TECNOLOGA QUMICA Vol. XXVIII, No.

3, 2008
56
DETERMINACIN DE LA INCERTIDUMBRE DE
MEDICIN POR EL MTODO DE MONTE CARLO EN LOS
PROCESOS DE MANUFACTURA
Yoel Portuondo Paisan, J uan Portuondo Moret
Facultad de Ingeniera Mecnica, Universidad de Oriente
El conocimiento y la expresin de la incertidumbre de medicin constituyen una parte indisoluble
de los resultados de las mediciones, as como un elemento indispensable de la trazabilidad de las
mediciones y en el control y regulacin de los procesos de manufactura.
En el presente trabajo se lleva a cabo la determinacin de la incertidumbre de medicin a travs
del mtodo de simulacin de Monte Carlo, a partir de la generacin de valores aleatorios, con el
objetivo de comparar los resultados con los obtenidos por el mtodo GUM (gua para la estimacin
de la incertidumbre de medicin). Como magnitud a medir, se utiliza el dimetro exterior de un eje
macizo, el cual fue obtenido por un proceso de manufactura (torneado), y como medio de medicin
se emplea un micrmetro analgico. Los resultados obtenidos por ambos mtodos se comparan
entre s, llegndose de esta forma a importantes conclusiones.
Palabras clave: incertidumbre de medicin, simulacin Monte Carlo.
The knowledge and the expression of the measurement uncertainty constitute an indissoluble part
of the measurement results, as well as an indispensable element of the Traceability of the
measurements and in the control and regulation of the manufacturing processes.
The determination of the measurement uncertainty through the method of simulation of Monte Carlo
is carried out, from the generation of random values, with the objective of comparing the results
with those obtained by the method GUM (Guide to the Expression of Uncertainty in Measurement).
As magnitude to be measured is used the external diameter of a solid cylinder, which was obtained
by the manufacturing process (lathed), and a analogical micrometer is used as measuring
instrument. The results obtained by both methods are compared each other and important
conclusions are obtained.
Keywords: Measurement uncertainty. Simulation Monte Carlo.
_____________________
Introduccin
La incertidumbre de medicin se define como un
parmetro asociado con el resultado de una medi-
cin que caracteriza la dispersin de los valores que
pudieran ser atribuidos razonablemente al mesurando
/1/. La misma es considerada tambin como un
parmetro de entrada fundamental para modelos
complejos de optimizacin en los procesos de fabri-
cacin y aseguramiento de la calidad.
Para la evaluacin de la incertidumbre de medi-
cin existen guas, normas y recomendaciones. En
siguiente trabajo persigue como objetivos determinar
la incertidumbre de medicin por los mtodos de
simulacin de Monte Carlo y por el GUM, y compa-
rar los resultados obtenidos por ambos mtodos.
Gracias a la constante evolucin de las
microcomputadoras, en lo que se refiere a su capa-
cidad de procesamiento de la informacin, el mtodo
de Monte Carlo es cada vez ms utilizado.
Los orgenes de esta tcnica estn ligados al
trabajo desarrollado por Stan Ulam y J ohn Von
Neumann a finales de los 40, en el laboratorio de Los
Alamos, cuando investigaban el movimiento aleato-
rio de los neutrones. En aos posteriores, la simula-
cin de Monte Carlo se ha venido aplicando a una
infinidad de mbitos como alternativa a los modelos
matemticos exactos o, adems, como nico medio
de estimar soluciones para problemas complejos.
As, en la actualidad, es posible encontrar modelos
que hacen uso de simulacin Monte Carlo en las
reas informtica, empresarial, econmica, indus-
trial e incluso social. En otras palabras, la simulacin
de Monte Carlo est presente en todos aquellos
mbitos en los que el comportamiento aleatorio o
probabilstico desempea un papel fundamental.
Precisamente, el nombre de Monte Carlo provie-
TECNOLOGA QUMICA Vol. XXVIII, No. 3, 2008
57
ne de la famosa ciudad de Mnaco, donde abun-
dan los casinos de juego y donde el azar, la
probabilidad y el comportamiento aleatorio con-
forman todo un estilo de vida.
Fundamentacin terica
La simulacin de Monte Carlo es una herramien-
ta de investigacin y planeamiento; bsicamente es
una tcnica de muestreo artificial, empleada para
operar numricamente sistemas complejos que ten-
gan componentes aleatorios, en otras palabras, es
una tcnica que combina conceptos estadsticos
(muestreo aleatorio) con la capacidad que tienen los
ordenadores para generar nmeros pseudo-aleatorios
y automatizar clculos.
Un elemento importante en los procesos de
simulacin es identificar las distribuciones de
probabilidad apropiadas para los datos. Esto, nor-
malmente, requiere analizar informacin emprica
o histrica, y ajustarla a alguna distribucin.
El mtodo de Monte Carlo (MCM) es un
mtodo probabilistico o estocstico, mientras que
la GUM utiliza mtodos determinsticos de esta-
dstica clsica (frecuentista) para la evaluacin
de de incertidumbre tipo A, y lleva a cabo la
evaluacin de incertidumbres tipo B y la combina-
cin de incertidumbres con el mtodo Bayesiano
de soluciones analticas.
La diferencia bsica consiste en que la esta-
dstica clsica (frecuentista) utiliza solamente la
informacin provista por la muestra, mientras que
l a estad sti ca Bayesi ana permi te uti l i zar
adicionalmente el conocimiento subjetivo que se
tenga (como aproximaciones con series de Taylor
o suponer distribuciones), y el mtodo estocstico
se entiende como una secuencia de estados, cuya
evaluacin viene determinada por sucesos al azar,
donde las leyes de causa efecto no explican cmo
acta un sistema o fenmeno de manera
determinista, sino en funcin de probabilidades.
El MCM es una alternativa prctica a la GUM
cuando:
a) La linealizacin del modelo (del mensurando)
provee una inadecuada representacin. En este
caso, la estimacin de la magnitud de salida
(mensurando) y su incertidumbre estndar aso-
ciada provista por la GUM, podra no ser confiable.
b) La funcin de densidad de probabilidad (PDF)
para la magnitud de salida (mensurando) se
aparta, apreciablemente, de una distribucin
gaussiana o de una distribucin-t escalada y
sesgada, debida a una marcada asimetra. En
este caso, el resultado es un intervalo de cober-
tura irreal (una generalizacin de incertidum-
bre expandida en la GUM).
c) Es necesario validar los resultados del mtodo
GUM, proceso crtico, como los de acredita-
cin ISO/IEC 17025, ensayos de aptitud y
comparaciones entre laboratorios.
Mtodos utilizados y condiciones
experimentales
Para llevar a cabo la experimentacin, se
fabric un cilindro macizo de bronce a travs del
torneado. El dimetro de dicho cilindro se midi
con un micrmetro con valor de divisin del tam-
bor 0,01 mm y error mximo permisible 4 m
(clase I). La medicin se realiz en un laboratorio
de mediciones a 20
0
C de temperatura. Para tener
en cuenta las imperfecciones del cilindro, se midi
el dimetro en cinco puntos diferentes del mismo,
distribuidos a lo largo de su eje, apreciando
divisin en el tambor (0,005 mm). Se desea deter-
minar el dimetro del cilindro, para comprobar si
el mismo cumple con una tolerancia de fabrica-
cin de 0,05 mm. En la tabla 2 se muestran los
valores de las mediciones obtenidas.
Los mtodos utilizados para la estimacin de la
incertidumbre son el mtodo GUM y el mtodo de
Monte Carlo, los cuales se describen a continuacin:
Determinacin de la incertidumbre de medi-
cin por el mtodo GUM (Gua para la estimacin
de la incertidumbre de medicin)
Para la aplicacin de la metodologa deben
aplicarse los siguientes pasos:
a) Establecer el modelo matemtico.
b) Identificar las fuentes de incertidumbre.
c) Evaluacin de las fuentes o componentes de
incertidumbre.
d) Determinacin de la incertidumbre combinada.
e) Determinacin de la incertidumbre expandida.
f) Determinacin del resultado de la medicin.
TECNOLOGA QUMICA Vol. XXVIII, No. 3, 2008
58
Tabla 1
TECNOLOGA QUMICA Vol. XXVIII, No. 3, 2008
59
a) Establecer el modelo matemtico
Representa la dependencia entre el mensurando
(Y) y el valor estimado de cada magnitud de
entrada (Xi) en el proceso de medicin
Y=F(X
1
, X
2
, X
3
) (1)
donde:
X
1
, u
1
X
2
, u
2
Y=f(x) y, u(y)
X
3
, u
3
b) Fuentes de incertidumbre
- Variacin de las observaciones repetidas
- Error del instrumento de medicin
- Error de apreciacin del observador
c) Evaluacin de las componentes de incertidumbre.
- Componente debida a la dispersin de las
observaciones (evaluacin tipo A).
u1 = (2)
- Componente debida al error del instrumento de
medicin (evaluacin tipo B).
Como medida del error del instrumento, se
toma su error mximo permisible y se plica una
distribucin rectangular:
u
2
= (3)
- Componente debida a la apreciacin del obser-
vador (evaluacin tipo B).
Durante la medicin, se apreci divisin del
tambor, es decir 0,005 mm, por lo que, debido
a la resolucin, existe otra componente de
incertidumbre:
u
3
= (4)
d) Determinacin de la incertidumbre combinada.
Aplicando la ley de propagacin cuadrtica de
incertidumbre a la ecuacin modelo se tiene
que:
(5)
e) Determinacin de la incertidumbre expandida.
U =K. ) (y u
c
(6)
K =2 factor de cobertura
f) Resultado de la medicin.
y = X U (7)
Determinacin de la incertidumbre de
medicin por el mtodo de Monte Carlo
La clave de la simulacin Monte Carlo consiste
en crear un modelo matemtico del sistema, proceso
o actividad que se quiere analizar, identificando
aquellas variables (inputs del modelo), cuyo compor-
tamiento aleatorio determina el comportamiento glo-
bal del sistema. Una vez identificados dichos inputs
o variables aleatorias, se lleva a cabo un experimen-
to consistente en: 1 generar con ayuda del ordenador
muestras aleatorias (valores concretos) para dichos
inputs, y 2 analizar el comportamiento del sistema
ante los valores generados. Tras repetir n veces este
experimento, se dispone de n observaciones sobre el
comportamiento del sistema, lo cual ser de utilidad
para entender el funcionamiento del mismo; obvia-
mente, el anlisis ser tanto ms preciso cuanto
mayor sea el nmero n de experimentos que se
lleven a cabo.
El algoritmo de simulacin Monte Carlo est
fundamentado en la generacin de nmeros
aleatorios por el mtodo de transformacin inver-
sa, el cual se basa sobre las distribuciones acumu-
ladas de frecuencias (tabla 1).
El algoritmo para seguir es el siguiente:
1. Determinar la/s variable/s aleatoria/s y sus
distribuciones acumuladas (F).
2. Generar un nmero aleatorio distribuido uni-
formemente entre (0 y 1).
3. Determinar el valor de la variable aleatoria
para el nmero aleatorio generado de acuerdo
con las clases que se tengan.
4. Calcular media, desviacin estndar.
5. Analizar resultados para distintos tamaos de
muestra.
n
S t.
3
m
E
12
d

=
=
n
i
i c
x u y u
1
2
) ( ) (
TECNOLOGA QUMICA Vol. XXVIII, No. 3, 2008
60
Tabla 2
Para el caso de estudio, la variable aleatoria es
el dimetro del eje x. Se conoce de informacin
emprica que los datos generados se ajustan a una
distribucin normal. Los datos fueron generados
con ayuda de la hoja de clculo de Microsoft
Excel, por lo que la frmula utilizada para la
distribucin normal fue:
fx=DISTR.NORM.INV(ALEATORIO(),,) (8)
Los parmetros , (media y desviacin
estndar) se conocen que tienen los siguientes
valores =10,042 mm s =0,002 55 mm. Estos
valores fueron obtenidos del resultado arrojado
por el mtodo GUM.
El modelo matemtico es similar al obtenido por
el mtodo GUM, las componentes de incertidumbre
tipo B, es decir u2 y u3 siguen una distribucin
rectangular, y fueron calculadas de igual forma que
por el mtodo GUM. La componente u
1
es debida a
la dispersin de las observaciones (tipo A), las
cuales son generadas y se distribuyen normalmente;
la expresin de clculo es la misma, pero se obtienen
valores diferentes debido a la antes mencionada
generacin de valores. La incertidumbre combina-
da y la expandida se hallan de igual forma que por
el mtodo GUM.
Tabla 3
Tabla 4
En la tabla 4 se muestran los resultados obte-
nidos por ambos mtodos. La componente de
incertidumbre debido a las observaciones repeti-
das u
1
es ligeramente menor por el mtodo de
Monte Carlos; en ambos casos, se utiliz una
muestra de tamao n =5.
TECNOLOGA QUMICA Vol. XXVIII, No. 3, 2008
61
Las componentes de incertidumbres u2 y u3
arrojaron el mismo valor para ambos mtodos,
debido a que se utilizaron las mismas expresiones
de clculos, y no se generaron valores aleatorios
para ambas componentes por el mtodo de Monte
Carlos. La incertidumbre de medicin U result
ser menor por el mtodo de Monte Carlos aunque
la diferencia entre ambos resultados no es signi-
ficativa. La incertidumbre result ser 8,4 veces
menor que la tolerancia permitida de fabricacin
de la pieza por el mtodo de Monte Carlo, y 5,6
veces menor por el mtodo GUM
Ya que la incertidumbre de medicin por am-
bos mtodos est comprendida entre T y 1/10
T (0,013 y 0,005), el resultado obtenido es satis-
factorio.
En la tabla 5 se muestran valores de incerti-
dumbres para diferentes tamaos de muestra n.
Dichas muestras se encuentran en la tabla 2; para
el caso n= 5, se tomaron las primeras cinco
observaciones, para n=10 las primeras 10, y as
sucesivamente. Se aprecia que los valores de
incertidumbres disminuyen a medida que aumen-
ta el nmero de muestra.
4 , 8
00590 , 0
050 , 0
= =

T
6 , 5
00898 , 0
050 , 0
= =
U
T
Tabla 5
Las figuras 1 y 2 representan los histogramas
de frecuencias para las muestras de tamao
n= 100 y n= 200. Debido a la forma de ambos
histogramas, se puede inferir que los valores se
distribuyen de acuerdo con una distribucin
normal.
Fig. 1 Histograma de frecuencia para
muestra de tamao n= 100.
Fig. 2 Histograma de frecuencia para
muestra de tamao n=2 00.
Conclusiones
1. Se ha expuesto la estimacin de incertidumbres
para el dimetro de una pieza cilndrica a la
temperatura de referencia de 20 C. Los valo-
res de incertidumbre obtenidos por ambos m-
todos son muy cercanos entre s.
2. La distribucin de probabilidad del mensurando,
TECNOLOGA QUMICA Vol. XXVIII, No. 3, 2008
62
as como sus principales parmetros estadsti-
cos, puede obtenerse fcilmente mediante la
aplicacin del mtodo de Monte Carlos.
3. Aunque los valores obtenidos por el mtodo de
Monte Carlos fueron ligeramente menores que
los obtenidos por el mtodo GUM, no se puede
afirmar que este mtodo es superior, pero
puede utilizarse para validar los resultados ob-
tenidos mediante la aplicacin de la GUM.
Bibliografia
1 Wolfgang, A., GUA PARA ESTIMAR LA INCER-
TIDUMBRE DE LA MEDICIN. El Marqus, Qro.,
Mxico, 2004, pgs. 1-27.
2 Coel l o, N., Wi sweh, L., Determi nati on and
Considerations for the Measurement Deviations in
Manufacturing Process, Ed. Otto von Guericke
University, preprint 4, Germany, 2001, pgs. 1-6.
3 NMX-CH-140-IMNC-2002 Gua para la Expresin
de la Incertidumbre de las Mediciones equivalente
a Guide to the Expression of Uncertainty in
Measurement, BIPM, IEC, IFCC, ISO, IUPAP,
IUPAC, OIML, Mexico, 1995, pgs.1-20.
4 NC OIML V2 , Vocabulario Internacional de tr-
minos generales y bsicos de Metrologa, 1era
Edicin, Ciudad de La Habana, 1995, pgs. 1-61.
5 Wisweh, L, Sandau, M., Determination of the
Measuring Uncertainty and its Use for Quality
Assessment and Quality Control, Ed. Otto von
Guericke University, preprint 7, Germany, 1999,
pgs. 1-13.
6 http://www.geocities.com/CollegePark/Quad/2435/
index.html Breve historia de los orgenes del mto-
do Monte Carlo.
7 http://wwwcsep1.phy.ornl.gov/mc/mc.html. Libro
electrnico sobre simulacin MC
8 http://www.geoci ti es.com/Wal l Street/9245/
vba.htm. Pgina web donde se muestran algunos
ejemplos de simulacin MC con Excel y VBA.
9 http://www.csun.edu/~vcmgt0j3/Ch12Notes.pdf.
Apuntes sobre simulacin MC con Excel
Nomenclatura
MCM Mtodo de Monte Carlo
GUM Gua para la estimacin de la incertidum
bre de medicin
PDF La funcin de densidad de probabilidad
DISTR.NORM.INV Distribucin normal inversa
DISTR.LOG.INV Distribucin logartmica inversa
a Parmetro de la distribucin
b Parmetro de la distribucin
X Media aritmtica
S Desviacin tpica
E
m
Error mximo permisible
m Micrmetro
n Nmero de mediciones
Resolucin
Desviacin tpica poblacional
U Incertidumbre de medicin
K Factor de cobertura
Incertidumbre combinada
X
i
Valores de los dimetros
T Tolerancia
U Incertidumbre
t t-student
u
1
Incertidumbre estndar tipo A
u
2
Incertidumbre estndar tipo B
u
3
Incertidumbre estndar tipo B
fx funcin
d
u