el determinismo clásico.
Como usted debe saber al lanzar un dado hay seis resultados posibles,
que salga cualquiera de los números del 1 al 6. Si usted idea un método para
predecir el resultado que va a ocurrir, debería felicitarlo. Repita este experi-
mento, digamos 100 veces y anote los resultados que se obtienen. Una manera
de resumir la información obtenida es contando cuantas veces salió cada re-
sultado, y mejor calcular la fracción del total en que ocurrió cada resultado.
Estos resultados “experimentales” difícilmente coincidirán con los de otra
realización de 100 lanzamientos. Aquí no queda más remedio y especular que
para un número muy grande de lanzamientos todos los resultados deberían
ocurrir en la misma proporción. Esta conjetura podrá ser sostenida hasta que
existan serias discrepancias con ella. (En tal caso lo que uno podría pensar
es que el dado está cargado).
8.4. Probabilidad
8.4.1. Población o Universo
El conjunto continuo o discreto de todos los distintos resultados xi de
un experimento la denominaremos la población 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
terminología explicada). Este conjunto puede ser finito para el caso de re-
sultados discretos, pero necesariamente infinito cuando los resultados son un
continuo de valores. En este libro preferiremos el empleo del término resulta-
do del experimento, por tratarse de un libro sobre Física, aun cuando puede
y eventualmente se ocupará el término más amplio de Evento, a lo que ocurre
tras la realización de algún experimento, de cualquier tipo.
X
M
Pi = 1.
i=1
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 Pi y tienen la evidente propiedad
X
M
Pi = 1.
i=1
A
B
A B
Figura 8.2:
PA∪B = PA + PB − PA∩B ,
− 1, 2 1, 3 1, 4 1, 5
2, 1 − 2, 3 2, 4 2, 5
sin reposición
3, 1 3, 2 − 3, 4 3, 5
4, 1 4, 2 4, 3− − 4, 5
5, 1 5, 2 5, 3 5, 4 −
1
P (1 ∩ 2) = 20
P (1 | 2) = 14
P (2) = 15
notando que P (1 | 2) = PP(1∩2)
(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) está restringido al universo remarcado, donde el
primer evento fue un 2.
Aunque no será demostrado nada aquí, los resultados del ejemplo pueden
ser enunciados como una relación entre estas probabilidades de la siguiente
forma, que realmente constituye la definición de probabilidad condicional:
Definicion 8.4.4
P (A ∩ B)
P (B | A) =
P (B)
I Teorema 8.1
Si dos eventos A y B son independientes, entonces
P (A ∩ B) = P (A)P (B).
8.5.2. Permutaciones.
Si se tiene un grupo de n objetos diferentes, el número de distintos ordenes
en que puede formarse el grupo de n objetos es el número de permutaciones
P (n) = 1 × 2 × 3 × · · · × n = n!
Ejemplo 8.5.2 Por ejemplo con los números 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 número de formas de hacerlo es
llamado el número de combinaciones y está dado por
µ ¶
n n!
= .
m m!(n − m)!
Este número es también llamado coeficiente binomial dada su relación con
el teorema del binomio el cual establece que, el binomio elevado a n tiene el
desarrollo:
µ ¶ µ ¶ µ ¶ µ ¶ µ ¶
n n n n n−1 n n−2 2 n n−1 n n
(a + b) = a + a b+ a b +···+ ab + b
0 1 2 n−1 n
148 Elementos de probabilidades
µ ¶
10 10! 7 × 8 × 9 × 10
= = = 210.
4 6!4! 1×2×3×4
µ ¶
n
.
m
Xµ
m=n
n
¶
,
m=0
m
ahora bien, esta suma se puede deducir del teorema del binomio para el caso
en que a = 1, b = 1 obteniéndose
Xµ
m=n
n
¶
= 2n ,
m=0
m
µ ¶
1 n
P = n .
2 m
probabilidad 0,20
0,15
0,10
0,05
0,00
0 1 2 3 4 5 6 7 8 9 10
numero m
m P ¡ ¢
1 10
0 210 ¡ 0 ¢
= 9. 766 × 10−4
1 10
1 210 ¡ 1 ¢
= 9. 766 × 10−3
1 10
2 210 ¡ 2 ¢
= 4. 395 × 10−2
1 10
3 210 ¡ 3 ¢
= . 117 2
1 10
4 210 ¡ 4 ¢
= . 205 1
tabla 1 10
5 210 ¡ 5 ¢
= . 246 1
1 10
6 210 ¡ 6 ¢
= . 205 1
1 10
7 210 ¡ 7 ¢
= . 117 2
1 10
8 210 ¡ 8 ¢
= 4. 395 × 10−2
1 10
9 210 ¡ 9 ¢
= 9. 766 × 10−3
1 10
10 210 10 = 9. 766 × 10−4
N
decir por definición que el resultado del experimento es una variable aleatoria
x con distribución de probabilidad P (x) definida por
P (x) = Pi si x = xi
P (x) = 0 en otro caso.
1
P (x) = si x ∈ (1, 2, 3, 4, 5, 6)
6
P (x) = 0 en otro caso.
P ([x1 , x2 ]) = 1, (8.1)
Algunos ejemplos
Ejemplo 8.6.3 Distribución uniforme. La función distribución uniforme,
corresponde a elegir un número real al azar dentro de un intervalo y está
dada por
0 si x<α
1
f (x) = si α < x < β
β−α
0 si x>β
donde α < β son dos números reales
α β
xn+1 = 4xn (1 − xn ),
xn+1 = 4xn (1 − xn ),
8.6 Variables aleatorias 153
0,07
0,03
0,02
0,01
0,00
20 40 60 80 100
intervalo
1 (x−µ)2
f (x; µ, σ) = √ e− 2σ2 ,
σ 2π
0.3
0.2
0.1
2 0
x -4 -2 2 x 4
√1 e− 2
2π
Campana de Gauss.
1 −t/µ
f (t; µ) = e para u ≥ 0
µ
0
5 10 u 15 20 25
µ = 5, Exponencial
La deducción de tal función distribución se muestra para quien se interese en
el apéndice (A).
8.6 Variables aleatorias 155
Pn (t1 , t2 ) = P [X(t1 , t2 ) = n] .
1
Pn (t) = (λt)n e−λt
n!
o
1
P (n, t) = (λt)n e−λt
n!
que graficaremos para λ = 0,5 , n = 0, 1, 2, 3.
Algunas propiedades
Si x es una variable aleatoria con función distribución de probabilidad
f (x), y si a, b y c son constantes, los siguientes desarrollos serán de utilidad
Z x2
E(ax + b) = (ax + b)f (x)dx = aE(x) + b.
x1
Z x2
V ar(cx) = (cx − E(cx))2 f (x)dx
Zx1x2
= (cx − cµ))2 f (x)dx = c2 V ar(x).
x1
g(z)dz = f (x)dx,
de modo que
1 z−b
g(z) = f ( ). (8.2)
a a
Algún cuidado adicional se requiere si z no es una función monótona de
x, como se explica al final de este capítulo.
158 Elementos de probabilidades
1 X
N
x= √ xi
N i=1
1 x2
f (x) = √ e− 2σ2 ,
2πσ
I Teorema 8.2
Si las variables xi son aleatorias e independientes con distribución uniforme
con valor esperado µ = 0 y desviación estándar σ, entonces la variable
aleatoria
1 X
N
x= √ xi
N i=1
1 x2
f (x) = √ e− 2σ2 .
2πσ
o sea √
N − N (x̄−µ)2
F (x̄) = √ e 2σ2 ,
2πσ
que puede ser escrita como
2
1 −
(x̄−µ)
F (x̄) = √ e 2σ2x̄ ,
2πσ x̄
donde σ x̄ = √σ y que puede ser escrito entonces como un importante teore-
N
ma:
I Teorema 8.3
Si las variables xi son aleatorias e independientes cada una con distribución
uniforme con valor esperado µ, desviación estándar σ, entonces la variable
aleatoria (el promedio)
1 X
x̄ = xi (8.3)
N
en el límite de N grandes, tiene distribución normal N(µ, σ x̄ )
2
1 −
(x̄−µ)
F (x̄) = √ e 2σ2x̄
2πσ x̄
160 Elementos de probabilidades
los valores numéricos, áreas 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 figura 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 xi de una variable aleatoria con
distribución uniforme, resultados de un experimento, y ha resultado un valor
promedio x̄ = 12,8, siendo la desviación estándar de cada resultado el valor
σ = 0,5. Estime las probabilidades de que el valor esperado del promedio esté
en determinados rangos en torno al valor x̄ = 12,8.
Solución. 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 µ. Dicho valor es naturalmente imposible de conocer con exactitud,
pues el Universo para este experimento es de tamaño infinito. Además, se
8.6 Variables aleatorias 161
o bien √ √
x̄ − σ/ N < µ < x̄ + σ/ N,
o numéricamente
12,8 − 0,05 < µ < 12,8 + 0,05
resultado que suele escribirse como
µ = 12,8 ± 0,05
1 X
x̄ = xi ,
N
entonces
1 X 1 X
E(x̄) = E(xi ) = µ = µ,
N N
8.6 Variables aleatorias 163
y · X ¸2
1
σ 2x̄
= E( xi − µ ),
N
aquí hay que cuidar sobre la independencia de las variables, pues al desarrollar
· X ¸2
1
xi − µ ,
N
resulta
1 XX 2µ X
xi xj − xi + µ2 ,
N2 N2
donde debemos separar la suma doble en los términos cuadráticos pues invo-
lucran variables dependientes, de los otros de la siguiente forma
1 X 2 X 2µ X
( x + x x
i j ) − xi + µ2 ,
N2 i i i6=j
N i
por lo tanto
1 X X 2µ X
σ 2x̄ = ( E(x2
i ) + E(xi )E(xj )) − E(xi ) + µ2 ,
N2 i6=j
N
que se reduce a
1
(NE(x2 ) + (N 2 − N)µ2 ) − 2µ2 + µ2 ,
N2
o bien finalmente a
1 ¡ ¢ σ2
σ 2x̄ =
E(x2 ) − µ2 = .
N N
Más en general, puede demostrarse el teorema más fuerte, llamado teore-
ma del límite central, que colocamos aquí sin demostración.
I Teorema 8.4 (Central del límite)
Sean xi una sucesión de variables aleatorias independientes con funciones dis-
tribuciones arbitrarias con valores finitos para sus valores esperados E(xi ) =
µi y varianzas V ar(xi ) = σ 2i , entonces la variable
Pn
i=1 (xi − µi )
Zn = p Pn 2
,
i=1 σ i
tiene distribución N(0, 1). Sin embargo dado que la desviación estándar de
la distribución es desconocida, se suele estimarla mediante σ = sn−1 , es decir
usando la desviación estándar insesgada de la muestra, siendo
1 X
n
s2n−1 = (xi − x̄)2 .
n − 1 i=1
Γ( k+12
) t2 −(k+1)/2
hk (t) = √ (1 + ) , − ∞ < t < ∞.
Γ( k2 ) πk k
de modo que para ese caso hay n − 1 grados de libertad, por lo tanto la
distribución de
x̄ − µ
t= √ ,
sn−1 / n
8.6 Variables aleatorias 165
es
Γ( n2 ) t2 −n/2
hn−1 (t) = p (1 + ) , −∞ < t < ∞. (8.4)
Γ( n−1
2
) π(n − 1) n − 1
0.3
0.2
0.1
0
-4 -2 2 t 4
Distribución T-Student.
Unidimensional.
Cuando una variable x aleatoria continua tiene una fd conocida, interesa
determinar la fd de funciones de x. Por ejemplo si la variable x√tiene distri-
bución uniforme, cuales son las funciones distribución de x2 , de x, etcétera.
Para esto se presenta un teorema.
I Teorema 8.5
Sea x una variable aleatoria continua con fd f (x), donde por supuesto debe
ser f (x) no negativa. Suponga además que y = h(x) es una función estric-
tamente monótona (creciente o decreciente) y derivable, entonces la fd de la
166 Elementos de probabilidades
√ √ √ √
g(y) |dy| = f (+ y) |d y| + f (− y) |d y| ,
o bien
√ √ 1
g(y) = (f (+ y) + f (− y)) √ ,
2 y
1
pero f (x) = 2
en [−1, 1], por lo cual resulta
1
g(y) = √ , para 0 < y < 1
2 y
g(y) = 0 caso contrario.
8.6 Variables aleatorias 167
Bidimensional
Cuando se tienen dos variables aleatorias continuas x, y con fd conocidas,
f (x), y g(y), supuestas independientes, la fd de una función z = F (x, y), h(z)
puede evaluarse como sigue
Z
h(z) |dz| = f (x)g(y) |dxdy| , (8.5)
z=F (x,y)
o sea la integral es sobre el área entre las dos curvas F (x, y) = z, y F (x, y) =
z + dz. Como veremos en un ejemplo práctico, deberemos reemplazar las
variable (x, y) por otro conjunto (z, v) con v convenientemente elegida. En el
capítulo sobre errores, se verán otras aplicaciones de esta relación.
Nota 8.1 Esto tiene una evidente importancia para efectos de cálculos nu-
méricos. En la mayor parte de los programas de computación (C, Pascal,
Basic, etcétera) están desarrolladas rutinas para generar variables con dis-
tribución uniforme en algún rango predeterrminado. Utilizando el resultado
anterior podemos entonces generar una variable z con distribución normal
estándar.
Nota 8.2 Puede parecer perverso (Numerical Recipes in Pascal, The Art
of Scientific Computing) que la máquina más precisa y determinista ideada
por el ser humano, el computador, pueda producir números al azar. Todo
programa ideado debería producir un resultado completamente determinado
o predecible, por lo tanto no al azar. Sin embargo estos seudo generadores de
números al azar, donde los números que salen, finalmente cierran un ciclo,
generalmente muy largo, tienen muchas de las propiedades de los verdaderos
números al azar, vea Knuth, Donald E. 1973, Sorting and Searching, vol. 3
of the Art of Computer Programming. (Addison - Wesley)
Nota 8.3 ¿Qué es un verdadero número al azar? Aquí hay mucho de filoso-
fía, pero según se acepta hoy día, los fenómenos físicos son intrínsecamente
probabilisticos, de modo que ellos pueden servir de base para generar verda-
deros números 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.
a) sumen 7.
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
E(< x >) = µ
170 Elementos de probabilidades
entonces
σ2 σ2
σ 2<x> = + µ2 − µ2 = .
n n
N
a) z = x + y.
b) w = xy.
c) u = x2 .
172 Elementos de probabilidades
Capítulo 9
Estadística de datos
9.1. Introducción
Aquí nos preocuparemos de describir datos, provenientes o no de algún
experimento. Tendremos entonces un conjunto finito de datos, para el caso
que nos interesa números reales, {xi } con i = 1, 2, · · · , n. Este conjunto es
llamado una muestra en el caso de que dichos datos sean un subconjunto ob-
tenido por algún proceso selectivo de algún conjunto más grande, usualmente
la población o Universo de algún proceso de medición, conjunto normalmente
de tamaño infinito, o bien simplemente los “datos” si ellos no provienen de
un conjunto más grande. Sin embargo dicha conexión existente o no entre
muestra y población, no es necesaria aquí. Se tiene simplemente una muestra
y por lo tanto toda la información relativa a la muestra está contenida en
la muestra misma. De hecho no hay más información que ese conjunto fini-
to. Sin embargo en muchos casos las muestras son grandes o muy grandes y
ello requiere de técnicas para resumir la información, o hacer la información
más evidente sin necesidad de recorrer y examinar todos los valores. Para ese
efecto se ha desarrollado lo que se denomina “la estadística descriptiva”, que
intenta describir las propiedades de las muestras mediante unos pocos pará-
metros, denominados “estadígrafos de la muestra”. Podemos anticipar que
estos estadígrafos tendrán en algunos casos otra utilidad más allá de descri-
bir la muestra. Ello jugarán, junto a elementos de teoría de probabilidad, un
rol importante en el hacer predicciones estadísticas con alguna determinada
probabilidad de acierto.
174 Estadística de datos
1 X
n
s2n−1 = (xi − x̄)2 . (9.3)
n − 1 i=1
1X
n
s2n = (xi − x̄)2
n i=1
9.3 Distribuciones de frecuencia 175
1X 2
n
s2n = (x − 2xi < x > + < x >2 ),
n i=1 i
o sea
o finalmente
clase xi fi
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 información disponible, de aquí se pueden calcular apro-
ximadamente los estadígrafos muestrales con algunas modificaciones en las
fórmulas. Así
1 X
< x >= fi xi ,
n clases
1 X
s2n−1 = fi (xi − < x >)2 ,
n − 1 clases
además de representar la “distribución” de datos de un sinnúmero de formas
posibles. Por ejemplo diagrama de barras, línea poligonal, diagrama de torta,
ajuste polinomial, etcétera. El más utilizado es un diagrama de barras, como
se ilustra en la figura siguiente, para el ejemplo dado.
5 if 5 < x < 10
10 if 10 < x < 15
40 if 15 < x < 20
f (x) =
35 if 20 < x < 25
20 if 25 < x < 30
3 if 30 < x < 35
40
35
30
25
20
15
10
5 10 15 20
x 25 30 35
∂ X X
(a + bxi − yi )2 = 2(a + bxi − yi ) = 0.
∂b
Estas ecuaciones pueden ser escritas en términos de promedios, de la
siguiente forma
√
sx = < x2 > − < x >2 ,
p
sy = < y 2 > − < y 2 >,
a las desviaciones estándar muestrales (estadígrafos 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 yi respecto a su promedio, de los
datos yi respecto a la recta y de la recta respecto al promedio (ver figura 9.2),
se denominan variación total, variación no explicada y variación explicada.
En forma más precisa se definen (con diversas notaciones)
X
SST = Syy = (yi − < y >)2 .
9.4 Método de mínimos cuadrados 179
X
SSE = (yi − y(xi ))2 ,
que fue la cantidad minimizada y
X
SSR = (y(xi )− < y >)2 .
I Teorema 9.1
Entre las variaciones definidas se tiene que
X X X
(yi − < y >)2 = (yi − y(xi ))2 + (y(xi )− < y >)2 ,
o
SST = SSR + SSE.
Demostración. Desarrollando los cuadrados se tiene que
180 Estadística de datos
X
SST = (yi − < y >)2 = n(< y 2 > − < y >2 ),
X
SSE = (yi − y(xi ))2
X
= (yi − < y > −a(xi − < x >))2
X
= (yi − < y >)2 + na2 (< x2 > − < x >2 ) −
2an( < xy > − < x >< y >),
pero
por lo cual
√ √
sest = SSE = sy 1 − r2 .
Note además que este error también se reduce a cero si sy = 0, puesto que
en este caso todos los datos yi son iguales.
9.4.3. Resumen
Finalmente, al margen de las demostraciones, interesan los resultados,
que pueden escribirse como:
r
1 X
sn−1 = (xi − < x >)2
n−1
r
n √
= < x2 > − < x >2 ,
n−1
varianzas muestrales
1X
s2n = (xi − < x >)2
n
= < x2 > − < x >2 ,
1 X
s2n−1 = (xi − < x >)2
n−1
n
= (< x2 > − < x >2 ).
n−1
9.4 Método de mínimos cuadrados 183
Forma 1:
sy
y(x) =< y > +r (x− < x >).
sx
Forma 2:
y(x) = a + bx.
Desviaciones estándar
√
sx = < x2 > − < x >2 ,
p
sy = < y 2 > − < y >2 .
Variación total
X
SST = (yi − < y >)2 = ns2y .
184 Estadística de datos
Variación no explicada
X
SSE = (yi − y(xi ))2 = ns2y (1 − r2 ).
Variación explicada
X
SSR = (y(xi )− < y >)2 = nr2 s2y
Pendiente
P P P
sy n xi yi − xi yi
b = r = P P
sx n x2i − ( xi )2
< xy > − < x >< y >
=
< x2 > − < x >2
< xy > − < x >< y >
= .
s2x
Intercepto
P 2P P P
sy xi yi − xi xi yi
a = < y > −r = P P
sx n x2i − ( xi )2
< x2 >< y > − < x >< xy >
=
< x2 > − < x >2
2
< x >< y > − < x >< xy >
= .
s2x
Tópicos más avanzados se encuentran en el capítulo siguiente sobre mo-
delos. Allí se explican, pero eso requiere de más matemáticas, las formas de
tratar los errores de los modelos lineales.
Capítulo 10
Modelos lineales.
10.1. Introducción.
En el capítulo anterior se explicó el llamado ajuste lineal de mínimos
cuadrados. En física, 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 cuestión es: ¿hay evidencia experimental para rechazar el
modelo? Si la respuesta es no, ello no significa que se haya elegido el mejor
modelo o que el modelo corresponda a la realidad. Pueden haber muchos
modelos distintos relativos al mismo fenómeno 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 más simple, el más elegante,
el que tenga menos parámetros, el que esté de acuerdo con alguna teoría
mas amplia, etcétera. Desde nuestro personal punto de vista, la física expe-
rimental no demuestra cuestiones, sino que más bien no descarta hipótesis
a menos que los datos así lo indiquen. Por ejemplo, no puede demostrarse
experimentalmente que la ley de interacción entre dos cargas puntuales es
inversa al cuadrado de la distancia, sino más bien debe decirse que no se
ha encontrado evidencia experimental para rechazar ese modelo. De hecho
las teorías - que son en cierta medida modelos - justamente son descartadas
cuando se encuentra evidencia experimental contraria.
En física existe una permanente búsqueda de las posibles relaciones entre
propiedades físicas, algunas veces derivadas de alguna teoría, otras veces por
experimentación pura. En el primer caso, evidencia experimental en contrario
186 Modelos lineales.
Pendiente
Intercepto
Similarmente
< x2 > E(< y >)− < x > E(< xy >)
E(a) =
s2x
< x2 > (α + β < x >)− < x > (α < x > +β < x2 >)
=
s2x
= α.
Es decir hemos demostrado que:
I Teorema 10.1
a y b son estimadores insesgados de los parámetros α y β.
El cálculo de la varianza de a y b es más complicado. La tarea se simplifica
algo si calculamos primero en general para una función lineal en los yi de la
forma X
c= di yi
i
Aceptaremos para los diversos xi las variables aleatorias yi , yj son inde-
pendientes y tienen la misma varianza σ.
Entonces X X
σ 2c = d2i σ 2 (yi2 ) = σ 2 d2i .
i i
Luego de P
1 (xi − < x >)yi
b= ,
n s2x
podemos calcular
P
1 i (xi − < x >)2 σ 2 1 σ2
σ 2b = 2 = .
n s4x n s2x
Similarmente de P
1 (< x2 > − < x > xi )yi
a= ,
n s2x
sigue que P
σ 2 (< x2 > − < x > xi )2
σ 2a
= 2 .
n s4x
Usted podría probar que esto se puede escribir
σ 2 < x2 >
σ 2a =
n s2x
10.2 Modelo lineal. 189
I Teorema 10.2
Un estimador insesgado de σ 2 es
SSE
s2 = .
n−2
I Teorema 10.3
Un intervalo de confianza del (1 − p)100 % para el parámetro β es
stp/2
β =b± √
sx n
I Teorema 10.4
Un intervalo de confianza del (1 − p)100 % para el parámetro α es
pP
stp/2 x2i
α =a±
nsx
I Teorema 10.5
Intervalo de predicción. Un intervalo de confianza del (1 − p)100 % para el
valor esperado de una medición y0 correspondiente al valor x0 es
s
1 (x0 − < x >)2
y0 = y(x0 ) ± stp/2 1+ + √
n sx n
y = y0 ± ,
significa
y0 − < y < y0 + ,
y
√
sy 1 − r2
s= √ .
n−2
Método experimental
11.1. Medición
Discusión. Este simple caso tiene muchos de los aspectos que nos pro-
ponemos clarificar en este libro, por lo cual se analiza desde un punto de
vista crítico. Claramente, por la existencia de otro tipo de errores, errores
de fabricación, no existen esferas perfectas. Por otro lado esferas imperfectas
simplemente no son esferas. ¿Qué hacer? Para exagerar la situación y que
esto queda algo más claro, supongamos que en realidad se tiene un elipsoide.
Si el pie de metro se coloca varias veces para medir un “diámetro” en la
misma posición relativa respecto al objeto, la distancia d entre los paralelas
a los puntos de contacto (ver figura 11.1) debe tener un valor verdadero
(suponiendo que no haya causas que la hagan variable), y los resultados
experimentales del proceso de medición probablemente sean parecidos pero
distintos. De esto tratará la teoría de errores, tratando de aproximarse al valor
verdadero de esa distancia. Para ello jugarán un papel importante aspectos
de la estadística matemática.
Si ese proceso se repite, para varias posiciones relativas del instrumento
respecto al objeto, se tendrán diversos valores, ahora no necesariamente pa-
recidos, cada uno con una estimación de su error. ¿Qué se puede decir sobre
11.2 Valor verdadero 195
Por último, uno debería quedarse con el modelo que mejor se “aproxime”
o “ajuste” a los datos, siendo necesario también analizar lo que ocurre si los
errores realizados en las mediciones superan las incertezas predichas por el
196 Método experimental
modelo. Lo lógico en este caso será decir que no hay evidencias experimentales
en contra del modelo elegido. Más adelante, por su importancia, se analizará
una técnica llamada regresión lineal múltiple, con las respectivas técnicas
para establecer su validez, que es una de las tantas técnicas para seleccionar
mejores modelos.
Este resumen se ha hecho a modo de introducción para justificar lo que
viene. Deberemos aprender a tratar errores, a ajustar modelos mediante mé-
todos estadísticos y finalmente discriminar la mejor respuesta posible.
11.3. Estandarización
Los primeros estándares de medición aparecieron en las culturas medite-
rráneas y estaban basadas en partes del cuerpo humano, o en lo que algún
animal podía tirar, o en el volumen de algún depósito. La unidad egipcia
“cubit” se acepta que fué la unidad de longitud lineal más extendida en el
mundo antiguo a partir de año 3000 BC, y consistía en la longitud entre
el codo del brazo hasta la punta de los dedos extendidos. Bueno, las cosas
han avanzado progresivamente y hoy día de acuerdo a una convención in-
ternacional realizada en París en 1960 acordaron el sistema internacional de
unidades (SI) basado en siete unidades básicas.
Las letras SI representan al “Système International d’Unités”. Este es
el sistema internacionalmente acordado para la mayor parte de los trabajos
científicos y tecnológicos en la mayoría de los países. Las Unidades SI son de
tres tipos base, suplementarias, y derivadas. Hay siete unidades base corres-
pondientes a las siete cantidades físicas dimensionalmente independientes,
como se muestra en la tabla siguiente
Unidades SI base
Cantidad física Nombre Símbolo
longitud metro m
masa kilogramo kg
tiempo segundo s
corriente eléctrica Ampère A
temperatura termodinámica Kelvin K
cantidad de substancia mol mol
intensidad luminosa candela cd
11.3 Estandarización 197
Unidades SI suplementarias
Cantidad física Nombre Símbolo
ángulo plano radián rad
ángulo sólido estereorradián sr
Unidades SI derivadas
Cantidad física Nombre Símbolo
frecuencia Hertz Hz
energía Joule J
fuerza Newton N
potencia Watt W
presión Pascal Pa
carga eléctrica Coulomb C
diferencia de potencial eléctrico Volt V
resistencia eléctrica Ohm Ω
conductancia eléctrica Siemens S
capacidad eléctrica Farad F
flujo magnético Weber Wb
inductancia Henry H
densidad de flujo magnético 11.3 Tesla T
flujo luminoso Lumen lm
iluminación Lux lx
l = 10,2 ± 0,02
a = µA , b = µB , · · · .
Es necesario remarcar que nada se puede a priori decir del tipo de distri-
bución que se tiene en cada proceso de medición. Ella puede ser uniforme,
202 Método experimental
i = xi − µ,
valor imposible de determinar, pues no podemos conocer µ, el valor ver-
dadero o esperado de la distribución. Sin embargo, hay formas de estimarlo,
cuestión que nos proponemos explicar. Para ello podemos utilizar el teorema
central del límite que fué explicado en el capítulo de probabilidades. Supon-
gamos que hemos hecho un número n de medidas, arrojando valores xi . Como
se explicó en el capítulo referido, si < x > indica el promedio, entonces la
variable aleatoria
< x > −µ
z= √ ,
σ/ n
tiene distribución normal estándar N(0, 1), si n es grande. La variable alea-
toria (promedio) < x > está dada por
1X
x̄ = < x > = xi ,
n
de manera que podemos precisar el intervalo central donde debe estar z si
damos su probabilidad, que ahora llamaremos nivel de confianza o seguridad.
De las tablas de la distribución normal podemos deducir el valor numérico zα
correspondiente a un determinado valor central de probabilidad α (cercano
a 1), resultando entonces que
x̄ − µ
−zα < √ < zα ,
σ/ n
con un 100 × α % de probabilidad, o despejando
σ σ
x̄ − zα √ < µ < x̄ + zα √ , con nivel α
n n
o sea el desconocido valor verdadero µ, está en un entorno pequeño del pro-
medio muestral si n es grande. Valores usuales, correspondientes valores de
zα , 1,2, 3 se utilizan, de acuerdo a la tabla
11.7 Errores aleatorios 203
zα α
1 0. 682 69
2 0. 954 5
3 0. 997 3
11.7.2. Estimación de σ
Por definición, la varianza σ 2 es el valor esperado de la (x − µ)2 , es decir
Z x2
2
V ar(x) = σ = (x − µ)2 f (x)dx,
x1
similarmente desarrollemos
1 X
n
n
s2n−1 = (xi − < x >)2 = (< x2 > − < x >2 ),
n − 1 i=1 n−1
y calculemos los valores esperados
1 XX 1 X 2 XX
E( < x >2 ) = E( x x
i j ) = E( xi + xi xj )
n2 n2 i6=j
1 XX 1
= 2 (nE(x2 ) + µ2 ) = 2 (n(σ 2 + µ2 ) + (n2 − n)µ2 ),
n i6=j
n
σ 2 + µ2 n
E(< x >2 ) = .
n
similarmente resulta
1X 2
E(< x2 >) = E( xi ) = σ 2 + µ2 ,
n
204 Método experimental
de modo que podemos también estimar el rango donde está el error absoluto
de una medida xi con el mismo nivel de confianza α, mediante
sn−1
i = xi − µ = xi − x̄ ± zα √ .
n
µA = < xA > ± A ,
µB = < xB > ± B ,
etcétera
si cambiamos variable x − xA = xB
Z Z
µ = (xA + xB )fA (xA )fB (xB )dxA dxB
Z
= (xA fA (xA )dxA + xB fB (xB )dxB )
µ = µA + µB .
Z Z
2
σ = (x − µA − µB )2 fA (xA )fB (x − xA )dxA
Z Z
= (xA − µA + xB − µB )2 fA (xA )fB (xB )dxA dxB
Z Z
= ((xA − µA )2 + 2(xA − µA )(xB − µB ) +
σ 2 = σ 2A + σ 2B .
donde la integral es sobre el área entre las dos curvas F (x, y) = z, y F (x, y) =
z + dz. Por ejemplo
x = x,
z = xy,
208 Método experimental
x = x,
z = x/y,
siendo entonces
y 2 dxdz xdxdz
dxdy = = ,
x z2
por lo tanto Z
x xdx
h(z) = f (x)g( ) 2 ,
z z
es la función distribución del cuociente.
Nos interesa ahora calcular µz y σ 2z . Ambas cosas son ahora obvias, pues
el cuociente es además un producto, z = x(1/y) resultando
µz = µx µ1/y .
Si la notación es algo confusa, podemos escribir para el caso en que las
variables aleatorias x, y son independientes
x 1
E( ) = E(x)E( ).
y y
x = x,
z = F (x, y),
siendo entonces
dxdz
dxdy = ¯¯ ¯¯ ,
¯ ∂F
∂y ¯
por lo tanto Z
dx
h(z) = f (x)g(y) ¯¯ ¯¯ ,
¯ ∂F
∂y ¯
y lo segundo
Z Z
σ 2z = (F (x, y) − µz )2 f (x)g(y)dxdy (11.1)
Z Z
= F 2 (x, y)f (x)g(y)dxdy − µ2z
11.9 Propagación de errores 211
Aproximación para σ 2z
Si se expande F (x, y) en serie de Taylor en torno a los valores esperados
µx y µy se tiene
por lo tanto
Z Z
F 2 (x, y)f (x)g(y)dxdy = F 2 (µx , µy ) + σ 2x Fx2 + σ 2y Fy2 + σ 2x σ 2y Fxy
2
··· ,
(11.3)
luego resultará
si F es lineal F = ax + by resulta σ 2z = a2 σ 2x + b2 σ 2y .
si F = G(x)H(y)
212 Método experimental
σ 2z 02
2 (G − GG )
00 02
2 (H − HH )
0
2 2 GH 2
0 0
= σ x + σ y + σ x yσ ( )
z2 G2 H2 GH
µ 0¶ µ 0¶
σ 2z 2 ∂ G 2 ∂ H 2 2 GH 2
0 0
= −σ x − σ y + σ x σ y ( )
z2 ∂x G ∂y H GH
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 física con errores al azar solamente, entonces esa variable tendría
alguna determinada función de distribución de probabilidad, imposible
de determinar teóricamente, más que haciendo un sinnúmero de medi-
ciones y haciendo algún histograma experimental. El valor verdadero
será el valor esperado µ de esa desconocida distribución de valores. El
error absoluto de cada medida será simplemente
i = xi − µ,
el promedio
1X
x̄ = < x > = xi ,
n
la desviación estándar
v
u
u 1 X n
sn−1 =t (xi − x̄)2 ,
n − 1 i=1
algunos valores de zα
zα α
1 0. 682 69
.
2 0. 954 5
3 0. 997 3
La suma
µA+B = µA + µB ,
q
σ A+B = σ 2A + σ 2B .
El producto
µAB = µA µB ,
q
σ AB = µ2A σ 2B + µ2B σ 2A + σ 2A σ 2B .
214 Método experimental
El cuociente
µA/B = µA µ1/B ,
q
σ A/B = µ21/B σ 2A + µ2A σ 21/B + σ 2A σ 21/B .
Métodos numéricos
Γ( n2 ) t2 −n/2
hn−1 (t) = p (1 + ) , − ∞ < t < ∞.
Γ( n−1
2
) π(n − 1) n − 1
Zb
∆x
f (x) dx ≈ Tn = [f (x0 ) + 2f (x1 ) + 2f (x2 ) + · · · + 2f (xn−1 ) + f (xn )]
2
a
donde
∆x = (b − a)/n y xi = a + i ∆x
Z b
∆x
f (x) dx ≈ Sn = [f (x0 ) + 4f (x1 ) + 2f (x2 ) + 4f (x3 ) + · · · + 2f (xn−2 )
a 3
+4f (xn−1 ) + f (xn )]
donde n es par y ∆x = (b − a)/n.
f 00 (a)
f (x) ≈ f (a) + f 0 (a)(x − a) + (x − a)2
2
Ejemplo 12.6.1 Sea
3x2 + 5
f (x) =
2x − 4
y a = 3. La aproximación lineal de f (x) cerca de 3 es
y la aproximación cuadráticas es
f 00 (a) 227 17
f (a) + f 0 (a)(x − a) + (x − a)2 = − 58x + x2 .
2 2 2
.
Las funciones y = (3x2 +5)/(2x−4), y = 37−7x, y = 227/2−58x+17x2 /2
están representadas en los gráficos
12.7 Ajuste de curvas por polinomios. 219
80
200
150 60
y 100 y 40
50 20
0
-10 10 x 20 30 0
1 2 x 3 4 5
-50
-20
-100
40
30
y
20
10
0
2 2.5 3 x 3.5 4 4.5
-10
20
19
18
17
y 16
15
14
13
12
2.8 2.9 3x 3.1 3.2
0
-3 -2 -1 1 2 3
(−3, 7), (−2, 4), (−1, 2), (0, 0), (1, 1,5), (2, 5), (3, 10)
El gráfico siguiente muestra el ajuste mediante una parábola (polinomio de
grado 2, en verde) y un polinomio de grado tres (curva roja).
10
6
y
4
-3 -2 -1 0 1 2 3
x
f (x0 )
x = x0 − .
f 0 (x0 )
222 Métodos numéricos
0.4
0.2
0
-1 -0.8 -0.6 -0.4 -0.2 0.2 0.4 x 0.6 0.8 1
-0.2
-0.4
x − x3
X
∞
f (n) (0) f 0 (0) f 00 (0) 2 f 000 (0) 3
f (x) = xn = f (0) + x+ x + x + ...
n=0
n! 1! 2! 3!
X
n
f (i) (a) i f 0 (a) f 00 (a) 2 f (n) (a)
Tn (x) = (x − a) = f (a)+ (x − a)+ (x − a) +...+ (x − a)n
i=0
i! 1! 2! n!
I Teorema 12.1
Si f (x) = Tn (x) + Rn (x), y
lı́m Rn (x) = 0
n→∞
f (n+1) (z)
Rn (x) = (x − a)n+1
(n + 1)!
Apéndice
de aquí
df (t) f (t)
=− ,
dt µ
e integrando
t
f (t) = ce− µ ,
normalización (certeza que falle alguna vez) requiere que
Z ∞
t
1= ce− µ dt = µc,
0
228 Apéndice
de donde finalmente
1 − µt
f (t) = e ,
µ
dP0 (t)
= −λP0 (t),
dt
o bien, mediante una integración
P0 (t) = P0 (0)e−λt .
resultando
0
Pn+1 (t) = λPn (t) − λPn+1 (t),
sea Pn (t) = gn (t)e−λt , con g0 (t) = P0 (0), resulta
0
gn+1 = λgn (t),
puede integrarse recursivamente obteniendo
y
1 2
g2 (t) = λ P0 (0)t2 ,
2!
230 Apéndice
y finalmente
1 n
Pn (t) = λ P0 (0)tn e−λt ,
n!
normalización exige que
X
n=∞
Pn (t) = 1,
n=0
1 X
N
x= √ xi
N i=1
1 X
N
dx = √ dxi
N i=1
y
0 si x < − 12 µ
P (x) = 1 si − 2 µ < x < 12 µ
1
0 si x > 12 µ
13.3 C) Algunos detalles matemáticos. 231
la integral puede ser reducida a todo el espacio usando la delta de Dirac una
de cuyas representaciones que usaremos es
Z ∞
1
δ(x) = eikx dk,
2π −∞
de modo que
Z 1
µ Z 1
µ
2 2 P (x1 )dx1 P (x2 )dx2 P (xN )dxN
f (x)dx = ··· ···
− 12 µ − 12 µ µ µ µ
1 X
N
δ(x − √ xi )dx,
N i=1
pero
Z ∞ Z 1
µ Z 1
µ
1 ikx
2 2 P (x1 )dx1 P (x2 )dx2
f (x)dx = e dk ··· ···
2π −∞ − 12 µ − 12 µ µ µ
PN
P (xN )dxN − √i xj
e N j=1
dx,
µ
pero
Z 1
µ
√
1 2
−ik √1 z 2 N µk
e N dz = sin √ ,
µ − 12 µ µk 2 N
luego
Z Ã √ !N
∞
1 2 N µk
f (x) = eikx dk sin √
2π −∞ µk 2 N
para evaluar el límite cuando N −→ ∞, usemos la expansión
sin z = z − 16 z 3 , de modo que resulta
232 Apéndice
Z ∞ µ ¶N
1 ikx 1 µ2 k2
f (x) = e dk 1 − ,
2π −∞ 24 N
o bien
Z ∞
1 µ2 k2
eikx− 24 dk,
2π −∞
2 π µ
pero
Z 1
µ
1 2
2 1 2
V ar(x) = σ = x2 dx = µ,
µ − 12 µ 12
por lo cual
1 x2
f (x) = √ e− 2σ2 ,
2πσ
Xn µ ¶
n m n−m
p q = (p + q)n = 1.
m=0
m
13.4 D) La distribución binomial. 233
13.4.2. La varianza de m.
Debemos calcular
X
n µ ¶
2 n m n−m
2
E(m ) = m p q ,
m=0
m
sumatoria más dificil de calcular. Similarmente a lo hecho anteriormente
Xn µ ¶
2 2 n
E(m ) = p m pm−1 q n−m
m=0
m
µ ¶
∂ X
n
n m n−m
= p m p q
∂p m=0 m
µ ¶
∂ X
n
n m−1 n−m
= p p m p q
∂p m=0 m
n µ ¶
∂ ∂ X n m n−m
= p p p q
∂p ∂p m=0 m
∂ ∂
= p p (p + q)n
∂p ∂p
∂
= np p(p + q)n−1
∂p
= np((p + q)n−1 + (n − 1)p(p + q)n−2 ),
234 Apéndice
pero
p + q = 1,
luego
E(m2 ) = np(1 + (n − 1)p).
Entonces
σ 2m = E(m2 ) − (E(m))2
= np(1 + (n − 1)p) − n2 p2
= np(1 − p) = npq,
= E(m)(1 − p)
1
Para p = q = 2
se tiene que
1
E(m) = n,
2
1
σ 2m = n.
4
ln n! = n ln n − n,
entonces
y(m) = n ln n − m ln m − (n − m) ln(n − m) + m ln p + (n − m) ln q.
y 0 (m) = − ln m + ln (n − m) + ln p − ln q,
n
y 00 (m) = − .
m (n − m)
13.4 D) La distribución binomial. 235
x = {m − (N − m)} d = {2m − N } d,
2σ
dx = 2d = √
N
en torno de x será
2σ N! 1
f (x)dx = f (x) √ = N x
( )N
N (2 + 2d
)!( N2 − x
2d
)! 2
podemos aproximar
r
N N N N N
( (1 + ))! = 2π (1 + )( (1 + )) 2 (1+ ) e− 2 (1+ )
2 r 2 2
N N N N N
( (1 − ))! = 2π (1 − )( (1 − )) 2 (1− ) e− 2 (1− )
2 2 2
y entonces
N
N N √ N N (1 + ) 2
( )
( (1 + ))!( (1 − ))! = πN 1 − 2 ( )N (1 − 2 ) 2 N( ) e
−N
2 2 2 (1 − ) 2
√ N −N
N! = 2πNN e
resultando
√ √ N( )
N 2πNN N (1 − ) 2 1
f (x) = = √ N N ( )N
2σ πN 1 − 2 ( )N (1 − 2 ) 2 (1 + ) 2 ( ) 2
N
2
√ x
N( √x
2 σ N)
1 2π(1 − √
σ N
)
= √
2σ π 1 − 2 (1 − 2 ) N2 (1 + √x ) N2 ( σ√xN )
x2
σ N σ N
√
x N
x 2σ
1 (1 − √
σ N
)
= √ √
σ 2π (1 − x22 ) N2 (1 + x
√
x N
) 2σ
σ N σ N
x x
1 (e− σ ) 2σ 1 2
− x2
= √ 2 = √ e 2σ .
σ 2π e− 2σx 2 (e σx ) 2σx σ 2π