PROMEDIOS PONDERADOS

Realizamos dos o ms mediciones separadas e

independientes de una sola cantidad fsica.

Cmo combinamos estas mediciones para dar la

mejor estimacin?
Supongamos que dos estudiantes miden cierta
cantidad fsica X cuidadosamente y obtienen los
siguientes resultados
 Si la discrepancia entre las dos mediciones es
mucho mayor que los dos incertidumbres , debemos
sospechar que algo ha ido mal en al menos una de las
mediciones.
En esta situacin, diramos que las dos medidas son
inconsistentes, y debemos examinar ambas medidas
cuidadosamente para ver si uno (o ambos) estaba sujeta a
errores sistemticos inadvertidos.

Supongamos, sin embargo, que las dos mediciones son

consistentes;
es decir, la discrepancia no es significativamente
ms grande que . Podemos entonces preguntarnos
con sensatez cul es la mejor estimacin del verdadero
valor de X,
 Su primer impulso podra ser el uso del promedio simple
( )

Pero la media no es adecuado si las dos incertidumbres

son desiguales.
( )
El promedio simple da la misma importancia a
ambas medidas, mientras que la lectura ms precisa de
alguna manera se debe dar ms peso.
cul es la mejor estimacin del verdadero valor de X?
Asumiremos que todos los errores sistemticos se han
identificado y reducido a un nivel insignificante. Por lo
tanto, todos los errores restantes son aleatorios, y las
mediciones de x se distribuyen normalmente alrededor
del verdadero valor X.
 Podemos resolver nuestro problema fcilmente usando el
principio de mxima verosimilitud.
Estamos asumiendo que ambas medidas se rigen por la
distribucin de Gauss y denotan el valor verdadero
desconocido de x por X.

La probabilidad del estudiante A de obtener su valor :

La probabilidad del estudiante A de obtener su valor :

El subndice X indica explcitamente que estas

probabilidades dependen del valor real desconocido
La probabilidad de que A se encuentra el valor y B
encuentre el valor es slo el producto de las dos
probabilidades

Haciendo

=
El principio de mxima probabilidad afirma, al igual que antes,
que nuestra mejor estimacin del valor desconocido X se da
cuando la probabilidad es mxima, o de manera equivalente
cuando es mnimo.
(Debido a que se maximiza la probabilidad,esto implica
minimizar la "suma de los cuadrados", . Este mtodo de
estimacin de X a veces se llama el "mtodo de los mnimos
cuadrados.") Por lo tanto, para encontrar la mejor estimacin,
simplemente diferenciamos con respecto a X y hacemos la
derivada igual a cero,

Derivamos:
Definimos

Por lo tanto, reescribiendo el mejor valor de X como

un promedio ponderado:
Se hizo el anlisis para dos medidas, generalizando:

Se realizan N medidas por separados de una cierta cantidad

fsica X:

El mejor valor de X es: =

= , = ,

La incertidumbre se
puede demostrar que =

es:
Ejemplo: Tres estudiantes realizan medidas de resistencia
elctrica de un alambre de nicrom, obtenindose los siguientes
resultados

Hallar el mejor valor de R con su respectiva incertidumbre

Hallamos los pesos para
cada incertidumbre