1

MetroCalidad 2007
Corporacin Mixta MetroCalidad
MODULO 3
Estimacin de la
Estimacin de la
Incertidumbre de medicin
Incertidumbre de medicin
2
Metro Calidad 2007
OBSERVACION
Este mdulo provee un marco de trabajo para estimar la incertidumbre
de una medicin, y no puede esperarse que sustituya el pensamiento
crtico, la honestidad intelectual y la habilidad profesional de quien
realiza el clculo.
La evaluacin de una incertidumbre jams es una tarea rutinaria o
puramente matemtica; ella depende de un conocimiento detallado de la
naturaleza del mensurando y de la medicin. La calidad y utilidad de la
incertidumbre expresada por el resultado de la medida depende, por
tanto, en ltimas del entendimiento, el anlisis crtico y la integridad
de aquellos que contribuyeron a asignarle su valor.
U.S. Guide to the Expression of Uncertainty in Measurement
ANSI/NCSL Z 540-2 1997
Pargrafo 3.4.8
3
Metro Calidad 2007
ALCANCE
Este mdulo establece un resumen bsico de las reglas generales para evaluar y expresar la
incertidumbre de una medida segn est consignada en la gua. Gua para la expresin de
la Incertidumbre de una medicin, su aplicacin depender del grado de exactitud
requerido, del nivel de profundidad y del nivel de sofisticacin de los clculos que sean
necesarios para el anlisis.
En general el nivel de profundidad requerido para responder a las exigencias de un
programa de aseguramiento de la calidad de produccin, en planta o por un laboratorio de
metrologa bsico, no requieren de la consideracin exhaustiva de todos los requisitos
consignados en la gua antes mencionada; ms bien requiere de un juicio tcnico apropiado
para dar cuenta solamente de las fuentes de incertidumbre ms significativas que afecten el
valor medido.
El contenido de este modulo provee reglas generales para la evaluacin y expresin de la
incertidumbre de medida y no pretende dar instrucciones, especficas de tipo tcnico para
casos particulares salvo los aqu tratados para los cuales an pueda haber discrepancias
entre peritos expertos del rea.
El contenido de este mdulo debe ser visto como una gua para la redaccin de
procedimientos tcnicos especficos para cada necesidad y no debe subestimarse la opinin
crtica por parte de los expertos para cada procedimiento a desarrollar.
4
Metro Calidad 2007
INTRODUCCIN
Cuando se reporta el resultado de medida de una cantidad fsica, es obligatorio brindar
alguna indicacin cuantitativa de la Calidad del resultado reportado de tal forma que el
usuario de este resultado pueda darse cuenta de su confiabilidad.
Sin tal indicacin los resultados de las medidas no pueden ser comparados contra datos del
mismo tipo o valores de referencia dados en una especificacin o por un patrn.
Es por tanto necesario que se implemente un procedimiento para la caracterizacin de un
resultado de una medida que sea aceptado ampliamente y sea de fcil entender, esto es, un
procedimiento para evaluar y presentar la incertidumbre del resultado de una medida.
El concepto de incertidumbre como atributo calculable cuantitativamente es relativamente
nuevo en la historia de la medicin, sin embargo error y anlisis de error han formado
parte de la ciencia de la medicin o metrologa durante mucho tiempo.
Hoy da se reconoce ampliamente que cuando se han aplicado todas las correcciones por
todos los errores conocidos o sospechados aun nos queda una duda o incertidumbre sobre
el resultado presentado, sea una duda acerca de que tan bien el resultado de la medida
representa el valor de la cantidad que esta siendo medida.
5
Metro Calidad 2007
Tomar datos
Analizar
Tomar
Decisiones
Presentar datos
Identificar las
mediciones
Permanentemente usted usa nmeros para tomar decisiones que afectan los procesos bajo
su responsabilidad. El resultado de una medicin se expresa por medio de nmeros. En este
modulo vamos a aprender algunos mtodos para establecer la informacin contenida en esos
nmeros. Adems aplica, quiralo o no, conceptos estadsticos. El asunto no es si usted usa
y debe aprender estadstica o no, sino que en todos los procesos y mediciones usted debe:
La pregunta es: Cmo hacer todo esto de modo eficiente y efectivo?
6
Metro Calidad 2007
Cifras significativas : Ejercicio
1. Expresar los siguientes datos en potencias de 10 y determinar la cantidad
de cifras significativas de cada uno.
7 865,007 Hz
1,000 56 g
0,05 s
0,0024 cm
Nmero de c.s. En potencias de 10 Dato
El nmero de cifras significativas lo dan los dgitos que multiplican
la potencia de 10.
7
Metro Calidad 2007
Cifras significativas : Ejercicio
4. Se mide la distancia entre dos ciudades resultando 247,5 km , con lo cual se tiene 4
cifras significativas. Otra persona la expresa en metros como 247 500 m , con lo
cual tiene ahora 6 cifras significativas y por tanto mayor informacin con un simple
cambio de unidad. Comente esta situacin.
2. Suponga que usted emplea una cinta mtrica con divisin de escala de 1 mm y que
informa que la longitud medida de un objeto es de 25,0 cm. . Otra persona utilizando el
mismo equipo reporta un resultado de 25,05 cm. Compare la informacin proporcionada
por las dos personas. Qu tiene que ver esto con cifras significativas?
25,0 = 3 cifras significativas. 25,05 = 4 cifras significativas
3. De acuerdo con lo desarrollado en los ejercicios anteriores, Defina Cifras Significativas
de un dato o medicin.
Es el nmero de dgitos acerca de los cuales se tiene un buen grado de certeza
8
Metro Calidad 2007
Cifras significativas : Ejercicio
5. Cuntas cifras significativas hay en cada una de las siguientes mediciones:
1,000 3 kg
0,000 007 mm 17,0 mm
0,080 60 s 1,285 kg
0,000 2 s 283,06 cm
Nmero de c.s. Dato Nmero de c.s. Dato
6. La medicin de una longitud se informa como 4,07 cm . Cul es la divisin
de escala del instrumento de medicin si:
A) El equipo es anlogo
B) El equipo es digital?
9
Metro Calidad 2007
Aproximaciones y Reglas de redondeo
REGLA: Si el dgito a la derecha del ltimo dgito a ser considerado
es menor que 5, todos los dgitos a la derecha de l no sern
considerados. Si es mayor que 5, ser adicionada una unidad al dgito
considerado.
1.Redondear 4,123564:
a. Con dos cifras decimales
b. Con cuatro cifras decimales
10
Metro Calidad 2007
Aproximaciones y Reglas de redondeo
Regla: Si los dgitos a ser descartados comienzan con un cinco y al
menos uno de los siguientes dgitos es ms grande que cero, el dgito
precedente se incrementa en 1.
Por ejemplo: 6,974 951 5 redondeado a 5 cifras queda 6,975 0
2. Redondear:
8, 2435 con 3 cifras decimales.
8, 24453 con 3 cifras decimales
Regla: Si los dgitos a ser descartados comienzan con 5 y todos los otros
dgitos que lo siguen son cero (aunque sean tericos), el dgito precedente no
cambia si es par y se incrementa en uno si es impar.
Por ejemplo: 6,974 951 5 redondeado a 7 dgitos es: 6,974 952
11
Metro Calidad 2007
Aproximaciones y Reglas de redondeo
3. Redondear los siguientes nmeros a:
a) 3 cifras significativas
4927,4 0,080 80
230 763 1,103
b) 2 cifras significativas
0,0787 5 22,450
1,218 3 1, 4824
12
Metro Calidad 2007
4. Realizar las siguientes operaciones y redondear los
resultados a la cantidad correcta de cifras significativas:
23,6 m + 2,5 m
1,632 g + 46,83 g + 272 190 g
14, 73 V + 2,2 V + 100,07 V
176,43 cm 26,2 cm
238,79 ml 2,482 ml
(6,28 x 1,002) m / 2,0 s
(15,08 + 3,25)
o
C 2,8
o
C
50,658 9 g / [4/3(6,059 cm)
3
]
13
Metro Calidad 2007
5
Regla del Cinco Fantasma
Esta regla es muy til cuando el valor
reportado de una magnitud resulta de
un clculo donde intervienen resultados
obtenidos con diferentes equipos y a
veces hasta datos obtenidos de tablas
de referencia, por lo tanto para escribir
una cantidad medida correctamente
con el nmero apropiado de cifras
decimales se requiere un conocimiento
de la incertidumbre de la medida.
14
Metro Calidad 2007
1. Seleccionar la ltima posicin decimal a la derecha en cuestin
2. Reemplazar esta posicin con el nmero 5
3. Colocar en las otras posiciones el nmero cero (0)
4. Dividir este dato entre la incertidumbre
5. Multiplicar el resultado anterior por 100 y colocar el signo de porcentaje (%) en l.
6. Al resultado obtenido hacer un anlisis de la siguiente forma:
7. Si el resultado es menor o igual al 20 %, entonces repetir los anteriores pasos
disminuyendo la posicin decimal.
8. Si el resultado se encuentra entre el 20 % y el 200% quiere decir que esa posicin
decimal es la adecuada para la incertidumbre obtenida
9. Si el resultado es mayor que 200 %, el valor reportado no contiene suficientes dgitos
para justificar la incertidumbre reportada.
Para aplicar la regla del cinco fantasma las siguientes condiciones se deben conocer:
El valor numrico de la incertidumbre debe contener no ms de 2 dgitos significativos y
La incertidumbre debe estar expresada en las mismas unidades que el valor reportado.
Y por lo tanto los pasos a seguir son:
15
Metro Calidad 2007
Cmo saber si es posible reportar hasta la 4 posicin decimal del resultado?
16
Metro Calidad 2007
Si la incertidumbre fuese 0,0017 el anlisis anterior queda:
20%<29,41%<200% Luego el volumen se puede reportar:
Lo anterior significa que con una incertidumbre menor, se ganan cifras
significativas al aplicar la regla del cinco fantasma
17
Metro Calidad 2007
Conceptos Estadsticos
Poblacin y Muestra
Histograma
Parmetros versus estadsticas:
mediana, media, moda, rango,
desviacin estndar
La distribucin Normal
El comportamiento de los
promedios de mediciones
El efecto del tamao de la
muestra.
40 60 80 100 120 140 160
0
200
400
600
800
1000
Histogram plot with Normal Distribution Overlay

C
o
u
n
t
s
Bins
18
Metro Calidad 2007
POBLACION Y MUESTRA
Considere una medicin fsica que Ud. realiza en su trabajo, de masa,
presin, flujo, etc.: Cul es la poblacin para tal medicin? Cul es la
muestra?. Escriba sus respuestas a continuacin:
La toma, presentacin, anlisis y las decisiones de las mediciones,
dependen de la respuesta correcta a estas preguntas. Poblacin y
Muestra son dos conceptos importantsimos. A menudo, usamos mal los
conceptos y mtodos estadsticos porque no comprendemos o
interpretamos errneamente la diferencia entre poblacin y muestra.
19
Metro Calidad 2007
Poblacin
Muestra
La poblacin es el conjunto de todos los
posibles nmeros de inters.
Una muestra es un subconjunto de la
poblacin.
20
Metro Calidad 2007
Cuando se realiza inspeccin por muestreo se determina un lote, se
seleccionan algunos tems, se realizan mediciones y despus decidimos
aceptar o no el lote. Si su preocupacin es la calidad del lote cul es la
poblacin y cul es la muestra?
Poblacin:
Muestra:
21
Metro Calidad 2007
Consideremos el control de un proceso de manufactura utilizando una
grfica de control de promedios y rangos.
Cul es el propsito del trabajo:
determinar las caractersticas de la muestra con base en la cual
hacemos la grfica de control o averiguar cul es el estado real del
proceso?
Entonces: cul es la poblacin y cul es la muestra?
Revise ahora sus respuestas a las preguntas iniciales: cul es la
poblacin y la muestra cuando realiza mediciones?
22
Metro Calidad 2007
Estos son algunos ejemplos de poblaciones de inters en un
laboratorio:
Laboratorio Medico
El conjunto de todas las posibles
medidas del nivel de colesterol
sanguneo en un individuo
El conjunto de todas las posibles
medidas de presin en un
individuo
23
Metro Calidad 2007
Laboratorio
ambiental
El conjunto de todas las posibles medidas
de emisiones de azufre en una planta
industrial.
El conjunto de todas las posibles medidas
de pureza del aire en una ciudad.
24
Metro Calidad 2007
Laboratorio de
manufactura
El conjunto de todas las posibles medidas
de viscosidad de un lote
El conjunto de todas las posibles medidas
de presin de un proceso
25
Metro Calidad 2007
Laboratorio de
tratamiento de aguas
El conjunto de todas las posibles medidas
de demanda de oxgeno durante las ltimas
8 horas
El conjunto de todas las posibles medidas
del % de slidos durante la ltima hora.
26
Metro Calidad 2007
Laboratorio de
microbiologa
El conjunto de todas las posibles medidas de
rata de crecimiento de bacterias en un batch de
producto.
El conjunto de todas las posibles medidas de
contaminacin en una botella.
27
Metro Calidad 2007
Qu ocurre si una muestra no es representativa de la poblacin deseada?
Qu ocurre con los resultados de una medicin perfecta de pH realizada sobre
una muestra que no es representativa?
Cmo define Ud. muestra aleatoria?
Los datos se obtienen a partir de muestras, con ellos llegamos a inferir acerca de
la poblacin y en consecuencia tomamos decisiones. Pero el valor de una
caracterstica medida vara de una muestra a otra y esto afecta la decisin
que se tome. Por esto es muy importante tener en cuenta los siguientes
aspectos:
1. El procedimiento para toma de las muestras
2. El nmero apropiado de muestras
3. El nmero apropiado de pruebas o mediciones que debe realizarse en cada
muestra.
El anlisis estadstico nos ensea como afrontar estas situaciones.
28
Metro Calidad 2007
40 60 80 100 120 140 160
0
200
400
600
800
1000
Histogram plot with Normal Distribution Overlay

C
o
u
n
t
s
Bins
Un histograma es una grfica
de barras que muestra la
distribucin de frecuencias de
un conjunto de datos
Los pasos para construir un
histograma son los siguientes:
Histogramas:
29
Metro Calidad 2007
1. Defina la poblacin de inters.
2. Rena las observaciones o mediciones que son representativas
de la poblacin de inters y cuente el nmero n de datos.
3. Determine el rango R del conjunto completo de datos, restando
los valores mximo y mnimo del conjunto de datos.
4. Divida el conjunto de datos en el nmero de clases K, que se
indica a continuacin (Aprox. Raz cuadrada del nmero de
datos)
10 a 20 Ms de 250
7 a 12 100 a 250
6 a 10 50 a 100
5 a 7 Menos de 50
Nmero de clases Nmero de datos
30
Metro Calidad 2007
5. Determine la anchura de clase H dividiendo el rango R por el nmero de
clases K. La anchura de clases siempre debe tener tantos decimales como los
datos.
Determine las fronteras de las clases.
El valor mnimo de los datos es el lmite inferior para la primera clase y su
lmite superior se encuentra sumando el ancho de clase a este lmite inferior.
El lmite superior para la primera clase es a su vez el lmite inferior para la
segunda clase y a este lmite inferior se le adiciona el valor del ancho de clase
para determinar el lmite superior de esta clase, y se procede similarmente
para las dems clases.
Cada clase incluye los datos que son iguales y mayores que su lmite inferior
pero no incluye su valor superior, que pertenece a la clase superior siguiente.
Por ejemplo, una clase cuyas fronteras son 2,00 y 2,50 incluye a 2,49 pero no
a 2,50 .
31
Metro Calidad 2007
7. Construya una tabla de frecuencias con base en los valores
determinados antes.
8. Construya el histograma con base en la tabla de
frecuencias. Las clases se marcan a lo largo del eje
horizontal y la frecuencia a lo largo del eje vertical. La
distribucin entre las clases se indica por barras.
9. Dibuje una lnea en el histograma para representar la media
de los datos y lneas adicionales para representar los lmites
de especificacin si los hay. En un espacio en blanco del
histograma anote el perodo de tiempo durante el cual se
recogieron los datos, el nmero de datos n, la media y la
desviacin estndar de la muestra.
32
Metro Calidad 2007
90,7 90,0
92,2 91,0 91,2 92,2 92,2 92,7 93,7 90,5 91,6 90,3
89,7 89,3 90,4 91,1 90,6 89,8 92,6 91,1 90,4 91,6
91,8 92,7 94,4 89,3 91,2 88,9 88,4 87,4 89,6 89,8
89,9 88,7 93,0 90,1 90,4 92,3 91,8 93,3 96,1 89,0
90,9 88,6 87,9 85,3 88,3 89,2 90,1 88,5 93,4 90,1
91,0 93,2 92,7 94,2 98,8 88,3 90,8 88,2 86,7 84,3
86,7 84,3 87,6 88,3 89,9 87,8 94,2 91,0 91,1 94,7
93,3 96,5 100,3 88,6 91,5 87,5 86,7 83,4 87,7 88,5
A continuacin se presenta los datos sobre el octanaje de varias mezclas
de gasolina:
33
Metro Calidad 2007
Construya una tabla de distribucin de frecuencias y un
histograma, utilizando 4 clases.
Construya una tabla de distribucin de frecuencias y un
histograma, utilizando 10 clases.
Construya una tabla de distribucin de frecuencias y un
histograma, utilizando 16 clases.
Compare la forma de los histogramas. Presentan todos ellos
informacin similar?
34
Metro Calidad 2007
0.07 0.05 0.06 0.06 0.06 0.07 0.03 0.06 0.05 0.06
0.05 0.05 0.06 0.06 0.06 0.05 0.05 0.04 0.06 0.05
0.06 0.06 0.07 0.06 0.07 0.06 0.06 0.04 0.06 0.05
0.07 0.06 0.05 0.05 0.05 0.04 0.05 0.05 0.04 0.05
0.06 0.07 0.05 0.06 0.06 0.06 0.07 0.03 0.05 0.06
Micrmetro B Micrmetro A
Histogramas: Ejercicios
2. Sobre un bloque patrn de longitud 0,06 unidades se realizan veinticinco (25)
mediciones cada vez usando dos micrmetros diferentes. Cul instrumento es
ms exacto? Cul es ms preciso? Cul es el mejor instrumento?
35
Metro Calidad 2007
Valor del Bloque: 0,06
Error
Desv. Stnd.
Promedio
B A Instrumento
36
Metro Calidad 2007
3. Se usaron dos (2) balanzas para pesar la misma muestra de carne para un restaurante
de comidas rpidas y los resultados se muestran a continuacin. Se sabe que cada
muestra tiene masa de 114 gramos. Cul balanza es ms exacta? Cul es ms precisa?
Cul balanza es mejor?
117 116 116 114 114 114 114 115 114 113
118 117 116 117 117 114 113 113 112 114
115 116 117 116 115 115 114 112 116 115
116 116 115 115 114 114 116 114 115 114
116 115 116 116 118 113 115 115 112 113
Balanza B Balanza A
Histogramas: Ejercicios
37
Metro Calidad 2007
Peso de la carne: 114 g .
Error
Promedio
Desviacin St.
B A Balanza:
38
Metro Calidad 2007
PARMETROS VERSUS ESTADSTICAS
Mtodos numricos de estadstica descriptiva: mtodos para calcular uno o
varios valores que de manera resumida y efectiva proporcionen informacin
contenida en los datos. Hay dos clases de datos: los que se refieren a la
poblacin y los que se refieren a las diferentes muestras que representan a la
poblacin.
Poblacin
Muestra 1
Muestra 2
Muestra 3
PARAMETROS
Media de la poblacin mu:
Desviacin estndar de la poblacin:
sigma
Generalmente desconocidos.
Son constantes para poblaciones estables
Smbolos alfabeto griego
ESTADISTICAS
Media de la muestra:
Desviacin estndar de la muestra: s.
Se pueden calcular para cada muestra
Varan de una muestra a otra.
Smbolos alfabeto espaol.
X
39
Metro Calidad 2007
1. Una revista militar informa que durante una operacin la aviacin
realiz 1270 misiones con duracin total de 6905 horas.
Cul es la poblacin y cul la muestra?
Con referencia al tiempo de duracin de una misin, determinar, si es
posible, la media poblacional y la media muestral.
Ejercicios
40
Metro Calidad 2007
2. Se toman las mediciones del dimetro interno de los anillos para los pistones
de los motores de unos automviles. Los datos, en mm son:
74,001 , 74,003 , 74,005 , 74,015 , 74,002 , 74, 004 , 74,000 y 74,005 .
Si se trata de una empresa propietaria que est interesada en programar el
mantenimiento de los motores de sus 2 vehculos (4 pistones cada uno)
Cul es la poblacin y cul es la muestra?
Cunto vale el dimetro promedio de la poblacin ?
Cunto vale el dimetro promedio de la muestra?
Si los datos se refieren a mediciones realizadas en pistones de motores
producidos en una planta para determinar la capacidad de proceso
Cul es la poblacin y cul es la muestra?
Cunto vale el dimetro promedio de la poblacin ?
Cunto vale el dimetro promedio de la muestra?
41
Metro Calidad 2007
3. Una revista que describe los 12 mejores campos de golf de un pas,
presenta los siguientes datos (en metros [m]) de la longitud de cada uno:
6632 , 6424 , 6327 , 6271 , 6803 , 6425 , 6276 , 6803 , 6346 , 6157 ,
6372 , 6235 .
Cul es la poblacin y cual la muestra?
Con referencia a la longitud de un campo de golf determinar, si es posible, la
media poblacional y la media muestral.
42
Metro Calidad 2007
CUIDADO: Una estadstica de una muestra no se debe interpretar como si fuera un parmetro de
la poblacin.
4. Los datos de acomodamiento visual (una funcin del movimiento del ojo)
cuando se reconoce un patrn de manchas sobre un monitor de alta
resolucin publicados en una revista de oftalmologa son:
36,45 ; 67,90 ; 38,77 ; 42,18 ; 26,72 ; 50,77 ; 39,30 y 49,71 .
Proponga un ejercicio en el cual estos datos correspondan a una poblacin y
otro en que correspondan a una muestra.
43
Metro Calidad 2007
Medidas de Tendencia Central
Cmo se mide el valor central de un conjunto de datos?
La Media: Se calcula sumando todos los datos y dividiendo el total por el nmero de ellos.
Una poblacin tiene solamente una media pero diferentes (una para cada
muestra).
X
La Mediana: El valor que separa los datos en dos mitades iguales. Para
encontrar la mediana ordene los datos en orden creciente o decreciente y encuentre el
valor en el medio. Si el tamao de la muestra es par, la mediana es el promedio de los
dos valores en la mitad.
La Moda: El intervalo o valor que ocurre con la ms alta frecuencia
44
Metro Calidad 2007
Medidas de Dispersin
El Rango R: es la diferencia entre los valores mayor y menor del conjunto de
datos.
R tiene dos caractersticas deseables:
(i) es simple de calcular y
(ii) es fcil de interpretar.
R tiene dos caractersticas no deseables:
(i) solamente dos valores se usan para calcularlo y no contiene informacin
acerca de los puntos intermedios.
(ii) si un valor inusual (outlier) ocurre en los datos, el rango ser inflado, y
puede llevarnos a concluir que en los datos hay mayor variabilidad que la que
hay realmente.
45
Metro Calidad 2007
La Desviacin Tpica: representa la desviacin de todos los datos
con respecto de la media.
Para la poblacin se calcula as:
( )

=
=
N
i
i
X
N
1
2
1

Para una muestra se calcula as:
( )

=
N
i
i X
X X
n
s
i
1
2
) (
1
1
Medidas de Dispersin
La Varianza es el cuadrado de la
desviacin tpica:
) (
2
i
X
s V =
46
Metro Calidad 2007
Ejercicio
Calcular las medidas de tendencia
central y de dispersin para las
poblaciones y muestras de los
ejercicios propuestos en las
presentaciones 40 a 43.
47
Metro Calidad 2007
La distribucin normal
Frecuencia
5
10
15
20
25
30
35
40
50
90 95 100 105 110 115 120 125 Ms
Viscosidad en Segundos
45
Frecuencia
5
10
15
20
25
30
35
40
17
0
18
0
190 200 210 220 230 240 Ms
Colesterol en mg/dl
Figura 3: histograma construido a partir de
100 pruebas de viscosidad realizadas en una
muestra nica de una solucin de polmero
Figura 4: histograma construido a
partir de 100 pruebas de colesterol en
la misma muestra de sangre.
48
Metro Calidad 2007
Los dos histogramas anteriores exhiben caractersticas compartidas por
otros tipos de anlisis de laboratorio:
Tienen una moda nica.
Son simtricos alrededor de la media.
Tiene frecuencias menores para valores alejados de la media.
La media, la mediana y la moda son aproximadamente iguales
Estas pruebas o medidas siguen una distribucin normal o gaussiana
49
Metro Calidad 2007
Frecuencia
0
20
40
60
80
100
89
93
97 101 105 109 113
117
Ms
Viscosidad en Segundos
85
Figura 5: histograma construido a partir de 1000 pruebas de viscosidad en la misma muestra.
La Figura 5 es un histograma construido a partir de 1000
mediciones de viscosidad en una muestra nica, Este
histograma corresponde a una media = 100 y S = 5
unidades de viscosidad. La forma de este
histograma sustenta el trmino campana que se
usa para implicar que los datos estn distribuidos
normalmente.
50
Metro Calidad 2007
Ejercicio
En el histograma anterior dibuje la grfica de la distribucin
gaussiana, dada por la siguiente expresin:
(

=
2
2
2
2
) (
exp
2
1
) (

x
x f
51
Metro Calidad 2007
Muchas distribuciones tienden a exhibir caractersticas normales. No hay nada
implcitamente bueno acerca de datos con distribucin normal ni nada
implcitamente malo con datos con distribucin no-normal. Hay muchas
distribuciones no-normales que ocurren naturalmente.
Para cualquier distribucin normal el rea bajo la grfica en un intervalo
corresponde a la probabilidad de que un valor seleccionado al azar caiga en
esta regin. Para cualquier distribucin normal, esta rea relativa est
directamente relacionada con la distancia de los lmites de la regin a la media
de la poblacin. Intervalos porcentuales aproximados que son fciles de
recordar son los siguientes:
68% de las mediciones estn en el intervalo
95% de las mediciones estn en el intervalo 2
99,7% de las mediciones estn en el intervalo 3
donde y denotan la media y la desviacin tpica de la poblacin.
La distribucin normal
52
Metro Calidad 2007
68,3%
+
95,4%
+ 2
99,7%
+
-
- 2 + 2
+ 3 - 3

+ 3 Figura 6. Grfica de la Distribucin Normal

Indicando los intervalos de probabilidad:
+ 1, + 2 y + 3
Si una prueba o medida se realiza
sobre un material desconocido, hay
probabilidad de 0.95 de que el
resultado estar dentro de 2 del
valor medio y una probabilidad de
0,997 de que el resultado estar
dentro de 3 del valor medio. El
intervalo 2 se denomina el
intervalo de precisin del 95% y el
intervalo de 3 se denomina el
intervalo de precisin del 99.7%
53
Metro Calidad 2007
En la prctica con frecuencia es necesario considerar intervalos de
probabilidad que contienen nmero fraccionario de desviaciones tpicas,
comprendidos entre: 1 y 2, 2 y 3 o cualquier otro valor ubicado en el
espacio continuo: (menos infinito - mas infinito). Para obtener las reas
bajo la curva gaussiana que suministran informacin acerca de estos otros
intervalos, se puede utilizar una distribucin normal tipificada cuya
caracterstica consiste en tener una media igual a cero y varianza distribuida
simtricamente alrededor de ese valor.
Es posible transformar una distribucin normal en una normal tipificada.
Para ello se crea una nueva variable (Y) que ser igual a la anterior (X)
menos su media y dividida por su desviacin tpica ( o sea la raz cuadrada
de la varianza)

=
X
y
54
Metro Calidad 2007
En la normal tipificada, (Y) toma todos los valores entre 3s y 3s pasando por
su valor central cero.
*
I I I I I I I
-3.00 -2.00 -1.00 0.00 1.00 2.00 3.00
Y
55
Metro Calidad 2007
El anexo 1 contiene una tabla con valores de rea bajo la curva
normal tipificada para mltiples valores de Y. Dicha tabla nos da
la probabilidad acumulada, es decir, la que va desde el inicio de
la curva por la izquierda hasta un valor determinado de Y. Es de
til aplicacin para resolver los siguientes problemas:
1. Un jugo de frutas se vende en envases de 11 g .El nmero
medio de gramos colocados en un envase es 10,75 g con una
desviacin estndar de 0,1 g . Asumiendo una distribucin
normal, cul es la probabilidad de que la mquina de llenado
cause un sobrellenado en un envase, esto es, la probabilidad
de que ms de 11 g sean colocados en el envase?
56
Metro Calidad 2007
Y 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7090 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7813 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8416 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,97725 0,97778 0,97831 0,97882 0,97932 0,97982 0,98030 0,98077 0,98124 0,98169
2,1 0,98214 0,98257 0,98300 0,98341 0,98382 0,98422 0,98461 0,98500 0,98537 0,98574
2,2 0,98610 0,98645 0,98679 0,98713 0,98745 0,98778 0,98809 0,98840 0,99870 0,98899
2,3 0,98928 0,98956 0,98983 0,99010 0,99036 0,99061 0,99086 0,99111 0,99134 0,99158
2,4 0,99180 0,99202 0,99224 0,99245 0,99266 0,99286 0,99305 0,99324 0,99343 0,98361
2,5 0,99379 0,99396 0,99413 0,99430 0,99446 0,99461 0,99477 0,99492 0,99506 0,99520
2,6 0,99534 0,99547 0,99560 0,99573 0,99585 0,99598 0,99609 0,99621 0,99632 0,99643
2,7 0,99653 0,99664 0,99674 0,99683 0,99693 0,99702 0,99711 0,99720 0,99728 0,99736
2,8 0,99744 0,99752 0,99760 0,99767 0,99774 0,99781 0,99788 0,99795 0,99801 0,99807
2,9 0,99813 0,99819 0,99825 0,99831 0,99836 0,99841 0,99846 0,99851 0,99856 0,99861
0,00
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
0,10
37,6 37,8 38,0 38,2 38,4 38,6 38,8 39,0 I I I I I I I
-3,00 -2,00 -1,00 0,00 1,00 2,00 3,00

=
X
Y
57
Metro Calidad 2007
Y 0,00 -0,01 -0,02 -0,03 -0,04 -0,05 -0,06 -0,07 -0,08 -0,09
0,0 0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641
-0,1 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247
-0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859
-0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483
-0,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121
-0,5 0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2910 0,2776
-0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451
-0,7 0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2187 0,2148
-0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867
-0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611
-1,0 0,1584 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379
-1,1 0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170
-1,2 0,1151 0,1131 0,1112 0,1093 0,1075 0,1056 0,1038 0,1020 0,1003 0,0985
-1,3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,0838 0,0823
-1,4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681
-1,5 0,0668 0,0655 0,0643 0,0630 0,0618 0,0606 0,0594 0,0582 0,0571 0,0559
-1,6 0,0548 0,0537 0,0526 0,0516 0,0505 0,0495 0,0485 0,0475 0,0465 0,0455
-1,7 0,0446 0,0436 0,0427 0,0418 0,0409 0,0401 0,0392 0,0384 0,0375 0,0367
-1,8 0,0359 0,0351 0,0344 0,0336 0,0329 0,0322 0,0314 0,0307 0,0301 0,0294
-1,9 0,0287 0,0281 0,0274 0,0268 0,0262 0,0256 0,0250 0,0244 0,0239 0,0233
-2,0 0,02275 0,02222 0,02169 0,02118 0,02068 0,02018 0,01970 0,01923 0,01876 0,01831
-2,1 0,01786 0,01743 0,01700 0,01659 0,01618 0,01578 0,01539 0,01500 0,01463 0,01426
-2,2 0,01390 0,01355 0,01321 0,01287 0,01255 0,01222 0,01191 0,01160 0,00130 0,01101
-2,3 0,01072 0,01044 0,01017 0,00990 0,00964 0,00939 0,00914 0,00889 0,00866 0,00842
-2,4 0,00820 0,00798 0,00776 0,00755 0,00734 0,00714 0,00695 0,00676 0,00657 0,01639
-2,5 0,00621 0,00604 0,00587 0,00570 0,00554 0,00539 0,00523 0,00508 0,00494 0,00480
-2,6 0,00466 0,00453 0,00440 0,00427 0,00415 0,00402 0,00391 0,00379 0,00368 0,00357
-2,7 0,00347 0,00336 0,00326 0,00317 0,00307 0,00298 0,00289 0,00280 0,00272 0,00264
-2,8 0,00256 0,00248 0,00240 0,00233 0,00226 0,00219 0,00212 0,00205 0,00199 0,00193
-2,9 0,00187 0,00181 0,00175 0,00169 0,00164 0,00159 0,00154 0,00149 0,00144 0,00139
0,00
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
0,10
37,6 37,8 38,0 38,2 38,4 38,6 38,8 39,0 I I I I I I I
-3,00 -2,00 -1,00 0,00 1,00 2,00 3,00

=
X
Y
58
Metro Calidad 2007
2. El ingreso medio de los habitantes de un pas es de 4 millones de
pesos/mes, con una varianza de 1,5. Suponiendo distribucin
normal en los ingresos totales calcular los ingresos mnimo y mximo
que engloban al 60% de la poblacin con renta media.
3. El jugo Tasmania se vende en envases de 700 ml . El volumen
promedio de jugo colocado en un envase es 675 ml con una
desviacin tpica de 15 ml . Asumiendo una distribucin normal,
cul es la probabilidad de que la mquina de llenado ocasione un
sobrellenado en un envase?
59
Metro Calidad 2007
4. La vida media de los habitantes de un pas es de 68 aos, con una
varianza de 25. Se hace un estudio en una pequea ciudad de
10.000 habitantes. Cuantas personas superarn previsiblemente los
75 aos?
5. La desviacin tpica de la masa de unos recipientes llenos es 0,7 g .
Si el 3% de los recipientes contienen menos de 20 g , cul es la
masa media de llenado de los recipientes?
60
Metro Calidad 2007
6. El consumo medio anual de cerveza de los habitantes de un pas es
de 59 litros, con una varianza de 36. Se supone que se distribuye
segn una distribucin normal.
a) Si usted presume de buen bebedor, cuantos litros de cerveza
tendra que beber al ao para pertenecer al 5% da la poblacin que
ms bebe?
b) Si usted bebe 45 litros de cerveza al ao y su mujer le califica de
borracho qu podra argumentar en su defensa?
61
Metro Calidad 2007
7. Se ha encontrado que los envases de cerveza de la marca X tienen
una desviacin tpica de 5 ml .Si 5% de los envases contienen
menos de 622 ml , cul es volumen de llenado promedio de los
envases?
8. A un examen para seleccin de personal se han presentado 2000
aspirantes. La nota media ha sido un 5,5 con una varianza de 1,5.
a) Tan solo hay 100 vacantes. Usted ha obtenido un 7,7. Sera
oportuno ir organizando una fiesta para celebrar su xito?
b) Va a haber una segunda oportunidad para el 20% de notas ms
altas que no se hayan clasificado. A partir de que nota se podr
participar en esta repesca?
62
Metro Calidad 2007
El Comportamiento de los Promedios de Mediciones
En muchas aplicaciones en el laboratorio o en procesos, no es posible o no es
prctico examinar a todos los miembros de una poblacin. En tales casos no es
posible calcular o pero tales cantidades pueden ser estimadas a
partir de una muestra de n datos calculando y s para la muestra.
X
En muchas ocasiones tomamos una medicin en proceso o el laboratorio realiza
una sola prueba y se reporta el resultado. En otras situaciones es posible realizar
la prueba o la medicin varias veces en la misma muestra y reportar el promedio
de los resultados . X
Entender el comportamiento de los promedios de las muestras es crtico para
entender la incertidumbre de las mediciones y para establecer y evaluar lmites
de control, mejorar la precisin de las pruebas, evaluar la exactitud, realizar
comparaciones y determinar requisitos de prueba y muestreo.
63
Metro Calidad 2007
Formar grupos de 2 o 3
personas y medir los
permetros de los crculos de
madera. Para esto Usted
utilizar una cinta mtrica,
estos datos se consignan en
la tabla de la derecha.
Ejercicios
64
Metro Calidad 2007
A.-Con los datos de los permetros construya
conjuntos de seis muestras de tamao 1.
Seguidamente construya seis muestras de tamao
5, seis de tamao diez y finalmente, seis muestras
de tamao quince.
Calcule para cada muestra, el promedio y la
desviacin tpica.
En las columnas de la derecha ubique el promedio
de los promedios y la desviacin tpica de los
mismos.
65
Metro Calidad 2007
B. Construya una grfica de frecuencias para los valores del permetro promedio
para cada muestra de tamao n=1. En la misma grfica dibuje la lnea vertical
que corresponde al promedio de los permetros promedio ( ) de las 6
muestras. Promedio de los promedios,
X
C. Construya grficas similares para las muestras de los otros tamaos.
D. Considerando la poblacin completa como el conjunto inicial de datos,
determine la media poblacional y represente su valor como una lnea vertical
en los grficos anteriores.
E. De acuerdo con los resultados grficos anteriores comente:
Qu le ocurre al promedio del promedio de los permetros con respecto a la
media poblacional a medida que el tamao de las muestras crece ?
Qu le ocurre al ancho de la distribucin de los promedios a medida que el
tamao de las muestras crece ?
66
Metro Calidad 2007
Si se toman muestras aleatorias de tamao n de una poblacin infinita cuya media es y
cuya desviacin tpica es , la distribucin de los promedios tendr las siguientes
caractersticas:
El Comportamiento de los Promedios de Mediciones
X
La media de los promedios
ser igual a , la media de la poblacin.
Esta expresin nos dice que la distribucin de los promedios es ms angosta, tiene mejor
precisin, que la distribucin de los datos de la muestra. Por esta razn, se recomienda
informar los promedios con una cifra significativa ms que los datos individuales.
n
i
X
X
) (
) (

=
= desviacin tpica de la poblacin / n
La desviacin tpica del promedio ( ), ser igual a la desviacin tpica de la poblacin
(Xi) dividida por n, esto es:
X
67
Metro Calidad 2007
como utilizar estos resultados en situaciones prcticas en las
cuales no conocemos , (la desviacin tpica de la poblacin) ?
En tales situaciones suponemos que la desviacin tpica de la muestra nos
proporciona un buen estimado de la desviacin tpica de la poblacin, con lo
cual tenemos:
( )
( )
n
S
S
i
X
X
=
68
Metro Calidad 2007
Figura 7. Los promedios de las muestras se
comportan normalmente an si la poblacin
no es normal Para un tamao de muestra
suficientemente grande, la distribucin de los
promedios ser aproximadamente normal, no
importando la forma de la distribucin
subyacente. La distribucin de los promedios
se aproximar ms a la normalidad a medida
que n crece.
F
r
e
c
u
e
n
c
i
a
5
10
15
20
25
30
35
40
50
20
30
40 50 60 70 80 90 Ms
45
Distribucin para Medidas
individuales, n=1
5
10
15
20
25
30
35
40
20
30
40 50 60 70 80 90 Ms
Distribucin para
promedios de n=4 mediciones
F
r
e
c
u
e
n
c
i
a
5
10
15
20
25
20 30 40 50 60 70 80 90 Ms
Distribucin de promedios de
n= 16 mediciones
F
r
e
c
u
e
n
c
i
a
69
Metro Calidad 2007
Esto tiene importantes implicaciones para el laboratorio:
X es un estimado no sesgado de la verdadera media de la poblacin .
La desviacin tpica de con respecto de es
La distribucin de todos los potenciales seguir una distribucin normal.
En conclusin, cuando tenemos una muestra de tamao n podemos afirmar:
X
X
n
poblacin

Hay una probabilidad del 68% de que la media de la poblacin est includa
en el intervalo X s(X) y una probabilidad del 95% de que est en el
intervalo X s(X)
70
Metro Calidad 2007
Ejercicio
1. Cunto vale la exactitud del valor medio para muestras de
tamao n=1?
2. En cunto aumenta la exactitud del valor medio al
aumentar el tamao de una muestra de n=2 a n=4? a
n=10? a n=20? Haga una grfica a mano alzada de
exactitud del valor medio vs. tamao de la muestra.
Conclusin: escriba su conclusin de este ejercicio
71
Metro Calidad 2007
Hemos visto que en cualquier proceso de muestreo, cuanto ms grande sea la
muestra, tanto ms precisa sern nuestras afirmaciones finales. Aunque la
precisin de un valor medio muestral aumenta solo en proporcin directa a la
raz cuadrada del nmero de observaciones de la muestra, de todos modos se
incrementa, y las muestras ms grandes tienen medias ms precisas.
EL EFECTO DEL TAMAO DE LA MUESTRA:
Cuntas mediciones debo realizar para tener buena exactitud y
precisin?
No obstante, generalmente al realizar un muestreo hay
restricciones de tiempo y costo y no siempre podemos
obtener muestras del tamao deseable, debiendo procurar
una solucin intermedia entre los requisitos estadsticos y las
restricciones prcticas, por ejemplo limitndonos a muestras
de tamao n =50.
72
Metro Calidad 2007
Sin embargo, en ocasiones puede ser necesario contentarnos con muestras
pequeas, debemos ser muy conscientes entonces de la prdida resultante en
precisin. Cuanto ms pequeo sea n, ms ancho ser el intervalo que tiene la
probabilidad del 68% de contener el valor de la poblacin. Adems, para
muestras pequeas debemos tener confianza decreciente en el uso de la
desviacin tpica de la muestra s como estimacin de la desviacin tpica de la
poblacin.
Volviendo a los datos de la actividad precedente haga una
grfica de la frecuencia de distribucin de la desviacin tpica
de las muestras de tamao n =5 y n =10. Represente la
desviacin tpica promedio de estas muestras. Calcule la
desviacin tpica de las desviaciones tpicas.
Repita este ejercicio para los otros tamaos de muestra.
Qu conclusiones deduce de esta actividad?
73
Metro Calidad 2007
Cmo vara con el tamao de la muestra la estimacin de la desviacin tpica
de la poblacin por medio de la desviacin tpica de la muestra: aumenta,
disminuye, no cambia?
El valor de la desviacin tpica de las desviacines tpicas, para una poblacin
gaussiana es:
( )
) 1 ( 2
=
n
s
poblacin

poblacin

Esta expresin nos dice que la amplitud de la distribucin de desviaciones

tpicas de la muestra est relacionada con su valor central por el factor
numrico:
1/ 2(n - 1)
poblacin

Para sus muestras de tamao 10, cunto vale la amplitud del intervalo con respecto del
valor de que tiene una probabilidad del 68% de contener la desviacin tpica
de la muestra? Y la amplitud del intervalo para una probabilidad del 95%? Representa
esto una alta precisin en la estimacin de ?
poblacin

poblacin

74
Metro Calidad 2007
Por tanto, los clculos estadsticos
con muestras pequeas deben
intentarse solo cuando no se tiene
otra alternativa. La tabla siguiente
presenta la exactitud de las
estimaciones de
poblacin
a partir
de muestras de tamao variable.
Tabla: Exactitud de las estimaciones a
partir de las muestras de tamao variable
75
Metro Calidad 2007
Cuantos datos se necesitan para obtener un estimado confiable de ?
Respuesta: Muchos. Usted necesita 50 datos para obtener un estimado que est dentro
del 20% del verdadero de poblacin y cerca de 100 datos para estar dentro del 15%,
con un nivel de confiabilidad del 95%.
76
Metro Calidad 2007
Para valores de n menores que 10, es evidente que el intervalo para niveles de
confianza de 68% o de 95%, se vuelve tan grandes en comparacin con el
valor central que casi no tiene sentido intentar una estimacin de y de . Por
tanto, generalmente no vale la pena intentar alguna clase de anlisis
estadstico con muestras que tengan menos de 10 observaciones. As, al
presentar resultados de anlisis estadstico, es esencial indicar el tamao de la
muestra. Si queremos que nuestros valores para la media y la desviacin
estndar de la media sean interpretados segn las reglas del 68% y el 95%,
debemos proporcionar la oportunidad de juzgar la exactitud de nuestras
estimaciones.
Qu conclusiones deduce de lo anterior?
CUIDADO: Una estadstica de una muestra
no se debe interpretar como si fuera un
parmetro de la poblacin.
77
Metro Calidad 2007
Ejercicio
Las siguientes observaciones referentes a ngulos (dadas en minutos de arco),
se efectuaron al medir el espesor de una pelcula de helio lquido. Suponga que
las observaciones constituyen una poblacin gaussiana:
34 36 40 40 36
32 39 48 40 38
33 40 38 32 38
37 43 43 36 33
34 38 36 47 38
46 40 45 35 34
a. Calcule la mejor estimacin de la desviacin tpica de la poblacin.
b. Calcule la desviacin tpica de la media
c. Calcule la Desviacin tpica de la Desviacin tpica
d. Dentro de qu limites hay una probabilidad del 68 % de que est incluida
una observacin particular?
78
Metro Calidad 2007
e. Qu limites dan una probabilidad del 95 %?
f. Dentro de qu limites la media tiene una probabilidad del
68% de estar incluida? Y del 95%?
g. Dentro de qu limites la desviacin tpica de la muestra tiene
una probabilidad del 68% de estar incluida? Y del 95%?
h. Tome dos muestras escogidas al azar de 5 observaciones
cada una del conjunto principal de observaciones. Calcule las
medias y las desviaciones estndar de las muestras para ver
cmo se relacionan entre s y con los valores ms precisos
obtenidos del grupo total.
i. Si se requiere que la desviacin tpica de la media no
sobrepase el 1% del valor de la media, cuntas
observaciones se requiere hacer?
j. Si la desviacin tpica de la poblacin ha de definirse dentro
del 5%, cuntas observaciones debern efectuarse?
79
Metro Calidad 2007
EVALUANDO LA INCERTIDUMBRE
Ejercicio:
Con la ayuda de un Pie de Rey realice quince mediciones del dimetro de los cilindros
suministrados y quince mediciones de la altura del mismo, consignando los resultados de
sus mediciones en la tabla anexa, y reportando los valores obtenidos, en centmetros
En seguida calcule el volumen del cilindro mediante la siguiente frmula:
H
D
V
4
2

=
Donde:
Es el promedio aritmtico de las quince mediciones realizadas sobre el dimetro del cilindro
D
Es la media aritmtica de las quince mediciones realizadas sobre la altura del cilindro. H
80
Metro Calidad 2007
Promedios
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
Altura (cm) Dimetro (cm) Medicin
De acuerdo con las dificultades encontradas
en la medicin del dimetro y la altura del
cilindro, identifique todas las posibles
fuentes de variacin
81
Metro Calidad 2007
ALGUNAS FUENTES DE VARIABILIDAD
a) Definicin incompleta del
mensurando.
b) Realizacin imperfecta de la
definicin del mensurando;
c) Muestra no representativa del
mensurando la muestra analizada
puede no representar al mensurando
definido;
d) Conocimiento incompleto de los
efectos de las condiciones
ambientales sobre la medicin, o
medicin imperfecta de dichas
condiciones;
e) Lectura sesgada de instrumentos
analgicos por parte del personal
tcnico;
f) Resolucin finita del instrumento de
medida o umbral de discriminacin;
g) Valores inexactos de los
patrones de medida o de los
materiales de referencia.
h) Valores inexactos de constantes
y otros parmetros tomadas de
fuentes externas y utilizados en
el algoritmo de tratamiento de
los datos;
i) Aproximaciones e hiptesis
establecidos en el mtodo y en
el procedimiento de medida;
j) Variaciones en las
observaciones repetidas del
mensurando, en condiciones
aparentemente idnticas;
82
Metro Calidad 2007
EVALUACION DE LA INCERTIDUMBRE TIPICA
Incertidumbre tpica: Incertidumbre del resultado de una medicin expresada en forma de
desviacin tpica.
Modelo de la medicin
1. En la mayor parte de los casos, el mensurando Y no se mide directamente, sino que se
determina a partir de otras N magnitudes X
1
, X
2
, X
3
,...X
N
, mediante una relacin funcional f
dada por:
Y = f (X
1
, X
2
, X
3
,...X
N
) Ec.1
2. Las magnitudes de entrada X
1
, X
2
, X
3
,...X
N
de las que depende la magnitud de salida Y pueden
ser consideradas a su vez como mensurandos, pudiendo depender de otras magnitudes, junto
con las correcciones y factores de correccin de los efectos sistemticos llegndose as a una
relacin funcional f compleja, que podra ser difcil de escribir en forma explcita. Adems la
funcin f puede determinarse experimentalmente o existir solamente en forma de algoritmo
calculable numricamente.
En la mayora de los casos prcticos f se escoge de tal manera que modele al mensurando solo
hasta el nivel de exactitud requerido.
83
Metro Calidad 2007
3. El conjunto de magnitudes de entrada X
1
, X
2
, X
3
,...X
n
puede incluir :
a) Las magnitudes cuyos valores e incertidumbres se determinan directamente durante la medicin. Estos
valores e incertidumbre se pueden obtener por ejemplo a partir de una sola observacin, o a partir de
observaciones repetidas o por una decisin basada en la experiencia. Pueden implicar la determinacin de
correcciones para las lecturas de los instrumentos y correcciones debidas a las magnitudes de influencia,
tales como la temperatura ambiente, la presin atmosfrica o la humedad.
b) Las magnitudes cuyos valores e incertidumbres se introducen en la medicin procedentes de fuentes
externas tales como magnitudes asociadas a patrones, a materiales de referencia certificados y a valores
de referencia tomados de publicaciones.
4. Una estimacin del mensurando Y, representada por y, se obtiene a partir de la ecuacin (1) utilizando
las estimaciones de entrada x
1
, x
2
, ..x
N
para los valores de N magnitudes X
1
, X
2
, ..X
N
. As la
estimacin de salida y, que es el resultado de la medicin, viene dada por
y = f (x
1
, x
2
, x
3
,...x
n
) Ec.2
5. La desviacin tpica estimada asociada a la estimacin de salida o resultado de medida y, denominada
incertidumbre tpica combinada y representada por u
c
(y), se determina a partir de la desviacin tpica
estimada, asociada a cada estimacin de entrada x
i
denominada incertidumbre tpica y representada por
u (x
i
).
84
Metro Calidad 2007
6. Cada estimacin de entrada x
i
as como su incertidumbre asociada u(x
i
) se
obtienen a partir de una distribucin de valores posibles de la magnitud de
entrada X
i
. Esta distribucin de probabilidad puede basarse en una distribucin
de frecuencias; es decir en una serie de observaciones X
i,k
de X
i
o puede
tratarse de una distribucin supuesta a priori. Las evaluaciones de tipo A de
las componentes de la incertidumbre tpica se basan en distribuciones de
frecuencia mientras que las evaluaciones de tipo B se basan en distribuciones
supuestas a priori.
Ejemplo: Si se aplica una diferencia de potencial V a los bornes de una
resistencia cuyo valor depende de la temperatura, de la resistencia R
0
a la
temperatura definida t
o
y del coeficiente lineal de temperatura , la potencia
disipada P (el mensurando) por la resistencia a la temperatura t es funcin de
V, R
0
, , y t segn:
P = f(V,R
0
, , t) =
( ) | |
0 0
2
1 t t R
V
+
85
Metro Calidad 2007
7. Durante una calibracin usualmente se determina el error de un
instrumento o de un patrn en este caso la ecuacin matemtica se puede
escribir como:
Error = valor medido valor convencional verdadero + m
i
Donde m
i
es un conjunto de variables y/o correcciones que pueden
influenciar el resultado final de la medicin.
Muchos de estos incrementos incorporados al modelo matemtico tienen
valor nulo, no obstante se deben analizar sus efectos sobre la
incertidumbre de medicin.
86
Metro Calidad 2007
Evaluacin de tipo A de la incertidumbre tpica
En la mayor parte de los casos, la mejor estimacin disponible de la esperanza matemtica

q
de una magnitud q que vara al azar[ es decir, de una variable aleatoria], de la que se
han obtenido n observaciones independientes q
k
en las mismas condiciones de medida, es la
media aritmtica de las n observaciones
As, para una magnitud de entrada X
i
estimada a partir de n observaciones repetidas e
independientes X
i,k
, La media aritmtica obtenida mediante la ecuacin (3) es utilizada
como estimacin de la entrada x
i
, en la ecuacin (2) para determinar el resultado de medida
y, tomndose pues x
i
=
Los valores de las observaciones individuales q
k
difieren en razn de las variaciones aleatorias
de las magnitudes de influencia o de efectos aleatorios
EC. 3

=
=
n
k
k
q
n
q
1
1
i
X
i
X
87
Metro Calidad 2007
La varianza experimental de las observaciones, que estima la varianza
2
de la distribucin de
probabilidad de q, viene dada por:
EC.4
( ) ( )
2
1
2
1
1

=
n
k
k k
q q
n
q s
Esta estimacin de la varianza y su raz cuadrada s(q
k
), denominada desviacin tpica
experimental, caracterizan la variabilidad de los valores observados q
k
o, ms
especficamente, su dispersin alrededor de su media
la mejor estimacin de varianza de la media est dado por.
( ) q
( )
n
q
2
2

=
( )
( )
n
q s
q s
k
2
2
=
Ec.5
88
Metro Calidad 2007
As pues, para una magnitud de entrada X
i
determinada a partir de n observaciones
repetidas e independientes X
i,k
, la incertidumbre tpica u(x
i
) de su estimacin x
i
= , es
u(x
i
) = s( ), o sea la desviacin tpica de la media. Por comodidad, u
2
(x
i
) = s
2
( ) y
u(x
i
) = s( ) se denominan respectivamente varianza de tipo A y e incertidumbre tpica de
tipo A.
i
X
i
X
i
X
i
X
Este valor y la desviacin tpica experimental de la media cuantifican la
bondad con que estima la esperanza matemtica
q
de q, y una u otra pueden ser
utilizadas como medida de la incertidumbre de
q
q
( )
( )
n
q s
q s
k
=
89
Metro Calidad 2007
Y la varianza tipo A : ( )
( )
n
x s
x s
i
2
2
=
El nmero de grados de libertad
i
de u(x
i
) es igual a n-1 y siempre se debe
reportar ste valor cuando se realice la evaluacin de una componente de
incertidumbre tipo A.
Si existe una correlacin entre las variaciones aleatorias de las observaciones de una
magnitud de entrada, por ejemplo en funcin del tiempo, la media y la desviacin
tpica experimental de la media pueden ser estimadores impropios de los estadsticos
buscados. En tales casos las observaciones deben analizarse por mtodos
estadsticos especialmente concebidos para tratar una serie de mediciones aleatorias
correlacionadas.
Entonces:
La incertidumbre tpica tipo A es: u(x
i
) =
( )
( )
n
x s
X s
i
i
=
90
Metro Calidad 2007
Evaluacin de tipo B de la incertidumbre tpica
Para la estimacin x
i
de una magnitud de entrada X
i
que no ha sido
obtenida a partir de observaciones repetidas, la varianza estimada
asociada u
2
(x
i
) o la incertidumbre tpica u(x
i
) se establecen mediante
decisin cientfica basada en toda informacin disponible acerca de la
variabilidad posible de X
i
. El conjunto de la informacin puede
comprender:
Resultados de medidas anteriores;
La experiencia o el conocimiento general del comportamiento y
propiedades
de los materiales y los instrumentos utilizados;
Las especificaciones del fabricante;
Los datos suministrados por certificados de calibracin u otros
certificados;
La incertidumbre asignada a valores de referencia procedentes de
ibros y manuales.
91
Metro Calidad 2007
Por conveniencia u
2
(x
i
) y u(x
i
) evaluadas de esta forma se
llaman varianza tipo B e incertidumbre tpica tipo B
respectivamente.
Una evaluacin de tipo B de la incertidumbre tpica puede ser
tan fiable como una evaluacin de tipo A, principalmente en
una situacin de medida en la que una valuacin de tipo A se
basa en un nmero relativamente pequeo de observaciones
estadsticamente independientes.
92
Metro Calidad 2007
Si la estimacin x
i,
, se obtiene a partir de una especificacin del fabricante, de
un certificado de calibracin, de una publicacin o de otra fuente, y su
incertidumbre viene dada como un mltiplo especfico de una desviacin tpica,
La incertidumbre tpica u(x
i
) es simplemente igual al cociente entre el valor
indicado y el factor multiplicador, y la varianza estimada u
2
(x
i
) es igual a l
cuadrado de dicho cociente.
Ejemplo:
Un certificado de calibracin indica que la masa m
s
de un patrn de masa de acero
inoxidable de valor nominal igual a un kilogramo es de 1 000,000 325 g y que la
incertidumbre de este valor es 240 g para un nivel 3 de confiabilidad (3 desviaciones
tpicas).
Que mtodo de evaluacin se debe utilizar? ________________
Determine la incertidumbre estndar del patrn de masa
u(m
s
) =
93
Metro Calidad 2007
La incertidumbre de x
i
no siempre viene expresada como un mltiplo de una
desviacin tpica, como en el ejercicio anterior. La incertidumbre dada puede
definir un intervalo correspondiente a un nivel de confianza del 90, 95 o 99
por ciento. Salvo indicacin en contra, puede suponerse que se ha utilizado
una distribucin normal para calcular la incertidumbre, obteniendo la
incertidumbre tpica de x
i
mediante simple divisin del valor dado de
incertidumbre por el factor apropiado de la distribucin normal. Los factores
correspondientes a los tres niveles de confianza son: 1,64 ; 1,96 y 2,58
respectivamente.
Ejemplo:
Un certificado de calibracin indica que el valor R
s
de una resistencia patrn de valor
nominal 10 ohms es 10,000 742 + 129 m a 23 oC y que la incertidumbre indicada de
129 m define un intervalo con nivel de confianza del 99%
Determine la incertidumbre tpica del valor de la resistencia
u(Rs) =
94
Metro Calidad 2007
Considere los siguientes casos y la forma de asignarle su incertidumbre
estndar.
Caso 1
Consideremos un evento en el que, con base en las informaciones
disponibles, puede afirmarse que existe una posibilidad sobre dos, de
que el valor de la magnitud de entrada X
i
est situado dentro del intervalo
comprendido entre a
-
y a
+
, (en otras palabras la probabilidad de que X
i
est situada en este intervalo es de 0,5 o de un 50 por ciento). Si puede
suponerse que los posibles valores de X
i
se distribuyen aproximadamente
segn una distribucin normal, entonces la mejor estimacin x
i
de X
i
puede tomarse en el centro del intervalo.
Adems, si el semirrango del intervalo es a = (a
+
- a
-
)/2, puede tomarse
u(x
i
) =1,48a, ya que, para una distribucin normal de esperanza
matemtica y desviacin tpica , el intervalo: + /(1,48) cubre
aproximadamente el 50 por ciento de la distribucin.
95
Metro Calidad 2007
Ejemplo:
Un mecnico que determina las dimensiones de una pieza estima que su longitud se
sita, con una probabilidad de 0,5, en el intervalo comprendido entre 10,07 mm y
10,15 mm, y expresa la longitud en la forma l = (10,11 + 0,04) mm lo que significa
que 0,04mm define un intervalo que posee un nivel de confianza del 50 %. a es
entonces igual a 0,04 mm. Suponiendo una distribucin normal para los valores
posibles de l, ; la incertidumbre tpica de la longitud es u (l) = 1,48 (0,04 mm) 0,06
mm y la varianza u
2
(l) = 3,5 x 10
3
mm
2
.
Caso 2
Consideremos una situacin similar a la anterior pero en la que, segn la informacin
disponible, puede decirse que hay dos posibilidades sobre tres de que el valor X
i
se
encuentre en el intervalo comprendido entre a
-
y a
+
". ( en otras palabras, la
probabilidad de que X
i
est situada de este intervalo es del orden de 0,67). En este caso
puede suponerse razonablemente que u(xi) = a, puesto que para una distribucin
normal de esperanza matemtica y desvicin tpica , el intervalo + cubre
aproximadamente el 68,3 % de la distribucin.
Nota: El cuantil normal, correspondiente a la probabilidad 2/3 0 = 0,67, es 0,96742 con lo que se tiene: u(x
i
) =
a/0,96742 = 1,033a
96
Metro Calidad 2007
Caso 3
En otras situaciones nicamente pueden estimarse lmites (superior e inferior) para X
i
, En
particular para poder decir que la probabilidad de que el valor de X
i
est situado en el
intervalo comprendido entre a
-
y a
+
a todos los efectos prcticos es igual a 1, e igual a cero
fuera de este intervalo. Si no se posee ningn conocimiento especfico sobre los valores
posibles de X
i
en el interior del intervalo, puede suponerse que X
i
se sita de forma
equiprobable en cualquier punto del mismo, (distribucin uniforme o rectangular de los
valores posibles). Entonces x
i
, esperanza matemtica de X
i
es el centro del intervalo x
i
=
(a
-
+ a
+
)/2 con varianza asociada de:
Puesto que (a
+
- a
-
) es igual a 2a (vase la figura siguiente).
( )
u x
a a
a
a
i
2
2
2
2
12
2
12 3
( )
( )
=

= =
+
Ec. 6
97
Metro Calidad 2007
y en consecuencia:
3
a
u =
a a

x
a
a
-
a
+
3
a
x

3
a
x
+
Ec. 7
98
Metro Calidad 2007
Ejemplo:
Un manual de frmulas suministra el coeficiente de dilatacin trmica del
cobre puro a 20 C como
20
(Cu) = 16,52 x 10
-6 o
C
-1
y simplemente establece
que el error de este valor no es mayor de 0,40 x 10
-6 o
C
-1
.
Que tipo de distribucin debemos asumir?
Determine la incertidumbre estndar para este coeficiente de expansin
trmica.
u (a
20c
) =
o
C-1 = 0,23 x 10
-6
3
10 40 , 0
6

99
Metro Calidad 2007
Caso 4
Cuando la informacin es menos limitada y se puede establecer que la mayora de los valores
tienen probabilidad mxima de aparecer cerca del centro del intervalo de la distribucin, uno
puede asumir una distribucin triangular.
La varianza y la desviacin estndar de esta distribucin se calcula por.
a
-

x
+a/6
2
2
6
a
u =
y
6
a
=
a
+
a
a

x
- a/6
1/a
Ec 8
100
Metro Calidad 2007
En el caso mas general se puede asumir una distribucin simtrica trapezoidal con las pendientes de
sus lados iguales (trapezoide issceles). El ancho de la base a
+
- a
-
= 2a el ancho de la cima 2a,
donde varia entre 0 y 1. Teniendo como casos especiales para =1 la distribucin
rectangular y para =0 la distribucin triangular
Entonces el valor esperado de X
i
es el punto medio del intervalo y x
i
= (a
-
+ a
+
)/2 y con varianza asociada
de:
2 2 2
( ) (1 ) 6
i
u x a =
EC. 7
a+ a-
2a
2a
1/a(+1)
Ec. 9
101
Metro Calidad 2007
Cuando un indicador digital presenta oscilacin en su ltimo dgito la
incertidumbre estndar asociada debe ser igual a la mitad de la amplitud de la
oscilacin multiplicada por la raiz de tres. As suponiendo una diferencia x entre
las indicaciones su incertidumbre tpica se calcula como .
La histresis tambin genera incertidumbre en los resultados es buena prctica
metrolgica aproximarse a la lectura siempre en el mismo sentido para minimizar
o eliminar este efecto. Esta condicin no siempre se puede garantizar
principalmente en presencia de vibraciones.
3 2
x
102
Metro Calidad 2007
Proponga para cada uno de los casos anteriores un ejemplo de estimacin de la
incertidumbre de una variable indicando el tipo de distribucin asumida, el rango de
variacin y el valor de la incertidumbre de acuerdo con el tipo de distribucin propuesta.
Ejercicio
EN NUESTRO EJEMPLO DEL CILINDRO.
Por cual mtodo se evaluaran las incertidumbres asignadas a las fuentes de variacin
identificadas previamente, cul sera la distribucin de probabilidad asignada y cunto el
valor de la incertidumbre asociada a cada fuente de variacin?
Valor de la incertidumbre
Ux
Distribucin de
probabilidad
Tipo Fuente de variacin x
Nota: El certificado del Pie de rey utilizado reporta una incertidumbre de calibracin = 14 m
103
Metro Calidad 2007
EVALUACION DE LA INCERTIDUMBRE TIPICA COMBINADA
Magnitudes de entrada no correlacionadas
Este apartado trata el caso en que todas las magnitudes de entrada son
independientes.
La incertidumbre tpica de y , siendo y la estimacin del mensurando Y; es decir,
el resultado de medida, se obtiene componiendo apropiadamente las
incertidumbres tpicas de las estimaciones de entrada x
1
, x
2
, x
3
,...x
n
. Esta
incertidumbre tpica combinada de la estimacin y se nota como
( )
c
u y
1. La incertidumbre tpica combinada es la raz cuadrada positiva de la
varianza combinada u
c
2
(y) , dada por:
( )
c
u y
u y
f
x
u x
c
i
i
N
i
2
2
1
2
( ) ( ) =
|
\

|
.
|
=

EC. 10-A
104
Metro Calidad 2007
donde f es la funcin dada en la ecuacin 1. Los trminos u(x
i
) corresponden a
las incertidumbres tpicas evaluadas mediante los mtodos A o B, descritos en la
seccin anterior. La incertidumbre tpica combinada u
c
(y), es una desviacin
tpica estimada y caracteriza la dispersin de los valores que podran ser
razonablemente atribuidos al mensurando Y.
La ecuacin 10-A basada en un desarrollo en serie de Taylor de primer orden de
Y = f(X
1
, X
2
, X
3
,...X
n
), expresa lo que se denomina ley de propagacin de la
incertidumbre.
En caso de que el carcter no lineal de f tenga gran significacin, ser necesario
adicionar trminos de orden superior a la expresin para la incertidumbre dada
en la ecuacin 10-A. Con lo que se tiene:
2
2
2 3
2 2 2 2
2
1 1 1
1
( ) ( ) ( ) ( )
2
N N N
c i i j
i i j
i i j i i j
f f f f
u y u x u x u x
x x x x x x


= = =
(
| |
| |
(
= + +
|
|
|
(
\ .
\ .


EC. 10-B
105
Metro Calidad 2007
) ( ) ( ) (
2
1
2
1
2
2
y u x u c y u
i
N
i
i
N
i
i c
= =
=
EC. 11.A
Donde c
i

f
x
i
y, u
i
(y) |c
i
|u(x
i
) Ec. 11.B
Las derivadas parciales , se llaman coeficientes de sensibilidad c
i
y
describen como varia la estimacin de salida y, en funcin de las variaciones
en los valores de las estimaciones de entrada x
1
, x
2
, x
3
,...x
n
, con lo anterior,
la ley de propagacin de la incertidumbre en primer orden de serie de Taylor
se puede escribir como:
i
f x
106
Metro Calidad 2007
Si la ecuacin 1 para el mensurando Y se desarrolla en serie
alrededor de los valores nominales X
i,o
de las magnitudes de
entrada X
i
entonces en el primer orden (que es habitualmente
una aproximacin suficiente)
Y = Y
0
+ c
1

1
+ c
2

2
+ c
3

3
+...... c
N

N
,
donde Y
o
= f (X
1,0
, X
2,0
, X
3,0
,...X
N,0
),
y c
i
= calculados en X
i
=X
i,o
y i = X
i
-X
i,0
.
En consecuencia, para las necesidades de un anlisis de
incertidumbre habitualmente se obtiene una aproximacin del
mensurando mediante una funcin lineal de sus variables,
transformando las cantidades de entrada X
i
en
i
i
f x
107
Metro Calidad 2007
Los coeficientes de sensibilidad c
i
= pueden determinarse en forma
experimental midiendo la variacin de Y producida por una variacin de una
X
i
dada, manteniendo constantes las otras magnitudes de entrada.
Ejercicios
1. Encuentre la expresin para la incertidumbre combinada de la potencia
disipada por la resistencia del ejemplo de la diapositiva 86.
i
f x
108
Metro Calidad 2007
2. Las especificaciones de un fabricante de voltmetros digitales establece que
entre 1 y 2 aos despus de la calibracin del instrumento, su exactitud
en el rango de 1 V es 14 x 10
-6
veces la lectura mas 2 x 10
-6
veces el
rango. Supongamos que el instrumento se utiliza 20 meses despus de la
calibracin para medir una diferencia de potencial V dentro del rango de 1
V, y que se obtiene como media aritmtica de un nmero de observaciones
repetidas e independientes el valor V = 0,928 571 con una incertidumbre
tpica de tipo A, u(V), igual a 12 V. La evaluacin de tipo B de la
incertidumbre tpica se deduce de las especificaciones del fabricante si se
supone que la exactitud indicada representa los lmites simtricos de una
correccin aditiva a V, V, de esperanza matemtica igual a cero y
pudiendo situarse con igual probabilidad entre dichos lmites.
109
Metro Calidad 2007
Ejercicio: Calcular las expresiones y los valores numricos de los
coeficientes de sensibilidad, para nuestro ejemplo del volumen del cilindro.
El semirrango a de la distribucin rectangular simtrica de los valores posibles de
V es entonces a = (14 x 10
-6
) x (0,928 571V) + (2 x 10
-6
) x (1V) = 15 V y,
u
2
(V) = 75 V
2
, y u(V) = 8,7 V .
La estimacin del mensurando V es V = V + V, con V = 0,928 571V,
u(V) = 12 V, la correccin aditiva V = 0 y u(V) = 8,7 V. Como V/V = 1
y V/(V) = 1, la varianza combinada asociada a V viene dada por
Y la incertidumbre tpica combinada es u
c
(V) = 15 V
( ) ( ) ( ) ( ) ( )
2 12
2 2
2 2 2
10 219 7 , 8 12 V V V V u V u V u
c

= + = + =
110
Metro Calidad 2007
MAGNITUDES DE ENTRADA CORRELACIONADAS
Si algunas de las variables de entrada X
i
estn correlacionadas apreciablemente esta
correlacin se debe tomar en cuenta. En este caso, la expresin apropiada para la varianza
combinada u
c
2
(y) asociada con el resultado de la medida est dada por:
Donde x
i
y x
j
son las estimaciones de X
i
y X
j
y u(x
i
, x
j
) = u(x
i
)u(x
j
)r(x
i,
x
j
) es la covarianza
estimada asociada a x
i
y x
j
.
r(x
i,
x
j
) = r(x
j,
x
i
) se llama coeficiente de correlacin muestral, toma valores entre 1 y +1, y
est caracterizado por la siguiente expresin.
EC. 12
) ( ) (
) , (
) , (
j i
j i
j i
x u x u
x x u
x x r =
EC. 13
( ) ( ) ( )


= + = =

+
(

=
1
1 1
2
2
1
2
, 2
N
i
N
i j
j i
j i
i
N
i
i
c
x x u
x
f
x
f
x u
x
f
y u
111
Metro Calidad 2007
Para conjunto de datos por parejas, la estadstica define el coeficiente de
correlacin muestral de la siguiente manera:
( )( )
( ) ( )

= =
=


=
N
i
N
i
i i
i
N
i
i
y y x x
y y x x
r
1 1
2 2
1
Cuando r > 0 decimos que las parejas de datos muestrales estn
correlacionadas positivamente, y cuando r< 0 decimos que estn
correlacionadas negativamente.
Si r = 1, significa que a valores grandes de x corresponden valores grandes de
y, en caso contrario, cuando r = -1, significa que en las parejas se tiene
correspondencia de valores grandes de x con valores pequeos de y
112
Metro Calidad 2007
Despejando ando u(x
i
, x
j
) de la ecuacin 13 y reemplazando en 12 se obtiene:
En el caso muy especial en que todas las estimaciones de entrada estn correlacionadas,
con coeficientes de correlacin r(x
i
, x
j
) = +1, la ecuacin anterior se reduce a:
Entonces, la incertidumbre tpica combinada u
c
2
(y) es simplemente un suma lineal de
trminos que representan las variaciones de la magnitud de salida, generados por
variaciones de cada estimacin de entrada x
i
iguales a su incertidumbre tpica u(x
i
)
EC. 14
EC. 15
( ) ( ) ( ) ( ) ( )


= + = =

+
(

=
1
1 1
2
2
1
2
, 2
N
i
N
i j
j i j i
j i
i
N
i
i
c
x x r x u x u
x
f
x
f
x u
x
f
y u
( ) ( ) ( )
2
1
2
1
2
(

=
(

=

= =
N
i
i i
N
i
i
i
c
x u c x u
x
f
y u
113
Metro Calidad 2007
En nuestro ejemplo del cilindro el coeficiente de correlacin se puede expresar:
( )( )
( ) ( )

= =
=


=
N
i
N
i
i i
i
N
i
i
H H D D
H H D D
r
1 1
2 2
1
114
Metro Calidad 2007
Incertidumbre Expandida: Magnitud que define
un intervalo entorno al resultado de una medicin,
y en el que se espera encontrar una fraccin
importante de la distribucin de valores que podran
ser atribuidos razonablemente al mensurando.
Nivel de confianza: El valor (1) de la
probabilidad asociada con un intervalo de confianza
o un intervalo de cubrimiento estadstico.
Nota: (1) es frecuentemente expresado como
porcentaje.
Intervalo de cubrimiento estadstico: Un
intervalo para el cual puede ser establecido con un
nivel de confianza dado, que contiene al menos una
proporcin especificada de la poblacin.
DETERMINANDO LA INCERTIDUMBRE EXPANDIDA
Figura (Donde n es el nmero de
grados de libertad)
115
Metro Calidad 2007
La incertidumbre expandida U se obtiene al multiplicar la incertidumbre estndar combinada
u
c
(y) por un factor de cobertura k:
U = k u
c
(y) EC. 17
Luego de esto el resultado de la medida puede ser convenientemente expresado como Y =
y + U, que significa que el mejor estimado del valor atribuible al mensurando Y es y, y que
el intervalo que va desde y-U hasta y+U corresponde al intervalo que se espera contenga
un gran porcentaje de la distribucin de valores que razonablemente pueden ser atribuidos
a Y. Tal intervalo se puede expresar como: (y-U) Y (y+U)
Grados de Libertad: En general, el nmero de trminos en una suma, menos el nmero
de restricciones de los trminos de la suma.
La distribucin t; Distribucin de t-student: es la distribucin de probabilidad de una
variable aleatoria continua t cuya funcin densidad de probabilidad tiende a la distribucin
normal cuando n es muy grande.
116
Metro Calidad 2007
Factor de cobertura: Factor numrico utilizado como un multiplicador de la
incertidumbre estndar combinada a fin de obtener una incertidumbre expandida.
El Valor del factor de cobertura k, se escoge sobre la base del nivel de confianza
requerido del intervalo y-U a y+U. En general k debe estar en el rango de 2 a 3
para un 95 y 99 por ciento de nivel de confianza respectivamente. En metrologa se
acostumbra reportar las incertidumbres con un nivel de confianza de 95 %.
Nota: De ser necesario se puede calcular el factor de cubrimiento como funcin del
nivel de confianza requerido para que se cumpla: U = ku
c
(y). Para ello se debe
calcular el nmero de grados de libertad efectivos que est dado por la formula de
Welch Satterthwaite.

=
=
N
i
i
i i
c
effec
x u c
y u
1
4 4
4
) (
) (

EC. 18 Donde
i
son los
grados de libertad de la
incertidumbre estndar u
i
.
Escogiendo un factor de cobertura
117
Metro Calidad 2007
Escogiendo un factor de cobertura
Para las incertidumbres evaluadas por mtodo tipo A usualmente el nmero
de grados de libertad se calcula como el nmero de observaciones
independientes menos uno, as:
= n-1
Para una evaluacin de incertidumbre por mtodo tipo B el grado de libertad
esta dado por.
n =
Una vez calculado este nmero se obtiene el factor k(
eff
) para el nivel de
confianza requerido, buscando en la tabla del anexo A. Si
eff
es un nmero
que no aparece en la tabla este se puede calcular por interpolacin lineal de
ella o truncando el valor al menor entero ms cercano.
118
Metro Calidad 2007
EJERCICIO: Para nuestro ejemplo del cilindro diligenciemos la siguiente tabla:
119
Metro Calidad 2007
Cuando se reporta el resultado de una medida y cuando la medida de la
incertidumbre es la incertidumbre estndar combinada u
c
(y) uno debe
como mnimo especificar:
a. Una descripcin completa de cmo se defini el mensurando Y .
b. El estimado y del mensurando Y y su incertidumbre estndar combinada
u
c
(y); las unidades de y y u
c
(y) siempre se deben dar.
Adems es til indicar
a. La incertidumbre estndar relativa u
c
(y)/|y| para|y| 0.
b. El nmero de grados de libertad efectivos
eff
c. La incertidumbre tpica combinada u
cA
(y) y la del tipo B u
cB
(y) as como
sus grados de libertad efectivos
eff-A
y
eff-B
A fin de prevenir malos entendidos es preferible con mxima claridad
expresar el valor numrico del resultado de la medida como en el
siguiente ejemplo
REPORTANDO LA INCERTIDUMBRE
120
Metro Calidad 2007
Ejemplo:
m
s
= (100,021 47 + 0,000 79 ) g , donde el nmero siguiente al smbolo + es el valor
numrico de una incertidumbre expandida U = k u
c
, con U determinada a partir de una
incertidumbre estndar combinada u
c
=0,35 mg y un factor de cubrimiento k= 2,26 basado
en la distribucin de t -student para n = 9 grados de libertad y define un intervalo que se
estima posee un nivel de confianza del 95 por ciento
EJERCICIO: Para nuestro ejemplo haga un reporte completa del resultado de la medicin
del volumen del cilindro.
121
ANEXO A: VALORES DE t
p
(n) PARA LA DISTRIBUCION t
122
Metro Calidad 2007
METODOS Y RECOMENDACIONES PARA UN CLCULO DE INCERTIDUMBRE:
La persona a quien se asigna la tarea de determinar una incertidumbre debe ser experta
conocedora del proceso de medicin que se est analizando.
La medicin debe estar claramente definida y deben especificarse las condiciones o
limitaciones:
La magnitud por medir debe definirse cuidadosamente en palabras. Un enunciado de
medicin.
Debe describirse detalladamente los equipos, los patrones y el mtodo tcnica utilizados
para la medicin.
Se debe escribir la relacin funcional o ecuacin de medicin. Para ello la magnitud por
medir Y se define en trminos de variables de entrada asociadas con la medicin,
Y = f(X
1
, X
2
,....., X
n
) donde f contiene todas las cantidades, incluyendo las correcciones y
factores de correccin que pueden contribuir con una componente significativa a la
incertidumbre de la medicin. Esta relacin funcional puede ser fcil de determinar,
como en el caso de una medicin directa, pero puede ser ms difcil cuando la medicin se
deriva de los valores medidos de muchas otras variables.
123
Metro Calidad 2007
Revise el proceso de medicin para determinar los valores x
i
de las variables de
entrada X
i
.
Registre estos valores y calcule el resultado de la medicin o mejor estimado de la
magnitud por medir, y = f(x1, x2,....., x n). En este paso enumere algunas fuentes de
incertidumbre que se pueden contribuir a la incertidumbre de la medida. Por ejemplo:
Variabilidad aleatoria del proceso de medicin.Incertidumbres de los patrones e
instrumentos calibrados.Factores ambientales, tales como variaciones en temperatura,
humedad relativa, presin atmosfrica, gravedad, fluctuaciones la potencia elctrica,
vibracin, interferencias electromagnticas, etc.Inestabilidad en el tiempo de los
patrones o los aparatos.Incapacidad de materializar el modelo fsico por limitaciones en
los instrumentos.Prcticas de laboratorio, incluyendo tcnicas de manejo, purezas,
limpieza, etc.
Una vez se han identificado las fuentes de incertidumbre, deben evaluarse los valores
de sus contribuciones por mtodos tipo A o tipo B, segn el caso.
Determine la incertidumbre estndar combinada y la incertidumbre expandida, con el
nivel de confianza convenido