PDF

SEMINARIO DE INVESTIGACIN EN MTODOS PROBABILSTICOS
APLICADOS AL DISEO DE EXPERIMENTOS PARA INGENIEROS
JOHANA ANDREA ARIZA MORENO

LAIDY ESPERANZA HERNANDEZ MENA
NOHORA STELLA MAYORGA GARCA
NYDIA ANDREA RUEDA RAMIREZ
UNIVERSIDAD INDUSTRIAL DE SANTANDER

FACULTAD DE INGENIERIAS FISICO-MECANICAS
ESCUELA DE INGENIERIA MECANICA
BUCARAMANGA
2010
SEMINARIO DE INVESTIGACIN EN MTODOS PROBABILSTICOS

APLICADOS AL DISEO DE EXPERIMENTOS PARA INGENIEROS
JOHANA ANDREA ARIZA MORENO

LAIDY ESPERANZA HERNANDEZ MENA
Trabajo de grado para optar al titulo de
Ingeniero Mecnico
Director
Ing. CARLOS BORRS PINILLA
UNIVERSIDAD INDUSTRIAL DE SANTANDER

FACULTAD DE INGENIERIAS FISICO-MECANICAS
ESCUELA DE INGENIERIA MECANICA
BUCARAMANGA
2010
ENTREGA DE TRABAJOS DE GRADO, TRABAJOS DE INVESTIGACIN

O TESIS Y AUTORIZACIN DE SU USO A FAVOR DE LA UIS
Nosotros, Johana Andrea Ariza Moreno, Nydia Andrea Rueda Ramirez, Nohora Stella
Mayorga Garca y Laidy Esperanza Hernandez Mena, mayores de edad, vecinos de Bucaramanga, identicados con las Cdulas de Ciudadana No. 1096183040 de Barrancabermeja, No. 1098649548 de Bucaramanga, No. 63550071 de Malaga y No. 1096947269
de Malaga, respectivamente, actuando en nombre propio, en nuestra calidad de autor
del trabajo de grado denominada(o): SEMINARIO DE INVESTIGACIN EN MTODOS PROBABILSTICOS APLICADOS AL DISEO DE EXPERIMENTOS PARA INGENIEROS, hago entrega del ejemplar respectivo y de sus anexos de ser el caso, en
formato digital o electrnico (CD o DVD) y autorizo a LA UNIVERSIDAD INDUSTRIAL DE SANTANDER, para que en los trminos establecidos en la Ley 23 de 1982, Ley
44 de 1993, decisin Andina 351 de 1993, Decreto 460 de 1995 y dems normas generales sobre la materia, utilice y use en todas sus formas, los derechos patrimoniales de
reproduccin, comunicacin pblica, transformacin y distribucin (alquiler, prstamo
pblico e importacin) que me corresponden como creador de la obra objeto del presente documento. PARGRAFO: La presente autorizacin se hace extensiva no slo a las
facultades y derechos de uso sobre la obra en formato o soporte material, sino tambin
para formato virtual, electrnico, digital, ptico, uso en red, Internet, extranet, intranet,
etc., y en general para cualquier formato conocido o por conocer.
LOS AUTORES ESTUDIANTES, maniestan que la obra objeto de la presente autorizacin es original y la realiz sin violar o usurpar derechos de autor de terceros, por lo
tanto la obra es de su exclusiva autora y detenta la titularidad sobre la misma.
PARGRAFO: En caso de presentarse cualquier reclamacin o accin por parte de un
tercero en cuanto a los derechos de autor sobre la obra en cuestin, LOS AUTORES /
ESTUDIANTES, asumir toda la responsabilidad, y saldr en defensa de los derechos
aqu autorizados; para todos los efectos la Universidad acta como un tercero de buena
fe.
Para constancia se rma el presente documento en dos (02) ejemplares del mismo valor
y tenor, en Bucaramanga, a los 16 das del mes de noviembre de Dos Mil Diez 2010.
LOS AUTORES / ESTUDIANTES:
(Firmas)
Johana Andrea Ariza Moreno.
Nydia Andrea Rueda Ramirez.
Nohora Stella Mayorga Garca.
Laidy Esperanza Hernandez Mena.
ARTCULO 2 . Derogar el Acuerdo Acadmico No. 080 del 27 de abril de 1999.

COMUNQUESE Y CMPLASE,
Expedido en Bucaramanga, a los diecisis (16) das del mes de diciembre de 2003.
LA PRESIDENTA DEL CONSEJO ACADMICO,
LUCILA NIO BAUTISTA Vicerrectora Acadmica
LA SECRETARIA GENERAL, LILIA AMANDA PATIO DE CRUZ
AGRADECIMIENTOS
Las autoras expresan sus agradecimientos:

A Dios por darnos la fortaleza y sabidura para culminar exitosamente este proyecto.
Al Ing. Carlos Borrs Pinilla, director de este Seminario de Investigacin, quien nos brindo su
apoyo, conanza, amistad, conocimiento, experiencia, animo, calidad profesional y
especialmente humana para el desarrollo del proyecto.
A los docentes de la Escuela de Ingeniera Mecnica por su gran labor como guas en nuestra
formacin integral compartiendo sus conocimientos y experiencias.
A la Universidad Industrial de Santander por la oportunidad de recibir una educacin de la
ms alta calidad permitindonos crecer como personas.
DEDICATORIA
A Dios por estar siempre presente en mi vida, bendecir cada da de ella y darme la fortaleza
para alcanzar este logro.
A mis Padres por su paciencia, tolerancia y apoyo incondicional.
A mis hermanos y sobrina por estar siempre conmigo, especialmente cuando ms los necesite.
A mi novio Hernan David por comprenderme, apoyarme y animarme en momentos de
dicultad.
Dedico este sueo hecho realidad a todos aquellos que de una manera u otra colaboraron en
la realizacin de este proyecto, gracias por estar en los buenos momentos, pero especialmente
en los momentos de dicultad, son aquellos en los que estn las personas que realmente te
quieren y aprecian.
Nohora Stella.
A Dios por darme fortaleza y ayudarme a culminar esta meta con xito.
A mis Padres por su apoyo incondicional, especialmente a mi mam por estar siempre
brindndome su cario y compaa.
A Felipe y todas las personas que me acompaaron durante esta etapa de mi vida,
apoyndome, conando en m y dndome animo cuando ms lo necesite.
Nydia Andrea
8
A Dios por acompaarme en esta tan importante de mi vida.

A mis Padres por su paciencia, apoyo y comprensin.
A mis hermanos por su colaboracin, apoyo y ayuda para el logro de esta meta.
A mi novio Alejandro por estar siempre conmigo, apoyndome y brindndome toda su
colaboracin cuando la necesite.
Dedico este Triunfo a mi familia, amigos y compaeros que compartieron conmigo durante
todo este tiempo y estuvieron al pendiente de m.
Johana Andrea.
A Dios, por estar en mi vida siempre, y darme la fortaleza para luchar por mis sueos y metas.
A mis padres Doris y Herver por sus enseanzas, conanza y apoyo incondicional.
A mis hermanos y mi ta por su apoyo, compaa y cario.
A mi novio por estar a mi lado en los buenos y malos momentos.
Laidy.
CONTENIDO
INTRODUCCION
53
I SEMINARIO DE INVESTIGACIN
55
1. GENERALIDADES DEL SEMINARIO DE INVESTIGACIN

1.1 CONCEPTUALIZACIN DE SEMINARIO DE INVESTIGACIN
56
. . . . .
56
1.2 OBJETIVO DEL SEMINARIO DE INVESTIGACIN . . . . . . . . . . . .
56
1.3 VENTAJAS DEL SEMINARIO DE INVESTIGACIN . . . . . . . . . . . .
57
1.4 CARACTERSTICAS DEL SEMINARIO DE INVESTIGACIN . . . . . . .
58
1.5 ORGANIZACIN DEL SEMINARIO DE INVESTIGACIN . . . . . . . . .
59
1.6 TEMA DEL SEMINARIO DE INVESTIGACIN
60
. . . . . . . . . . . . . .
1.7 DIRECCIN DEL SEMINARIO DE INVESTIGACIN EN MTODOS

PROBABILISTICOS APLICADO AL DISEO DE EXPERIMENTOS PARA
INGENIEROS.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
60
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
61
1.9 RESULTADOS DEL SEMINARIO DE INVESTIGACIN . . . . . . . . . .
61
1.8 METODOLOGA
2. PLANEACIN
62
2.1 ESTUDIO Y SELECCIN DEL MATERIAL BIBLIOGRFICO . . . . . . .
63
2.1.1 Libros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
63
2.1.2 Normas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
68
2.1.3 Artculos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
68
2.1.4 Subtemas de Investigacin . . . . . . . . . . . . . . . . . . . . . .
69
10
2.2 DESCRIPCIN DE LOS SUBTEMAS
. . . . . . . . . . . . . . . . . . .
72
2.2.1 Desarrollo y Estudio de los Mtodos de Experimentacin . . . . . .
72
2.2.1 Estudio de calibracin
73
. . . . . . . . . . . . . . . . . . . . . . . .
2.2.3 Caractersticas dinmicas de seales con fundamentacin matemtica. 73

2.2.4 Probabilidad y estadstica aplicadas a la Ingeniera.
. . . . . . . .
74
2.2.5 Estudio y anlisis de diseo de experimentos. . . . . . . . . . . . .
75
2.2.6 Estudio de un sistema de Medicin. . . . . . . . . . . . . . . . . .
76
2.2.7 Estudio y desarrollo de mediciones de parmetros fsicos experimentales aplicando mtodos probabilsticos. . . . . . . . . . . . . . .
2.3 PLANEACIN DE LAS SESIONES.
. . . . . . . . . . . . . . . . . . . .
3. EJECUCIN
76
77
81
3.1 DOCUMENTACIN PARA LOS SUBTEMAS
. . . . . . . . . . . . . . .
81
3.2 DESARROLLO DE UNA SESIN . . . . . . . . . . . . . . . . . . . . . .
81
3.3 ACTA
83
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4. PRESENTACINES Y DOCUMENTOS.
85
4.1 PRESENTACIONES . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
85
4.1.1 Caractersticas . . . . . . . . . . . . . . . . . . . . . . . . . . . .
85
4.2 DOCUMENTO
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
86
4.3 TALLERES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
86
II DESARROLLO DEL SEMINARIO DE INVESTIGACIN

87
5. DESARROLLO Y ESTUDIO DEL MTODO CIENTFICO EN LA EXPERIMENTACIN
88
5.1 EL MTODO CIENTFICO . . . . . . . . . . . . . . . . . . . . . . . . .
88
5.1.1 Etapas del mtodo cientco . . . . . . . . . . . . . . . . . . . . .
89
5.2 LA EXPERIMENTACIN . . . . . . . . . . . . . . . . . . . . . . . . . .
92
5.3 EL MTODO CIENTFICO Y LA EXPERIMENTACIN . . . . . . . . . .
94
11
6. ESTUDIO DE CALIBRACIN
96
6.1 LA MEDICIN EN INGENIERA
. . . . . . . . . . . . . . . . . . . . . .
96
6.1.1 El Sistema General de Medicin. . . . . . . . . . . . . . . . . . . .
97
6.1.2 Error de medida y conceptos relacionados
. . . . . . . . . . . . .
98
Clasicacin de los Errores . . . . . . . . . . . . . . . . . . . . .
99
6.2 INSTRUMENTOS DE MEDICIN
. . . . . . . . . . . . . . . . . . . . . 102
6.2.1 Caractersticas De los Instrumentos de Medicin
. . . . . . . . . . 102
6.2.2 Clasicacin de los Instrumento . . . . . . . . . . . . . . . . . . . 104

6.2.3 Errores de los Instrumentos
. . . . . . . . . . . . . . . . . . . . . 105
6.2.4 Instrumento de Comprobacin.
. . . . . . . . . . . . . . . . . . . 109
6.3 PROCEDIMIENTO GENERAL DE CALIBRACIN . . . . . . . . . . . . . 110

6.3.1 Calibracin Esttica
6.3.2 Calibracin Dinmica
. . . . . . . . . . . . . . . . . . . . . . . . . 112
. . . . . . . . . . . . . . . . . . . . . . . . 113
6.3.3 Calibracin de Instrumentos de Presin
. . . . . . . . . . . . . . . 113
6.3.4 Calibracin de Instrumentos de Flujo. . . . . . . . . . . . . . . . . 115

6.4 CALIBRACIN SEGN NORMA NTC-ISO 9001:2000 Y 9002:2000 . . . . 118
6.4.1 Control del proceso.
. . . . . . . . . . . . . . . . . . . . . . . . . 120
6.4.2 Inspeccin y prueba.
. . . . . . . . . . . . . . . . . . . . . . . . 120
6.4.3 Control del equipo de inspeccin, medicin y prueba. . . . . . . . . 120

6.4.4 Estado de la inspeccin y prueba. . . . . . . . . . . . . . . . . . . 120
6.4.5 Norma Tcnica Colombiana NTC-ISO/IEC 17025 (Requisitos generales para la competencia de los laboratorios de ensayo y calibracin). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
6.4.6 Norma Tcnica Colombiana NTC-ISO 10012 (Sistemas de Gestin
de la Medicin Requisitos Para los Procesos de Medicin y Los
Equipos de Medicin)
. . . . . . . . . . . . . . . . . . . . . . . 122
6.4.7 Norma Tcnica Colombiana NTC-ISO 14001 (Sistemas de Gestin

Ambiental. Requisitos con orientacin para su uso).
. . . . . . . 122
6.5 CASO DE ESTUDIO: CALIBRACIN DE UN MANMETRO TUBO

BOURDON TIPO C. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
12
7. CARACTERSTICAS DINMICAS DE SEALES CON FUNDAMENTACIN

MATMTICA
126
7.1 MODELADO MATEMTICO DE SISTEMAS DE MEDICIN . . . . . . . 126

7.1.1 Sistemas Lineales y No Lineales . . . . . . . . . . . . . . . . . . . 127
7.1.1.1 Sistemas Lineales
. . . . . . . . . . . . . . . . . . . . . 127
7.1.1.2 Sistemas No Lineales
. . . . . . . . . . . . . . . . . . . 129
7.2 ANLISIS DE LA RESPUESTA TRANSITORIA ESTACIONARIA EN EL

DOMINIO DEL TIEMPO
. . . . . . . . . . . . . . . . . . . . . . . . . 132
7.2.1 Sistemas de Orden Cero . . . . . . . . . . . . . . . . . . . . . . . 133

7.2.2 Sistemas de Primer Orden . . . . . . . . . . . . . . . . . . . . . . 133
7.2.3 Sistemas De Segundo Orden . . . . . . . . . . . . . . . . . . . . . 136
Anlisis en el dominio de la frecuencia.
7.3 CRITERIO DE ESTABILIDAD
. . . . . . . . . . . . . . . . . . 143
. . . . . . . . . . . . . . . . . . . . . . . 143
7.3.1 Criterio de estabilidad de Routh-Hurwitz

7.3.2 Criterio de Estabilidad de Nyquist
. . . . . . . . . . . . . . 143
. . . . . . . . . . . . . . . . . 147
7.4 CASO DE ESTUDIO: ANLISIS DE LA RESPUESTA EN EL ESTADO

DE TIEMPO Y FRECUENCIA PARA UN SISTEMA MASA-RESORTEAMORTIGUADOR (ACELERMETRO)
. . . . . . . . . . . . . . . . . 149
5. DESARROLLO Y ESTUDIO DEL MTODO CIENTFICO EN LA EXPERIMENTACIN
154
8.1 INTRODUCCIN A LA ESTADSTICA

8.1.1 Historia y Evolucin
. . . . . . . . . . . . . . . . . . 154
. . . . . . . . . . . . . . . . . . . . . . . . . 154
8.1.2 Clasicacin de La Estadstica . . . . . . . . . . . . . . . . . . . . 157

8.1.2.1 Muestreo Estadstico . . . . . . . . . . . . . . . . . . . . 158
8.1.2.2Tipos de Datos
. . . . . . . . . . . . . . . . . . . . . . 159
8.2 MEDIDAS DE DISTRIBUCIN
. . . . . . . . . . . . . . . . . . . . . . 160
8.2.1 Medidas de posicin o tendencia central

8.2.1.1 Media
8.2.1.2Mediana
. . . . . . . . . . . . . . 160
. . . . . . . . . . . . . . . . . . . . . . . . . . . 161
. . . . . . . . . . . . . . . . . . . . . . . . . . 162
13
8.2.1.3 Moda:
. . . . . . . . . . . . . . . . . . . . . . . . . . . 162
8.2.1.4 Cuantiles:
. . . . . . . . . . . . . . . . . . . . . . . . . 163
8.2.2 Medidas de Dispersin . . . . . . . . . . . . . . . . . . . . . . . . 163

8.2.2.1 Desviacin Estndar:
8.2.2.2 Varianza Muestral:
. . . . . . . . . . . . . . . . . . . 164
. . . . . . . . . . . . . . . . . . . . 164
8.2.2.4 El Rango, amplitud o recorrido: . . . . . . . . . . . . . . 165

8.2.2.5 Coeciente de Variacin: . . . . . . . . . . . . . . . . . . 165
8.3 ESTADSTICA DESCRIPTIVA
. . . . . . . . . . . . . . . . . . . . . . . 166
8.3.1 Distribucin de Frecuencias
. . . . . . . . . . . . . . . . . . . . . 167
8.3.1.1 Frecuencia Absoluta fl :
. . . . . . . . . . . . . . . . . 167
8.3.1.2 Frecuencia Relativa f r :
. . . . . . . . . . . . . . . . . 167
8.3.1.3 Frecuencia Porcentual pi :
. . . . . . . . . . . . . . . . 168
8.3.1.4 Frecuencia Absoluta Acumulada f a:

8.3.1.5 La Frecuencia Relativa Acumulada
8.3.2 Series Estadsticas
fra :
. . . . . . . . . . 168
. . . . . . . . . . 168
. . . . . . . . . . . . . . . . . . . . . . . . . . 170
8.3.3 Representacin Grca de los Datos.
. . . . . . . . . . . . . . . . 171
8.3.3.1 Diagramas de Sectores Circulares: . . . . . . . . . . . . . 172

8.3.3.2 Diagrama de Rectngulos o de Barras:
8.3.3.3 Histograma
. . . . . . . . . . 173
. . . . . . . . . . . . . . . . . . . . . . . . 174
8.3.3.4 Diagramas de lneas:
. . . . . . . . . . . . . . . . . . . 176
8.3.3.5Diagrama de Dispersin:
8.3.3.6 Diagrama de Caja
. . . . . . . . . . . . . . . . . . 177
. . . . . . . . . . . . . . . . . . . . . 179
8.4 CONCEPTOS BSICOS DE LA PROBABILIDAD . . . . . . . . . . . . . 180

8.4.1 Experimentos Aleatorios
. . . . . . . . . . . . . . . . . . . . . . 182
8.4.1.1 Evento . . . . . . . . . . . . . . . . . . . . . . . . . . . 183

8.4.1.2 Diagrama de Venn . . . . . . . . . . . . . . . . . . . . . 184
8.4.1.3 Eventos Mutuamente Excluyentes . . . . . . . . . . . . . 184
8.4.2 Axiomas de Probabilidad
. . . . . . . . . . . . . . . . . . . . . . 185
8.4.3 Probabilidad Condicional e Independencia

14
. . . . . . . . . . . . . 186
8.4.4 Reglas de Probabilidad . . . . . . . . . . . . . . . . . . . . . . . . 187

8.4.4.1 Regla de multiplicacin
. . . . . . . . . . . . . . . . . . 187
8.4.5 Reglas de Probabilidad Total Y Regla de Bayes:
. . . . . . . . . . 187
8.5 ESTUDIO DE VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS

8.5.1 Variables aleatorias discretas
. 188
. . . . . . . . . . . . . . . . . . . . 189
8.5.1.1 Distribucin de probabilidad para una variable aleatoria

discreta. . . . . . . . . . . . . . . . . . . . . . . . . . 190
8.5.1.2 La funcin de distribucin acumulada. . . . . . . . . . . . 191
8.5.2 Caractersticas de las variables aleatorias discretas. . . . . . . . . . 192
8.5.2.1 Esperanza matemtica . . . . . . . . . . . . . . . . . . . 193
8.5.2.2 La varianza poblacional. . . . . . . . . . . . . . . . . . . 194
8.5.2.3 La desviacin estndar poblacional. . . . . . . . . . . . . 194
8.5.3 Principales distribuciones de variables aleatorias discretas.
8.5.3.1 Distribucin de Bernoulli.
. . . . . 194
. . . . . . . . . . . . . . . . . 195
8.5.3.2 Distribucin Binomial. . . . . . . . . . . . . . . . . . . . 196

8.5.3.3 Distribucin Binomial Negativa. . . . . . . . . . . . . . . 196
8.5.3.4 Distribucin Multinominal. . . . . . . . . . . . . . . . . . 197
8.5.3.5 Distribucin Geomtrica. . . . . . . . . . . . . . . . . . . 198
8.5.3.6 Distribucin Hipergeomtrica. . . . . . . . . . . . . . . . 199
8.5.3.7 Distribucin de Poisson. . . . . . . . . . . . . . . . . . . 200
8.6 DISTRIBUCIONES BIVARIADAS DE PROBABILIDAD
. . . . . . . . . . 203
8.6.1 Distribuciones bivariadas para variables aleatorias discretas . . . . . 203

8.6.1.1 Propiedades
. . . . . . . . . . . . . . . . . . . . . . . . 204
8.6.1.2 Distribuciones marginales de probabilidad . . . . . . . . . 205

8.6.1.3 Distribucin condicional de probabilidad
. . . . . . . . . 206
8.6.2 Distribuciones bivariadas de probabilidad para valores aleatorios

continuos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 206
8.6.2.1 Funcin de densidad marginal . . . . . . . . . . . . . . . 207
8.6.2.2 Funcin de densidad condicional . . . . . . . . . . . . . . 207
15
8.6.2.3 Valor esperanza de funciones de dos variables aleatorias

8.6.2.4 Independencia
. 207
. . . . . . . . . . . . . . . . . . . . . . . 208
8.6.3 La covarianza y correlacin de dos variables aleatorias

8.6.3.1 Distribucin normal bivariada
. . . . . . . 209
. . . . . . . . . . . . . . . 210
8.6.3.2 Relacin lineal de variables aleatorias
. . . . . . . . . . . 211
8.7 DISTRIBUCIONES MUESTRALES . . . . . . . . . . . . . . . . . . . . . 211

8.7.1 Distribucin t de estudiante
8.7.2 Distribucin CHI Cuadrado
. . . . . . . . . . . . . . . . . . . . 212
. . . . . . . . . . . . . . . . . . . . . 214
8.7.3 Distribucin F de Fisher . . . . . . . . . . . . . . . . . . . . . . . 216

8.7.4 Desviacin estndar de las medias
. . . . . . . . . . . . . . . . . 218
8.7.5 Muestras puestas en comn . . . . . . . . . . . . . . . . . . . . . 220

8.7.6 Distribuciones muestradas de medias y sumas . . . . . . . . . . . . 220
8.7.7 Aproximacin normal a la distribucin binomial . . . . . . . . . . . 222
8.7.8 Distribuciones muestreadas relacionadas con la distribucin normal
8.8 ESTADSTICA INFERENCIAL
222
. . . . . . . . . . . . . . . . . . . . . . . 223
8.8.1 Estimacin de parmetros . . . . . . . . . . . . . . . . . . . . . . 223

8.8.1.1 Estimacin Puntual
. . . . . . . . . . . . . . . . . . . . 223
8.8.1.2 Mtodos clsicos de estimacin
. . . . . . . . . . . . . . 226
8.8.1.3 Estimacin del intervalo de conanza de una sola muestra 227

8.8.2.1 Procedimiento general para la prueba de hiptesis
8.8.2 Tipo de pruebas de hiptesis
. . . . 233
. . . . . . . . . . . . . . . . . . . . 235
8.8.2.1 Prueba de hiptesis sobre la media y la varianza conocida 236

8.9 REGRESIN Y CORRELACIN DE EXPERIMENTOS
. . . . . . . . . . 237
8.9.1 Regresin lineal simple . . . . . . . . . . . . . . . . . . . . . . . . 241

8.9.1.1 Mtodo de mnimos cuadrados
8.9.2 Regresin Multiple
. . . . . . . . . . . . . . 242
. . . . . . . . . . . . . . . . . . . . . . . . . 255
8.9.2.1 Mtodo de de mnimos cuadrados para la estimacin de

parmetros en la regresin lineal mltiples
8.10 PROCESOS ESTADSTICOS DE CALIDAD Y CONTROL
16
. . . . . . . 256
. . . . . . . 259
8.10.1 Control del proceso estadstico
. . . . . . . . . . . . . . . . . . 259
8.10.1.1Diagrama de control . . . . . . . . . . . . . . . . . . . . 259

8.10.1.2 Diagramas de Control para Mediciones
. . . . . . . . . 261
8.10.2 Capacidad de un proceso . . . . . . . . . . . . . . . . . . . . . . 268

8.10.3 Tendencias del diagrama de control
. . . . . . . . . . . . . . . . 272
8.10.4 Diagramas de control para variables discretas

8.10.4.1
. . . . . . . . . . . 273
Diagrama p (Fraccin defectuosa o sin calidad

de conformidad).
. . . . . . . . . . . . . . . . . . 273
8.10.4.2 Diagrama c (para defectos)
. . . . . . . . . . . . . . . 277
8.10.4.3Diagrama u (defectos por unidad)
. . . . . . . . . . . . 280
8.10.5 Otros tipos de herramientas para el control estadstico

8.10.6 Calidad Six sigma
8.10.6.1 Historia
. . . . . . 284
. . . . . . . . . . . . . . . . . . . . . . . . . 286
. . . . . . . . . . . . . . . . . . . . . . . . . 286
8.10.6.2 La calidad
. . . . . . . . . . . . . . . . . . . . . . . . 287
8.10.6.3 Six Sigma
. . . . . . . . . . . . . . . . . . . . . . . . 288
8.10.6.4 Implementacin
. . . . . . . . . . . . . . . . . . . . . 289
8.11 INGENIERIA DE CONFIABILIDAD
. . . . . . . . . . . . . . . . . . . . 295
8.11.1 Conguracin de los equipos . . . . . . . . . . . . . . . . . . . . 298

8.11.1.1 Sistemas simples en serie . . . . . . . . . . . . . . . . . 298
8.11.1.2 Redundancia activa simple . . . . . . . . . . . . . . . . 298
8.11.1.3 Redundancia en espera . . . . . . . . . . . . . . . . . . 298
8.11.1.4 Prueba de duracin o vida til . . . . . . . . . . . . . . 299
8.12 PROCESOS ESTOCASTICOS
. . . . . . . . . . . . . . . . . . . . . . 300
8.13 ESTADSTICA NO PARAMETRICA
. . . . . . . . . . . . . . . . . . . 301
8.13.1 Prueba de signo . . . . . . . . . . . . . . . . . . . . . . . . . . . 301

8.13.1.1 Comparacin entre la prueba de signo y la prueba t.
. . 303
8.13.2 Prueba de Wilcoxon del rango con signo . . . . . . . . . . . . . . 303

8.13.2.1 Comparacin con la prueba t.
8.14.3 Prueba de Wilcoxon de la suma de rango
17
. . . . . . . . . . . . . . 304
. . . . . . . . . . . . . 304
9. ESTUDIO Y ANLISIS DEL DISEO DE EXPERIMENTOS

9.1 ETAPAS FUNDAMENTALES DE LA EXPERIMENTACIN
305
. . . . . . . 306
9.1.1 Conocimiento del material experimental . . . . . . . . . . . . . . . 307

9.1.2 Escoger factores y niveles
. . . . . . . . . . . . . . . . . . . . . . 307
9.1.3 Seleccin de las variables respuesta segn los objetivos.
. . . . . . 307
9.1.4 Planeacin del experimento (materiales y mtodos) . . . . . . . . . 308

9.1.5 Seleccin del diseo experimental
. . . . . . . . . . . . . . . . . . 308
9.1.5.1 Reduccin del ruido diseos.

9.1.5.2 Diseo de mayor volumen
9.1.6 Ejecucin del experimento.
. . . . . . . . . . . . . . . 308
. . . . . . . . . . . . . . . . . 309
. . . . . . . . . . . . . . . . . . . . . 309
9.1.7 Anlisis de datos (Anlisis de la varianza ANOVA)

9.1.8Conclusiones y recomendaciones
. . . . . . . . . 309
. . . . . . . . . . . . . . . . . . . 310
9.2 PRINCIPIOS BSICOS DEL DISEO DE EXPERIMENTOS

9.2.1 Repetibilidad.
. . . . . . . 310
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 312
9.2.2 Aleatorizacin. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 312

9.2.3 Control Local.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 312
9.3 CLASIFICACIN DEL DISEO DE EXPERIMENTOS

9.3.1 Diseo completamente aleatorio
9.3.2 Diseo de bloques al azar
9.3.3 Diseo en cuadro latino
9.3.4 Diseos factoriales
. . . . . . . . . . 313
. . . . . . . . . . . . . . . . . . 313
. . . . . . . . . . . . . . . . . . . . . . 316
. . . . . . . . . . . . . . . . . . . . . . . 319
. . . . . . . . . . . . . . . . . . . . . . . . . 321
9.3.4.1 Diseos factoriales con dos factores. . . . . . . . . . . . . 323

9.3.4.4 Diseo Factorial General
2k .
. . . . . . . . . . . . . . . . 325
9.3.5 Metodologia Taguchi . . . . . . . . . . . . . . . . . . . . . . . . . 326

9.4 COMPARACIN ENTRE MEDIAS . . . . . . . . . . . . . . . . . . . . . 327
9.4.1 LSD de Fisher (Least signicant dierence).
9.4.2 Mtodo de Tukey.
. . . . . . . . . . . . 327
. . . . . . . . . . . . . . . . . . . . . . . . . . 328
9.4.3 Mtodo de Bonferroni. . . . . . . . . . . . . . . . . . . . . . . . . 329

9.4.4 Mtodo de Ducan. . . . . . . . . . . . . . . . . . . . . . . . . . . 330
18
10. ESTUDIO DE UN SISTEMA DE MEDICIN
331
10.1 ANLISIS CON DISPOSITIVOS ANLOGOS Y DIGITALES

10.1.1 Medidas analgicas.
. . . . . . 331
. . . . . . . . . . . . . . . . . . . . . . . . 332
10.1.2 Instrumentos Analgicos. . . . . . . . . . . . . . . . . . . . . . . 333

10.1.3 Medidas digitales. . . . . . . . . . . . . . . . . . . . . . . . . . . 333
10.1.4 Instrumentos digitales.
. . . . . . . . . . . . . . . . . . . . . . . 334
10.1.5 Dispositivos anlogicos y digitales

10.1.5.1 Medicin de presin
. . . . . . . . . . . . . . . . . 335
. . . . . . . . . . . . . . . . . . . 335
10.1.5.2 Medicin de temperatura
. . . . . . . . . . . . . . . . 336
10.1.5.3 Medicin de Flujo . . . . . . . . . . . . . . . . . . . . . 337

10.1.5.4 Medicin de deformacin
. . . . . . . . . . . . . . . . 338
10.1.5.8 Medicin de desplazamiento
. . . . . . . . . . . . . . . 342
10.2 MUESTREO CON INSTRUMENTOS ANLOGOS, DIGITALES Y ADQUISICIN DE DATOS
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 344
10.2.1 Sistemas anlogos y digitales: bits y palabras

10.2.1.1 Sistema Analgico
. . . . . . . . . . . 344
. . . . . . . . . . . . . . . . . . . . 346
10.2.1.2 Sistemas digitales: Bits y Palabras . . . . . . . . . . . . 346

10.2.2 Convertidores anlogo-digital . . . . . . . . . . . . . . . . . . . . 349
10.2.2.1 Tipos convertidores A/D . . . . . . . . . . . . . . . . . 350
10.2.2.4 Convertidor A/D de aproximaciones sucesivas . . . . . . 352
10.2.2.5Convertidor Paralelo (ash converter) . . . . . . . . . . . 352
10.2.2.7 Convertidor de tensin en tiempo (doble rampa)
. . . . 354
10.2.2.8 Convertidor de tensin en frecuencia . . . . . . . . . . . 355

10.3 SISTEMAS DE ADQUISICIN DE DATOS . . . . . . . . . . . . . . . . 356
10.3.1 Caractersticas tecnicas de las Tarjetas de Adquisicin de Datos
10.4 COMPONENTES DE UN SISTEMA DE ADQUISICIN DE DATOS
. 359
. . 359
10.4.1 Sensores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 360

10.4.2 Acondicionamiento de la seal
10.4.3 Amplicador.
. . . . . . . . . . . . . . . . . . . 361
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 361
19
10.4.4 Aislamiento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 362

10.4.5 Filtros.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 362
10.4.5.1 De acuerdo a la funcin o trabajo a realizar: . . . . . . . 363

10.4.5.2 De acuerdo a su tecnologa : . . . . . . . . . . . . . . . 364
10.4.5.3 De acuerdo a la funcin matemtica utilizada para obtener una curva especca
. . . . . . . . . . . . . . . . . 365
10.4.6 Multiplexores. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 367

10.5 CASO DE ESTUDIO: PROCESO DE ADQUISICIN DIGITAL Y ANLISIS DE DATOS. MEDICIN Y ANLISIS EN EL DOMINIO DE LA
FRECUENCIA DE UN SONIDO.
. . . . . . . . . . . . . . . . . . . . . 368
10.6 ANLISIS DE INCERTIDUMBRE . . . . . . . . . . . . . . . . . . . . . 372

10.6.1 Incertidumbre . . . . . . . . . . . . . . . . . . . . . . . . . . . . 372
10.6.2 Comparacin entre teoria y mediciones . . . . . . . . . . . . . . . 373
10.6.3 Error en el proceso de medicin
10.6.3.1 Fuentes de error.
. . . . . . . . . . . . . . . . . . 374
. . . . . . . . . . . . . . . . . . . . . 375
10.6.4 Anlisis de Incertidumbre en la etapa de diseo

10.6.5 Anlisis de incertidumbre en la medicin.
. . . . . . . . . . 379
. . . . . . . . . . . . . 380
10.6.6 Tipos estandar de anlisis de incertidumbre. . . . . . . . . . . . . 382

10.6.7 Experimento de nica medicin de la magnitud a medir (mensurando). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 382
10.6.8 Experimento del resultado de una nica medicin. . . . . . . . . . 386
10.6.9 Anlisis de incertidumbre de mediciones mltiples. . . . . . . . . . 387
10.6.10 Anlisis de incertidumbre detallado . . . . . . . . . . . . . . . . 389
10.6.11 Aproximacin integral . . . . . . . . . . . . . . . . . . . . . . . 390
10.6.12 Aproximacin de la estimacin de la incertidumbre . . . . . . . . 390
10.6.13 Propagacin del error
. . . . . . . . . . . . . . . . . . . . . . . 391
10.6.14 Anlisis de incertidumbre en la etapa avanzada . . . . . . . . . . 392

Incertidumbre de orden cero.
. . . . . . . . . . . . . . . . . . . 393
Incertidumbre de orden superior. . . . . . . . . . . . . . . . . . . 393

Incertidumbre de n-simo orden. . . . . . . . . . . . . . . . . . . 393
20
11. ESTUDIO Y DESARROLLO DE MEDICIONES DE PARMETROS

FSICOS EXPERIMENTALES APLICANDO MTODOS PROBABILSTICOS.
396
11.1 PROCEDIMIENTO DE CALIBRACIN DE UN TRANSDUCTOR DE

PRESIN
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 397
11.1.1.1 Caso de estudio: Procedimiento de caracterizacin de un tranductor de presin
. . . . . . . . . . . . . . . . . . . . . . . . . 400
Objetivo de experimento . . . . . . . . . . . . . . . . . . . . . . 401

Seleccin de las variables de interes
Montaje experimental
. . . . . . . . . . . . . . . 401
. . . . . . . . . . . . . . . . . . . . . . . 401
Desarrollo de la prueba experimental y adquisicin de datos

Anlisis probabilistico de los resultados
Comprobacin de parametros
. . . 402
. . . . . . . . . . . . . . 404
. . . . . . . . . . . . . . . . . . . 404
Analisis de la adecuacin de los datos . . . . . . . . . . . . . . . 408

Incertidumbre
. . . . . . . . . . . . . . . . . . . . . . . . . . . 411
Tabla de conclusiones
. . . . . . . . . . . . . . . . . . . . . . . 412
11.2 ANALISIS DE UNA VIGA EN VOLADIZO PORTATIL INSTRUMENTADA CON STRAIN GAGE
. . . . . . . . . . . . . . . . . . . . . . . . . 412
11.2.1 Esfuerzo y deformacin
. . . . . . . . . . . . . . . . . . . . . . 412
11.2.1.1 Relacin de Poisson . . . . . . . . . . . . . . . . . . . . 413

11.2.2 Medicin de deformacin . . . . . . . . . . . . . . . . . . . . . . 414
11.2.2.1 Galga de resistencia elctrica . . . . . . . . . . . . . . . 414
11.2.2.2 Seleccin del strain gage . . . . . . . . . . . . . . . . . 415
11.2.3 Tipos de aleaciones para strain gages
11.2.4 Caractersticas de un strain gage.
. . . . . . . . . . . . . . . 416
. . . . . . . . . . . . . . . . . 417
11.2.4.1Longitud . . . . . . . . . . . . . . . . . . . . . . . . . . 417
11.2.4.2 Autocompensacin de temperatura
. . . . . . . . . . . 418
11.2.5 Parmetros que afectan la precisin de un strain gage.
. . . . . . 419
11.2.6 Acondicionamiento de la seal de la galga. . . . . . . . . . . . . . 421

11.2.6.1Conguracines de puente de wheatstone
21
. . . . . . . . 422
11.2.7 Caso de estudio: Modulo de elasticidad a la exin de una viga en

voladizo portatil instrumentada con strain gage.
11.2.7.1 Objetivo de experimento
. . . . . . . . . . . . . . . . . 424
11.2.7.2 Seleccin de las variables de interes

11.2.7.3 Montaje experimental
. . . . . . . . . 423
. . . . . . . . . . . 424
. . . . . . . . . . . . . . . . . . 424
11.2.7.4 Desarrollo de la prueba experimental y adquisicin de

datos
. . . . . . . . . . . . . . . . . . . . . . . . . . 425
11.2.7.5 Anlisis probabilistico de los resultados

11.2.7.6 Comprobacin de parametros
. . . . . . . . . . . . . . 426
11.2.7.8 Incertidumbre e intervalos de conanza

11.2.7.9 Tabla de Resultados
. . . . . . . . . 426
. . . . . . . . . 430
. . . . . . . . . . . . . . . . . . . 431
11.2.8 Caso de estudio: Analisis de esfuerzo en una viga con un concentrador de esfuerzo. . . . . . . . . . . . . . . . . . . . . . . . . . 433
. . . . . . . . . . . . . . . . . 434
. . . . . . . . . . . 434

datos
. . . . . . . . . . . . . . . . . . . . . . . . . . 434
. . . . . . . . . 434
11.2.8.5Comprobacin de parametros . . . . . . . . . . . . . . . 434

11.2.8.7 Incertidumbre
. . . . . . . . . . . . . . . . . . . . . . 438
. . . . . . . . . . . . . . . . . . . 439
11.2.9 Caso de estudio: Determinacin de la relacin de poisson . . . . . 439

11.2.9.1Objetivo de experimento
. . . . . . . . . . . . . . . . . 439
. . . . . . . . . . . 440

datos
. . . . . . . . . . . . . . . . . . . . . . . . . . 440

. . . . . . . . . . . . . . 440
. . . . . . . . . . . . . . . . . 444

22
. . . . . . . . . 440
. . . . . . . . . . . 444

. . . . . . . . . 444
. . . . . . . . . . . . . 444
11.3 PROCEDIMIENTO DE CALIBRACIN DE UN FLUJMETRO DE TURBINA

AXIAL
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 450
11.3.1 Conceptos bsicos relacionados con la medicin de ujo
. . . . . 450
11.3.1.1 Determinacin gasto volumtrico . . . . . . . . . . . . . 452

11.3.1.2 Naturaleza de un caudal
11.3.2 Medidores de caudal
. . . . . . . . . . . . . . . . . 454
. . . . . . . . . . . . . . . . . . . . . . . . 455
11.3.2.1 Flujmetros de Turbina . . . . . . . . . . . . . . . . . . 457

11.3.3 Celdas de Carga
. . . . . . . . . . . . . . . . . . . . . . . . . . 459
11.3.4 Caso de estudio: procedimiento de calibracin de un ujmetro de

turbina axial. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 460
11.3.4.1 Objetivo y campo de aplicacin
11.3.4.2 Procedimiento
. . . . . . . . . . . . . 461
. . . . . . . . . . . . . . . . . . . . . . 461
11.3.4.8 Especicaciones Tcnicas . . . . . . . . . . . . . . . . . 464

11.3.4.9 Anlisis probabilstico . . . . . . . . . . . . . . . . . . . 464
11.3.4.10 Mtodo emprico.
. . . . . . . . . . . . . . . . . . . . 464
CONCLUSIONES
471
BIBLIOGRAFIA
473
III ANEXOS
477
A.SEMINARIO ALEMAN
478
B.PROCEDIMIENTO DE CALIBRACIN. MANMETRO TUBO BURDON TIPO C
479
C. NORMA TCNICA COLOMBIANA-RESUMEN
485
D. ANLISIS DE LA RESPUESTA TRANSITORIA Y ESTACIONARIA

EN EL DOMINIO DE LA FRECUENCIA
23
491
E. MTODO DE MODELADO MATEMTICO
498
F. APLICACIN DE MODELADO MATEMTICO A SISTEMAS DINMICOS
507
H. TABLAS
516
24
LISTA DE TABLAS
2.
Subtemas de investigacin . . . . . . . . . . . . . . . . . . . . . . . . .
69
4.
Temas y Subtemas
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
77
6.
Desarrollo de una sesin del Seminario de Investigacin . . . . . . . . . .
82
8.
Descripcin matemtica de parmetros fsicos de sistemas elctricos, nivel

de lquido y trmico
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
9.
Funcin de Transferencia que Representa Sistemas Dinmico
. . . . . . 133
10.
Media
11.
Desviacin Estndar
12.
Valor de los Esfuerzos [psi]
13.
Datos de Esfuerzos Ordenados [psi] . . . . . . . . . . . . . . . . . . . . 169
14.
Distribucin de Frecuencia
. . . . . . . . . . . . . . . . . . . . . . . . 170
15.
Tipos de Series Estadsticas
. . . . . . . . . . . . . . . . . . . . . . . . 171
16.
Recomendaciones de Clases en un Histograma
17.
Operaciones Bsicas de Conjuntos . . . . . . . . . . . . . . . . . . . . . 183
18.
Espacio muestral
19.
Caracterstica de las variables aleatorias discretas . . . . . . . . . . . . . 193
20.
Media y mediana de distribuci binomial negativa.
21.
Distribuciones de probabilidad Bivariadas
22.
Valores tabulados son p(x,y) . . . . . . . . . . . . . . . . . . . . . . . . 204
23.
Variable t para diferentes valores de
24.
Estimacin por Intervalos. . . . . . . . . . . . . . . . . . . . . . . . . . 229
25.
Desiciones en la prueba de hiptesis . . . . . . . . . . . . . . . . . . . . 232
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
. . . . . . . . . . . . . . . . . . . . . . . . 168
. . . . . . . . . . . . . . 175
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
25
. . . . . . . . . . . . 196
. . . . . . . . . . . . . . . . . 203
P.
. . . . . . . . . . . . . . . 213
26.
Probabilidades de los errores
. . . . . . . . . . . . . . . . . . . . . . . 232
27.
Decisiones de hiptesis nula asociada con los valores de p y
28.
Hiptesis bilateral y unilateral . . . . . . . . . . . . . . . . . . . . . . . 235
29.
Tipo de Hiptesis
30.
Intervalo de aceptacin
. . . . . . . . . . . . . . . . . . . . . . . . . . 237
31.
Sumas de los cuadrados
. . . . . . . . . . . . . . . . . . . . . . . . . . 247
32.
Intervalos de conanza en la regresin lineal simple.
33.
Datos de Regresin Lineal Mltiples . . . . . . . . . . . . . . . . . . . . 256
34.
Propiedades de los estimadores en regresin multiple . . . . . . . . . . . 257
35.
Anlisis de varianza para la regresin lineal multiple
36.
Estadsticos en la regresin mltiple . . . . . . . . . . . . . . . . . . . . 258
37.
Mediciones de apertura del labe
38.
Pureza de un producto qumico
39.
Control para atributos . . . . . . . . . . . . . . . . . . . . . . . . . . . 273
40.
Nmero y proporciond e Unidades defectuosas
41.
Datos de defectos
42.
Conabilidad para conguraciones de equipos . . . . . . . . . . . . . . . 299
43.
Limites de conanaza
44.
Pruebas de estadstica no parametrica
45.
Datos tpicos de un experimento con un solo factor
46.
Tabla de ANOVA para el DCA . . . . . . . . . . . . . . . . . . . . . . . 316
47.
Diseo en bloques completos al azar
48.
ANOVA para un diseo en bloques completos a azar . . . . . . . . . . . 319
49.
Aspectos de los datos en un diseo en Cuadrado Latino
51.
ANOVA para el diseo en cuadrados latino
52.
ANOVA para el diseo factorial axb . . . . . . . . . . . . . . . . . . . . 325
53.
Instrumento de referencia de presin
54.
Instrumentos para medicin de temperatura . . . . . . . . . . . . . . . . 337
55.
Palabra
. . . . . 233
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 236
. . . . . . . . . . . 249
. . . . . . . . . . . 258
. . . . . . . . . . . . . . . . . . . . . 263
. . . . . . . . . . . . . . . . . . . . . . 267
. . . . . . . . . . . . . . 276
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 281
. . . . . . . . . . . . . . . . . . . . . . . . . . . 300
. . . . . . . . . . . . . . . . . . 301
. . . . . . . . . . . 314
. . . . . . . . . . . . . . . . . . . 317
. . . . . . . . . 320
. . . . . . . . . . . . . . . . 321
. . . . . . . . . . . . . . . . . . . 336
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 347
26
56.
Conversin de desimal a binario . . . . . . . . . . . . . . . . . . . . . . 348
57.
Mediciones repetidas de la fuerza
58.
Anova para la regresin
59.
Anlisis de varianza nal . . . . . . . . . . . . . . . . . . . . . . . . . . 407
60.
ANOVA para la regresin
61.
62.
Intervalos de conanza
63.
Resultados Finales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 412
64.
Aleaciones de Strain Gages
65.
66.
67.
Intervalos de conanza
68.
69.
Tabla de resultados deformaciones . . . . . . . . . . . . . . . . . . . . . 433
70.
71.
72.
73.
. . . . . . . . . . . . . . . . . . . . . . . . . . 442
74.
. . . . . . . . . . . . . . . . . . . . . . . . . . 446
75.
76.
Resultados
77.
Relacin de poisson
78.
Tabla de anova
79.
Mtodos de medicin de caudal. . . . . . . . . . . . . . . . . . . . . . . 456
80.
Caracterizacin de la balanza con celda de carga
81.
Pendientes de las posibles combinaciones entre las medias muestrales. . . 468
82.
Tabla de las medias de la matriz de las pendientes. . . . . . . . . . . . . 468
83.
ANOVA para el Diseo de Bloques. . . . . . . . . . . . . . . . . . . . . 469
84.
Anlisis de Duncan para la comparacin entre los procesos.
. . . . . . . . . . . . . . . . . . . . 389
. . . . . . . . . . . . . . . . . . . . . . . . . . 406
. . . . . . . . . . . . . . . . . . . . . . . . . 409
. . . . . . . . . . . . . . . . . . . . . . . . . . 411
. . . . . . . . . . . . . . . . . . . . . . . . 417
. . . . . . . . . . . . . . . . . . . . . . . . . . 428
. . . . . . . . . . . . . . . . . . . . . . . . . . 431
. . . . . . . . . . . . . . . . . . . . . . . . . . 436
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 448
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 449
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 449
27
. . . . . . . . . . . . . 467
. . . . . . . 469
85.
Caracterizacin del Flujmetro . . . . . . . . . . . . . . . . . . . . . . . 470
86.
Registro de calibracin expedido por REYMOM LTDA. . . . . . . . . . . 481
87.
Registro de calibracin expedido por REYMOM LTDA. . . . . . . . . . . 483
88.
Requisitos Generales para la Competencia de los Laboratorios de Ensayo

y Calibracin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 485
90.
lgebra de Bloques
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 502
91.
Propiedades de la Media Aritmtica . . . . . . . . . . . . . . . . . . . . 515
92.
Datos Transductor de presin
93.
Datos modulo de elasticidad . . . . . . . . . . . . . . . . . . . . . . . . 516
. . . . . . . . . . . . . . . . . . . . . . . 516
28
LISTA DE FIGURAS
1.
Formato actas
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
84
2.
Formato de presentacin
. . . . . . . . . . . . . . . . . . . . . . . . .
85
3.
El mtodo Cientco . . . . . . . . . . . . . . . . . . . . . . . . . . . .
89
4.
Etapas del Mtodo Cientco
. . . . . . . . . . . . . . . . . . . . . . .
91
5.
Relacin entre el mtodo cientco y la Experimentacin . . . . . . . . .
95
6.
Clases de Medicin . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
97
7.
Sistema General de Medicin
. . . . . . . . . . . . . . . . . . . . . . .
97
8.
Clasicacin de los Errores . . . . . . . . . . . . . . . . . . . . . . . . .
99
9.
Comparacin entre los errores sistemticos y aleatorios.
10.
Cadena de trazabilida
11.
Clasicacin de los Instrumentos de Medicin . . . . . . . . . . . . . . . 104
12.
Curva Variable Real-Lectura . . . . . . . . . . . . . . . . . . . . . . . . 105
13.
Error de multiplicidad
. . . . . . . . . . . . . . . . . . . . . . . . . . . 106
14.
Error de Angularidad
. . . . . . . . . . . . . . . . . . . . . . . . . . . 106
15.
Error de Histresis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
16.
Error de linealidad
17.
Error de Repetibilidad
18.
Escalera de rastreabilidad
19.
Calibracin de un Instrumento . . . . . . . . . . . . . . . . . . . . . . . 111
20.
Comprobador de peso muerto porttil digital
21.
Medidor Maestro de Flujo . . . . . . . . . . . . . . . . . . . . . . . . . 116
22.
Medidores de ujo desplazamiento Positivo . . . . . . . . . . . . . . . . 116
. . . . . . . . . 101
. . . . . . . . . . . . . . . . . . . . . . . . . . . 103
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
. . . . . . . . . . . . . . . . . . . . . . . . . . . 108
. . . . . . . . . . . . . . . . . . . . . . . . . 110
29
. . . . . . . . . . . . . . . 115
23.
Medidores de Flujo Tipo Msico (Coriolis)
24.
Laboratorio especializado de Flujmetros por el Mtodo Gravimtrico de

Llenado Directo
. . . . . . . . . . . . . . . . 117
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
25.
Sistema de Medicin-Manmetro
. . . . . . . . . . . . . . . . . . . . . 123
26.
Esquema del calibrador de presin Tubo Bourdon tipo C. . . . . . . . . . 124
27.
Procedimiento de calibracin para un manmetro tubo Bourdon tipo C
28.
Linealidad en un Sistema de Control
29.
Curvas caractersticas para no linealidades-ley cuadrtica.
30.
Representacin de la no linealidad . . . . . . . . . . . . . . . . . . . . . 130
31.
Efectos de las Entradas Ambientales
. . . . . . . . . . . . . . . . . . . 131
32.
Respuestas sistemas de primer orden
. . . . . . . . . . . . . . . . . . . 134
33.
Identicacin de Linealidad para un Sistema Dinmico . . . . . . . . . . 136
34.
Ubicacin de condiciones de estabilidad en el plano Imaginario vs. Real. . 138
35.
Respuesta que arrojada por el software
36.
Respuesta funcin escaln . . . . . . . . . . . . . . . . . . . . . . . . . 140
37.
Respuesta rampa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
38.
Descripcin de la respuesta dinmica de un sistema.
39.
Trayectoria de Estabilidad de Nyquist . . . . . . . . . . . . . . . . . . . 147
40.
Modelo Bsico del Acelerometro . . . . . . . . . . . . . . . . . . . . . . 150
41.
Diagrama Esquematico de un Acelermetro de Circuito Cerrado . . . . . 151
42.
Bloque de un Acelermetro de Circuito Cerrado . . . . . . . . . . . . . . 151
43.
Diagrama de Bode para un Modelo Simple de Acelerometro
44.
Divisin de La Estadstica
45.
Relacin entre Poblacin Y Muestra
46.
Tipos de Variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
47.
Medidas de Distribucin . . . . . . . . . . . . . . . . . . . . . . . . . . 160
48.
Cuantiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
49.
Proceso con los Datos Obtenidos
50.
Histograma de Frecuencias
. 125
. . . . . . . . . . . . . . . . . . . 128
. . . . . . . . 129
. . . . . . . . . . . . . . . . . . 139
. . . . . . . . . . . 143
. . . . . . . 153
. . . . . . . . . . . . . . . . . . . . . . . . . 157
. . . . . . . . . . . . . . . . . . . 158
. . . . . . . . . . . . . . . . . . . . . 166
. . . . . . . . . . . . . . . . . . . . . . . . 170
30
51.
Representacin Grca
. . . . . . . . . . . . . . . . . . . . . . . . . . 172
52.
Diagrama de Sectores
53.
Grca de Barras
54.
Construccin de un Histograma . . . . . . . . . . . . . . . . . . . . . . 175
55.
Histograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
56.
Diagrama de lneas
57.
Elaboracin diagrama de dispersin
58.
Diagrama de Dispersin
59.
Diagrama de Caja
60.
Comparacin entre Probabilidad y Estadstica . . . . . . . . . . . . . . . 180
61.
Modelo de Variacin de un Sistema . . . . . . . . . . . . . . . . . . . . 181
62.
Diagrama de Venn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184
63.
Eventos Mutuamente Excluyentes . . . . . . . . . . . . . . . . . . . . . 184
64.
Probabilidad Total
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
65.
Variables aleatorias
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
66.
Grca de barras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
67.
Distribuciones de las variables aleatorias discretas . . . . . . . . . . . . . 195
68.
Presentacin Grca de Probabilidad Bivariada . . . . . . . . . . . . . . 204
69.
Distribuciones conjunta y marginales para
70.
Grca de la Distribucin marginal
71.
Ubicacin puntos de los productos de las desviaciones. . . . . . . . . . . 209
72.
Distribucin Chi Cuadrada.
73.
Punto porcentual
74.
Funcin F
75.
Distribuciones Muestrales
76.
Funcion de densidad de probabilidad de los valores medios de x. . . . . . 219
77.
Parmetros estadsticos entre medias de las muestras . . . . . . . . . . . 220
78.
Estimadores puntuales
79.
Distribucin de muestreo de una media muestral para muestras grandes
. . . . . . . . . . . . . . . . . . . . . . . . . . . 172
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
. . . . . . . . . . . . . . . . . . . . 178
. . . . . . . . . . . . . . . . . . . . . . . . . . 179
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
2 ,k
[X, Y ]
tabuladas
. . . . . . . 205
. . . . . . . . . . . . . . . . . . . . 206
. . . . . . . . . . . . . . . . . . . . . . . . 215
de la distribucin chi cuadrada. . . . . . . . . . . 216
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
. . . . . . . . . . . . . . . . . . . . . . . . . 218
. . . . . . . . . . . . . . . . . . . . . . . . . . 224
31
225
80.
Distribuciones de muestreo para estimadores
81.
Distribucin de muestreo de dos estimadores imparciales
B)
menor varianza que
. . . . . . . . . . . . . . 225
B . (A
con
. . . . . . . . . . . . . . . . . . . . . . . . . . 226
82.
Intervalos de conanza para la media
83.
Factores de la prueba de hiptesis . . . . . . . . . . . . . . . . . . . . . 232
84.
Prueba de Hiptesis
85.
Distribucin de muestreo
86.
Tipos de Pruebas de hiptesis . . . . . . . . . . . . . . . . . . . . . . . 236
87.
Distribucin de muestreo
88.
Curvas de aproximacin
89.
Distribucin de Probabilidad del Error . . . . . . . . . . . . . . . . . . . 239
90.
Modelo de regresin . . . . . . . . . . . . . . . . . . . . . . . . . . . . 240
91.
Modelo de Regresin Lineal
92.
Recta de Mnimos Cuadrados
93.
La Hiptesis Ho:1
94.
La Hiptesis
95.
Representacin sumas de los cuadrados de la regresin
96.
Anlisis de Varianza
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 248
97.
Anlisis de residuos
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 250
98.
Patrones para grcas de los residuos.a)satisfactorio,b)embudo,c)doble
99.
. . . . . . . 228
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 233
=0
H0 :1 = 0
arco,d)no lineal.
de una distribucin.
. . . . . . . . . . . . . . . . . . . . . . . . . 234
. . . . . . . . . . . . . . . . . . . . . . . . . 237
. . . . . . . . . . . . . . . . . . . . . . . . . . 238
. . . . . . . . . . . . . . . . . . . . . . . . 241
. . . . . . . . . . . . . . . . . . . . . . . 242
no se Rechaza
se rechaza
. . . . . . . . . . . . . . . . . . 246
. . . . . . . . . . . . . . . . . . . . 246
. . . . . . . . . 248
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 251
Niveles de Correlacin Positiva
. . . . . . . . . . . . . . . . . . . . . . 252
100. Niveles de Correlacin Negativa . . . . . . . . . . . . . . . . . . . . . . 253

101. Diagrama de control . . . . . . . . . . . . . . . . . . . . . . . . . . . . 260
102. Diagrama
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 264
103. Diagramas de Control
104. Diagramas de control
y
y
R
R
para l abertura del labe.
. . . . . . . . . 265
para a. Mediciones Individuales, b. Rango
movil de pureza. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 268

105.
Diagrama de tolerancias
. . . . . . . . . . . . . . . . . . . . . . . . 269
32
106. HIstograma para la apertura del alabe . . . . . . . . . . . . . . . . . . . 269

107. Caida del proceso y razon de capacidad del proceso RCP. Fuente: Hines,
Probabilidad y estadistica para Ingenieria. . . . . . . . . . . . . . . . . . 271
108. Diagrama
para los datos de la tabla
. . . . . . . . . . . . . . . . . . 277
109. Nmero de Grietas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 279

110. Diagrama c para los datos.
. . . . . . . . . . . . . . . . . . . . . . . . 280
111. Diagrama u . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 282

112. Diagrama de pareto
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 285
113. Diagrama causa y efecto

114. Diagramas de control
115. Six sigma
. . . . . . . . . . . . . . . . . . . . . . . . . 285
X y R con lmites revisados.
. . . . . . . . . . . 286
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 289
116. Medida de la variacin
. . . . . . . . . . . . . . . . . . . . . . . . . . 289
117. Estructura organizacional six sigma.
. . . . . . . . . . . . . . . . . . . 290
118. Actividades y su proceso para el proyecto. . . . . . . . . . . . . . . . . . 292

119. Distribucin de probabilidad normal con valores sigma
. . . . . . . . . . 294
120. Distribucin de probabilidad normal con valores de Z.
. . . . . . . . . . 294
121. Cambio en sigma para los datos . . . . . . . . . . . . . . . . . . . . . . 295

122. Algunas aplicaciones de Ia Ingeniera de Conabilidad.
123. Distribucin de fallas compuestas
. . . . . . . . . . 296
. . . . . . . . . . . . . . . . . . . . . 297
124. Fases del Diseo de Experimentos . . . . . . . . . . . . . . . . . . . . . 305

125. Etapas de la experimantacin
. . . . . . . . . . . . . . . . . . . . . . . 307
126. Diagrama de Fisher Principios de la experimentacin

127. Clasicacin del diseo de experimentos
128. Funcin de perdida de Taguchi
129. Seal Analoga
130. Seal digital
. . . . . . . . . . 311
. . . . . . . . . . . . . . . . . 313
. . . . . . . . . . . . . . . . . . . . . . 327
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 331
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 332
131. Escala. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 333

132. Instrumento digital . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 334
133. Dispositivos de medicin de ujo
. . . . . . . . . . . . . . . . . . . . . 338
33
134. hmetro Analgico bsico.
. . . . . . . . . . . . . . . . . . . . . . . . 339
135. Puente de Wheatstone . . . . . . . . . . . . . . . . . . . . . . . . . . . 341

136. Seal analgica y digital. . . . . . . . . . . . . . . . . . . . . . . . . . . 345
137. Ejemplo de un Sistema Anlogo.
. . . . . . . . . . . . . . . . . . . . . 346
138. Componentes usados en la conversin A/D. . . . . . . . . . . . . . . . . 351

139. Esquema del Convertidor A/D de aproximaciones sucesivas.
. . . . . . . 352
140. Esquema de un Conversor A/D tipo paralelo. . . . . . . . . . . . . . . . 353

141. Esquema de un Conversor de rampa simple. . . . . . . . . . . . . . . . . 354
142. Esquema del Conversor doble rampa.
. . . . . . . . . . . . . . . . . . . 354
143. Esquema de un Conversor tesin-frecuencia.
. . . . . . . . . . . . . . . 355
144. Sistema General de Adquisicin de Datos . . . . . . . . . . . . . . . . . 356

145. Esquema de medicin tpico de una seal analgica.
. . . . . . . . . . . 357
146. Banco de prueba para la Calibracin de un Transductor de Presin.
. . . 358
147. Programa e interfaz grca en LabVIEW. . . . . . . . . . . . . . . . . . 358

148. Esquema de ujo de la seal para un SAD automatizado . . . . . . . . . 360
149. Modelo de amplicador. . . . . . . . . . . . . . . . . . . . . . . . . . . 362
150. Clases de Filtros. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 363
151. Filtro Butterworth. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 365
152. Filtro de Chebyshev
153. Multiplexor.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 366
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 367
154. Diagrama de ujo para la Adquisicin de la seal . . . . . . . . . . . . . 368

155. Sistema de adquicin de datos para una seal de voz.
. . . . . . . . . . 369
156. Adquisicin y reproduccin del sonido. Seal sin tratamiento.

157. Espectro de la seal sin tratamiento.
. . . . . . 370
. . . . . . . . . . . . . . . . . . . 370
158. Interfaz Grca . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 371

159. Seal de una voz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 371
160. Tipos de incertidumbre
161.
. . . . . . . . . . . . . . . . . . . . . . . . . . 373
Presentacin grca de una comparacin entre resultados predictivos y experimentales
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 374
34
162. Errores derivados del proceso experimental
. . . . . . . . . . . . . . . . 375
163. Error elementales de calibracin . . . . . . . . . . . . . . . . . . . . . . 376

164. Experimento con nueve valores registrados
. . . . . . . . . . . . . . . . 378
165. Procedimiento de la incertidumbre en la etapa de diseo.
. . . . . . . . 379
166. Tipos de anlisis de incertidumbre . . . . . . . . . . . . . . . . . . . . . 382

167. Errores elementales comprobados por calibracin
. . . . . . . . . . . . . 385
168. Procedimiento de las incertidumbre de mltiples mediciones
. . . . . . . 388
169. Diagrama general para el desarrollo de un procedimiento experimental

con anlisis probabilistico. . . . . . . . . . . . . . . . . . . . . . . . . . 396
170. Probador de Peso Muerto
. . . . . . . . . . . . . . . . . . . . . . . . . 398
171. Probador de Pesos Muertos Marca AMSLER
. . . . . . . . . . . . . . . 402
172. Sistemas de adquisicin de datos
. . . . . . . . . . . . . . . . . . . . . 403
173. Transductor de Presin MSP 300
. . . . . . . . . . . . . . . . . . . . . 403
174. Curva de caracterizacin Transductor de presin

175. Graca de probabilida de los residuos
. . . . . . . . . . . . . . . . . . . 407
176. Curva de caracterizacin Transductor de presin

178. Histograma de los errores
. . . . . . . . . . . . . 405
. . . . . . . . . . . . . 408
. . . . . . . . . . . . . . . . . . . 410
. . . . . . . . . . . . . . . . . . . . . . . . . 410
179. Strain gage metlico . . . . . . . . . . . . . . . . . . . . . . . . . . . . 415

180. Distribucin del esfuerzo sobre un strain gage . . . . . . . . . . . . . . . 418
181. Curvas de salida en funcin de la temperatura
. . . . . . . . . . . . . . 419
182. Puente de Wheatstone . . . . . . . . . . . . . . . . . . . . . . . . . . . 422

183. Conguraciones de Puente de Wheatstone
. . . . . . . . . . . . . . . . 422
184. Procedimiento de montaje . . . . . . . . . . . . . . . . . . . . . . . . . 425

185. Medio puente
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 425
186. Sistemas de adquisicin de datos
. . . . . . . . . . . . . . . . . . . . . 426
187. Curva de caracterizacin Straing . . . . . . . . . . . . . . . . . . . . . . 427

. . . . . . . . . . . . . . . . . . . 428
. . . . . . . . . . . . . . . . . . . . . . . . . 429
35

193. Tabla de resultados
. . . . . . . . . . . . . . . . . . . 437
. . . . . . . . . . . . . . . . . . . . . . . . . 437
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 438
194. Montaje de galgas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 439

. . . . . . . . . . . . . . . . . . . 443
. . . . . . . . . . . . . . . . . . . . . . . . . 443

201. Graca de bloques
. . . . . . . . . . . . . . . . . . . 447
. . . . . . . . . . . . . . . . . . . . . . . . . 447
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 449
202. Concepto de Supercie de Control.
. . . . . . . . . . . . . . . . . . . . 450
203. Ubicacin de puntos de medicin discretos para toma de velocidad.
. . . 453
204. Mtodos de medicin de caudal segn condiciones de volumen de control. 454

205. Flujmetro de turbina. . . . . . . . . . . . . . . . . . . . . . . . . . . . 457
206. Curva caracteristica de factor k de caudalimetro de turbina . . . . . . . . 458
207. Despiece del ujmetro de turbina.
. . . . . . . . . . . . . . . . . . . . 459
208. Proceso para la caracterizacin de un sensor
. . . . . . . . . . . . . . . 461
209. SAD para el procedimiento de calibracin de un ujmetro de turbina axial.462

210. Instalacin tpica de un ujmetro . . . . . . . . . . . . . . . . . . . . . 463
211. Curva de Regresin del Flujmetro
. . . . . . . . . . . . . . . . . . . . 465
212. Balanza con celda de carga tipo S. Capacidad de 0 a 10 Kg. . . . . . . . 466

213. Sin celda de carga y con celda de carga
214. Pesas calibradas
. . . . . . . . . . . . . . . . . 466
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 467
215. Descripcin de un manmetro digital-patrn. . . . . . . . . . . . . . . . 479

216. Manmetros anlogos-calibrar.
. . . . . . . . . . . . . . . . . . . . . . 479
217. Calibradores de presin de precisin porttil.
. . . . . . . . . . . . . . . 480
218. Cilindro-piston . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 480

36
219. Curva variable real-lectura . . . . . . . . . . . . . . . . . . . . . . . . . 484

220. Esquema de Manmetro Bourdon con los tipos de Ajuste para cada Error 484
221. Seal de entrada y salida sinusoidal . . . . . . . . . . . . . . . . . . . . 491
222. Caractersticas Tpicas de un Sistema en el dominio de la Frecuencia.
223. Aproximacin Asinttica del Diagrama de Bode.
. . 493
. . . . . . . . . . . . . 494
224. Respuesta De Un Sistema De Orden Cero En Funcin De La Frecuencia.
494
225. Diagrama de Bode Para Sistemas de Primer Orden . . . . . . . . . . . . 495

226. Sistema de Segundo Orden
. . . . . . . . . . . . . . . . . . . . . . . . 495
227. Diagrama de Bode de Sistemas de Segundo Orden.(k=1, Wn=3,162,

z=0,3162)
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 496
228. Diagrama de Bloque Para Sistemas de Tercer Orden . . . . . . . . . . . 497

229. Diagrama de Bode de Orden Superior
230. Punto Suma
. . . . . . . . . . . . . . . . . . 497
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 499
231. Diagrama de Bloques de Lazo Cerrado
. . . . . . . . . . . . . . . . . . 500
232. Sistema de Lazo Cerrado sujeto a Perturbacin . . . . . . . . . . . . . . 501

233. Estructura General de un Sistema de Medicin Representada En un Diagrama de Bloques
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 503
234. Diagrama de bloques para la relacin de ecuacin de estado y ecuacin

de salida. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 504
235. Sistemas Elctricos
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 507
236. Visualizacin de Componentes para la Analogia de Distintos Tipos de

Sistemas Dinmicos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 509
237. Sistema De Nivel De Flujo . . . . . . . . . . . . . . . . . . . . . . . . . 509
238. Linealidad En Sistemas De Nivel De Flujo.
. . . . . . . . . . . . . . . . 510
239. Sistema De Dos Tanques Con Interaccin.
. . . . . . . . . . . . . . . . 511
240. Sistema Trmico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 513
37
LISTA DE ANEXOS
A. SEMINARIO ALEMAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
477
B. PROCEDIMIENTO DE CALIBRACIN MANMETRO TUBO
478
BURDON TIPO C.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
C. NORMA TCNICA COLOMBIANA-RESUMEN . . . . . . . . . . . . . . . .
484
D. ANLISIS DE LA RESPUESTA TRANSITORIA Y ESTACIONARIA
490
EN EL DOMINIO DE LA FRECUENCIA . . . . . . . . . . . . . . . . . . . . . . .
E. MTODO DE MODELADO MATEMTICO . . . . . . . . . . . . . . . . . .
497
F. APLICACIN DE MODELADO MATEMTICO A SISTEMAS
506
DINMICOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
G. PROPIEDADES DE LA MEDIA . . . . . . . . . . . . . . . . . . . . . . . . . . .
513
H. TABLAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
515
38
RESUMEN
SEMINARIO DE INVESTIGACIN EN MTODOS PROBABILSTICOS APLICADO AL DISEO DE EXPERIMENTOS PARA INGENIEROS.1
TITULO:
Autores:

Laidy Esperanza Hernndez Mena.
Nohora Stella Mayorga Garca.
Nydia Andrea Rueda Ramrez.2
Palabras clave: Mtodo cientco, Probabilidad y Estadstica, Investigacin Ex-
perimental, Diseo de Experimentos, Talleres Prcticos.

Descripcin:
El mtodo cientco es un proceso lgico y objetivo que se apoya en la experimentacin
para descubrir nuevos conocimientos, conrmar o rechazar teoras existentes, resolver
problemas partiendo de deniciones y conceptos, formulando hiptesis las cuales se ponen
a prueba mediante mtodos experimentales.
La investigacin experimental ha sido fundamental a lo largo de los aos para el desarrollo tecnolgico. A esta se debe avances en la ciencia y la tecnologa, pues ha permitido el
estudio de fenmenos fsicos y la formulacin de hiptesis sobre los mismos, es por esto
que en la ingeniera se hace primordial el estudio de los mtodos de experimentacin,
para obtener datos y analizarlos mediante el uso de herramientas estadsticas y probabilsticas las cuales permiten predecir el comportamiento de sistemas y procesos para
tomar decisiones con alto grado de conabilidad.
Por medio de este trabajo, bajo la modalidad de seminario de investigacin, se busca
presentar las bases tericas de probabilidad, estadstica y diseo de experimentos tiles
y necesarios para el campo de estudio del Ingeniero. Tambin se desarrollan talleres
prcticos como complemento y aplicacin de la teora con el n de analizar datos reales
de inters para el Ingeniero Mecnico, dichos talleres estn enfocados en la medicin
de variables fsicas como lo son: la presin, ujo y deformacin usando un transductor
de presin, ujometro de turbina axial y viga porttil instrumentada con Strain Gage
respectivamente.
1 Proyecto
2 Facultad
de Grado.
Fisico-mecnicas. Escuela de Ingenieria Mecnica. Director: Carlos Borrs Pinilla.

39
ABSTRACT
TITLE: RESEARCH SEMINAR IN PROBABILITY METHODS APPLIED TO
THE DESIGN OF EXPERIMENTS FOR ENGINEERS.3

Authors:

Laidy Esperanza Hernndez Mena.
Nohora Stella Garca Mayorga.
Nydia Andrea Rueda Ramrez.4
Key words: Scientic method, Probability y Statistic, Experimental research,
Design of experiments, Practical work.

Description:
The scientic method is a logical and objective process that relies on experimentation
to discover new knowledge, conrm or reject existing theories, solve problems based
on denitions and concepts, formulating hypotheses which are tested by experimental
methods.
Experimental research has been essential over the years for technological development.
To this is due advances in science and technology, and it has allowed the study of physical
phenomena and the formulation of hypotheses about these phenomena, this is why in
engineering is essential to study the experimental methods to obtain data and analyze
them using statistical and probabilistic tools which can predict the behavior of systems
and processes to make decisions with a high degree of reliability.
Through this work, in the form of research seminar, it aims to present the theoretical
basis of probability, statistics and experimental design useful and necessary for the Engineer's eld of study. Workshops are also developed as complement and application of
theory to analyze real data of interest for the Mechanical Engineer; these workshops are
focused on the measurement of physical variables such as: pressure, ow and deformation respectively by a pressure transducer, axial turbine ow meter and an instrumented
portable beam with Strain Gage.
3 Graduation
Project.
4 Fisico-Mecnicas
Faculty. School of Mechanical Engieniering. Director: Carlos Borrs Pinilla.
40
GLOSARIO
Adquisicin de datos. La actividad de medicin, transmisin y grabacin de seales

elctricas procedentes de sensores, interruptores y transductores. A menudo implica
la conversin de estas seales en informacin digital por ordenador compatible.
Aleatoriamente o al azar. Cuando todos los elementos que constituyen o conforman

una poblacin, tienen la misma posibilidad de ser seleccionados. Generalmente la
palabra azar implica que el proceso considerado es, en algn sentido probabilstico.
Alcance. El alcance de entrada o salida se especica con el valor mximo y mnimo de

la magnitud de la seal de entrada o salida correspondientemente.
Anlisis de Incertidumbre. Proceso para identicar los errores en una medicin y

cuanticar sus efectos.
Anlisis de Regresin. Consiste en determinar la relacin o dependencia que puede

existir entre dos variables, se habla tambin de anlisis de covarianza o variabilidad
conjunta de dos variables.
Anlisis de Varianza. Es el procedimiento estadstico para comparar las medias poblacionales.
Byte. Ocho bits de datos relacionadas, un nmero binario de ocho bits. Tambin se
utiliza para denotar la cantidad de memoria requerida para almacenar un byte de
datos.
Calibracin. Conjunto de operaciones que establecen, en condiciones especicadas, la

relacin entre los valores de magnitudes indicados por un instrumento de medicin
o por un sistema de medicin, o los valores representados por una medida materializada o por un material de referencia, y los valores correspondientes determinados
por medio de patrones. Ajuste de calibracin. Operacin que modica las lecturas
o seales de salida de un instrumento mejorando su correccin de calibracin. El
ajuste ms caracterstico es el de cero (zero) y multiplicacin (span).
Campo de Medida (Range). Espectro o conjunto de los valores de la variable medida

que estn comprendidos dentro de los limites superior e inferior de la capacidad de
medida o de transmisin del instrumento; se expresa estableciendo los dos valores
extremos.
41
Campo elctrico. Es la fuerza de origen elctrico que experimenta la unidad de carga

elctrica positiva en ese punto.
Carga elctrica. Es la cantidad de electricidad que posee un cuerpo. Hay dos tipos de
carga elctrica negativa y positiva.
Certicado de calibracin. Documento emitido por un laboratorio de calibracin

acreditado o no acreditado, en el cual presenta los resultados obtenidos al emplear un mtodo de calibracin. Para el caso de los laboratorios de calibracin
no acreditados, estos deben demostrar la trazabilidad de todos los instrumentos y
elementos utilizados en la calibracin.
Ciencia. Conjunto de conocimientos obtenidos mediante la observacin y el razonamiento, sistemticamente estructurados y de los que se deducen principio y leyes
generales.
Cientco. Que tiene que ver con las exigencias de precisin y objetividad propia de la
metodologa de las ciencias.
Clase. Utilizada en las distribuciones de frecuencias, el agrupar los datos en intervalos,

por lo tanto cada uno de ellos tendr limites inferiores y superiores en cada clase,
que algunos denominan como fronteras de clase.
Coeciente de Determinacin. Nos indica el porcentaje de dependencia de la variable

dependiente en base a la asignacin de valores a la variable independiente.
Comprobabilidad. un diseo comprobable se dene como aquel que incluye utilidades

que permiten realizar una comprobacin simple, eciente y efectiva.
Convertidor de analgico a digital. Un dispositivo electrnico que convierte las

seales analgicas en un formato digital equivalente.
Correlacin Lineal Simple. Son los mtodos estadsticos que nos permiten determinar
la posible relacin o asociacin entre dos variables.
Corriente. La intensidad de la corriente elctrica que circula po un conductor, es la

cantidad de carga elctrica que atraviesa la seccin del conducto por unidad de
tiempo.
Covariable. Variables adicionales que afectan a la respuesta y no pueden ser controladas.
42
Cuartiles. Son medidas de posicin que dividen el conjunto de observaciones de una

variable en clases, conteniendo cada una de ellas una cierta proporcin de observaciones.
Curtosis. Medida estadstica que describe que tan chata es una funcin de distribucin
con respecto a una distribucin normal. Un valor positivo indica que la funcin es
alargada en punta y un valor negativo indica que la funcin es chata con respecto
a la normal. Para una distribucin normal el valor de curtosis es igual 3, si es mayor
que ste valor indica que los valores estn muy alejados de la media y se le llama
kurtosis excesiva. Para valores muy altos de kurtosis se le es atribuido el nombre
de leptokurtosis.
Datos. Son los valores cualitativos o cuantitativos mediante los cuales se miden las
caractersticas de los objetos, sucesos o fenmenos a estudiar.
Datos Estadsticos. Datos numricos referidos a un agregado de elementos individuales, que la estadstica compila, analiza e interpreta.
Analgico a digital (A/D). Trmino genrico que se reere a la conversin de informacin analgica al lenguaje digital de las computadoras.
Deriva. Un instrumento se dice que muestra una deriva si hay un cambio gradual en
sus lecturas sobre un periodo de tiempo sin corresponderse con ningn cambio en
la entrada.
Desviacin Estndar. Esta simplemente mide el grado de dispersin de una muestra.

Diagrama de Barras. mediante este se representan las distribuciones de frecuencias de
variables con valores sin agrupar. La longitud de cada barra sobre el correspondiente
valor de la variable es igual a su frecuencia (absoluta o relativa).
Diagrama de Dispersin. Es una representacin grca que nos permite visualizar la

posible asociacin o relacin entre variables.
Diseo. Plan o estrategia que se desarrolla para obtener la informacin que se requiere
en una investigacin.
Diseo de experimentos. Es el procedimiento de seleccin de datos de la muestra en

el conjunto de X.
Distribucin de la Funcin. Es un graco o una relacin matemtica utilizada para

representar los valores de la variable randmica.
43
Distribucin de probabilidad, de una variable aleatoria es una funcin que asigna a

cada suceso denido sobre la variable aleatoria la probabilidad de que dicho suceso
ocurra. La distribucin de probabilidad est denida sobre el conjunto de todos los
eventos rango de valores de la variable aleatoria.
Dominio. Conjunto de valores que la variable puede tomar dentro del fenmeno estudiado.
Efecto de Interaccin. Dos factores interactan signicativamente sobre la variable

de respuesta cuando el efecto de uno depende del nivel en est el otro.
Elemento. Fundamento, mvil o parte integrante de una cosa.

Equilibrio (sistema dinmico). Se presenta en el comportamiento constante de la
salida en el tiempo en la ausencia de perturbaciones.
Error. Es la diferencia entre el resultado de la medida y el valor real de la cantidad que

se quiere medir.
Error Estndar de Estimacin. Es el error que se comete al estimar valores de la

variable dependiente mediante la ecuacin de regresin.
Error tipo I: Es cuando se rechaza Ho (hiptesis nula) siendo que es verdadera.

Error tipo II: Es cuando se acepta Ho (hiptesis nula) siendo que es falsa.
Error Experimental. Es una fuente de variacin que permite evaluar el efecto de los
tratamientos.
Errores de carga. Son errores sistemticos producidos por la insercin del instrumento
de medida en la posicin en la que se ha de realizar la medida.
Error de Medicin. Es la diferencia entre el valor verdadero y el valor medido. Es un

valor especco.
Error de Modelado. Deciencia reconocible no debida a la falta de conocimiento.

Error de Precisin. Medicin estadstica de la variacin del valor medido durante
repetidas mediciones.
Error Total. Raz cuadrada de la suma de los cuadrados (RSS) de todos los errores
que pueden afectar un sistema de medicin.
44
Escala. La escala de un instrumento indicador es la matriz de marcas, junto con sus

cifras asociadas, sobre la cual se indica la posicin de una aguja, un punto luminoso,
u otra forma de ndice.
Espacio de Muestra. Es el conjunto de todos resultados elementales que pueden obtenerse en un experimento.
Estabilidad. Un sistema es estable si al aplicar al aplicarle una entrada de magnitud

nita, entonces la salida es tambin nita.
Estabilidad absoluta. Es el estudio de la estabilidad de un sistema.

Estabilidad relativa. Estudia el grado de estabilidad de un sistema estable.
Estadstica. La Estadstica estudia los mtodos cientcos para recoger, organizar, resumir y analizar datos, as como para sacar conclusiones vlidas y tomar decisiones
razonables basadas con tal anlisis.
Estadstico. Unidad de medida referente a la muestra. Se le llama estadstico tambin

a la persona que trabaja con la estadstica.
Estadstico de Prueba. Nmero calculado a partir de los datos, cuya magnitud permite
discernir si se rechaza o se acepta la hiptesis nula.
Estndar. De acuerdo con la denicin de la Real Academia Espaola, estndar es

aquello que sirve como tipo, modelo, norma, patrn o referencia . Y estndar de
calidad es el que rene los requisitos mnimos en busca de la excelencia dentro de
una organizacin.
Estimador puntual. Estadstico calculado a partir de informacin de la muestra para

estimar el parmetro poblacional.
Estimadores de mnimos cuadrados. Son cantidades que se pueden calcular a partir

de los datos.
Exactitud. Diferencia entre el valor verdadero y el valor medido.

Experimento. Es el proceso de recoleccin de datos de una muestra.
Experimento Aleatorio. Ocurre, cuando al repetirlo en condiciones idnticas es imposible predecir su resultado.
45
Factor bloque. En algunos casos el factor ruido puede ser jado en distintos niveles,
de modo que es posible controlar su efecto a esos niveles. Entonces la forma
de actuar es mantener constante el nivel del factor para un grupo de unidades
experimentales, se cambia a otro nivel para otro grupo y as sucesivamente. Estos
factores se denominan factores de bloqueo y las unidades experimentales evaluadas
en un mismo nivel del bloqueo se dice que pertenecen al mismo bloque.
Factores. Son las variables independientes que pueden estar relacionados con una respuesta variable Y.
Factores Controlables. Son variables de proceso y/o caractersticas de los materiales

y los mtodos experimentales que se pueden jar en un nivel dado.
Fiabilidad. Se dene como la posibilidad de que opere dentro de unos niveles especicados de prestaciones durante un periodo determinado y bajo unas condiciones
ambientales precisas.
Frecuencia. Nmero de veces en que se repite un dato.

Frecuencia absoluta. La frecuencia absoluta de un valor de variables es el nmero de
observaciones iguales a dicho valor, equivalentemente, el nmero de unidades de
poblacin que tiene ese valor de la variable.
Frecuencia de muestreo. Algunos instrumentos toman muestras de la variable a intervalos regulares. Cuanto mayor sea la frecuencia de muestreo, ms fcilmente
las lecturas que hace el instrumento reejaran una entrada rpidamente variable.
Frecuencia Relativa. Es la proporcin entre la frecuencia de un intervalo y el nmero

total de datos.
Fuerza. Causa que tiende a producir un cambio en el movimiento de un cuerpo al cual

se le aplica. Existen fuerzas de contacto, que tienen un contacto fsico directo con
el cuerpo; y fuerzas de campo, que son ocasionadas por la existencia de un campo
gravitacional, elctrico o magntico y no existe un contacto fsico.
Ganancia de un instrumento. Factor por el cual se multiplica la seal bajo medicin

para obtener la variable que presenta el instrumento como medida.
Grados de libertad. Son parmetros que denen las distribuciones t, ji cuadrada y F,

y se determinan a partir de los tamaos mustrales involucrados.
46
Gravedad (g). Aceleracin gravitacional constante, varia ligeramente en la supercie

terrestre, pero para efectos de clculos tiene un valor constante de 9.81 [m/s2]
32.2 [ft/s2].
Gravimetra. Es un mtodo analtico cuantitativo; es decir, que determina la cantidad

de sustancia, midiendo el peso de la misma (por accin de la gravedad).
Hardware. Por lo general se reere a los componentes fsicos de un sistema de adquisicin de datos, tales como PCs, tarjetas, dispositivos de conversin de datos, etc.
Heteroscedstico. Nombre que se le da al diagrama de dispersin cuando la dispersin

vertical vara demasiado.
Hiptesis. Es una suposicin que establece relaciones entre los hechos o fenmenos,
mediante dos o ms variables (v. independiente y v. dependiente), y a la que
todava falta una comprobacin.
Histresis. El error de histresis es la diferencia entre los valores medidos obtenidos

cuando la cantidad medida se ha incrementado o ha decrecido sobre ese valor.
Histograma. Es una serie de rectngulos con bases iguales al rango de los intervalos y
con rea proporcional a sus frecuencias.
Homoscedstico. Nombre que se le da al diagrama de dispersin cuando la dispersin

vertical no vara demasiado.
Incertidumbre. Intervalo en el que se encuentra, con una elevada probabilidad, el valor

convencionalmente verdadero de la medicin.
Incertidumbre de medicin. Es una estimacin del error en una medida. Representa

un rango de valores posibles que error podra asumir para una medicin especca.
Incertidumbre de modelado. Deciencia potencial debido a la falta de conocimiento.

Inferir. Es emitir juicios o conclusiones basados en algn conocimiento o experiencia
sobre un evento o suceso.
Inferencia Estadstica. Proceso mediante el cual se utiliza la informacin obtenida a

partir de los datos de una muestra para extraer conclusiones acerca de la poblacin
de la que sta proviene.
Instrumentacin. Es la aplicacin de tcnicas y conocimientos de ingeniera, de dispositivos de mecanismos para detectar, medir, registrar y controlar un variable o
47
un conjunto de ellas que pueden estar asociadas en la elaboracin de un producto,

en la operacin de una maquina o en cualquier tipo de proceso.
Instrumento. Es un aparato que se usa para comparar magnitudes fsicas mediante

un proceso de medicin. Como unidades de medida se utilizan objetos y sucesos
previamente establecidos como estndares o patrones y de la medicin resulta un
nmero que es la relacin entre el objeto de estudio y la unidad de referencia. Los
instrumentos de medicin son el medio por el que se hace esta conversin.
Interfaz
grca de usuario. Un intuitivo, medios grcos de comunicacin de informacin

entre los dispositivos basados en computadoras y usuarios humanos. Este puede
parecerse a los paneles frontales de instrumentos u otros objetos asociados con un
programa de ordenador.
Intervalo. Es la variacin mxima entre el valor mximo y mnimo ya sea de la seal

de entrada o salida.
Intervalo de Conanza. Conjunto de valores formado a partir de una muestra de datos

de forma que exista la posibilidad de que el parmetro poblacional ocurra dentro
de dicho conjunto con una probabilidad especica llamada nivel de conanza.
Investigar. Hacer diligencias para descubrir algo. Realizar actividades intelectuales y experimentales de modo sistemtico con el propsito de aumentar los conocimientos
sobre una determinada materia.
Legibilidad. Es la cercana con la que la escala del instrumento es leda por un experimentador. Es un valor subjetivo que no entra en la evaluacin de la incertidumbre
del instrumento.
Margen. El margen o intervalo total de un instrumento son los lmites entre los que se
pueden realizar las lecturas.
Masa. Cantidad de materia que contiene un cuerpo. Propiedad que da la inercia, es

decir resistencia a moverse o detenerse.
Media del Error Absoluto. Es la media del valor absoluto de los residuos, y sirve para
ver cunto falla en promedio el modelo de hacer la estimacin de la variable de
respuesta.
Medir. Es la comparacin con una unidad de medida legalmente establecida, la cual

est relacionada con escalas.
Mtodo. Procedimiento que se sigue en las ciencias para hallar la verdad y ensearla.
48
Mnimos Cuadrados. Es un mtodo que nos permite determinar la ecuacin de mejor

ajuste a los datos, para realizar estimaciones de la variable dependiente.
Modelo (matemtico). En general una descripcin matemtica para un sistema dinmico.
Muestra. Un subconjunto representativo seleccionado de una poblacin donde se realizo

un experimento y datos numricos fueron obtenidos.
Nivel. Es la intensidad de la jacin de un factor, es decir, el valor asumido por una

serie de factores en un experimento.
Nivel de conanza. Valor (1 -) de la probabilidad asociada a un intervalo de conanza, se expresa frecuentemente como porcentaje.
Norma. Solucin que se adopta para resolver un problema repetitivo, es una referencia
respecto a la cual se juzgar un producto o una funcin y, en esencia, es el resultado
de una eleccin colectiva y razonada.
Parmetro. Parmetro es condicin variable a la que se asignan unos valores determinados y jos.
Patrn. Proporciona el mtodo de comparacin segn el cual un instrumento se ha

calibrado.
Patrn de referencia. Patrn que generalmente posee la mxima calidad metrolgica

disponible en un sitio dado o en una organizacin dada, a partir de la cual se
derivan las mediciones hechas.
Patrn de trabajo. Patrn que se utiliza rutinariamente para calibrar o comprobar

medidas materializadas, instrumentos de medicin o materiales de referencia
Patrn Internacional. Patrn reconocido mediante acuerdo internacional, utilizable

como base para asignar valores a otros patrones de la magnitud que interesa.
Patrn Nacional. Patrn reconocido mediante una decisin nacional utilizable en un

pas, como base para asignar valores a otros patrones de la magnitud que interesa.
Peso. Se dene como la fuerza que ejerce la tierra sobre ste debida a su masa. P =
mg, donde P es el peso, m es la masa y g es la gravedad.
Poblacin. Es la coleccin ya sea de un nmero nito de mediciones o una coleccin

grande, virtualmente innita, de datos acerca de algo de inters. Si la desviacin
49
tpica es pequea, los datos estn agrupados cerca de la media; si es grande, estn
muy dispersos.
Precisin o Exactitud, de una medida es el grado en que diere del valor verdadero,
es decir, el grado de incertidumbre.
Probabilidad. Es la parte de las matemticas que se encarga del estudio de los fenmenos o experimentos aleatorios.
Procedimiento de medicin. se obtienen de un reejo cuantitativo del valor de las

magnitudes fsicas, para satisfacer necesidades humanas, cientcas o tecnolgicas,
utilizando medios de medicin.
Procesamiento digital de seales. La manipulacin de la informacin de la seal,

mientras que existe en forma digital en vez de analgica.
Proceso. Es el conjunto de operaciones necesarias para modicar las caractersticas de

las materias primas. Por lo general, para la obtencin de un cierto producto, se
necesitan mltiples operaciones individuales.
Rango. Seala la amplitud de la variacin de un fenmeno entre su lmite menor y uno

claramente mayor. El rango estadstico, por lo tanto, es el intervalo que contiene
dichos datos y que puede calcularse a partir de restar el valor mnimo al valor
mximo considerado.
Regin de Aceptacin. Son los posibles valores donde no se rechaza la hiptesis nula.
Regin de Rechazo. Es el conjunto de valores estadsticos de prueba que llevan a
rechazar la hiptesis nula.
Repetibilidad. Es la capacidad de reproduccin de las mediciones sucesivas en una

medicin (variable detectada por posiciones o del ndice o de la seal de salida
del instrumento), al medir repetidamente valores idnticos en la medicin en las
mismas condiciones de servicio y en el mismo sentido de variacin, recorriendo
todo el campo.
Repeticin. Es una rplica de la aplicacin de un tratamiento en otra unidad experimental bajo las mismas condiciones.
Resolucin. Es la menor divisin indicada fsicamente que el instrumento muestra o

marca.
Respuesta en frecuencia. Respuesta de un sistema a una entrada senoidal.

50
Respuesta en estado estable. Hace referencia a la manera en la cual se comporta la

salida del sistema conforme el tiempo tiende a innito.
Robustez. Representa una medida de la sensibilidad de un sistema a la variacin de

parmetros.
Ruido. Es el trmino utilizado para las seales no deseadas que son recogidas por un
instrumento y dan como resultado errores aleatorios.
Seal. Es una alteracin que se introduce o que aparece en el valor de una magnitud
cualquiera y sirve para transmitir informacin.
Seal Elctrica. Es una alteracin en una tensin, corriente, potencia u otra magnitud
elctrica utilizada para transmitir informacin.
Serie Estadstica. Conjunto de observaciones o medidas realizadas en una poblacin,

atendiendo a una o varias caractersticas.
Sesgo. Medida estadstica que describe la simetra de una distribucin partiendo de un

promedio. Si es igual a cero, la distribucin es simtrica; si es positiva, la asimetra
se presentara en los valores positivos, y de igual forma para un valor negativo.
Sistema. Conjunto de elementos que, ordenadamente relacionadas entre s, contribuyen

a determinado objeto.
Sistema de lazo cerrado. Sistemas con retroalimentacin, la salida vuelve al principio

para que analice la diferencia y en una segunda opcin se ajuste ms, as hasta
que el error es cero.
Sistema de lazo abierto. Sistemas sin retroalimentacin, la salida no se compara con

la entrada y la precisin depende de la previa calibracin del sistema.
Tabla Estadstica. Sirven para contener los datos de la serie de una forma ordenada
y fcil de consultar.
Teorema de Nyquist. Ley de la teora del muestreo indica que los datos de frecuencia
de muestreo debe ser al menos el doble de las variaciones de frecuencia ms alta
en la seal de inters. Debe ser observado para preservar los patrones en los datos
y de no introducir articial, patrones de frecuencia ms baja.
Tiempo de respuesta. Tiempo que transcurre desde que hay un cambio en la cantidad
que se quiere medir hasta que el instrumento de medida responda correctamente
al cambio.
51
Tolerancia. Intervalo especicado de valores dentro del cual debe estar un resultado,
la cual es determinada por la criticidad del proceso o de la medicin.
Transmitancia. Trmino aplicado a la relacin de la funcin de salida con respecto a

la funcin de entrada en la transformada de Laplace.
Tratamiento. Factor sometido a estudio y comparacin en un experimento.

Trazabilidad. Propiedad del resultado de una medicin o de un valor de un patrn,
en virtual de la cual ese resultado se puede relacionar con referencias estipuladas,
generalmente patrones nacionales o internacionales, a travs de una cadena ininterrumpida de comparaciones que tengan todas las incertidumbres determinadas.
Variable. Es una caracterstica (magnitud, vector o nmero) que puede ser medida,
adoptando diferentes valores en cada uno de los casos de un estudio. Se encuentran
dos tipos de variables en estudio, la variable respuesta y las variables explicativas
o controladas:
- Respuesta. Variable medida a las unidades experimentales, es el resultado de la

realizacin de un experimento.
- Controlada. Manejada por el investigador (es decir que, los valores o niveles de
la variable son determinados a priori por el investigador), interesa determinar
su inuencia sobre la variable respuesta. Esta variable tambin es llamada
Factor, los valores que toma la variable son llamados los niveles del factor.
Estas variables pueden ser cuantitativas o cualitativas (Temperatura, Raza).
Son usadas para clasicar poblaciones, una por cada nivel del factor.
Unidad experimental. Es el objeto sobre el cual la respuesta Y se mide.
52
INTRODUCCION
El papel de la Estadstica en la investigacin y la Ingeniera juega cada vez un rol ms
importante en el entendimiento y desarrollo de la ciencia y tecnologa. Al analizar datos
o informacin recopilados en experimentos de cualquier tipo, se observa en la mayora
de las ocasiones que dichos datos estn sujetos a algn tipo de incertidumbre, los cuales
deben ser estudiados y analizados en forma critica por el investigador o el profesional para tomar decisiones con alto grado de conabilidad. El anlisis probabilstico de
datos experimentales cumple un papel primordial en la implementacin y desarrollo de
investigaciones y procesos analticos en la ingeniera, por ello surge la necesidad de su
aplicacin como una manera de contribuir a un aumento signicativo de la calidad, seguridad, conabilidad, productividad y control en diferentes procesos o sistemas. Resulta
indispensable que el ingeniero posea conocimientos bsicos del uso y aplicacin de las
herramientas probabilsticas.
Sin duda alguna, una de las formas de empezar a difundir en la comunidad universitaria de
la Escuela de Ingeniera Mecnica el uso y la importancia de dichas herramientas es mediante el desarrollo de un Seminario de Investigacin en Mtodos Probabilsticos Aplicados
al Diseo de Experimentos para Ingenieros, el cual permitir introducir bases fundamentales de estadstica, probabilidad y sus mtodos de aplicacin que pueden ser tiles en
cualquier campo de inters del ingeniero mecnico, logrando as formar profesionales
idneos capaces de aplicar y analizar estos mtodos mediante la experimentacin.
El Seminario de Investigacin en Mtodos Probabilsticos Aplicados al Diseo de Experimentos para Ingenieros es un proceso reexivo, sistemtico y crtico que tiene como
propsito fortalecer en el estudiante las habilidades requeridas en el manejo de la informacin y la comunicacin para desarrollar investigacin cientca, valindose de la
formacin para el trabajo tanto personal como en equipo, iniciando el estudio de nuevos
objetos de investigacin de inters para la Escuela de Ingeniera Mecnica mediante una
dinmica que comprende actividades de relatora, correlatora, discusin y elaboracin de
un documento de sntesis, en el cual se incluye el estudio de los referentes contextuales
en mtodos Probabilsticos, desarrollando as todo el tema de manera compacta, lgica
y coherente entre los subtemas que conforman el seminario.
Adicionalmente se desarrollaran talleres los cuales sern un complemento prctico de la

parte terica que se tratara en el Seminario de Investigacin, donde se harn procedimientos correctos de los cuales se obtienen datos tiles a los que se les aplica un anlisis
probabilstico.
53
La escuela de Ingeniera Mecnica en su misin contempla la construccin, aplicacin

y divulgacin del conocimiento cientco. Por ello, es necesario estudiar el uso de herramientas estadsticas y probabilsticas a procesos industriales relacionados con la ingeniera.
54
Parte I
SEMINARIO DE
INVESTIGACIN
55
1. GENERALIDADES DEL SEMINARIO

DE INVESTIGACIN
1.1 CONCEPTUALIZACIN DE SEMINARIO DE

INVESTIGACIN
El Seminario de Investigacin, tambin conocido como Seminario Alemn (ver Anexo A),
es una actividad acadmica cuyo origen se dio a nales del siglo XVIII en la Universidad
de GITANEEN de Alemania, para renovar las estrategias de estudio y formacin de los
investigadores, adems para demostrar que la docencia y la investigacin se pueden unir
5
y complementar para obtener mejores resultados .
Consiste en estudiar, discutir e intercambiar experiencias acerca de un tema en particular, en un grupo, en el cual sus participantes se intercomunican exponiendo dicho tema
(la Relatora) complementndolo, evalundolo (Correlatora), aportando entre todos (la
Discusin), sacando conclusiones y planteando nuevos interrogantes lo que permite que
todo ello quede en la memoria escrita (el protocolo).
El Seminario de Investigacin se programa por subtemas, estos son seleccionados con

la orientacin del director del seminario, quien con su experiencia y conocimiento del
tema central, gua la seleccin con la debida pertinencia, actualidad y ubicacin en el
contexto. Los temas son desarrollados en sesiones planicadas, en las cuales los miembros
del grupo deben asumir diferentes roles de acuerdo con la descripcin anterior y mantener
una relacin de inters y compromiso con el conocimiento sin jerarquas en un clima de
colaboracin y participacin activa.
1.2 OBJETIVO DEL SEMINARIO DE INVESTIGACIN

Formar a los participantes en la investigacin cientca mediante el desarrollo de habilidades especcas aplicadas al asumir los diferentes roles dentro del seminario. Dichas
habilidades estn orientadas a desarrollar la capacidad de lector crtico de resultados de
5 Universidad
Industrial de Santander. Lineamientos para el seminario de investigacin como modalidad para el desarrollo del trabajo de grado. Correctora acadmica. Septiembre de 2007
56
investigacin en cualquiera de las reas del conocimiento, a fortalecer la capacidad de observar e identicar los problemas presentes en temas bajo anlisis, a buscar respuestas a
preguntas clave y sustentarlas terica y metodolgicamente en forma verbal y por escrito;
y a identicar las relaciones del problema objeto de estudio con el contexto econmico,
poltico o social a n de enriquecer, con una mirada de integralidad, el conocimiento para
el grupo de estudiantes. Para ello se programan y ejecutan ejercicios estructurados que
permiten a los estudiantes desarrollar competencias iniciales de investigador, avanzar en
el conocimiento y aportar buenas revisiones y anlisis sobre temas que pueden facilitar
el desarrollo de la investigacin.
Para alcanzar dicho objetivo es preciso que haya una formacin desde el trabajo personal
hacia el trabajo en equipo; para esto, cada participante debe reconocer sus intereses,
estilos de aprendizaje, capacidades para aprender en interaccin con pares; adems debe
apropiarse de la metodologa y los instrumentos con los cuales trabajar con el n de
lograr al interactuar con los dems miembros del grupo en las sesiones del seminario,
compartir, criticar y corregir las ideas que surjan de l en un ambiente de colaboracin
mutua.
Los seminarios de investigacin no se enfocan hacia la repeticin de trabajos ya realizados, sino hacia la bsqueda de respuestas con nuevos argumentos; por tal razn los
trabajos que se deriven del cumplimiento del objetivo del Seminario deben caracterizarse
por su originalidad y estar acordes al nivel cientco de formacin de sus participantes.
1.3 VENTAJAS DEL SEMINARIO DE INVESTIGACIN

El seminario de investigacin, como herramienta para el desarrollo integral, presenta las
siguientes ventajas:
Permite a los participantes contar con un director (profesor) durante el seminario, el

cual les gua hacia la consecucin de los propsitos establecidos y resuelve las dudas
e inquietudes, orienta sobre las fuentes de consulta y ayuda a los miembros del
grupo en la bsqueda de informacin para suplir las necesidades que se presenten.
Fortalece el hbito de documentarse acerca del tema bajo estudio. Para esto los
participantes recurren a fuentes bibliogrcas, bases de datos y textos de referencia
57
obligada; este ejercicio refuerza el desarrollo de las competencias interpretativas,

argumentativas y propositivas; permite apropiarse y aprender de los mtodos que
emplearon los autores de los artculos y textos, as como tambin reconocer su
valor y aporte a la investigacin.
Permite que los participantes desempeen diferentes roles dentro del grupo y desarrollen habilidades comunicativas y de relaciones interpersonales complementarias
para la formacin tanto personal como profesional.
Fomenta el aprendizaje como una experiencia grupal. Permite experimentar la eciencia del trabajo en equipo y, si el grupo est conformado por estudiantes de
diferentes reas del conocimiento, la riqueza de la interdisciplinariedad, caractersticas todas aplicables y necesarias en el desempeo laboral del mundo de hoy.
Permite el uso de distintas herramientas didcticas de apoyo al desarrollo de las
sesiones, as como un control sobre la planicacin establecida de stas.
Es una metodologa integradora centrada en el estudiante con amplio potencial
para fortalecer la habilidad de aprender a aprender, fundamental para tomar el
perl del ciudadano del siglo XXI, quien deber asumir el compromiso de aprender
a lo largo de la vida como la plantea J. Delors
1.4 CARACTERSTICAS DEL SEMINARIO DE INVESTIGACIN

El seminario de investigacin consta las siguientes caractersticas:
Participacin activa de todos los miembros del seminario, puesto que no solo el
director (profesor) interviene, sino que tambin todos los integrantes del grupo
realizan su aporte desde el rol que estn desempeando. En este proceso los discpulos participantes empiezan a recorrer el camino hacia Maestros.
El Seminario de Investigacin est conformado por un grupo reducido, de aprendizaje activo y cooperativo; inducido a investigar, reexionar, descubrir y concluir
informacin del tema.
Empleo del dialogo permanente para compartir los conocimientos adquiridos.
6 Jaques
Delors et al. La Educacin Encierra un Tesoro. Informe a la UNESCO de la Comisin

Internacional sobre la educacin para el siglo XXI. Pars, 1996.
58
Fomenta un ambiente amable y cooperativo que mejora la participacin de los

integrantes del grupo.
Se desarrolla en sesiones que utilizan medios didcticos de apoyo al aprendizaje.
La estructura, todas las actividades y parmetros para desarrollar el seminario son
planicados en la primera sesin.
El seminario de investigacin exige a los participantes una alta responsabilidad
para lograr la preparacin adecuada que les permita tener bases para llevarlo a ca
1.5 ORGANIZACIN DEL SEMINARIO DE INVESTIGACIN

El Seminario de Investigacin se compone de las siguientes actividades: la Relatora, la
Correlatora, la Discusin y el Protocolo, las cuales deben girar en torno a un tema, del
que se desprenden los subtemas que se trataran durante las sesiones.
Dichas actividades son responsabilidad de los integrantes del grupo, por lo cual a cada
uno de ellos es asignado un rol de carcter rotativo; es as como una persona que en
una sesin asume el rol de correlator podr ser el protocolante en la siguiente, es decir,
el responsable del protocolo.
La organizacin del seminario tambin implica establecer el lugar donde se llevar a cabo,
el nmero de sesiones y las fechas para realizarlo; as como la duracin de cada una de
ellas.
El seminario de Investigacin en Mtodos Probabilisticos Aplicados al Diseo de Experimentos Para Ingenieros esta integrado por:
Director: Ing. Carlos Borrs Pinilla
Participantes: JOHANA ANDREA ARIZA MORENO

LAIDY ESPERANZA HERNNDEZ MENA
A los participantes se les asigna un rol para cada sesin. La sesiones se llevan a cabo en
las instalaciones de la Escuela de Ingeniera Mecnica. El nmero de sesiones depende
59
del tema y los subtemas mostrados en la Tabla 2. Las sesiones estn programadas para
una duracin de dos horas.
1.6 TEMA DEL SEMINARIO DE INVESTIGACIN

El seminario de investigacin tratar los mtodos probabilisticos aplicados al diseo de
experimentos para ingenieros, los cuales constituyen una herramienta fundamental en
el anlisis de datos obtenidos experimentalmente, contribuyendo especialmente en la
ingeniera de conabilidad como base para la toma de decisiones que ayuden a disear,
mejorar y optimizar procesos nuevos o existentes garantizando una mejora continua.
El conocimiento de la estadstica y la probabilidad se convierten en una herramienta
poderosa para ayudar a los ingenieros y cientcos en el buen tratamiento de datos con
los que se trabajan frecuentemente.
El anlisis probabilistico es un proceso dinmico que contempla diversos factores derivados del diseo experimental permitiendo analizar la variabilidad de los datos obtenidos
estudiando los factores que intervienen en dicha variacin desde la etapa de medicin
hasta la obtencin y tratamiento de datos, pues la validez de las conclusiones que se
obtienen de un experimento dependen en gran medida de la manera en que ste se
efectu.
1.7 DIRECCIN DEL SEMINARIO DE INVESTIGACIN EN MTODOS PROBABILISTICOS APLICADO AL DISEO DE EXPERIMENTOS PARA
INGENIEROS.
La direccin del seminario de Investigacin en Mtodos probabilisticos aplicados al diseo
de experimentos para ingenieros estuvo a cargo del profesor: Carlos Borrs Pinilla que
cuenta con una amplia experiencia en la docencia, en la industria y en el campo de la
investigacin a nivel nacional e internacional.
Su principal funcin es orientar y liderar la investigacin, brindando la asesora requerida
para encaminar los trabajos y tareas hacia el cumplimiento de lo programado, brindando
un adecuado ambiente de trabajo e interviniendo durante las sesiones corrigiendo y
complementando las opiniones de los participantes, propiciando el debate para enriquecer
la argumentacin y la participacin critica durante el seminario.
60
1.8 METODOLOGA
Para llevar a cabo el seminario de Investigacin en Mtodos Probabilisticos Aplicados al
Diseo de Experimentos para Ingenieros satisfactoriamente se debe hacer una adecuada
planeacin y organizacin de las sesiones con el n de garantizar la uidez de las mismas
y el cumplimiento de los objetivos planteados, para esto se desarrollan diferentes etapas
contenidas en tres grupos: planeacin, ejecucin y nalizacin; las cuales se relacionan
entre s, dependiendo cada una de la anterior. En los siguientes captulos se explicara
detalladamente la planeacin, ejecucin y nalizacin.
1.9 RESULTADOS DEL SEMINARIO DE INVESTIGACIN

El Seminario de Investigacin tiene como objetivo fundamental que los estudiantes entren
en contacto con los marcos tericos existentes sobre el tema de estudio, para que sobre
esa base realicen sus propias producciones. Como resultado del cumplimiento se desarrolla
un proceso dinmico donde todos aporten en cada sesin y as generar un documento
sntesis que reeje el trabajo y el valor agregado dado por los estudiantes que desarrollan
el Seminario.
Se espera que este proceso de investigacin no nalice sino que sea el punto de partida
para el desarrollo de Seminarios de Investigacin futuros, pues no se abarcan todos los
temas que se desean y se debe tener en cuenta que la investigacin siempre da cabida a
nuevos interrogantes que llevaran a otros estudios complementarios del tema de inters.
61
2. PLANEACIN
En esta etapa se establecieron los lineamientos bajo los cuales se desarroll el seminario,
se derieron los alcances y resultados que se esperaban obtener mediante la seleccin
del tema, el estudio bibliogrco, los subtemas, y la planicacin de las sesiones.
Los alcances y objetivos del seminario fueron:
Elaborar un documento sntesis original donde se recopilen los resultados de la

investigacin y la discusin realizada en cada sesin a partir de los resmenes, las
relatoras recopiladas complementadas con talleres, y los protocolos en el seminario
de investigacin de acuerdo con los siguientes temas especicados en la tabla2.
Realizar presentacin en Power Point de los temas estudiados de acuerdo a los
lineamientos en la tabla 2.
Utilizar diferentes herramientas computacionales como: Ltex, para la edicin de
documentos cientcos de alta calidad; LabVIEW y/o Matlab para simulacin y
recopilacin de datos experimentales.
Elaborar talleres para profundizar, aplicar conceptos y objetos de investigacin
discutidos en la tabla2, respaldado con documentos que sern entregados por los
autores del Seminario de Investigacin.
TALLERES
Los talleres sern un complemento de la parte terica que se tratara en el Seminario de
Investigacin. En ellos se harn procedimientos correctos en los cuales se encontrara y
arrojara datos tiles como si las herramientas utilizadas tuviesen un seguimiento patronal.
Anlisis de esfuerzos de una viga en voladizo porttil instrumentada con Strain Gage
(certicacin del fabricante) cuyo objetivo es determinar: a. Modulo de elasticidad a la

exin, utilizando herramientas estadsticas. b. Determinacin de la relacin de Poisson.
Anlisis de esfuerzos en una viga con un concentrador de esfuerzos.

Procedimiento para calibrar un transductor de presin en un intervalo de 0 a 30 bar.
Proceso de calibracin de un ujmetro para equipos hidrulicos entre intervalo mnimo
de 0 a 1 GPM. El ujmetro es de tipo turbina axial.
Proceso de adquisicin digital y anlisis de datos. Medicin y anlisis en el dominio de
la frecuencia de un sonido.
62
2.1 ESTUDIO Y SELECCIN DEL MATERIAL BIBLIOGRFICO

Antes de iniciar el Seminario de Investigacin en Mtodos Probabilisticos Aplicados al
Diseo de Experimento Para Ingenieros, se deni la bibliografa para estudiar el tema
seleccionado y cada uno de los estudiantes se documento dependiendo de los requerimientos y acudiendo algunas veces a otras fuentes. Para el estudio de los temas, la
bibliografa usada corresponde a libros, normas y artculos, estos documentos se detallan
a continuacin:
2.1.1 Libros
MENDENHALL, William. y SINCICH, Terry. Statistics for Engineering and the
Sciences. 5 ed. New York, USA.: Pearson Prentice-Hall, Inc, 2007.
Tiene un enfoque dirigido hacia las ideas bsicas de la estadstica. Explica como se
puede describir los datos de prueba, y presenta conceptos bsicos de probabilidad. Hace
referencia a dos temas bsicos para hacer inferencia respecto a los parmetros de la
poblacin: Estimacin de parmetros usando intervalos de conabilidad y prueba de
hiptesis, estos temas son utilizados para hacer un anlisis de ingeniera a los datos
obtenidos en las diferentes experiencias. Tambin incluye temas como el anlisis de
regresin, el anlisis de varianza para el diseo de experimentos, la introduccin a la
estadstica no perimtrica y la estadstica de calidad y control.
MONTGOMERY, Douglas. & RUNGER, George. Probabilidad y Estadstica aplicadas a la Ingeniera. 2 ed.: McGraw-Hill, 1996.
Este libro esta enfocado a los estudiantes de ingeniera, presentando inicialmente una
introduccin de la estadstica, as como a los mtodos bsicos de estadstica descriptiva,
abarca conceptos bsicos de probabilidad, variables aleatorias continuas y discretas, distribuciones de probabilidad, enfocndose a mtodos empleados para resolver problemas
reales de ingeniera de una manera practica.
NAVIDI, William. Estadstica para ingenieros y cientcos. 4 ed. Mxico.: McGrawHill, 2006.
63
A lo largo de este libro se presentan temticas como: muestreo y estadstica descriptiva,

probabilidad, propagacin de errores, distribuciones comnmente usadas como Bernoulli, binomial, de Poisson, entre otras; intervalos de conanza, pruebas de hiptesis, correlacin y regresin lineal simple, regresin mltiple, experimentos factoriales y control
estadstico de calidad, con un enfoque ingenierl.
HINES, William y MONTGOMERY, Douglas. Probabilidad y Estadstica para Ingeniera. 4 ed. Mxico.: Cecsa, 2006.
Este libro presenta en su contenido bases sobre la probabilidad y estadstica necesarias

para poder responder ante situaciones cotidianas a las que se enfrentara el ingeniero.
Contiene una clara cobertura de la estadstica, amplias discusiones sobre el control de
calidad, el diseo de experimentos, los diferentes tipos de estimacin de intervalos y
tambin aborda algunos tpicos especiales como la estadstica no paramtrica, los valores
en pruebas de hiptesis y anlisis residual.
PREZ, Csar. Tcnicas de muestreo estadstico: Teora prctica y aplicaciones

informticas. 1 ed. Mxico.: Alfaomega, 2000.
En este libro se presentan tcnicas de muestreo estadstico en su doble faceta terica y

prctica. Adicionalmente se contemplan aplicaciones informticas referentes a las diversas tcnicas de muestreo. Comienza presentando las herramientas bsicas en muestreo
estadstico, explicando de forma completa su utilizacin y teniendo presente que la teora
de la probabilidad es el fundamento de los mtodos de muestreo.
WHEELER, Anthony J. y GANJI, Ahmad R. Introduction to Engineering Experimentation. 2 ed. New Jersey, USA.: Pearson Education, Inc, 2004.
Este material cubre los elementos mas comunes necesarios para disear, ejecutar, analizar
y documentar un experimento en ingeniera o para especicar la instrumentacin de un
proceso de produccin. Adems de las descripciones de los instrumentos mas comunes
el libro incluye tcnicas estadsticas, sistemas de adquisicin de datos y aspectos del
muestreo discreto. Inicialmente hace una introduccin a las caractersticas generales de
los instrumentos y sistemas de medicin elctricos, dando algunas pautas sobre los sistemas de adquisicin de datos, seleccin de dispositivos de medicin, anlisis estadsticos
de datos, sistemas de medicin dinmicos, incertidumbre en la medicin, adems como
planear y documentar un experimento todo esto teniendo en cuenta consideraciones en
mtodos experimentales modernos.
64
HOLMAN, Jack P. Experimental methods for engineers. 6 ed. USA.: McGraw-Hill,

1994.
Este libro representa un primer estudio de mtodos experimentales. Propone discutir un
amplio rango de instrumentos y tcnicas de medicin experimentales, haciendo un fuerte
nfasis en la solucin de problemas de ingeniera y en la importancia de los conceptos
de exactitud, error e incertidumbre en mediciones experimentales. Estudia diferentes
temticas de inters como conceptos bsicos en los sistemas de medicin, anlisis de
datos experimentales, adquisicin y procesamiento de datos; mediciones de ujo, presin,
fuerza , torque y esfuerzo enfocados a la ingeniera usando mtodos experimentales.
DUNN, Patrick. Measurement & Data Analysis for Engineering & Science. 1 ed.
University of Notre Dame, Indiana, USA.: McGraw-Hill, 2005.
Este libro enfatiza en la medicin y anlisis de datos para ingeniera y la ciencia en el
proceso de experimentacin. Su objetivo es exponer las herramientas esenciales de sta
ltima cualidad, el detalle cientco tras estas herramientas, y el rol de la experimentacin
en el proceso cientco.
Presenta perspectivas histricas e ilustraciones de instrumentos y las personas detrs de
los mtodos experimentales, con una explicacin a fondo del rol de la experimentacin;
acercamiento actualizado del anlisis de incertidumbre, y un paquete suplementario extensivo que incluye un extenso manual de ejercicios de laboratorio utilizando la herramienta software Matlab.
FIGLIOLA, Richard. y BEASLEY, Donald. Mediciones mecnicas: Teora y Diseo.
4 ed. Mxico.: Alfaomega, 2008.
Este libro proporciona una referencia oportuna y profunda de las teoras de las mediciones de la ingeniera, permitiendo adquirir, instrumentar y medir datos con exactitud
y precisin en sus tareas de investigacin y experimentacin. Estudia los principios,
teora, comportamiento, diseo y prctica de los sistemas de medicin; adems de los
conocimientos para medir las variables fsicas ms importantes en la ingeniera. Explica
el comportamiento de los sistemas de medicin a travs de la simulacin en un modelo
matemtico, analizando la respuesta del sistema y la relacin entre el diseo y el sistema. Explica el anlisis de incertidumbre proponiendo una metodologa para identicar
y cuanticar errores en el diseo, ejecucin e interpretacin de pruebas.
Se integran los elementos necesarios para el diseo de sistemas de medicin y la medicin en pruebas de proyectos, con nfasis en el papel de la estadstica y del anlisis de
incertidumbre en el diseo.
65
GUTIERREZ, Humberto. Anlisis y diseo de experimentos. 2 ed. Universidad de

Guadalajara, Mxico.: Mc Graw Hill. 2008.
En este libro se describen los aspectos mas importantes del diseo y anlisis de experimentos, y aunque se ven los aspectos matemticos, se hace nfasis en los conceptos
as como en cuando aplicar cada tipo de diseo, como aplicarlo y como hacer el anlisis
e interpretacin de los datos obtenidos mediante el experimento. Se apoya de muchos
ejemplos para resaltar los aspectos relevantes de la aplicacin del diseo y anlisis de
experimentos haciendo evidente la gran utilidad que tiene como herramienta de mejora
e innovacin.
CREUS, Antonio. Instrumentos Industriales su ajuste y Calibracin. 3 ed. Mxico.:

Alfaomega, 2009.
Este libro en su contenido examina las caractersticas de los instrumentos, la calibracin

de los instrumentos de medicin de las variables, presin, caudal, nivel, temperatura y
otras variables con una descripcin de los patrones utilizados. Tambin se examinan los
tipos de mantenimiento correctivo, preventivo y predictivo, la seguridad y abilidad de los
instrumentos, la frecuencia de mantenimiento y la normativa de calidad ISO 9000:2000
aplicada a la instrumentacin.
DOEBELIN, Ernest. Sistemas de Medicin e Instrumentacin: Diseo y Aplicacin.

5 ed. Mxico.: McGraw-Hill. 2005.
Este libro trata a la instrumentacin como una importante ciencia que comienza con
los principios bsicos, aplicando sensores para variables fsicas y se complementa con
la cadena de medicin, con seales condicionadas y con el hadware y software para la
adquisicin y procesamiento de datos. Dentro de sus temticas de estudio se encuentran
los tipos de aplicaciones de instrumentos para la medicin, caractersticas generalizadas
de desempeo o funcionamiento de los instrumentos, dispositivos de medicin, mediciones de variables fsicas, manipulacin y registro de datos entre otros.
CREUS, Antonio. Instrumentacin Industrial. 7 ed. Espaa.: Alfaomega, 2006.
En este libro se examina los trminos que denen al instrumento y un cdigo para su
identicacin, estudiando algunas variables medidas y controladas en los procesos industriales, en particular, la presin, el caudal, el nivel y la temperatura, que son considerados
ms importantes. Describe los errores propios de los instrumentos, un sistema general de
calibracin e instrumentos de comprobacin o patrones.Adems incluye una descripcin
de la evolucin de la instrumentacin de acuerdo con las necesidades de la industria.
66
SOISSON, Harold. Instrumentacin Industrial. 6 ed. Mxico.: Limusa Noriega Editores, 2007.
En este libro se presentan una amplia investigacin de los instrumentos de medicin ya
existentes y se incluyen el principio de operacin y caractersticas de funcionamiento. Se
hace gran nfasis en el instrumento y sus accesorios esenciales necesarios para mediciones
tanto estticas como dinmicas. Se analizan combinaciones mecnicas, hidrulicas, elctricas, electrnicas, y otras, todas ellas esenciales para desempear la funcin de medicin
y control.
NISE, Norman. Control Systems engineering. 5 ed. United States of Amrica.:
John Wiley & Sons, 2008.
Este libro hace hincapi en la aplicacin prctica de la ingeniera en sistemas de control.
Inspecciona un tratamiento equilibrado de los equipos y partes del software del desarrollo
de los sistemas integrados discutiendo su ciclo de vida. Trata temas como: modelado
en el dominio frecuencia, tiempo de respuesta en la reduccin de mltiples subsistemas,
errores de estabilidad de estado, diseo a travs de la frecuencia de respuesta, sistemas
de control digital, analizar y disear sistemas de control de retroalimentacin para la
tecnologa moderna, prcticas en el uso de MATLAB, Simulink, entre otros.
OGATA, Katsuhiko. Ingeniera de Control Moderna. 3 Ed. Mxico.: Pearson Prentice Hall, 1995.
Este libro presenta un tratamiento completo del anlisis y el diseo de sistemas de control
en tiempo continuo. Se presenta material introductorio sobre sistemas de control, el
modelado matemtico de los sistemas dinmicos y desarrolla modelos mediante la funcin
de transferencia y el espacio de estados; incluye un anlisis de clculo de la respuesta
transitoria mediante el uso de MATLAB. Tambin estudia la respuesta de los sistemas
de orden superior y los criterios de estabilidad de Routh y de Nyquist.
OPPENHEIM, Alan V., WILLSKY, Alan S. y HAMID NAWAB, S. Seales y Sistemas. 2 ed. Mxico.: Pearson Prentice Hall, 1997.
Este libro trata conceptos, tcnicas y temas de fundamental importancia para todas las
disciplinas de la ingeniera, no solo se enfoca al anlisis de seales y sistemas ya existentes
sino tambin al diseo de sistemas para procesar seales en formas particulares. Tambin
desarrolla en paralelo los mtodos de anlisis de seales continuos y discretos, ofreciendo
un enfoque con una ventaja pedaggica clara y extremadamente importante. El principal
enfoque de este libro se centra en la clase particular de sistemas lineales invariantes en
el tiempo.
67
2.1.2 Normas
Normas ANSI/ISA S 5.1-1984 (R-1992) American National Standard. Normas
ANSI / ISA Para Instrumentacin Smbolos e Identicaciones. Universidad Tcnica
Federico Santa Maria Sede Via Del Mar, Chile. 2003.
INSTITUTO COLOMBIANO DE NORMAS TCNICAS Y CERTIFICACIN. Trabajos escritos: presentacin y referencias bibliogrcas. NTC 1486. Bogota. El
Instituto, 2008.
INSTITUTO COLOMBIANO DE NORMAS TCNICAS Y CERTIFICACIN. Sistema de gestin de Calidad. Requisitos. NTC-ISO 9001. Bogota.: El Instituto,
2000.
INTERNATIONAL ORGANIZATION FOR STANDARDIZATION. Certicacin de
calidad en servicios, produccin o implementacin de productos. ISO 9002.
INSTITUTO COLOMBIANO DE NORMAS TCNICAS Y CERTIFICACIN. Sistemas de gestin de la medicin para los procesos de medicin y los equipos de
medicin. NTC-ISO 10012. Bogota.: El Instituto, 2003.
NTC-ISO/IEC 17025 : Requisitos generales para la competencia de los laboratorios
y ensayos de calibracin.
NTC 3529: Exactitud (veracidad y precisin) de los mtodos y resultados de la
medicin.
INSTITUTO COLOMBIANO DE NORMAS TCNICAS Y CERTIFICACIN. Sistema de gestin ambiental: Requisitos con orientacin para su uso. NTC-ISO
14001. Bogota.: El Instituto, 2004.
2.1.3 Artculos
SKINNER, Katina,
et al .
Multivariate Statistical Methods for Modeling and
Analysis of Wafer Probe Test Data. En: IEEE. Noviembre, 2002. vol. 15, no.
4,. p. 523-530.
HARTIGAN, J. A. Introduction: Classication, Probability and Statistics. En: Elsevier Science. USA. 1996,.
TAIZHONG, H. & ZHUANG, W. A note on Stochastic Comparisons of Generalized
Order Statistics. En: Elsevier. 2005.
68
M. Mahmoud, K. Sultan, S. Amer. Order Statistics from Inverse Weibull Distribution and Associated Inference. En: Elsevier. 2002.
R. Michelini, G. Rossi. Assessing Measurements Uncertainty in Quality Engineering.
En: IEEE Instrumentation and Measurement. Brussels,1996.
J. Bellido. Sistemas de medicin del ozono: Instrumentacin asociada y Calibracin.
En: ACAM - Associacin Catalana de Meteorologia. Tethys, 3. 2006. p. 5962.
2.1.4 Subtemas de Investigacin

Una vez realizado el estudio bibliogrco se determinaron los subtemas de acuerdo a los
objetivos propuestos buscando profundizar en los aspectos mas relevantes que permitan
entender la aplicacin de la probabilidad y estadstica en la ingeniera. En base a lo
anterior se seleccionaron los subtemas mostrados en la Tabla 2.
Tabla 2: Subtemas de investigacin
Subtemas de Investigacin
1. Desarrollo y estudio del mtodo cientco en la experimentacin.

El mtodo cientco.
Estado del arte de la experimentacin.
El mtodo cientco en la experimentacin.
contina en la pgina siguiente
69
2. Estudio de calibracin
Mtodo General de Medicin en ingeniera.
Error de medida y conceptos relacionados
Procedimiento general de calibracin.
Calibracin segn Normas NTC-ISO 9001:2000 Y 9002:2000.
Caso de estudio: Calibracin de un manmetro tubo bourdon
tipo C
3. Caractersticas dinmicas de seales con fundamentacin matemtica.

Modelado matemtico de sistemas dinmicos
Anlisis de la respuesta transitoria y estacionaria en el dominio
del tiempo y frecuencia en Sistemas de primer orden, segundo
orden, orden superior.
Anlisis de los criterios de estabilidad de Routh-Hurwitz y de
Nyquist.
Caso
de
estudio:
Anlisis
amortiguador (acelermetro).
70
de
un
sistema
masa-resorte-
4. Probabilidad y Estadstica en la Ingeniera de diseos de Experimentos.
Introduccin a la estadstica.
Estadstica descriptiva
Conceptos bsicos de probabilidad
Estudio de Variables Randmicas discretas y continas.
Anlisis de distribuciones de probabilidad.
Estadstica Inferencial.
Regresin y correlacin de experimentos.
Procesos estadsticos y calidad de control.
Productos y conabilidad del sistema
Estadstica No Paramtrica
5. Estudio y anlisis del diseo de experimentos.

Principios del diseo experimental.
Aplicacin del anlisis de varianza.
71
6. Estudio de un sistema de medicin.
Anlisis de mediciones con dispositivos anlogos y digitales.
Adquisicin y procesamiento de datos usando herramientas computacionales (Matlab y LabVIEW).
Anlisis de Incertidumbre: Propagacin del error.
7. Estudio y desarrollo de mediciones de parmetros fsicos experimentales aplicando mtodos probabilsticos.

Procedimiento de calibracin de un transductor de presin.
Procedimiento de calibracin de un ujmetro de turbina axial.
Anlisis de esfuerzos en una viga cantilever (Strain Gage).
2.2 DESCRIPCIN DE LOS SUBTEMAS

2.2.1 Desarrollo y Estudio de los Mtodos de Experimentacin
La investigacin experimental ha sido fundamental a lo largo de los aos para el desarrollo tecnolgico. A esta se le debe muchos avances en la ciencia y la tecnologa,
pues ha permitido el estudio de fenmenos fsicos y la formulacin de hiptesis sobre los
mismos, es por esto que en la ingeniera se hace primordial el estudio de los mtodos de
experimentacin.
La evolucin de los mtodos experimentales est relacionada con los avances tecnolgicos
de los instrumentos como respuesta a la necesidad de optimizacin y control de procesos.
El exigente mercado en busca de su crecimiento, puso en marcha el ingenio, tanto de
los diseadores como de los propios usuarios para idear y fabricar gran variedad de
instrumentos utilizados en la industria.
El mtodo cientco es un proceso lgico y objetivo que se apoya en la experimentacin
para descubrir nuevos conocimientos o resolver problemas partiendo de deniciones y
conceptos, formulando hiptesis las cuales se ponen a prueba mediante mtodos experimentales.
72
La experimentacin consiste en alterar controladamente las condiciones naturales del

objeto de investigacin, para obtener relaciones entre las variables de entrada y salida
mediante pruebas y desarrollo de modelos matemticos. Por lo tanto, la experimentacin
juega un rol importante en el desarrollo del mtodo cientco permitiendo examinar
crticamente los resultados basados en el conocimiento y, validando o rechazando las
hiptesis propuestas.
Es importante emplear mtodos probabilsticos para un completo y satisfactorio desarrollo
de diseos experimentales, que permite garantizar un anlisis del problema; buscando que
el experimento sea muy preciso y viable econmicamente.
2.2.1 Estudio de calibracin

En este captulo se tendr como base introductoria el proceso de medicin en Ingeniera,
los instrumentos que intervienen y los errores que se pueden presentar en ste. Se trata
los conceptos y parmetros relacionados que permiten establecer la importancia de la
calibracin de los instrumentos de medicin. La calibracin garantiza que los instrumentos
industriales tengan la exactitud y el rango requerido para mantener en operacin y
en condiciones econmicamente controladas los sistemas; como herramienta, dene la
precisin en la medicin de una variable. Los instrumentos y tcnicas utilizadas para
cuanticar estas variables se conocen como estndares o patrones.
Por ltimo, se hace nfasis en el proceso general de calibracin, especialmente de los
instrumentos relacionados con el mbito ingenieril, tomando como caso de estudio la
calibracin de un manmetro Bourdon tipo C. El procedimiento de calibracin (caso de
estudio) se desarroll con la colaboracin de la empresa REYMOM Ltda. como facilitadora de las instalaciones e instrumentos necesarios certicados por PROGEM S.A para
realizar dicho proceso con la aplicacin de la normativa que lo rige.
2.2.3 Caractersticas dinmicas de seales con fundamentacin

matemtica.
En esta seccin se trata el comportamiento dinmico de las seales, analizando los
sistemas de primer, segundo orden y orden superior haciendo nfasis en la respuesta de
tiempo y frecuencia para diferentes tipos de entrada.
La dinmica de un sistema fsico, ya sea mecnico, hidrulico, trmico, elctrico u
otro, puede ser representado mediante un modelos matemticos, los cuales son hal-
73
lados tomando como base leyes fsicas aplicables al caso y vericando las relaciones que
existen entre las variables del sistema.
Algunos de los mtodos empleados para determinar el modelo matemtico de un sistema
son: Funcin de transferencia, Diagrama de bloques y Variables de estado. De los cuales
sobresale el mtodo de variables de estado, que debido a la conguracin de su estructura
moderna matricial, puede ser aplicado a sistemas no lineales, y de esta manera analizar
situaciones ms reales.
Por ltimo, se denen los criterios de estabilidad de Routh-Hurwitz y el criterio de estabilidad de Nyquist como herramientas que ayudan a determinar la inestabilidad de un
sistema de medicin experimental, permitiendo conocer bajo qu condiciones su comportamiento es estable.
Como una aplicacin de estos sistemas se toma el sistema masa-resorte-amortiguador
(acelermetro) como caso de estudio, analizando su comportamiento en el dominio de
tiempo y frecuencia con su respectiva fundamentacin matemtica.
2.2.4 Probabilidad y estadstica aplicadas a la Ingeniera.

La recopilacin y el anlisis de datos experimentales son fundamentales en la ciencia y en
la ingeniera porque permiten que los investigadores descubran los principios que rigen el
mundo fsico y a su vez que los ingenieros aprenden cmo disear y/o mejorar procesos.
Existe la ciencia de la estadstica que permite la recopilacin y organizacin de datos,
tambin comprende tcnicas de muestreo y anlisis de los mismos. La estadstica se
divide en dos ramas: estadstica descriptiva y estadstica inferencial, la primera trata
esencialmente las fases de recoleccin, clasicacin y presentacin de datos para realizar
el respectivo anlisis. La estadstica inferencial o la estadstica inductiva se subdivide
en estimacin de parmetros y prueba de hiptesis, las cuales tienen como objetivo
sacar conclusiones y hacer armaciones acerca de una poblacin o proceso con base
en la informacin contenida en una muestra, estas armaciones permiten la toma de
decisiones y la validacin de los resultados.
Hacer uso de la estadstica en el diseo de experimentos es de gran utilidad en la ingeniera
e investigacin, por lo tanto, es necesario e importante tener conocimiento de ella para
iniciar un proceso de investigacin experimental y garantizar un razonamiento lgico,
facilitando la toma de decisiones y minimizando la inuencia del error logrando que los
procesos sean ms ecientes.
Los mtodos estadsticos hacen un control del comportamiento de la variable y de esa
manera garantizar los clculos premeditados de la probabilidad; esto se hace gracando
74
en un diagrama de control los datos y vericando que estos se mantengan en un intervalo

alrededor de la magnitud requerida para el sistema.
Generalmente en la experimentacin cuando se repite una operacin o un experimento
bajo las mismas condiciones, los resultados obtenidos no son totalmente idnticos, este
tipo de experimento se denomina aleatorio ya que se ven afectados por el azar.
La probabilidad es la parte de las matemticas que trata estos fenmenos en los que
interviene el azar, es el puente ente la Estadstica Descriptiva y la Estadstica Inferencial,
pues permite usar propiedades obtenidas de la descripcin de muestras para formular y
aceptar hiptesis relacionadas a la poblacin que gener dicha muestra.
Otro tema a tratar importante en la probabilidad es el anlisis de regresin. Este comprende una serie de tcnicas utilizadas para estudiar la relacin entre variables, y permite
el anlisis de muchos fenmenos. La regresin lineal tanto simple como variable sirve para
explorar la relacin que existe entre variables dependientes o independientes, adems la
regresin permite diagnosticar e interpretar los resultados obtenidos.
Muchas veces cuando se aplican mtodos estadsticos suele pasar que las suposiciones
que parecan razonables no se cumplen, en estas ocasiones es conveniente disponer de
procedimientos que sean vlidos, la estadstica no paramtrica es uno de ellos.
2.2.5 Estudio y anlisis de diseo de experimentos.

El termino diseo hace referencia al plan o estrategia utilizada para obtener la informacin
que se desea. El diseo indica al investigador lo que debe hacer para alcanzar sus objetivos
de estudio y dar respuesta a los interrogantes que se han planteado.
El experimento es denido como un estudio en el que se manipulan intencionalmente una
o ms variables independientes para analizar las consecuencias que la manipulacin tiene
sobre las variables dependientes dentro de una situacin de control para el investigador.
En otras palabras es un proceso de causa- efecto.
Cuando se quiere mejorar un proceso existen dos maneras bsicas de obtener la informacin para ello: una es observar o monitorear mediante herramientas estadsticas hasta
obtener seales tiles que permitan mejorarlo; la otra manera es experimentar.
El diseo de experimentos consiste en planear un conjunto de pruebas experimentales,
de tal manera que los datos generados puedan analizarse estadsticamente para obtener
conclusiones vlidas y objetivas acerca del sistema o proceso.
Existen diferentes factores que inuyen en la seleccin de un diseo experimental, en el
captulo 9 se mostrar una clasicacin general de acuerdo al nmero de factores, al tipo
75
de efectos que se pretende estudiar y segn las restricciones existentes.
2.2.6 Estudio de un sistema de Medicin.

Las mediciones hacen parte de la experimentacin, por lo tanto, cumplen un papel
importante en la validacin de las leyes de la ciencia. Son fundamentales para estudiar,
desarrollar y monitorear muchos dispositivos, sistemas y procesos.
Sin embargo, el proceso mismo de medicin implica una serie de procedimientos antes
de producir un conjunto til de informacin. Es preciso estudiar cada uno de los procedimientos de la medicin, lo cual constituye el objetivo del capitulo 10.
En un experimento el control de los parmetros fsicos como la corriente, la temperatura,
el voltaje, etc. conllevan al xito o fracaso del mismo, es aqu donde el uso de un
buen sistema de medicin contribuye en la calidad de la informacin obtenida por el
investigador.
El equipo experimental es el conjunto de elementos que hacen parte del desarrollo del
diseo de experimentos, por lo tanto el sistema de adquisicin de datos es indispensable
para obtener datos con alto grado de precisin. Estos datos son el material de anlisis
del experimento; el investigador mediante el procesamiento de esta informacin puede
inferir conclusiones que permiten la toma de decisiones acertadas.
Para una buena adquisicin de datos, se debe conocer la fundamentacin terica necesaria para la manipulacin de software combinado con el hardware correspondiente. Como
aplicacin de la temtica tratada en esta seccin, se desarrolla un caso de estudio de
adquisicin de un sonido: la voz, usando Matlab como software para la adquisicin y
procesamiento de la seal.
2.2.7 Estudio y desarrollo de mediciones de parmetros fsicos

experimentales aplicando mtodos probabilsticos.
En esta parte del libro, se aplicarn los mtodos probabilsticos estudiados con anterioridad a datos obtenidos mediante la realizacin de diferentes pruebas experimentales
como:
Procedimiento de calibracin de un transductor de presin.
Anlisis de esfuerzos de una viga en voladizo porttil instrumentada con Strain
gage cuyo objetivo es determinar el modulo de elasticidad a la exin y la relacin
de Poisson.
76
Anlisis de esfuerzos en una viga con concentrador de esfuerzos

Procedimiento de calibracin de un ujmetro de turbina axial para equipos hidrulicos.
Se utiliz LabVIEW como software para la adquisicin y recopilacin de datos experimentales, al igual que un multimetro digital marca FLUKE como instrumento de vericacin
de los datos bajo las mismas condiciones de operacin.
El anlisis estadstico de los datos obtenidos se realiz con el uso de la herramienta
computacional Matlab, mediante la programacin de un cdigo de acuerdo a los requerimientos establecidos por los autores.
2.3 PLANEACIN DE LAS SESIONES.

El nmero de sesiones se determin de acuerdo a los subtemas seleccionados, se asign
a cada participante un subtema para exponer arbitrariamente, de manera equilibrada y
se denieron los roles de cada participante: Relator, Correlator, Protocolante, Asistente
(segn Tabla 4)dichos roles fueron rotados para que todos los participantes desarrolle
las destrezas necesarias para cada uno de ellos. Al tener denido el numero de sesiones
se organizaron las respectivas fechas de tal modo que hubiera un lapso de tiempo previo
para la preparacin de los subtemas.
Tabla 4: Temas y Subtemas
TEMAS
RELATOR
CORRELATOR PROTOCOLO DISCUSIN
1. Desarrollo y estudio del

mtodo cientco en la
experimentacin.
Laidy
Nohora
Hernndez
Mayorga
El mtodo cientco.
Estado del arte de la experimentacin..
Mtodo cientco en la experimentacin.
77
Johana
Nydia Rueda
Ariza
RELATOR
TEMAS
Johana
2. Estudio de calibracin
Laidy
Nohora
Nydia
Ariza
Hernndez
Mayorga
Rueda
Laidy
Nohora
Hernndez
Mayorga
Mtodo General de Medicin

en ingeniera.
Procedimiento general de calibracin.
Calibracin
segn
Normas
NTC-ISO
9001:2000
9002:2000.
Caso de estudio: Calibracin
de un manmetro tubo bourdon tipo C
3. Caractersticas dinmicas
de
una
seales
con
fundamentacin
matemtica.
Nydia
Rueda
Johana Ariza
Modelado matemtico de sistemas dinmico

Anlisis de la respuesta transitoria y estacionaria en el dominio del tiempo y frecuencia
en Sistemas de primer orden,
segundo orden, orden superior.
Estudio
de
estabilidad
los
de
criterios
Routh
de
de
Nyquist.
Caso
de
Nohora
Laidy
estudio:
Nydia Rueda
Johana Ariza
Hernndez
Nohora
Mayorga
Johana
Mayorga
Ariza
Anlisis
de un sistema masa-resorteamortiguador (acelermetro).
4. Probabilidad y Estadstica aplicada a la Ingeniera.
Laidy
Hernndez
Introduccin a la estadstica.
78
Nydia Rueda
RELATOR
TEMAS
Estadstica descriptiva.
Conceptos bsicos de probabilidad
Estudio
de
Variables
Johana
Nohora
Laidy
Nydia
continas.
Ariza
Mayorga
Hernndez
Rueda
Distribuciones Bivariables de
Nydia
Laidy
probabilidad.
Rueda
Hernndez
Randmicas
discretas
Nohora
Johana Ariza
Nohora
Estadstica Inferencial
Laidy
Mayorga
Regresin y correlacin de ex-
Mayorga
Johana Ariza
Hernndez
Nohora
Laidy
Nydia Rueda
Johana
Hernndez
Nydia Rueda
Mayorga
Ariza
Johana
Nohora
Laidy
Nydia
Ariza
Mayorga
Hernndez
Rueda
Procesos estadsticos y cali-
Nydia
Laidy
dad de control.
Rueda
Hernndez
perimentos.
Estadstica No Paramtrica
5. Estudio y Anlisis de
diseo de Experimentos.
Principios del diseo experimental.
Aplicacin del anlisis de varianza.
Nohora
Johana Ariza
Mayorga
Nohora
Johana
Mayorga
Ariza
Productos y conabilidad del

sistema
6. Estudio de un sistema
de medicin .
Anlisis
de
Laidy
Nydia Rueda
Johana
Nohora
Ariza
mediciones
Hernndez
Mayorga
con
dispositivos anlogos y digitales.

Adquisicin y procesamiento
de datos usando herramientas computacionales (Matlab
y LabVIEW).
Anlisis
de
Incertidumbre:
Propagacin del error.
Laidy
Mayorga
79
Johana Ariza
Hernndez
Laidy
Nohora
Nydia Rueda
Nydia
Hernndez
Rueda
RELATOR
TEMAS
7. Estudio y desarrollo de
mediciones de parmetros fsicos experimentales
aplicando mtodos prob-
Nydia
Laidy
abilsticos.
Rueda
Hernndez
Caracterizacin
de
un
Nohora
Johana Ariza
Mayorga
Nohora
Johana
Mayorga
Ariza
Laidy
Nydia
Hernndez
Rueda
u-
jmetro de turbina axial.

Caracterizacin de un transductor de presin.
Laidy
Hernndez
Anlisis de esfuerzos en una
Nohora
viga cantilever (Strain Gage).
Mayorga
Nydia Rueda
80
Johana Ariza
3. EJECUCIN
Esta etapa consisti en llevar a cabo lo establecido en la planeacin del seminario; la
preparacin de un documento por parte del relator de cada subtema y el desarrollo de
cada sesin.
3.1 DOCUMENTACIN PARA LOS SUBTEMAS

El relator de cada sesin elabor un documento en formato ltex y su respectiva presentacin en Power Point, con normas tcnicas y metodologa cientca acerca de su
exposicin, resultado de la respectiva investigacin, de una forma propositiva y argumentativa. Antes de cada sesin este documento fue revisado por parte del director para
su respectiva aprobacin.
Previo a las sesiones, los miembros del grupo; conocieron y estudiaron dicho documento
para participar y aportar durante el desarrollo de la sesin.
3.2 DESARROLLO DE UNA SESIN

Cada sesin se desarrolla de manera uida siguiendo el orden de las actividades que
aparecen en la tabla 6. La duracin de cada relatora se estableci en un lapso de tiempo
de dos horas, de acuerdo a la complejidad del tema.
81
Tabla 6: Desarrollo de una sesin del Seminario de Investigacin
DURACIN
ACTIVIDAD
DESCRIPCIN
RESPONSABLE
(Minutos)
Lectura del plan de

trabajo.
Vericacin de la
asistencia.
Conrmacin o
asignacin de roles.
1. Apertura de
Asignacin de los roles
Profesor
la sesin
para la prxima sesin.
(Director)
10
2. Lectura del
Preguntas aclaratorias
Protocolante
10
Relator
45
Correlator
15
Lectura del protocolo
protocolo.
del texto del protocolo.

Exposicin del tema.
Entrega del trabajo
3. Relatora
escrito.
Se complementa y
evala la relatora.
Se introduce a la
4. Correlatora
discusin
Se realizan preguntas,intervenciones y
aclaraciones.
Se valida el
conocimiento
demostrado por el
5. Discusin
Todos los
relator.
participantes
20
Fuente:Universidad
Industrial de Santander. Lineamientos para el seminario de investigacin como

modalidad para el desarrollo del trabajo de grado. Vicerrectora acadmica. Septiembre de 2007
Para dar una descripcin detallada de los roles asumidos por los participantes durante
la ejecucin del seminario se presenta a continuacin en qu consiste cada actividad
desempeada por el participante que asume cierto rol.
Relatora:
La relatora es el procesamiento a travs del cual el RELATOR expone el
tema correspondiente en la sesin del seminario. El relator tiene como misin principal
enriquecer, como resultado de su investigacin y estudio, el saber de los dems, buscando
por medio de una argumentacin rigurosa aportar algo nuevo que permita avanzar en el
conocimiento sobre el objeto de estudio. El relator durante su exposicin debe estimular e
inducir el grupo a la discusin, mantener su atencin y despertar inters de participacin,
82
a travs de la argumentacin rigurosa, explicaciones claras y el planteamiento de su punto

7
de vista .
Correlatora
Consiste en el complemento y enriquecimiento de la relatora por parte de un CORRELATOR, el cual debe estar muy atento a la exposicin del relator, pues no debe repetir lo
expuesto, sino evaluar el contenido, la claridad y el manejo de la exposicin, con del n de
plantear su reexin personal, y su posicin frente a la relatora, de una manera crtica,
destacando los aportes mas relevantes de la relatora motivando a los PARTICIPANTES
8
al debate .
Discusin
Es el medio a travs del cual los PARTICIPANTES con base en lo expuesto
en la relatora y la argumentacin del correlator, confrontan sus concepciones y apreciaciones sobre el tema. Esta dinmica se desarrolla a manera de discusin, la cual se
caracteriza por ser de carcter positivo, argumentativo y enfocado al enriquecimiento del
trabajo en grupo. La discusin requiere participacin oportuna y respeto por las opiniones
de los dems, criticndolas constructivamente. Este ejercicio permite a los participantes
fortalecer procesos cognitivos a partir de la escucha atenta, la reexin, la toma notas
sobre lo que desea expresar para luego a hablar.
Protocolo
El protocolo es la evidencia escrita de cada sesin del seminario y un insumo
para la elaboracin del informe nal. ste debe ser ledo antes de comenzar cada sesin, ya
que es un acta de registro de lo ocurrido en la anterior y de los compromisos planteados.
Su autor es el PROTOCOLANTE, el cual plasma en un documento las actividades tal y
como fueron desarrolladas, utilizando una redaccin clara y concisa.
3.3 ACTA
El acta es un documento escrito donde se hace constar el tema a tratar en cada sesin, el
da, el lugar, la duracin, asistentes, funciones y tareas cumplidas, observaciones y conclusiones realizados entre los miembros del seminario. El documento modelo se observa
en la gura 1.
7 Nstor
H. Bravo Salinas.El Seminario Investigativo, El Seminario como prctica pedaggica para

la formacin integral
8
Universidad Industrial de Santander. Lineamientos para el seminario de investigacin como modalidad

para el desarrollo del trabajo de grado. Vicerrectora acadmica. Septiembre de 2007
83
Figura 1: Formato actas
84
4. PRESENTACIONES Y DOCUMENTO.
4.1 PRESENTACIONES
Las presentaciones son un documento elaborado en Power Point por el relator de cada
sesin como herramienta de apoyo para socializar la temtica a tratar ante los participantes. Dichas presentaciones, constituyen la sntesis del resultado de un trabajo investigativo realizado por el relator, expuesto de manera clara usando un ambiente grco
y siguiendo ciertos parmetros con el objetivo que la informacin sea entendible por los
asistentes. Por esta razn se diseo un formato estndar para las presentaciones de este
seminario como el mostrado a continuacin gura 2.
Figura 2: Formato de presentacin
4.1.1 Caractersticas
Las diapositivas son una herramienta que le permite al relator dar a conocer el contenido
a desarrollar de una manera dinmica que ayuda a captar la atencin del auditorio. Los
aspectos escenciales de esta herramienta son:
Servir de guia y apoyo al expositor.

Mostrar de manera clara y ordenada la temtica a desarrollar.
Transmitir las ideas al auditorio captando su atencin y facilitando su entendimiento.
85
Lo importante de la presentacin es la comunicacin que debe existir con el auditorio

mediante una interaccin verbal y corporal haciendo uso de recursos didcticos como
imgenes, grcas, cuadros de texto y sinpticos, esquemas, etc.
4.2 DOCUMENTO
La elaboracin del documento sntesis se bas en normas y tcnicas de la metodologa
cientca, representa el resultado de la labor investigativa y argumentativa de los participantes, enriquecido con los aportes individuales, la discusin de grupo y la asesora del
director en la revisin de los temas durante el transcurso de las sesiones.
El documento est dividido en siete (7) captulos y es una recopilacin de todos los
subtemas expuestos durante las sesiones contenidas en la tabla 4 siguiendo el mismo
orden para tener una continuidad y un orden lgico entre los mismos, profundizando por
medio de secciones y subsecciones su contenido.
Dicho documento fu elaborado en Ltex, programa usado para la elaboracin de textos cientcos con una apariencia estndar y de alta calidad usados para composicin
tipogrca de artculos, reportes, libros, etc.
4.3 TALLERES
En el desarrollo del seminario de investigacin se plante la realizacin de algunos talleres
como un complemento de la parte terica tratada. En ellos se ejecutaron procedimientos
experimentales que permitieron la adquisicin, procesamiento y anlisis de datos, usando
como herramienta los mtodos probabilstcos. Los talleres realizados fueron:
Anlisis de esfuerzos en una viga cantilever (Strain Gage).

Procedimiento para caracterizacin de un transductor de presin en un intervalo de 0
a 30 bar.
Proceso de caracterizacin de un ujmetro para equipos hidrulicos entre intervalo
mnimo de 0 a 1 GPM. El ujmetro es de tipo turbina axial.
86
Parte II
DESARROLLO DEL SEMINARIO
DE INVESTIGACIN
87
5. DESARROLLO Y ESTUDIO DEL

MTODO CIENTFICO EN LA
EXPERIMENTACIN
A lo largo de la historia el hombre se ha preocupado por entender el mundo que lo rodea,

por investigar sus leyes y descubrir el sentido de los fenmenos fsicos que existe a su
alrededor, interrogndose y buscando respuestas mediante la experimentacin.
Hoy en da la ingeniera est encaminada a formar profesionales con espritu cientco
y crtico capaces de generar conocimiento que a su vez contribuye al desarrollo mediante soluciones y nuevas propuestas en aplicaciones industriales. La investigacin como
bsqueda de nuevos conocimientos, necesita apoyarse en el uso del mtodo cientco,
pues gran parte del trabajo cientco consiste en investigaciones particulares, cuyos resultados proporcionan la base emprica para la formulacin y comprobacin de leyes,
modelos y teoras.
De esta manera el ingeniero investigador toma conciencia de los fenmenos que ocurren
en su entorno, y tiene un enfoque de la experimentacin no como algo rgido sino
como una disciplina que est abierta al cambio, permitiendo contenidos, procedimientos,
actitudes y objetivos que el cientco puede tomar, para generar nuevo conocimiento
desde su disciplina.
5.1 EL MTODO CIENTFICO

9
Bunge , dene el mtodo cientco como, el conjunto de reglas que sealan el procedimiento para llevar a cabo una investigacin cuyos resultados seran aceptados como
vlidos por la comunidad cientca, y agrega que el estudio del mtodo cientco es la
teora de la investigacin, la cual es descriptiva en la medida que descubre la investigacin
cientca.
Como se observa en la gura 3, a travs del mtodo cientco se busca observar, describir,
explicar y predecir un fenmeno. Para ello se parte de tcnicas que permitan recopilar
informacin del fenmeno y luego hacer un anlisis para emitir conclusiones o enunciados,
9 RAMIREZ,
p.25.
Alberto. El mtodo cientco. En: Metodologa de la investigacin cientca. Bogot.
88
y dar una explicacin cientca de dicho fenmeno. El mtodo cientco como tal se puede
dividir en mtodo analtico, mtodo sinttico, mtodo inductivo y deductivo.
Figura 3: El mtodo Cientco
Mtodo Analtico:
Parte de un todo, se necesita conocer la naturaleza del fenmeno
y objeto que se estudia para comprender su esencia. Ya que conociendo ms del objeto
de estudio, se puede explicar, hacer analogas y realizar nuevas teoras.
Mtodo Sinttico:
Signica integrar las partes de un todo, llegando a conocer la
esencia del mismo, los aspectos y relaciones bsicas. La sntesis va desde lo abstracto
a lo concreto, entonces al compactar el todo en sus aspectos y relaciones esenciales
permite una mayor comprensin de los elementos constituyentes.
Mtodo Inductivo y deductivo:
En cualquier rea de conocimiento cientco el
inters radica en poder plantear hiptesis, leyes y teoras para alcanzar una comprensin
ms amplia y profunda del origen, desarrollo y transformacin de los hechos empricos a
travs de la experiencia, a dems la ciencia se interesa en confrontar sus verdades con
realidades concretas la cual se encuentra en permanente cambio. En la induccin a partir
de los hechos particulares se llegan a armaciones de carcter general, es decir partiendo
de las observaciones o experimentos llegar a planteamientos de hiptesis, leyes y teoras
que abarcan no solamente casos particulares, sino generalizar resultados apoyndose en
formulaciones existentes en la ciencia.
La deduccin permite pasar de armaciones de carcter general a hechos particulares,
consiste en encontrar principios desconocidos a partir de otros conocidos o describir
consecuencias desconocidas de principios conocidos.
5.1.1 Etapas del mtodo cientco

La observacin
Los investigadores siempre se estn planteando interrogantes, por su
curiosidad de saber o de comprobar algo en aras del cambio, por ello estn en todo mo89
mento observando fenmenos, generalmente esta primera percepcin no es muy precisa,

y es ah donde surge la necesidad de determinar con mayor claridad, el problema cuya
solucin va a ser el objeto de investigacin.
En esta etapa intervienen elementos que permiten ver mejor las cosas como los sentidos,
instrumentos, herramientas y el inters que tenga cada investigador por su labor, siendo
capaz de analizar objetivamente los aspectos de la investigacin.
Cuando el tema de inters es complejo la tendencia de la observacin cientca se dirige
hacia la cuanticacin, se usan los nmeros donde sea posible para la descripcin de un
fenmeno, pues las mediciones numricas permite una representacin ms precisa y hace
posible la aplicacin de la matemtica y la estadstica.
Cuestionamiento
Cada evento es nico y no puede ser observado otra vez, es por
esto que en esta etapa surgen las preguntas de acuerdo a ciertas caractersticas de lo
observado, estas preguntas son seleccionadas para estudiarlas a fondo e informarse de
teoras o conocimientos cientcos anteriores y la informacin ser complementada con
ideas empricas o supuestos que sern la base de la investigacin.
Es importante tener en cuenta que para que ocurra algo intervienen factores que causan
efectos los cuales inquietan y hacen que el hombre se cuestione del por qu de las cosas
pues el ser humano siempre est buscando el control de los fenmenos de la naturaleza,
y la ciencia los permite controlar y pronosticar.
Hiptesis
La hiptesis constituye una herramienta que ayuda a ordenar, estructurar y
sistematizar el conocimiento mediante una proposicin, con ella se busca dar explicacin
al fenmeno que se est estudiando; algunas veces se pretende descubre la investigacin
cientca comparar interrogantes con teoras o leyes que ya han sido comprobadas para
buscar respuestas que lleven al resultado adecuado, es el nexo existente entre la teora y la
realidad. Para el investigador la hiptesis sirve como una gua de a dnde se quiere llegar,
esta debe ser muy clara de tal manera que se puedan obtener deducciones refutando o
conrmando el cuestionamiento planteado.
Experimentacin
Permite modicar y controlar variables de un fenmeno, para luego
organizar los datos o las ideas en forma de leyes, teoras o modelos que luego se comprobaran, es as como se busca de una idea general explicar hechos futuros e independientes.
Validacin del Experimento
Las leyes y teoras en esta etapa se contrarrestan con la
realidad, a menudo para la prueba de la hiptesis se suelen realizar experimentos ya que

90
no solo basta con la observacin, pues algunas veces el observador crea las condiciones o
eventos desfavorables, conocidos como variables que terminan alterando el resultado de
la investigacin. Debido a las variables que intervienen se recurre a mtodos de anlisis
de resultados como la estadstica, herramienta usada comnmente.
Consecuencias de los resultados
En esta etapa se observan las consecuencias de
los resultados obtenidos en el experimento, qu alcance tendrn, sus limitaciones y s

afectan de manera positiva o negativa. Se pueden buscar las causas de otros posibles
errores, debido a que no hay circunstancias completamente idnticas.
Conclusin
Con el nuevo conocimiento obtenido se intenta formalizar leyes, teoras o
conceptos ya experimentados para que a partir de estos, se puedan crear nuevos interrogantes y seguir con el proceso dinmico de la investigacin en busca de un mejoramiento
continuo.
Sin embargo, Toms KHz en su obra La estructura de las revoluciones cientcas ha subrayado que la aceptacin de las teoras depende del consenso de la comunidad cientca,
y que tal consenso no es una simple consecuencia de las demostraciones lgicas
10
En la gura 4 se muestra un esquema general de las etapas del mtodo cientco y su

relacin con la experimentacin para la generacin de conocimiento mediante el uso de
modelos tericos que permiten proponer nuevas leyes y teoras o simplemente vericar o
refutar las ya existentes.
Figura 4: Etapas del Mtodo Cientco
10 KUHN,Thomas.
Econmico, 1992.
La Estructura de las Revoluciones Cientcas. 1 ed. Mxico.: Fondo de Cultura
91
5.2 LA EXPERIMENTACIN
La ciencia experimental moderna tiene 303 aos, pues los fragmentos construidos en
pocas anteriores no llegaron a formar un cuerpo amplio de conocimiento, es decir, no
se basaban en la aplicacin sistemtica de un mtodo. En 1687, Isaac Newton publico
sus Principios matemticos de la losofa natural, donde se encuentra la primera teora
fsica en el sentido moderno, desde esta publicacin la ciencia experimental no ha cesado
de desarrollarse.
Bsicamente la ciencia experimental se consolido cuando:
Se aanzo la idea de que la actividad cientca tiene un objeto con dos aspectos,
el terico y el prctico, mutuamente relacionados e inseparables.
Se consolidaron las actividades de investigacin, sistematizacin, transmisin y
aplicacin.
Se consigui construir objetos cientcos en relacin con teoras matemticas y
mtodos experimentales.
Se utilizo el mtodo hipottico-deductivo recurriendo a los criterios que determinan
su abilidad.
En cuanto a diferentes disciplinas, la fsica fue la primera rama de la ciencia experimental

que se consolido establemente, y dentro de ella la mecnica fue la que alcanzo un gran
auge cientco en el sentido moderno. Las minuciosas investigaciones histricas de Pierre
11
Duhem sacaron a la luz los antecedentes medievales de la mecnica clsica
, como
consecuencia del trabajo de Pierre, por primera vez se observaron resultados objetivos
que no tenan relacin con el sentido comn. En denitiva, la mecnica clsica quedo
establecida gracias a un trabajo conceptual y experimental realizado durante varios siglos
que culmino con la obra de Newton.
Parece indudable que en la ciencia experimental se d un progreso acumulativo, puesto
que las construcciones tericas mantienen su validez propia aunque se formulen otras
nuevas que tengan mayor alcance. El progreso cientco se explica dentro de una perspectiva en la cual la ciencia experimental es considerada en toda su complejidad. Admite
diversos campos que corresponden a los diferentes aspectos de la actividad cientca, de
sus mtodos y sus resultados.
11 Ramirez,
Alberto. Metodologa de la investigacin cientca. Ponticia Universidad Javeriana.
92
La ciencia experimental se apoya en el diseo de experimentos como herramienta que

ayuda al estudio de un tema de inters para el investigador. Fue Ronald A. Fisher quien
inicio con el estudio del diseo de experimentos, l con sus mltiples investigaciones
en el rea de la agricultura incluye el anlisis estadstico a sus estudios, y aplica la
estadstica a los datos obtenidos de sus experimentos para llegar a resultados validos.
Ms adelante George E.P.Box sigui con las investigaciones en este campo y el diseo de
experimentos se empieza a convertir en una gran herramienta en las reas de investigacin
y desarrollo
12
Hacia la dcada de 1980 Deming e Ishikawa promueven aun ms la aplicacin de la

estadstica en el diseo de experimentos, permitiendo resolver problemas y hacer un
13
mejor diseo de productos y procesos
Como respuesta a todos los avances que han surgido en estos campos y en aras de
mejorar la calidad, se empez a entrenar a los ingenieros en las aplicaciones del diseo
de experimentos facilitando el estudio de muchos procesos con el n de mejorar la calidad
de la investigacin y por ende optimizar la exactitud de los resultados.
La evolucin de los mtodos experimentales ha ido de la mano con la evolucin de los
instrumentos, y estos a su vez empezaron a aparecer de acuerdo a la necesidad de los
proceso. El exigente mercado permiti el crecimiento de las empresas fabricantes de
instrumentos, y puso en marcha la inventiva tanto de los fabricantes como de los propios
usuarios para idear y fabricar nuevos instrumentos de gran variedad utilizados en los
diferentes procesos industriales.
La tecnologa es ms que ciencia aplicada, pues es producto de la experimentacin y se
ha visto beneciada por el mtodo cientco; en primer lugar porque tiene sus propios
procedimientos de investigacin adaptados a circunstancias concretas que a diferencia
de los casos puros necesitan ser estudiados por la ciencia, en segundo lugar, porque
toda rama de la tecnologa contiene un conjunto de reglas empricas descubiertas antes
por los principios cientcos. La tecnologa no es necesariamente el resultado de aplicar
el conocimiento cientco existente a los casos prcticos, es esencialmente, el enfoque
cientco de los problemas prcticos, es decir, el tratamiento de estos sobre un fondo
de conocimiento cientco y con ayuda del mtodo cientco, siendo fuente de nuevos
conocimientos. La conexin de la ciencia con la tecnologa no es asimtrica. Todo avance
tecnolgico plantea problemas cientcos cuya solucin puede consistir en la invencin de
nuevas teoras o de nuevas tcnicas de investigacin que conduzcan a un conocimiento
ms adecuado y a un mejor dominio de la misma. La ciencia y la tecnologa constituyen
12 CREUS,
Antonio. Instrumentos Industriales su ajuste y Calibracin. 3 ed. Mxico.: Alfaomega,

2009.
13 RAMIREZ, Alberto. Metodologa de la investigacin cientca. Ponticia Universidad Javeriana.
93
un ciclo de sistemas que interactan entre si y se alimentan el uno al otro.

En conclusin, se da progreso en la medida en que se consiguen mejores medios para
alcanzar el objetivo de la ciencia experimental, y las modalidades del progreso coinciden
con los caminos para lograrlo de manera ms ecaz.
5.3 EL MTODO CIENTFICO Y LA EXPERIMENTACIN

Son tres los principales aspectos que pueden distinguirse en las ciencias experimentales.
En primer lugar, la ciencia es una actividad humana que se realiza en vista a unos objetivos
especcos. En segundo lugar, los medios que se utilizan para alcanzar esos objetivos son
igualmente especcos: se trata de los mtodos cientcos. En tercer lugar, la aplicacin
de los mtodos proporciona unos resultados, que son los contenidos tericos de cada
disciplina, tales como los enunciados acerca de los hechos, las leyes experimentales y los
sistemas tericos.
Todo trabajo de investigacin se basa en un conocimiento terico. Uno de los muchos
problemas de la metodologa es, precisamente averiguar cules son los criterios para
decidir si una hiptesis dada puede considerarse razonablemente conrmada. Ms aun,
la investigacin sigue reglas y tcnicas que han resultado ecaces en el pasado pero
que son perfeccionadas continuamente, no slo a la luz de nuevas experiencias, sino
tambin de resultados de experiencias realizadas por las ciencias bsicas, como puede
ser la matemtica.
Las ciencias emplean el mtodo experimental, ya que este constituye formas generales
para desarrollar o probar hiptesis, dicho mtodo consiste en pruebas empricas para
extraer conclusiones particulares de hiptesis generales. Este tipo de vericacin requiere
la manipulacin de la observacin y el registro de fenmenos, el control de las variables
o factores relevantes, y en todos los casos exige el anlisis para vericar los resultados
y asegurar que estos sean dignos de conanza, para lograrlo es preciso organizarlos,
analizarlos, interpretarlos y confrontarlos con modelos tericos.
Las ciencias exactas son empricas en el sentido que la comprobacin de sus hiptesis
involucre la experiencia.La ciencia, es pues, esclava de sus propios mtodos y tcnicas
mientras stos tienen xito, pero es libre de multiplicar y de modicar en todo momento
sus reglas, en aras de mayor ecacia y objetividad.
Los investigadores o experimentadores usualmente no aceptan nuevos hechos a menos
que puedan certicar, de alguna manera, su autenticidad, y esto se hace, no tanto
contrastndolos con otros hechos, sino mediante el uso de herramientas como el mtodo
cientco.
94
El conocimiento cientco racionaliza la experiencia en lugar de limitarse a describirla;

la ciencia da cuenta de los hechos no inventarindolos sino explicndolos por medio de
hiptesis (enunciando leyes) y teoras. Los ingenieros investigadores sacan conjeturas de
lo que hay tras los hechos observados.
En la gura 5 se pretende dar una visin de la relacin entre el mtodo cientco y la
experimentacin como herramientas fundamentales en la construccin de conocimiento,
apoyndose en el uso del diseo de experimentos.
Figura 5: Relacin entre el mtodo cientco y la Experimentacin
95
6. ESTUDIO DE CALIBRACIN
Los instrumentos de medicin y control son ampliamente utilizados en la industria permitiendo garantizar la calidad de los productos terminados, de aqu la importancia que
los instrumentos estn en perfecto estado de funcionamiento a n de asegurar un proceso controlado y estable, evitando paros parciales o totales en la planta y reduciendo al
mximo el costo del mantenimiento.
Los procesos industriales exigen el control de la fabricacin de los diversos productos con
el objetivo de conseguir una mejora continua orientada a la satisfaccin del cliente, por
tanto, la necesidad de medir bien ha conducido a la ciencia metrolgica que tiene por
objeto de estudio la determinacin de magnitudes fsicas.
La calibracin de instrumentos de medicin surge como un proceso que permite lograr
objetivos de control y calidad exigentes en el campo ingenierl, de ah la necesidad de su
estudio y su aplicacin de acuerdo a las normas que lo rigen.
6.1 LA MEDICIN EN INGENIERA

Los sistemas de medicin son importantes en la investigacin, son la herramienta que permiten cuanticar variables fsicas de inters. La medicin en s, facilita ampliar la capacidad de los sentidos humanos los cuales, aunque pueden percibir diferentes propiedades
tangibles e intangibles, estn limitados y no tienen la capacidad de asignar valores especcos a las variables detectadas. Como todo sistema de medicin tiene imperfecciones, el
uso de procesos como la calibracin permite reducir las desviaciones entre el valor real y
el valor medido.
En general existen dos clases de medicin: la medicin directa y la medicin indirecta.
En la gura 6 se puede observar la diferencia entre las mismas, en la medicin directa,
el proceso de medida se hace directamente sobre el objeto de estudio y se obtienen
inmediatamente los resultados buscados; en la medicin indirecta se debe recurrir a
formulas para llegar al valor buscado a partir de las variables medidas.
96
Figura 6: Clases de Medicin
En ingeniera, todo proceso est relacionado con parmetros fsicos sujetos a medicin
que ayudan a analizar y entender el comportamiento de un sistema y la inuencia de
la variabilidad de dichos parmetros. El anlisis posterior a la medicin se apoya en la
probabilidad como herramienta estadstica, que permite llegar a conclusiones con alto
grado de conabilidad.
La medicin en ingeniera involucra gran variedad de factores como el tipo de medicin,
el procedimiento de medicin, el sistema de unidades, el tipo de instrumento a utilizar,
el proceso de adquisicin de datos y el anlisis estadstico que debe ser tenido en cuenta
en forma particular.
6.1.1 El Sistema General de Medicin.

Los mtodos de medicin permiten adquirir datos que facilitan entender, analizar y
concluir sobre el comportamiento de un sistema o proceso de estudio en el campo de
la ingeniera. El sistema general de medicin es un mtodo genrico que est compuesto
por un conjunto de elementos fsicos que permiten adquirir, procesar y visualizar una
variable. En la gura 7 se muestra un esquema general de los elementos que intervienen
14
en dicho sistema
Figura 7: Sistema General de Medicin
14 FIGLIOLA,
Richard. y BEASLEY, Donald. Mediciones mecnicas: Teora y Diseo. 4 ed. Mxico.:

Alfaomega, 2008
97
A continuacin se denen los elementos que intervienen en el sistema de medicin de

una manera mas detallada:
Entrada: Hace referencia a la variable fsica real de inters a medir.
Transductor: Dispositivo que contiene las etapas de sensor, y con frecuencia el acondicionamiento de la seal de un sistema de medicin. En algunos casos, es un elemento
que convierte la informacin detectada por el sensor en una forma de seal que puede
ser elctrica, mecnica u ptica.
Sensor: Elemento fsico que detecta o responde en forma directa a la variable de entrada
del proceso de medicin. La seleccin, ubicacin e instalacin de dicho elemento es de
particular importancia, pues la interpretacin de la informacin que pasa a travs del
sistema de medicin depende de lo que realmente detecta. Algunos ejemplos de sensores
son: termocuplas, el calibrador de deformacin, galgas extensiomtricas, entre otros.
Acondicionador de seal: Esta etapa intermedia del sistema de medicin puede usarse para realizar un tratamiento a la seal mediante tcnicas como la amplicacin, el
ltrado, linealizacin, diferenciacin, integracin, etc.
Procesador de seales: Toma la salida del elemento acondicionador y la convierte

de forma ms adecuada para la representacin. Algunos ejemplos son: El convertidor
anlogo/digital o el convertidor digital/anlogo.
Salida: Presenta el valor medido en una forma que el investigar pueda reconocer fcilmente. Por ejemplo: indicador con escala o manecillas, gracador, despliegue alfanumrico, entre otros.
6.1.2 Error de medida y conceptos relacionados

En cualquier sistema de medicin que se encuentre sometido a un proceso de lectura de
variables, se presentarn errores en repetidas tomas o muestras los cuales generalmente
tienden al mismo valor. Para garantizar la conabilidad en la lectura, es importante
validar la medida reduciendo el error.
98
Varios trminos estndar se utilizan para especicar la validez de una medida y uno de
ellos es el error de medida, el cual se dene como la diferencia entre el valor medido y
15
el valor verdadero de la cantidad que se mide
Clasicacin de los Errores

A continuacin se mencionan algunos de los tipos de errores que pueden causar incertidumbre en una medida. Estos errores se pueden clasicar en:
y
Errores Aleatorios , como se muestra en la gura 8.
Errores Sistemticos
Figura 8: Clasicacin de los Errores
Errores Sistemticos
Estos errores tambin llamados errores de Sesgo, se conocen
puesto que son el mismo en cada lectura y, como consecuencia, se pueden eliminar
16
por medio de la calibracin
. En este tipo de errores la desviacin del valor medido con
respecto al valor real es igual o presenta una misma tendencia. Si se detecta y se descubre
su origen, se puede eliminar completamente del resultado nal. El error sistemtico puede
ser estimado usando la ecuacin 2:
Error sistemtico = promedio de lecturasvalor verdadero

a
(1)
Para que estas ecuaciones sean razonables, el nmero de lecturas que forman el promedio
debe ser mayor que 30 para eliminar los efectos de los errores aleatorios en las mediciones
individuales.
Segn la gura 8 se puede clasicar en
15 BOLTON,
17
Bill. Mediciones y Pruebas Elctricas y Electrnicas . ALFAOMEGA. 1995.

Ernest. Sistemas de Medicin e Instrumentacin: Diseo y Aplicacin. 5a ed. McGraw-
16 DOEBELIN,
Hill, 2005.
17 BOLTON. Op.cit.,p.15.
99
Errores de Fabricacin: Derivados del proceso de fabricacin del instrumento y

sus componentes.
Errores de Equipo: Ocurren debido a un fallo en el instrumento que realiza la

calibracin. Incluso la calibracin ms exacta dar lugar a un error sistemtico
residual.
Errores de cero: Originado al posicionar incorrectamente el cero de un instrumento, esto provoca una lectura indeseada.
Errores de Calibracin: Una incorrecta calibracin da como resultado, por ejemplo, lecturas en el instrumento ms altas o bajas en toda la escala.
Errores de aproximacin: Se originan al realizar hiptesis en cuanto a relaciones

entre cantidades. Si la medicin vara en una regin o segmento, pero una sola
medida o un nmero limitado de medidas se utilizan para determinar el valor medio
para la regin, habr un error de aproximacin.
Errores de envejecimiento: Estos se presentan cuando los instrumentos se hacen viejos, se deterioran y como consecuencia necesitan, en repetidas ocasiones,
mantenimiento.
Errores de carga o insercin: Es una consecuencia de la existencia de una

resistencia propia del instrumento distinta de cero. Es un error que se agrega
al error propio del instrumento y al de lectura y depende de las condiciones de
medicin.
Errores Aleatorios
El error debido a la impresicin se le da el nombre de error aleatorio
ya que, en general, es diferente para cada una de las lecturas y no se le puede eliminar
18
El error aleatorio en una sola medida se puede estimar como la diferencia entre la sola
lectura y el promedio de todas las lecturas del mismo valor de la medida. Puede ser
estimado por la ecuacin 2.
Error aleatorio = LecturasP romedio de lecturas
(2)
Son errores inevitables, se produce por eventos que por su naturaleza son difcil de
controlar durante el proceso de medicin. Segn la gura 6 se clasican en:
Errores operativos: Son producidos por el operario del instrumento. Algunos

errores ocasionados por dicho operador son: errores de lectura, errores de clculo,
18 DOEBELIN,
Op.cit.,p.40.
100
errores por eleccin incorrecta del instrumento y errores en el mal ajuste del mismo.
Aunque esto no implica fallos en la experimentacin.
Errores ambientales: Causados por efectos ambientales, como uctuaciones en

la temperatura, la humedad o la presin atmosfrica.
Errores estocsticos: Son procesos inherentemente aleatorio, y son detectados

por el instrumento si este es lo sucientemente sensible. Como el Ruido.
La diferencia entre los errores sistemticos y aleatorios se muestra grcamente en la

gura 9, la dispersin en los datos representa errores aleatorios, y la desviacin entre el
promedio de las lecturas y el valor verdadero muestra errores sistemticos.
Figura 9: Comparacin entre los errores sistemticos y aleatorios.
Fuente: WHEELER, Anthony. Engineering Experimentation. p. 9.

En la medicin es muy importante conocer varios conceptos estndar que se utilizan para
19
especicar la validez de una medida como los son
Campo de medida o rango: Comprende el conjunto de valores de la variable

medida que estn entre los lmites superiores e inferiores de la capacidad de medida,
de recepcin o de transmisin del instrumento. Este describe los valores de la
medicin al que un sistema responder adecuadamente, las medidas por fuera de
la gama o rango, no produce una salida til. El rango de operacin de entrada
puede expresarse en trminos de la diferencia de sus lmites como se observa en la
ecuacin 3 y el rango de operacin de salida esta dado por la ecuacin 4.
ri = xmx xmn
a
ro = ymx ymn
a
19 CREUS
p. 7.
(3)
(4)
SOL, Antonio. Instrumentos Industriales, su ajuste y calibracin. 3a ed. Alfaomega, 2009.
101
Alcance (span): Es la diferencia algebraica entre los valores superior e inferior

del campo de medida del instrumento .
La exactitud: Es el grado de aproximacin con el cual un sistema de medicin

indica el valor verdadero.
La precisin: Es el grado de dispersin de la medida cuando est se repite un

nmero determinado de veces bajo las mismas condiciones.
La incertidumbre de la medida: Es un parmetro que caracteriza el intervalo

dentro del cual se cree con gran seguridad que se encuentra el verdadero valor
medido.
6.2 INSTRUMENTOS DE MEDICIN

Los instrumentos de medicin son herramientas que sirven de apoyo en la medicin,
regulacin, observacin, transformacin y control de una variable dada en un proceso
productivo. Estos pueden realizar entre otras, las siguientes funciones aplicadas a las
20
variables
Sensar
Acondicionar
Transmitir
Controlar
Indicar
Registrar
Convertir
6.2.1 Caractersticas De los Instrumentos de Medicin

Los instrumentos de medicin y control empleados en las industrias de proceso como
qumica, petroqumica, alimenticia, metalrgica, energtica, textil, papel, etc., tiene su
propia terminologa que dene sus caractersticas propias de medida y control. Algunas
a tener en cuenta son
20 Creuss.
21 Ibid.,p.
21
Instrumentacin Industriales. p. 15.

9.
102
Sensibilidad: Es la razn entre el incremento de la seal de salida o de la lectura

y el incremento de la variable que lo ocasiona (seal de entrada), despus de haber
alcanzado el estado de reposo. Viene dada en tanto por ciento del alcance de la
medida. Cuantitativamente esta razn esta dada por la ecuacin 5.
Sensibilidad =
Se al Salida
n
Se al Entrada
n
(5)
Escala: Series de marcas o intervalos regulares, frente a la que se indica la posicin

de una aguja, un punto luminoso.
Linealidad: Aproximacin de una curva de calibracin a una lnea recta especicada. Se expresa en forma de desviacin mxima con relacin a una lnea recta
que pasa a travs de los puntos dados correspondientes y a 0 % y a 100 % de la
variable medida.
Trazabilidad: Propiedad de un resultado de medicin que nos permite relacionar

ese resultado con el respectivo patrn internacional de la magnitud que se est
midiendo como se puede observar en la gura 10. Este es uno de los atributos
indispensables para garantizar la conabilidad de cualquier resultado de medicin.
Figura 10: Cadena de trazabilida
Fuente: VIDAL V. Julin. Aseguramiento metrolgico y aseguramiento de equipos. p. 16.
Resolucin: Representa el incremento ms pequeo que puede discernirse en el

valor medido. En trminos del sistema de medicin se cuantica por el menor
incremento en la escala o el menos importante (el dgito menos signicativo) del
indicador de lectura de resultados. Usualmente es tratado como un error aleatorio.
103
Histresis: Diferencia en el valor indicado para cualquier entrada particular cuando

esa entrada tiene una direccin ascendente contra la direccin de entrada descendente.
6.2.2 Clasicacin de los Instrumento

En la gura 11 se considera una forma de clasicar los instrumentos de medicin, especicando algunos relacionados con el tema de estudio.
Figura 11: Clasicacin de los Instrumentos de Medicin
Clasicacin segn la funcin del instrumento

Instrumento On-O: Son aquellos que no tienen indicacin visible de la variable,
ejemplos: Instrumentos de alarmas, presostatos y termostatos.
Instrumentos Indicadores: Disponen de un ndice y una escala visible en la que

se puede leer el valor de la variable, ejemplo: manmetros.
Instrumentos registradores: Registran con trazo continuo o a puntos la variable,

ejemplo: un registrador digital.
Sensores: Captan el valor de una variable fsica de un proceso y envan la seal

de salida que es una seal anloga a un transductor. Este puede formar parte de
otro instrumento, un ejemplo es el transmisor.
Transmisores: Captan la variable del proceso a travs de un elemento primario,

como lo son los sensores, y la transmiten a distancia, por ejemplo; en forma de
seal neumtica proporcional, usualmente de margen de 0,2 a 1 bar, o electrnica
de 4 a 20 mA de corriente continua o bien digital.
104
Transductores: Reciben la seal de entrada en funcin de una o ms cantidades

fsicas, y la convierten en una seal de salida.
Convertidores: Reciben una seal de entrada procedente de un instrumento y

despus de modicarla enva la resultante en forma de seal de salida.
Receptores: Reciben seales procedentes de los transmisores y los indican o

registran.
Controladores: Comparan la variable controlada como lo son la presin, nivel,

temperatura, etc., con un valor deseado y ejercen una accin correctiva de acuerdo
con la desviacin.
Elemento nal de control: Reciben la seal del controlador y modica su posicin variando el caudal del uido.
Clasicacin segn la variable a medir: Este tipo de instrumentos permiten cuanticar diferentes parmetros fsicos. De acuerdo a la variable a medir se encuentran:
ujmetros, termmetros, galgas extensiomtricas, barmetros, manmetros, higrmetros, anemmetros, etc.
6.2.3 Errores de los Instrumentos

Error de cero: Se presenta cuando todas las lecturas o seales de salida se encuentran
desplazadas en todo el rango un mismo valor con relacin a la lectura ideal. Este tipo
de error puede verse en la gura 12 donde se observa que el desplazamiento puede ser
positivo o negativo, cambia el punto de partida de la recta representativa sin que vare
la inclinacin o la forma de la curva
22
Figura 12: Curva Variable Real-Lectura
Fuente. CREUS, Antonio. Instrumentos Industriales. Alfaomega. p. 42.

22 CREUS
SOL, Instrumentos industriales su ajuste y calibracin. Op.cit.,p.42.

105
Error de amplitud o multiplicidad: Se presenta cuando todas las lecturas o seales

de salida aumentan o disminuyen progresivamente con relacin a la recta representativa,
como se observa en la gura 13, el desplazamiento puede ser positivo o negativo, sin
que el punto de partida cambie.
Figura 13: Error de multiplicidad
Fuente. CREUS, Antonio. Instrumentos Industriales. Alfaomega,2009. p. 42.

Error de angularidad: En este error la curva coincide con los puntos 0 y 100 % como
se muestra en la gura 14, de la recta representativa, pero se aparta de la misma en los
restantes. El mximo de la desviacin suele estar a la mitad de la escala.
Figura 14: Error de Angularidad
Fuente. CREUS, Antonio. Instrumentos Industriales. Edit. Alfaomega. Pg. 42.

Error de Histresis: Se reere a las diferencias entre una prueba secuencial de escala
ascendente y una prueba secuencial de escala descendente. El error de histresis de un
sistema esta dado por la ecuacin 6, y se especica para un sistema de medida en
trminos del mximo error de histresis como se observa en la ecuacin 7. El efecto de
este error se observa en la gura 15.
eh = yascendente ydescendente
106
(6)
%ehmx =
a
ehmx
a
x100
ro
(7)
Donde
eh =Error
de Histresis
ehmx =Mximo
a
ro =Rango
Error de Histresis
de operacin de salida
Figura 15: Error de Histresis
Fuente. Figliola, Richard. Mediciones Mecnicas teora y diseo. Alfaomega. p. 21.

Error de Linealidad: Es una medida de la desviacin mxima de cualquier punto de
calibracin con respecto de un recta. La relacin entreyL (x) y el valor medido
una medida de el comportamiento no lineal del sistema donde
eL (x)
y(x)
es
esta dado por la
ecuacin 8 y es el error de linealidad que surge al describir el comportamiento del sistema

real, se suele especicar como error de linealidad mximo segn la ecuacin 9, el efecto
23
de este error se ve en la gura 16
eL (x) = y(x) yL (x)
(8)
eLmx
a
x100
ro
(9)
%eLmx =
a
23 FIGLIOLA.
Op. cit.,p.21.
107
Figura 16: Error de linealidad

Error de Repetibilidad: Aptitud de un instrumento para mostrar la misma lectura
en repetidas tomas del mismo valor de la cantidad que est siendo medida, bajo las
mismas condiciones, en el mismo sentido (incremento o disminucin) del mensurando.
Numericamente la expresin de repetibilidad en condiciones de controladas de calibracin
esta dada por la ecuacin 10. Este error lo podemos observar en la gura 17.
Error Repetibilida( %) =
2 Sx
x100
ro
(10)
Donde:
Sx :Desviacin
ro :
estndar.
Rango de salida.
Figura 17: Error de Repetibilidad

Error Total del Instrumento: Un estimado del error total del instrumento se basa al
108
combinar todos los errores, este resultado general es una incertidumbre. Una estimacin
se calcula a partir de la raz cuadrada de la suma de los cuadrados de todos los errores
conocidos. Para M errores conocidos, el error del instrumento
uc ,
se estima mediante la
ecuacin 11.
uc = [e2 + e2 + ... + e2 ]1/2

M
2
1
(11)
Otros errores provenientes de la lectura del instrumento por el observador son:
Error de Paralelaje: Se produce cuando el observador efecta la lectura de modo que

la lnea de observacin al ndice no es perpendicular a la escala del instrumento.
Error de Interpolacin: Se presenta cuando el ndice no coincide exactamente con la

graduacin de la escala , y el experimentador redondea sus lecturas por exceso o por
defecto.
6.2.4 Instrumento de Comprobacin.

Algunos procesos de la calibracin son complejos, y no es prctico para los laboratorios
de medicin mantener los estndares necesarios. Los laboratorios pueden comprar los
24
instrumentos que han sido calibrados por los fabricantes
Durante el proceso de calibracin de un manmetro la presin se cuantica por la diferencia entre la lectura del manmetro de presin especca, y la lectura indicada por el
estndar primario de presin. Sin embargo, el fabricante del manmetro de presin no
puede tener acceso al estndar primario para medir la precisin de sus productos, pero
puede medir la precisin de sus manmetros respecto de un estndar porttil intermedio
o de transferencia. La precisin estndar de transferencia debe obtenerse por calibracin
contra el estndar de precisin extrema de presin fundamental. Esto introduce el concepto de escalera de rastreabilidad gura 18.
24 WHEELER.
Op. cit.,p.30.
109
Figura 18: Escalera de rastreabilidad
Fuente: BENTLY. Jhon P.Sistemas de medicin Principios y aplicaciones. 2 ed. Compaa Editorial Continental. p. 23.
El instrumento se calibra usando el estndar de laboratorio, que debe calibrarse tambin

contra el estndar de transferencia y este, a su vez, debe calibrarse utilizando el estndar
de precisin extrema. Cada elemento de la escalera debe ser signicativamente ms
preciso que el anterior.
Despus de haber presentado los conceptos generales de instrumentacin industrial, sistemas de control, calibracin, precisin, etc., podemos analizar ms a fondo los tipos de
estndares de referencia para la calibracin y el procedimiento general de calibracin. Existen en la industria de la medicin, uno o quizs dos tipos de estndares instrumentales,
primarios y secundarios. El estndar primario es una unidad de valor absoluto extremadamente precisa, donde normalmente los fabricantes de instrumentos y algunos usuarios
importantes, son los nicos grupos que cuentan con estndares primarios. La adquisicin y el mantenimiento de estos estndares son sumamente costosos. Estn certicados
y se utilizan para calibrar instrumentos vendidos como estndares secundarios para la
calibracin de instrumentos industriales. El rango de calibracin para estndares secundarios depende de la exactitud y del tipo de estndar que se mantiene. El intervalo de
calibracin para instrumentos industriales vara desde semanas hasta aos, dependiendo
25
de la clase de servicio en que se empleen y del tipo de construccin del instrumento
6.3 PROCEDIMIENTO GENERAL DE CALIBRACIN

Realizar una buena medicin de variables es importante, por que asegurar el buen funcionamiento de los instrumentos involucrados en dicha medicin. Como respuesta a esta
25 SOISON,
Harold E. Instrumentacin Industrial. LIMUSA, 2007.
110
necesidad, surge el proceso de calibracin que permite garantizar la precisin en la medicin de acuerdo a los estndares dados por el fabricante del instrumento.
La calibracin es la nica garanta que los instrumentos tengan la exactitud y el rango
requerido para mantener en operacin y en condiciones controladas un proceso asegurando la precisin en la medicin de una variable. Los instrumentos y tcnicas utilizadas
para cuanticar estas variables se conocen como estndares o patrones. En la gura
19 se muestra un esquema general de calibracin con los elementos necesarios para
su realizacin.. Las entradas son las distinta variables a medir, ya sea presin, ujo,
temperatura, etc.
Figura 19: Calibracin de un Instrumento
En algunas industrias donde se emplean o utilizan equipos e instrumentos de medicin,

generalmente realizan pruebas de funcionamiento que registran en un documento que
es comnmente un certicado de trabajo, documento que no tiene validez metrolgica,
puesto que el proceso para obtener los resultados son parte de una norma y no hay
registro (en algunos casos) de que utilicen patrones de medida. Los patrones son instrumentos certicados por laboratorios especializados en el diseo, construccin y montaje
de estos, y por ende de la calibracin. Aunque estos laboratorios tienen a su vez, otro
reconocimiento o certicacin de un laboratorio con sistemas metrolgico ms preciso.
Uno de los parmetros importante en el Aseguramiento Metrolgico, es la determinacin
de los perodos de calibracin. Estos perodos los determinan los fabricantes o laboratorios
de acreditacin de equipos o instrumentos, dependiendo del uso, manejo, tiempo de
utilizacin, calidad del instrumento, estabilidad histrica, condiciones de trabajo u otros.
Estos laboratorios de acreditacin deben estar certicados segn el ICONTEC por las
normas enumeradas a continuacin:
1. NTC-ISO/IEC 17025:2005. Requisitos generales para la competencia de los laboratorios de ensayo y calibracin.
2. NTC-ISO 10012. Sistemas de gestin de la medicin. Requisitos para los procesos de
medicin y los equipos de medicin.
111
3. NTC-ISO 14001. Directrices para la auditora medioambiental y de la calidad.

5. NTC 2194. Vocabulario de trminos bsicos y generales en metrologa.
En cuanto a los instrumentos es importante conocer lo siguiente:
Un instrumento entre ms exacto y preciso sea, tienen un mayor precio. Mejor

expresado: entre mayor sea el valor de la resolucin, mejor instrumento y mayor
precio.
El precio de la calibracin para algunos instrumentos es mayor que el precio de l
mismo.
Un instrumento patrn debe ser 10 veces de mejor calidad en todos sus aspectos que el
instrumento que se desea calibrar, razn por la cual el precio crece de manera exponencial.
Una calibracin no incluye el ajuste del instrumento, slo se reere a la comparacin

de los parmetros importante en el aseguramiento metrolgico, es la determinacin
de los perodos de calibracin. Estos perodos los determinan los fabricantes o laboratorios de acreditacin de equipos o instrumentos, dependiendo del uso, manejo,
tiempo de utilizacin, calidad del instrumento, estabilidad histrica, condiciones de
trabajo u otros. Estos laboratorios de acreditacin deben estar certicados segn
el ICONTEC por las normas enumeradas a continuacin; entre un instrumento y
el patrn requerido.
Se aceptan mtodos paralelos de comprobacin o vericacin de las medidas,
siempre y cuando esta tenga un buen soporte.
Una calibracin aplica datos conocidos de entrada a un sistema de medida con el propsito de observar los valores de salida del sistema. Establece la relacin entre ambos tipos
de valores. El valor conocido que se usa para la calibracin se conoce como el estndar
26
Es por esta razn, existen dos tipos de calibracin: esttica y dinmica.
6.3.1 Calibracin Esttica

Esta se reere a una situacin en la cual todas las entradas (deseadas, interferentes,
modicadoras), excepto una, se mantienen en algunos valores constantes. Entonces, la
entrada en estudio se hace variar sobre algn intervalo de valores contantes, lo cual
ocasiona que la salida(s) vare sobre algn intervalo de valores constantes
26 FIGLIOLA.
Op. cit.,p.15.
Op. cit.,p.30.
27 DOEBELIN.
112
27
. En las
calibraciones estticas solo son importantes las magnitudes de la entrada conocida y la

salida medida.
Al aplicar un rango de valores de entrada conocidos y observar los valores de salida
del sistema se desarrolla una curva de calibracin directa para el sistema de medicin.
La curva de calibracin esttica describe la relacin esttica de entrada-salida para un
sistema de medicin y forma la lgica con la que la salida indicada se puede interpretar
durante una medicin real. Tambin, esta curva se usa como parte del desarrollo de una
relacin funcional, es decir, una ecuacin conocida como una correlacin entre la entrada
y salida. La correlacin esta descrita por:
y = f (x),
y se determina aplicando a la curva
de calibracin un razonamiento fsico y tcnicas de ajuste de curvas. La correlacin se

usa en mediciones para averiguar el valor desconocido de entrada, con base en el valor
de salida, el valor indicado por el sistema de medicin
28
6.3.2 Calibracin Dinmica

Cuando las variables de inters son dependientes del tiempo o espacio y se busca tal
variacin de informacin, se requiere informacin dinmica. Una calibracin dinmica
determina la relacin entre una entrada de comportamiento dinmico conocido y la
salida del sistema de medicin. En general, estas calibraciones involucran la aplicacin
de una seal senoidal o un cambio en escaln como la seal de entrada conocida. La
naturaleza dinmica de las seales se examinan en el captulo 7.
La calibracin dinmica se utiliza para expresar una vericacin multipunto contra estndares conocidos y supone introducir cualquier elemento (como los lquidos) conocido
en el instrumento, para ajustarlo a una sensibilidad predeterminada y determinar una
relacin de la calibracin. Esta relacin es derivada de una respuesta del instrumento a
sucesivas muestras de diferentes concentraciones conocidas .
6.3.3 Calibracin de Instrumentos de Presin

La presin es la representacin de la fuerza soportada por una unidad de area. Para
calibrar instrumentos de presin se encuentran los patrones bsicos que indican y registran
los estndares que la presin debe abarcar. El rango est entre los menores a 10-1 mm Hg,
hasta varias toneladas por pulgada cuadrada. Los patrones que se emplean generalmente
son los manmetros en forma de columna en U de mercurio de precisin, medidores de
pistn de peso muerto o comparadores de presin, estos se emplean para presiones de
28 FIGLIOLA.
Op. cit.,p.15.
113
vaco. Tambin se encuentran, para presiones mayores a 10-1 mm Hg a 10-3 mm Hg,

el vacumetro de McLeod. Estos manmetros son de alta exactitud del orden del
2%
de toda la escala. En el mercado actual existen los transmisores digitales inteligentes

que pueden utilizarse como instrumento patrn de medicin, est posee una exactitud
elevada del orden del
0,2 %.
Teniendo en cuenta lo anterior, el procedimiento general de calibracin para instrumentos

indicadores de presin es bsicamente el siguiente:
1. Efectuar el mantenimiento requerido por el Instrumento (Desarme, lavado,

limpieza, armado) y detectar partes defectuosas para reemplazo si es necesario.
2. Vericar que el soporte haya sido instalado teniendo en cuenta el servicio del
instrumento.
3. Al instalar el manmetro en el punto de prueba aplicar cinta ten en la rosca

para evitar escapes.
NOTA: En manmetros que operen con OXIGENO no debe ponerse en contacto con
aceite o grasa incompatibles, ya que existe RIESGO DE EXPLOSIN.
4. Conectar el cable del banco de prueba, para energizar el manmetro (Con

contactos elctricos) y/o Presostato.
5. Conectar la seal del instrumento patrn (manmetro digital y/o Anlogo).

6. Proceder a colocar seal con el instrumento patrn en por lo menos ocho (8)
puntos del rango en forma ascendente y descendente y registrar lecturas en el
documento de protocolo.
7. Comparar datos observados por el instrumentista con respecto al Instrumento

Patrn y observar su comportamiento para determinar si su reposicin se encuentra
dentro de los parmetros requeridos.
8. Analizar los resultados para observar si el instrumento se encuentra dentro de

la exactitud y/o clase de acuerdo con las especicaciones requeridas.
9. Una vez realizadas las pruebas de vericacin-calibracin se procede a desmontar en forma segura el instrumento. tanto de las seales neumticas - hidrulicas
y/o Elctricas, conectadas.
114
10. Colocar etiqueta de calibracin con el logo de la Empresa y expedir cha

tcnica generada por el encargado y desarrollo del procedimiento de calibracin
del laboratorio (Fecha de la calibracin y Numero de registro).
En el mercado industrial se encuentran disponibles, instrumentos de alta tecnologa. Para

los manmetros de presin estn los manmetros digitales gura 20. Estos determinan la
presin absoluta, el vaco o la presin diferencial. Existen manmetros digitales para aire
y lquidos, as como aparatos seguros y con proteccin del exterior. Todos los aparatos
estn dirigidos por un microprocesador y garantizan alta precisin y abilidad. Su breve
tiempo de respuesta y su carcasa resistente al polvo y a las salpicaduras de agua hacen que
estos aparatos instrumentos sean idneos para el sector industrial o para investigacin y
desarrollo. Existen mltiples rangos de medicin (existen aparatos apropiados para cada
aplicacin). Estos aparatos tienen la posibilidad de transmitir los datos a un PC, laptop
o a una impresora o bien una memoria.
Figura 20: Comprobador de peso muerto porttil digital
Fuente. PCE Group Ibrica S.L. http://www.pce-iberica.es/index.htm
6.3.4 Calibracin de Instrumentos de Flujo.

Los proyectos de investigacin experimental y procesos industriales dependen de una
medida del ujo para suministrar los datos importantes para el anlisis. La medicin
del ujo son tan comunes y son tantas las aplicaciones, que existe un gran nmero de
diferentes dispositivos de medicin de ujo que se han desarrollado en la industria de
la instrumentacin. A continuacin se describirn los ujmetros ms conocidos por su
29
aplicacin industrial
Los ujmetros son generalmente bastante fciles de calibrar. Existen diversos procedimientos de calibracin, algunos ms precisos que otros.
29 WHEELER,
Anthony J. Introduction to Engineering Experimentation. 2da ed. PEARSON, 2004.
115
6.3.4.1 Medidor Maestro de Flujo

Cuando un medidor es seleccionado como referencia para evaluar otro medidor, aquel
se denomina medidor maestro ver gura 21 y la comparacin de las dos lecturas de los
medidores es el mtodo de prueba llamado indirecto.
Figura 21: Medidor Maestro de Flujo
Fuente. www.asisucede.com.mx
Calibracin:
Los medidores maestros tipo turbina y desplazamiento positivo deben
ser calibrados a las mismas condiciones operacionales y con el mismo producto con los
cuales va a trabajar. Para una mejor exactitud de su calibracin se recomienda calibrar
el medidor maestro con probadores de volumen pequeo o probadores convencionales de
tubera previamente calibrados por el mtodo Water Draw. Su calibracin se har cada
tres meses. Los tipos de probadores pueden ser:
Unidireccionales, en los cuales el ujo viaja en una sola direccin a travs de la

seccin calibrada durante el perodo de prueba. El ujo retorna a su posicin inicial
por medio de un mecanismo adicional actuado hidrulicamente.
Figura 22: Medidores de ujo desplazamiento Positivo
Fuente. www.euromotores.net
116
Bidireccionales: Como se ve en la gura 23, son los que permiten al ujo viajar en
una direccin y luego en la otra durante el perodo de calibracin. Esto se logra

reversando el ujo por medio de una vlvula de 4 vas.
Los medidores tipo Coriolis ver gura 23, pueden ser utilizados como medidores maestros
en cuyo caso no requieren ser calibrados con los mismos productos a los cuales va a
trabajar.
Figura 23: Medidores de Flujo Tipo Msico (Coriolis)
Fuente. www.euromotores.net
6.3.4.2 Operacin:
Tanto el medidor a evaluar como el medidor maestro deben estar equipados con registradores de ujo o contadores de pulsos, de tal forma que stos sean inicializados y
parados al mismo tiempo en forma elctrica. Al igual que los probadores convencionales,
el medidor maestro debe ser acoplado en serie, asegurndose que todo el ujo que pasa
por el medidor a evaluar pase tambin por el medidor maestro.
6.3.4.3 Referencia gravimtrica con llenado directo.

Contempla la utilizacin de una balanza o celda de carga de alta precisin sobre la cual
se ubica un estanque. Al comenzar la calibracin el lquido comienza inmediatamente a
uir por el ujmetro y posteriormente llenar el estanque gura 24.
117
Figura 24: Laboratorio especializado de Flujmetros por el Mtodo Gravimtrico de

Llenado Directo
Fuente. www.siaujo.com
6.3.4.4 Referencia gravimtrica con compuerta de ujo.

Similar al anterior, pero ste cuenta con una compuerta que permite la recirculacin del
lquido y posterior llenado del estanque cuando el sistema est funcionando en rgimen
permanente. Es decir, el estanque se comenzar a llenar slo una vez que por el ujmetro
est circulando el lquido a una velocidad constante.
De los tres mtodos antes mencionados, el tercero es el ms preciso ya que se ajusta
solo con mediciones realizadas con equipos operando en condiciones normales y no se
considera el inicio y la detencin en la calibracin. Es por esto que se profundizar en
30
este mtodo para realizar la calibracin
6.4 CALIBRACIN SEGN NORMA NTC-ISO 9001:2000

Y 9002:2000
La calidad es un criterio que apuntan a mejorar los procesos operativos, productos y
servicios, donde se aplica ISO 9000. El trmino se reere a una serie de normas universales que dene un sistema de Garanta de Calidad desarrollado por la Organizacin
Internacional de Normalizacin (ISO) y adoptado por aproximadamente 90 pases en
todo el mundo
31
. ISO est compuesta por representantes de normas nacionales de ms
de 100 pases. Su objetivo es promover el intercambio de productos y servicios en todo el

mundo y fomentar la cooperacin mundial en las reas intelectual, cientca, tecnolgica
y econmica.
30 BELLIDO,
J. Sistemas de medicin del ozono: Instrumentacin asociada y Calibracin. Revista

ACAM - Associacin Catalana de Meteorologia. Tethys, 3, 5962, 2006.
31 PEACH, Robert W. MANUAL DE ISO 9000. 3ra ed. McGraw-Hill.
118
Para obtener la certicacin ISO 9000, una empresa debe cumplir con ciertas normas
de garanta de calidad en sus operaciones, conforme a lo certicado por un organismo
de certicacin externo. El sistema de garanta de calidad, no el producto ni el servicio
en s, logra la certicacin. Una certicacin ISO 9000 indica a los clientes que esta
empresa ha implementado un sistema para garantizar que cualquier producto o servicio
que venda cumplir constantemente con las normas internacionales de calidad.
Aunque las industrias se concentraron primero en la garanta de calidad, la norma NTCISO 9001:2000 y 9002:2000, no excluye industrias o sectores econmicos especcos. Su
decisin de tratar de obtener o no la certicacin depender ms de lo que esperan sus
clientes o requiere el mercado.
Para el caso de las industrias de medicin e instrumentacin, que realizan actividades
como de generacin de proyectos (investigacin), fabricacin, instalacin y servicios, sus
clientes desean que satisfagan sus necesidades y expectativas, y que se expresen en las
especicaciones del producto, es decir, las empresas deberan obtener la certicacin
ISO 9000, donde generalmente se benecian con menos reclamos de clientes, menos
costos operativos y una mayor demanda por sus productos o servicios. Y para entrar ms
en detalle, desde el punto de vista de la calibracin de los instrumentos, la norma ms
importante es la NTC-ISO 9001:2000 y 9002:2000.
Estas dos normas son prcticamente idnticas; sin embargo, NTC-ISO 9001:2000 se
aplica a las empresas que se dedican al diseo de productos o servicios y tambin a su
produccin o implementacin. NCT-ISO 9002:2000 simplemente excluye el elemento de
diseo de un modelo similar para garanta de calidad.
La NTC-ISO 9001: Sistemas de Gestin de Calidad. Requisitos, establecen unos requisitos
que tienen como objetivo fundamental evitar productos no conformes en todas las
etapas, desde el proyecto hasta el nal de su vida til o, si estos se producen detectarlos
antes de su instalacin y tomar las medidas correctivas oportunas
32
. La norma describe
cuatro (4) principios operativos bsicos para Equipos de inspeccin, Medida y Ensayo :
1. Control del proceso.

2. Inspeccin y prueba.
3. Control del equipo de inspeccin, medicin y prueba.
4. Estado de la inspeccin y prueba.
32 Ibid.,p.10
119
6.4.1 Control del proceso.

Por lo general toda industria de medicin o cualquier otra, tiene tres procesos esenciales:
Diseo del instrumento como una respuesta a la necesidad del cliente, ya se percibida o expresada.
Diseo de los procesos que prestarn al servicio.
Prestacin del servicio.
6.4.2 Inspeccin y prueba.

El objetivo de los requisitos es solo vericar la conformidad con las que las especicaciones a medida que el instrumento o sus componentes se desplazan en los procesos de
construccin.
6.4.3 Control del equipo de inspeccin, medicin y prueba.

Vericacin del proceso, que signica esto, identicar, calibrar y ajustar todo el equipo
de inspeccin, medida y ensayo que puede afectar la calidad del producto, a intervalos
denidos con relacin a equipos de calibracin certicados por un organismo reconocido.
6.4.4 Estado de la inspeccin y prueba.

Es importante establecer, documentar y mantener los procedimientos de calibracin de
los instrumentos y de los equipos de calibracin. Puesto que el objetivo de este principio
es de prevenir el uso, entrega o instalacin de un producto no aprobado, y teniendo
identicado los procesos, es ms factible una solucin oportuna.
Y para nalizar, y cumplidos todos estos principios, se debe asegurar las condiciones
ambientales adecuadas para las operaciones de calibracin, inspeccin, medida y ensayos
que se efecten en los instrumentos. Asimismo, la empresa debe establecer una funcin
metrolgica, es decir con responsabilidad en la organizacin para denir e implementar
los principios bsicos de control de mediciones. El periodo de calibracin es jado por la
propia empresa, de acuerdo con la experiencia que posee sobre su trabajo.
La NTC-ISO 9002:2000 Sistemas de Calidad: Modelo para el Aseguramiento de la Calidad
en la Produccin, la Instalacin y el Servicio Postventa, tiene como propsito establecer
120
una poltica sobre el sistema de administracin de la calidad, que incluye la supervicin de equipos de calibracin que estn debidamente certicados por un organismo
reconocido, que dichos equipos se calibren peridicamente as como los instrumentos
de medicin y control afectados, que se identiquen perfectamente los instrumentos, se
entrene al personal y que todo est perfectamente documentado. Segn estos requisitos,
existen normas mas especcas para hacer cumplir los ya mencionados requisitos
33
. Estos
documentos de referencia son: NTC-ISO 17025, NTC-ISO 10012 y NTC-ISO 14001.
6.4.5 Norma Tcnica Colombiana NTC-ISO/IEC 17025 (Requisitos generales para la competencia de los laboratorios de
ensayo y calibracin).
Esta norma internacional especica los requisitos generales para la competencia en la
realizacin de ensayos y calibraciones, incluido el muestreo. Cubre los ensayos y calibraciones realizados con mtodos estandarizados, no estandarizados y mtodos desarrollados
por el laboratorio.
El mayor uso de los sistemas de calidad ha incrementado la necesidad de asegurar que
los laboratorios que forman parte de grandes organizaciones o que ofrecen otros servicios
puedan operar un sistema de calidad que cumpla con la ISO 9001, la ISO 9002 y con
esta norma internacional. Por ello, que se ha tenido cuidado de incorporar todos aquellos
requisitos de la ISO 9001 e ISO 9002 que son relevantes para los servicios de ensayo y
calibracin que estn cubiertos por el sistema de calidad del laboratorio.
Por consiguiente, los laboratorios de ensayo y calibracin que cumplan con esta norma
internacional tambin operarn en conformidad con la ISO 9001 e ISO 9002. No obstante,
la certicacin de acuerdo con la ISO 9001 e ISO 9002 no puede demostrar por s sola
la competencia del laboratorio para producir datos y resultados tcnicamente vlidos.
La aceptacin de los resultados de ensayo y calibracin entre pases se facilitara si los
laboratorios cumplen con esta norma internacional y si obtienen la acreditacin de organismos que han rmado acuerdos de reconocimiento mutuo con organismos equivalentes
en otros pases y que han usado esta norma internacional.
De este modo, la presente norma internacional facilitar la cooperacin entre laboratorios
y otros organismos, y ser de utilidad en el intercambio de informacin y experiencia, as
como en la armonizacin de normas y procedimientos.
33 INTERNATIONAL
ORGANIZATION FOR STANDARDIZATION. Certicacin de calidad en servicios, produccin o implementacin de productos. ISO 9002.
121
Como su nombre lo indica, los requisitos que trata esta norma los podemos ver en la
tabla C.1 en el Apndice C
34
6.4.6 Norma Tcnica Colombiana NTC-ISO 10012 (Sistemas

de Gestin de la Medicin Requisitos Para los Procesos de
Medicin y Los Equipos de Medicin)
Un sistema ecaz de gestin de las mediciones asegura que el equipo y los procesos de
medicin son adecuados para su uso previsto y es importante para alcanzar los objetivos
de la calidad del producto y gestionar el riesgo de obtener resultados de medicin incorrectos. En esta norma internacional, el trmino proceso de medicin se aplica a las
actividades de medicin fsica.
Uno de los principios de gestin establecidos en la norma internacional NTC-ISO 9000
trata del enfoque basado en procesos. Los procesos de medicin deberan considerarse
como procesos especcos cuyo objetivo es apoyar la calidad de los productos elaborados
por la organizacin.
Esta norma internacional incluye tanto requisitos como orientaciones para la implementacin de sistemas de gestin de las mediciones y puede ser til en la mejora de
las actividades de medicin y de la calidad de los productos
35
6.4.7 Norma Tcnica Colombiana NTC-ISO 14001 (Sistemas

de Gestin Ambiental. Requisitos con orientacin para su uso).
Esta norma internacional especica los requisitos para un sistema de gestin ambiental,
destinados a permitir que una organizacin desarrolle e implemente una poltica y unos
objetivos que tengan en cuenta los requisitos legales y otros requisitos que la organizacin
suscriba, y la informacin relativa a los aspectos ambientales signicativos. Se aplica
a aquellos aspectos ambientales que la organizacin identica que puede controlar y
aquellos sobre los que la organizacin puede tener inuencia.
Todos los requisitos de esta norma internacional tiene como n su incorporacin a
cualquier sistema de gestin ambiental. Su grado de aplicacin depende de factores
34 INSTITUTO
COLOMBIANO DE NORMAS TCNICAS Y CERTIFICACIN. Sistema de gestin

ambiental: Requisitos con orientacin para su uso. NTC-ISO 14001. Bogota.: El Instituto, 2004.
35 INSTITUTO COLOMBIANO DE NORMAS TCNICAS Y CERTIFICACIN. Sistemas de gestin
de la medicin para los procesos de medicin y los equipos de medicin. NTC-ISO 10012. Bogota.: El
Instituto, 2003.
122
tales como la poltica ambiental de la organizacin, la naturaleza de sus actividades,

productos y servicios y la localizacin donde y las condiciones en las cuales opera
36
Las normas exigen mantener en perfectas condiciones de uso estos equipos. La diferencia
es que la determinacin de la conformidad de estos equipos para ser utilizados no se hace
evidente por simple inspeccin visual. Por ejemplo, no conocemos el nivel de error de un
manmetro hasta que no realizamos una comparacin de sus resultados con un patrn, y
es ah en donde recurrimos a estos sistemas de gestin de calidad que son la herramienta
utilizada para determinar la conformidad de estos equipos.
6.5 CASO DE ESTUDIO: CALIBRACIN DE UN

MANMETRO TUBO BOURDON TIPO C.
El manmetro en un instrumento utilizado para medir la presin diferencial basada en la
37
relacin entre la presin y la carga hidrosttica equivalente del uido
. En la gura 25
se observa el sistema de medicin de un manmetro de presin, donde se especican las

funciones de cada elemento que lo componen, desde la variable fsica de entrada hasta
los datos muestreados en la escala.
Figura 25: Sistema de Medicin-Manmetro
Fuente: Doebelin, Ernest E. Sistemas de Medicin e Instrumentacin. Diseo y Aplicacin. 5

ed. Mc Graw Hill. 2005. Pg. 41.
Para la realizacin de este caso de estudio se busc a REYMOM Ltda que es una empresa
que presta servicios de reparacin, recuperacin, y mantenimiento y montaje de vlvulas
industriales; se encuentra localizada en la ciudad de Barrancabermeja (Santader). Dicha
empresa consta de un laboratorio para la calibracin de manmetro industriales anlogos
y digitales certicado por ICONTEC y sus instrumentos patrones por PROGEN. Gracias
a la supervicin del encargado de este laboratorio, se llev a cabo la calibracin de un
manmetro tubo Bourdon tipo C gura 26 y se conoci la metodologa de este proceso
36 INSTITUTO
COLOMBIANO DE NORMAS TCNICAS Y CERTIFICACIN. Sistema de gestin

ambiental: Requisitos con orientacin para su uso. NTC-ISO 14001. Bogota.: El Instituto, 2004.
37 FIGLIOLA. Op. cit.,p. 413.
123
desde la llegada del instrumento a la empresa hasta la entrega de este cumpliendo con
los requerimientos del cliente.
El procedimiento para la calibracin consta bsicamente de tres criterios para ajustar
dicho instrumento:
1. Determinar el rango o clase en el que se encuentra el instrumento. Este procedimiento se realiza en un laboratorio certicado.
2. Si el cliente o dueo del instrumento a ajustar, desea una mejor precisin de su
instrumento, se determina el tipo de error con el que llego este y se le hace su
debida correccin o ajuste.
3. Y por ltimo, se realiza los debidos clculos para determinar el nuevo ndice de
calidad e incertidumbre de medicin con todos los ajustes correspondientes para
una mejor precisin en la toma de datos.
Figura 26: Esquema del calibrador de presin Tubo Bourdon tipo C.
Fuente.HOLMAN, J.P. Experimental Methods for Engineers. p. 241.
Para visualizar la secuencia que se debe seguir para la ejecucin de estos criterios, se
ilustrar en un diagrama de ujo para un mejor entendimiento como se observa en la
gura 27:
124
Figura 27: Procedimiento de calibracin para un manmetro tubo Bourdon tipo C
En el Anexo B se encontrar informacin mas detallada sobre todo el desarrollo del

procedimiento de calibracin del manmetro realizado en la empresa REYMOM LTDA .
125
7. CARACTERSTICAS DINMICAS DE
SEALES CON FUNDAMENTACIN
MATEMTICA.
7.1 MODELADO MATEMTICO DE SISTEMAS

DE MEDICIN
El modelado matemtico es primordial para iniciar con el estudio del comportamiento de
los sistemas dinmicos ya sean mecnicos, elctricos, de medicin, de proceso, control,
entre otros, utilizados en la industria, que en su estructura los sensores, acondicionadores
y transductores toman un rol importante para llevar a cabo la transmisin de seales con
un anlisis dinmico que describe matemticamente la relacin que existe entre la seal
de salida y la excitacin, considerando perturbaciones de otras variables que se pudiesen
38
presentar por la conguracin del sistema
Por ejemplo, en un sistema de medicin la seal de entrada o excitacin del sistema

representa el valor real de una variable y la seal de salida o respuesta del sistema es el
valor numrico de la variable que es el objetivo de este tipo de sistema: representar un
39
valor numrico a un observador de la variable de inters
La forma en que se adopta el modelo cuantitativo al sistema depende de las circunstancias

y caractersticas de ste, por ello para un mismo sistema pueden existir varios modelos
dependiendo de la perspectiva con que se analice. Estos, son utilizados en algunos casos
para controlar parmetros necesarios en equipos industriales, donde la herramienta de
medicin es conectada al dispositivo de acondicionador de seal a elctrica, mecnica,
neumtica, etc. y de esa manera ser analizada y evaluada, ya sea por un software computacional para una seal digital, por un procesador en caso de una seal elctrica u otro
equipo segn la necesidad.
Encontrar un equilibrio entre simplicidad del modelo y la precisin en la descripcin del
sistema lleva en algunas ocasiones a omitir ciertos parmetros que podran complicar
el modelo, se debe tener cuidado que lo omitido no inuya criticamente en la dinmica
del sistema que origine una respuesta inexacta con la representacin fsica experimental
y conlleve a un anlisis errneo. Existe una metodologa para el desarrollo de un nuevo
modelo, la cual implica primero llevar a cabo un modelo simplicado para obtener una
38 CREUS
SOL, Instrumentacin industrial, Op.cit., Apndice A.

Jhon P. Sisitemas de Medicin. Principios y Aplicaciones. 2 ed. CECSA. 1999.
39 BENTLEY,
126
idea del resultado y despus agregarle pormenores y detalles que particularizan el modelo
40
para un sistema determinado
Se debe tener en cuenta en el momento de realizar un modelo, que la misma ecuacin

puede no ser vlida al cambiar el rango de algunas propiedades, como por ejemplo la
frecuencia, ya que el comportamiento del sistema puede ser distinto a bajas y altas
frecuencias. Es all donde se presenta la existencia de sistemas lineales y no lineales.
Para hallar el modelo matemtico que describe un sistema dinmico existen diferentes
mtodos (ver apndice III) que se vale de estrategias de anlisis para hallar una ecuacin
diferencial, en la cual se puede determinar si corresponde a un sistema de primer orden,
segundo orden u orden superior. Algunas aplicaciones de estos mtodos se visualizan
en los sistemas elctricos que en ocasiones se toma como parmetro de analoga de
otros sistemas dinmicos como el trmico (ver apndice III). En la tabla 8 se visualiza
una comparacin en cuanto caractersticas descritas matemticamente que sirven como
herramienta para hallar el modelo matemtico general de un conjunto que se requiera
analizar.
Tabla 8: Descripcin matemtica de parmetros fsicos de sistemas elctricos, nivel de

lquido y trmico
7.1.1 Sistemas Lineales y No Lineales

7.1.1.1 Sistemas Lineales
En este tipo de sistemas se puede aplicar el principio de superposicin, el cual establece
que la solucin a una respuesta dinmica producida por varias entradas es la suma de las
soluciones correspondientes a cada entrada. Otra manera de determinar la linealidad del
sistema es el cumplimiento de la propiedad de la homogeneidad, dado la causa
40 OGATA,
K. Ingeniera de Control moderna, Tercera edicin. Editorial Pearson, 1995.

127
r(t)
y el
c(t) son proporcionales, o sea que a una entrada Ar(t), la salida que corresponde
41
tambin A c(t) , como se ve en la g. 28.
efecto
ser
Figura 28: Linealidad en un Sistema de Control
Fuente: Creus. Instrumentacin industria. Pg. 646.

La propiedad de la homogeneidad se puede representar en una grca donde la relacin
entre la entrada y salida es una lnea recta, por ello idealmente el punto de intercepto
de las magnitudes mximas de la seal de entrada y salida y el punto intercepto de las
magnitudes mnimas de la seal de entrada y salida son unidos por una lnea recta ideal
y por ello es descrita por la ecuacin 12:
r rmin =
rmax rmin
(c cmin )
cmax cmin
(12)
Se representa la ecuacin 12 en forma simplicada en la ecuacin 13, donde

pendiente de la lnea recta ideal representada en la ecuacin 14 y
es la
es la magnitud del
punto de interseccin de la lnea recta ideal con eje de la salida segn ecuacin 15.
c = kr + a
(13)
cmax cmin
rmax rmin
(14)
a = rmin kcmin
(15)
k=
Los sistemas lineales invariantes en el tiempo contienen en las ecuaciones diferenciales

coecientes constantes, lo cual indica que los parmetros que conforman el sistema
dinmico son lineales invariantes con el tiempo, siendo ste el modelo til de ms amplia
aplicacin de la respuesta dinmica de los sistemas de medicin
42
. Y los sistemas lineales
variantes con el tiempo, se caracterizan por ecuaciones diferenciales cuyos coecientes

son funciones de una sola variable independiente.
41 NISE
N. S., Control Systems engineering, Quinta edicin. Editorial John Wiley & Sons, 2008.
Ernest E. Sistemas de Medicin e Instrumentacin. Diseo y Aplicacin. Quinta edicin. Editorial Mc Graw Hill. 2005.
42 DOEBELIN,
128
7.1.1.2 Sistemas No Lineales

La mayora de los sistemas reales, son sistemas no lineales, de hecho, los que se consideran
lineales solo pueden ser en un rango del dominio de los parmetros involucrados en el
proceso. Por ejemplo, en el comportamiento de un ujo, la solucin cambia cuando
pasa de ujo laminar a turbulento sin contar con la zona de transicin, que es poco
explicable mediante un modelo matemtico, en la gura 29 se puede observar las curvas
caractersticas.
Figura 29: Curvas caractersticas para no linealidades-ley cuadrtica.
Fuente: Ogata.Ingeniera de Control Moderna. p 59.

En los sistemas no lineales, no es posible aplicar el principio de superposicin ni homogeneidad, y su conjetura matemtica es compleja para encontrar una solucin, ya que el
comportamiento de causa y efecto no tienen proporcionalidad, por ello para tramos de
sta relacin se puede encontrar o acomodar en ecuaciones diferenciales lineales de un
modelo matemtico, como se muestra en la gura 29, donde la suposicin bsica es que
la respuesta de la aproximacin lineal representa la respuesta del proceso en la regin
cercana al punto de operacin, alrededor del cual se realiza la linealizacin
43
Un mtodo para linealizar estos modelos matemticos con intensin de facilitar su descomposicin para su anlisis es aplicar la tcnica de expansin de la funcin en una serie
de Taylor, lo cual, aproxima la respuesta del sistema no lineal a ecuaciones diferenciales
lineales. Esta tcnica se aplica alrededor de un punto base,
x,
que por lo general hace
parte del intervalo de inters a solucionar utilizando la ecuacin 16.
f (x) = f (x) +
f (x)
x
1
(x x) +
2!
x
2 f (x)
x2
(x x)2 + . . .
(16)
Al despreciar los trminos de segundo grado o ms de la ecuacin 16 se hallara una

funcin linealizada, que es la expansin de Taylor simplicada como se observa en la
ecuacin 17.
43 SMITH,
C. y CORRIPIO, A. Control Automtico de Procesos: Teora y Prctica. 1ra ed. John

Wiley & Sons, 1991.
129
f (x) = f (x) +
f (x)
x
(x x)
(17)
Un procedimiento similar se realiza para una funcin dependiente de n variables, aplicando

la ecuacin 260.
f (x1 , x2 , . . . xn )
xi
f (x1 , x2 , . . . xn ) = f (x1 , x2 , . . . , xn ) +
(xi xi )
(18)
Tambin es posible linealizar la ecuacin desarrollando una ecuacin lineal teniendo en
(clineal (r)) y la funcin real (cno lineal (r)) que

N (r) como se representa en la g. 30, siendo sta
cuenta la diferencia entre la funcin lineal

se dene en trminos de una funcin
la no linealidad del sistema que se cuantica en trminos del valor mximo como un
porcentaje de la deexin a escala completa como se observa en la ecuacin 19.
% N o linealidad =
Nmax
100
cmax cmin
(19)
Figura 30: Representacin de la no linealidad
Fuente. BENTLEY, Jhon P. Sistemas de Medicin. Principios y Aplicaciones. 2 ed. CECSA.

1999. Pg. 9.
La ecuacin que representa el sistema no lineal ser determinado por la ecuacin 20 y
puede estar expresada como un polinomio o utilizar una funcin que se acople mejor al
44
comportamiento del sistema
creal = kr + a + N (r)
(20)
Otra caracterstica importante en el modelado matemtico de un sistema de medicin

es la sensibilidad, denida como la razn de cambio de la seal de salida con respecto a
la seal de entrada
(dc/dr),
que para el caso de un sistema ideal estar dado por k.
7.1.1.3 Modelo Generalizado de un Sistema de Medicin

Un modelo que puede representar la seal de salida de un elemento de medicin esta
dado por la ecuacin 21:
44 BENTLEY.
Op. cit., p. 9.
130
c = kr + a + N (r) + kM rM r + kI rI
Donde
rM
(21)
es la desviacin de una entrada ambiental modicadora respecto del valor
dado en condiciones estndar, que produce un cambio en la sensibilidad lineal de
k + kM rM
como se observa en la g. 31 a; por otra parte,
rI
es la desviacin en una
entrada ambiental interferente respecto del valor en condiciones estndar, que produce
un cambio de
a + kI rI
segn g. 31 b; las constantes
kM
kI
son de acoplamiento
respecto a condiciones ambientales diferentes a las estndar.
Figura 31: Efectos de las Entradas Ambientales

Figura 7.4a: Entrada Modicadora.
Figura 7.4b: Entrada Interferente.

1999. p. 11..
131
7.2 ANLISIS DE LA RESPUESTA TRANSITORIA

ESTACIONARIA EN EL DOMINIO DEL TIEMPO
El modelado matemtico es el primer paso para el anlisis de la respuesta dinmica de un
sistema ante diferentes tipos de seales de entrada: escaln, rampa, parbola, impulso,
sinoidal, entre otros; las cuales son herramientas para realizar pruebas experimentales
necesarias y determinar el posible comportamiento que se presentara en la prctica,
aunque son solo aproximaciones bastas de la realidad, son tiles para el anlisis del
comportamiento de los sistemas debido a cambios en los parmetros de excitacin o
para comparar dos sistemas de medicin
45
La utilizacin de un tipo particular de entrada es denida por:
El tipo de seal de entrada ms frecuente que recibir susodicho sistema.

La seal que puede inducir al sistema a una respuesta crtica e inestable.
Despus de concretar el modelo matemtico del sistema, se puede llegar a una solucin
matemtica que describe la respuesta dinmica del mismo, la cual est compuesta de
dos partes: por un lado la respuesta estable que se reere al comportamiento tendiendo t
al innito; y, la respuesta transitoria, que va del estado inicial y se extingue en el tiempo,
conllevando a una asntota o valor constante que se establece como la respuesta estable.
En el anlisis de los sistemas dinmicos existe la caracterstica de estabilidad, la cual
determina o es una clasicacin del sistema, al igual que la linealidad que representa en
el modelo matemtico.
Para los sistemas lineales e invariantes con el tiempo en cuanto a estabilidad absoluta
existen los siguientes estados:
Estable: Cuando el sistema tiende a regresar a la posicin de equilibrio despus

de atribuirle unas condiciones iniciales.
Crticamente estable: Cuando un comportamiento de la respuesta (oscilaciones)

contina en el tiempo hasta el innito.
Inestable: Implica que diverge del equilibrio del sistema con el tiempo.
45 DOEBELIN.
Op. cit., p. 100.
132
Se debe tener en cuenta las limitaciones (como obstculos, falla por fatiga en un tiempo
denido o simplemente cambio en las propiedades del sistema que lo convierte en ecuaciones no lineales) que pueden estar afectando la respuesta del sistema, siendo de esta
manera intil la ecuacin diferencial lineal.
Para estudiar la respuesta transitoria de un sistema dinmico se debe distinguir las
representaciones matemticas de una clasicacin general como lo son los sistemas de
primer orden, segundo orden y orden superior, como es mostrado en el apndice .
Tabla 9: Funcin de Transferencia que Representa Sistemas Dinmico

ORDEN
FUNCIN DE TRANSFERENCIA
CERO
C(s)
n
= an
R(S)
b
C(s)
1
= RCs+1
R(s)
C(s)
1
= ms2 +bs+k
R(s)
C(s)
1
= a0 sn +a1 sn1 +....+an
R(s)
PRIMERO
SEGUNDO
SUPERIOR
7.2.1 Sistemas de Orden Cero

Se presenta cuando en la ecuacin 16 todos los coecientes son cero exceptuando
bm ,
an
en un rango de operacin pre-establecido, generando la ecuacin diferencial simple
22.
an r = b m c
(22)
an
c
=
=K
r
bm
(23)
Como se puede observar en la ecuacin 22 la seal de salida es un mltiplo constante a la

seal de entrada, sin importar las condiciones de la excitacin, por ello ste instrumento
representa el rendimiento dinmico ideal y perfecto, que lo convierte en un instrumento
que sirve como estndar para comparar con otros menos exactos
46
7.2.2 Sistemas de Primer Orden

Los sistemas de primer orden pueden ser representados por la funcin de transferencia
segn la ecuacin 24:
46 DOEBELIN,
Hill, 2005.
Ernest E. Sistemas de Medicin e Instrumentacin: Diseo y Aplicacin. 5 ed. McGraw-
133

1
C(s)
=
=
i
RCs + 1
R(s)
(24)
Las respuestas dependiendo del tipo de entrada o excitacin del sistema como la funcin escaln unitario, rampa unitaria e impulso unitario, sern halladas tomando las
condiciones iniciales cero y los resultados se observan en la gura 32.
Figura 32: Respuestas sistemas de primer orden
Impulso unitario: La transformada de Laplace de esta funcin de entrada est dada

por
R(s) = 1,
por lo tanto la respuesta est dada por la ecuacin 25:
C(s) =
1
Ts + 1
(25)
Se obtiene la ecuacin 26de respuesta en funcin del tiempo como:
c(t) =
1 t
e T
T
para t 0
Escaln unitario: Donde la transformada de Laplace es
(26)
R(s) = 1/s
y deduciendo de
la ecuacin 24 se obtiene la ecuacin 27:
C(s) =
1
T
S Ts + 1
(27)
Expandiendo en fracciones parciales, se obtiene la ecuacin 28:
C(s) =
1
T
1
1
=
S Ts + 1
S s + 1/T
(28)
Al tomar la transformada inversa de Laplace la funcin de salida est dada por la ecuacin
29.
134
c(t) = 1 e(t/T )
para t 0
(29)
Analizando este tipo de respuestas encontramos:
En el tiempo
t = 0,
no hay respuesta alguna.
t = T , se obtiene un valor de c(t) = 0,632, o sea que en el momento

que llegue a este tiempo la respuesta adquirir en 63,2 % del valor obtenido cuando
t , el cual es el valor de la respuesta estable del sistema, despus de pasar de
la transicin. La magnitud de T toma el nombre de constante de tiempo
En el tiempo
Se observa que cuando decrece el valor de
la respuesta estable es alcanzada ms
rpidamente por el sistema.

Analizando la pendiente de la curva de respuesta en la ecuacin 30:
dc
1 t
1
= e T t = 0 =
dt
T
T
(30)
Se observa que la pendiente en t=0 obtiene el valor anterior y disminuye a cero cuando
t tiende a innito.
La grca escaln de la gura 32 fue hecha para T=1, por ello en:
En t=T: 63.2 % c(t)
En t=2T: 86.5 % c(t)
En t=3T: 95 % c(t)
En t=4T: 98.2 % c(t)
En t=5T: 99.3 % c(t)
De lo anterior se inere que un valor razonable del tiempo que necesita para alcanzar la
estabilidad se puede estimar en cuatro veces la constante de tiempo.
Cada vez que la magnitud de T sea menor se puede lograr una respuesta mas rpida del
47
sistema y por ende una mejor medicin dinmica con respecto a un instrumento
Una forma de determinar la linealidad de primer orden del sistema experimentalmente

es gracar
|c(t)c()|/|c(0)c()|,
contra t en papel semilogartmico como se aprecia
en la gura 33.
47 Ibid.,p.
60.
135
Figura 33: Identicacin de Linealidad para un Sistema Dinmico
Rampa Unitario: La ecuacin de transferencia que describe sta seal de entrada est
dada por
1/s2 ,
obteniendo la respuesta utilizando la ecuacin 24, se halla usando la
ecuacin 31:
C(s) =
1
s2
1
Ts + 1
(31)
T2
T
+
s
Ts + 1
(32)
Expandiendo en fracciones parciales:
C(s) =
1
s2
Se aplica la transformada inversa de Laplace de la ecuacin y se obtiene la ecuacin 33:

t
c(t) = t T + T e T
para t 0
(33)
De este modo, la seal de error e(t) esta dado por la ecuacin 94:
t
e(t) = r(t) c(t) = T (1 e T )
(34)
La respuesta se evidencia en la grca de rampa 32 junto con la funcin rampa, observando el error que existe entre ellas.
7.2.3 Sistemas De Segundo Orden

Una ecuacin diferencial de segundo orden podra ser representada por una funcin de
transferencia como se observa en la ecuacin 35:
Y (s)
1
C(s)
=
=
2 + bs + k
F (s)
ms
R(s)
(35)
Hallando los valores de las raices de la ecuacin caracteristica cuando el denominador

es igual a cero (Polos), se presentan tres condiciones que sern evaluadas para cada
entrada segn ecuacin 36:
s=
(b2 4mk)
2m
136
(36)
Estas condiciones me determinan el tipo de comportamiento del sistema que se presentara

como respuesta a la excitacin:
b2 > 4mk ,
valores de s reales y diferentes.
b2 = 4mk ,
valores de s reales e iguales.
b2 < 4mk ,
valores de s imaginarios.
Lo anterior conduce a la determinacin de estados en el plano de eje imaginario vs.

eje real para la comprensin de estabilidad que puede presentar el sistema ante una
perturbacin
48
. Los estados generales que se presentan son:
Respuesta sobreamortiguada:
Polos: Dos nmeros reales,
1 , 2 ; b2 > 4mk,
c(t) = k1 e1 + k2 e2
Respuesta subamortiguado:
Polos: Dos nmeros imaginarios:
d wd jd ; b2 > 4mk
c(t) = Ae1 cos(wd t )

Respuesta marginalmente estable:
Polos: Dos nmeros imaginarios,
wd j
c(t) = Acos(wd t )
Respuesta crticamente amortiguada:
Polos: Dos nmeros reales e iguales:
1 ; b2 = 4mk
c(t) = k1 te1 + k2 e1
La ubicacin en el plano de imaginario vs. real se observa en la gura 34:
48 NISE,
N. Control Systems Engineering, 5 ed. John Wiley & Sons, 2008.
137
Figura 34: Ubicacin de condiciones de estabilidad en el plano Imaginario vs. Real.
7.2.3.1 Impulso unitario:
C(s) =
ms2
1
1
+ bs + k
(37)
Se llama la funcin de transferencia del sistema por medio de Matlab con el siguiente
cdigo:
num=[1]; % Numerador del polinomio

den=[m b k]; % Denominador del polinomio
H=tf(num,den); % Convierte el sistema en una ecuacin de transferencia.
Para aplicarle al sistema una excitacin de Impulso, la sintaxis quedara:
impulse(H) {1}
impulse(num,den) {2}
impulse(num,den,t){3}
La forma {1} y {2} da la misma grca, pero en la {3}, t es el dominio tiempo que
requiere para gracar.
Si se utiliza la forma de solucin por espacio de estados, la forma de describirla en Matlab
o guardar la informacin bsica del sistema es:
H=ss(A,B,C,D)
138
Y para aplicar una excitacin:

impulse(H)
impulse(A,B,C,D)
En el caso de colocar:
[x,y,t]= impulse(num,den,t)
[x,y,t]= impulse(A,B,C,D)
No aparecer una grca, sino el software guardara en las matrices y y x la salida la

respuesta del estado del sistema, respectivamente, evaluadas en el dominio t.
La respuesta arrojada por el software es la que se observa en la gura 35.
Figura 35: Respuesta que arrojada por el software
7.2.3.2 Funcin Escaln:
Se coloca en el software: step(H) step(num,den) step(num,den,t)
y los resultados obtenidos se pueden ver en la gura 36.
139
Figura 36: Respuesta funcin escaln
7.2.3.3 Funcin Rampa:
En Matlab no hay un comando que aplique la entrada
rampa al sistema directamente, por lo tanto se debe multiplicar por la transformada de

Laplace de la funcin rampa que es
C(s) =
ms2
1/s2,
como se observa en la ecuacin 38.
1
1
1
1
2 =
3 + bs2 + ks
+ bs + k s
ms
S
(38)
Se ingresa a Matlab aplicando como funcin entrada de escaln unitario ya que su transformada de Laplace es
R(s) = 1/s,
lo cual no modicara la funcin de transferencia,
as:
num=[1]; % Numerador del polinomio

den=[m b k 0]; % Denominador del polinomio
H=tf(num,den); % Convierte el sistema en una ecuacin de transferencia. step(H)
Y la respuesta que se observa en la gura 37.
140
Figura 37: Respuesta rampa
Para un buen anlisis de los comportamientos de los sistemas dinmicos y capacidad de

crtica a la hora de una decisin se deben tener en cuenta algunas caractersticas de su
funcin respuesta; en el caso de sistemas de segundo orden, si se supone condiciones
iniciales segn ecuacin 112 :
y(t=0) = yo , ,
dy
=0
dt (t=0)
(39)
La funcin de transferencia se transformara de la siguiente manera aplicando el lgebra

necesaria:
Y (s) =
C(s)
(ms + b)yo
=
ms2 + bs + k
R(s)
(40)
La ecuacin 40 se llevara a un estado general para efectos de anlisis y facilidad en la

ecuacin 41.
C(s)
(s + b/m)yo
(s + w)yo
= 2
= 2
2
R(s)
s + (b/m)s + k/m
s + 2wn s + wn
(41)
Donde:
wn =
=
k
, frecuencia natural no amortiguada.
m
b , razn de amortiguamiento.
2 km
Los valores de s, para los cuales el denominador es cero en forma general para una
ecuacin de segundo orden se ven en la ecuacin 42:
s1 , s2 = wn wn
( 2 1)
(42)
Las caractersticas para un sistema general como en la ecuacin 42 estn determinadas

por el tiempo que demore un evento especco
49 DORF,
49
, tales como:
R. y BISHOP, R. Sistemas de Control Moderno. 10 ed. Pearson, 2005

141
Tiempo de retardo (td): es el tiempo que requiere para que la respuesta alcance
por primera vez la mitad del valor nal.
Tiempo de levantamiento (tr): es el tiempo que necesita el sistema para alcanzar la
respuesta de 10 a 90 %, del 5 al 95 % o del 0 al 100 % del valor nal, utilizndose
el primero para sistemas sobre amortiguados y el ultimo para subamortiguado;
linealizando la ecuacin 43 para hallar este valor, ya que su expresin es complicada
de obtener:
tr =
2.16 + 0.60
wn
(43)
Tiempo pico (tp): Tiempo que demora en llegar al primer pico de la funcin.
tp =
T
wn
(1 2 )
(44)
Sobrepaso mximo (Mp), %: Corresponde al valor pico mximo de la curva de

respuesta, el cual es medido a partir de la unidad, si el valor en estado estable es
distinto a la unidad, se utiliza un porcentaje para describirlo, segn ecuacin 45:
% sobrepaso mximo =
a
c(tp ) c()
100
c()
(45)
Se le atribuye a este valor la descripcin en forma directa de la estabilidad relativa del

sistema.
Mp = 1 + e
1 2
(46)
Tiempo de asentamiento (ts): Es el tiempo que el sistema requiere para alcanzar

un comportamiento en el cual la variacin de la respuesta se encuentre en un rango
de 2 al 5 % de su valor de estabilidad nal dependiendo de los requerimientos del
sistema, y se obtiene segn la ecuacin 47.
ts = 4T =
4
wn
(47)
En la gura 38 se puede observar como es el comportamiento de un sistema y sus

caractersticas.
142
Figure 38: Descripcin de la respuesta dinmica de un sistema.
Fuente. Ogata. Ingeniera de Control Moderna. p. 151.
Anlisis en el dominio de la frecuencia.

El anlisis de la respuesta estacionaria en el dominio de la frecuencia de un sistema se
dene como la respuesta del sistema en un estado estacionario a una seal sinosoidal de
entrada que permite hallar seales peridicas y la cual diere de la forma de onda de
entrada solamente en amplitud y ngulo de fase
50
. Para mayor detalle ver anexo D.
7.3 CRITERIO DE ESTABILIDAD

7.3.1 Criterio de estabilidad de Routh-Hurwitz
El criterio de estabilidad de Routh-Hurwitz es un algoritmo de aplicacin directa que me
permite determinar el nmero de polos que se encuentra en el semiplano derecho (races
inestables) sin necesidad de calcular las races de la ecuacin caracterstica. Es uno de los
mtodos ms usados y til sobre todo para sistemas de orden superior. El procedimiento
es el siguiente:
1. Se escribe el polinomio segn la ecuacin 48:
a0 sn + a1 sn1 + + an1 s + an = 0
En donde los coecientes son cantidades reales.
50 DORF,
R. y BISHOP, R. Sistemas de Control Moderno. 10 ed. Pearson, 2005.
143
(48)
2. Si el polinomio presenta uno de los coecientes cero o negativo, con algn otro
positivo, existe al menos una raz que es imaginaria o que tiene parte real positiva,
en cuyo caso el sistema es inestable. Luego como condicin necesaria todos los
coecientes deben estar presentes y ser positivos, aunque esto no indique que el
sistema sea necesariamente estable.
3. Si todos los coecientes del polinomio son positivos, se realiza el siguiente arreglo:
sn
sn1
sn2
sn3
sn4
a0
a1
b1
c1
d1
a2
a3
b2
c2
d2
a4
a5
b3
c3
d3
a6
a7
b4
c4
d4
...
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
s2
s1
s0
...
...
...
...
(49)
e1 e2
f1
g1
Donde:
b1 = (a1 a2 a0 a3 )/a1
b2 = (a1 a4 a0 a5 )/a1
b3 = (a3 b1 a0 a7 )/a1
c1 = (a1 a6 a1 b2 )/b1
Se contina evaluando los valores de b hasta que las restantes son cero. Se prosigue
con el mismo patrn de evaluacin (multiplicacin cruzada de los coecientes de los dos
renglones anteriores) para evaluar las c, d, e, etc., hasta completar el n-simo rengln.
El criterio plantea que el nmero de races del polinomio con parte real positiva est
dado por el nmero de cambios de signo de la primera columna del arreglo.
La condicin fundamental y suciente para que todas las races del polinomio se encuentren en el semiplano izquierdo del plano s es que todos los coecientes del polinomio
sean positivos y que todos los trminos de la primera columna del arreglo tengan signo
positivo. De cumplirse lo anterior, dicho polinomio ser Hurwitz.
7.3.1.1Posibles casos
Para la primera columna del arreglo de Routh se pueden pre-
sentar cuatro casos diferentes de conguraciones que se deben tener en cuenta para el
144
correcto desarrollo del arreglo de Routh. A continuacin se ilustra cada caso con un
ejemplo para su mejor entendimiento.
Ningn elemento de la primera columna es cero.
Sea el polinomio de orden dos:
q(s) = a0 s2 + a1 s + a2
(50)
Luego, el arreglo de Routh se escribe:
s 2 a0 a2
s 1 a1 0
s 0 b1 0
Donde,
b1 = (a1 a2 a0 a3 )/a1 = a2
Si un trmino de la primera columna es cero de cualquier rengln, pero los trminos
restantes del mismo rengln no son cero o no presenta dems trminos.
El trmino cuyo valor es cero se reemplaza por un valor positivo muy pequeo
procede normalmente. Si el signo del trmino que se encuentra encima de
al signo del trmino que se encuentra debajo de
y se
es igual
, signica que hay un par de races
imaginarias. Si por el otro lado, dichos signos son opuestos, quiere decir que hay un
cambio de signo. Por ejemplo:
p(s) = s5 + 2s4 + 2s3 + 4s2 + 11s + 10
(51)
El arreglo de Routh es entonces:
s5 1 2 11
s4 2 4 10
s3 6 0
s2 c1 10 0
s1 d1 0
s0 10 0
(52)
c1 = (4 12)/ = (12)/
(53)
En donde,
d1 = (6c1 10)/c1
145
6
(54)
Luego, el signo del trmino que esta encima de
es opuesto al que est debajo de
lo cual quiere decir que hay dos races en el semiplano derecho, haciendo el sistema
inestable.
Si todos los trminos de cualquier rengln son cero:
Esto quiere decir que para el polinomio existen races con magnitudes iguales pero con
signos opuestos y/o dos races imaginarias conjugadas. En este caso, se procede con el
resto de la evaluacin del arreglo mediante la formacin de un polinomio auxiliar con
los trminos del ltimo rengln y empleando los coecientes de la derivada de dicho
polinomio en el siguiente rengln. Las races con magnitudes iguales y signos opuestos
se encuentran despejando el polinomio auxiliar el cual siempre es par. Para ilustrar lo
anterior, se tiene:
q(s) = s3 + 2s2 + 4s + 8
(55)
s3 1 4
s2 2 8
s1 0 0
(56)
Donde el arreglo de Routh es:
Ntese que los trminos del rengln
s1
a partir de los coecientes del rengln
son cero. Luego el polinomio auxiliar se obtiene
s2 :
p(s) = 2s2 + 8s0

y
dp(s)/ds = 4s
Luego, el arreglo de Routh modicado queda:
s3
s2
s1
s0
1 4
2 8
4 0
8
No se presenta cambio de signo. Ahora resolviendo
(57)
p(s) = 0:
0 = 2s2 + 8s0 = 2(s2 + 4) = 2(s + j2)(s j2)

Debido a estas races sobre el eje
jw,
el sistema presenta una oscilacin.
146
(58)
Races repetidas del polinomio en el eje
Si las races que se presentan sobre el eje
jw
jw.
son sencillas, el sistema presenta una forma
sinusoidal subamortiguada, y se considera que el sistema no es estable ni inestable, sino

que es marginalmente estable. Si por el contrario las races sobre el eje
jw estn repetidas
la respuesta del sistema ser inestable.

La desventaja ms notoria del criterio de estabilidad de Routh al aplicarlo a sistemas de
control, es que no sugiere cmo mejorar la estabilidad ni tampoco cmo estabilizar un
sistema inestable. A pesar de esto, es posible determinar los efectos que tienen uno o
dos parmetros del sistema examinando los distintos valores que producen inestabilidad.
7.3.2 Criterio de Estabilidad de Nyquist

La trayectoria de Nyquist se dene para rodear al semiplano derecho del plano s, como
se muestra en la siguiente Figura 39:
Figura 39: Trayectoria de Estabilidad de Nyquist
Debido a que la trayectoria no debe pasar por ningn cero o polo de

unos pequeos semicrculos que rodean a los polos a lo largo del eje
(s) se presentan
jw. Esto con el n
de indicar que la trayectoria debe encerrar estos polos y ceros si se encuentran sobre el
eje
jw.
Cabe notar que si cualquier polo cae en el semiplano derecho del plano s, ste
ser encerrado por la trayectoria de Nyquist

Criterio de Nyquist y la trayectoria de
L(s)
s.
o
147
G(s)H(s)
Para investigar la estabilidad de un sistema en lazo cerrado, se debe gracar el lugar

geomtrico de
(s) = 1 + G(s)H(s) = 1 + L(s)
cuando s toma valores a lo largo
(s) con
que L(s) es
de la trayectoria de Nyquist, y se determina el comportamiento de la traza

respecto al punto crtico (origen del plano
(s)).
Sin embargo, debido a
conocida, puede ser mas simple construir la trayectoria de
L(s)
que corresponda a la
traza de Nyquist, y se puede llegar a la misma conclusin de estabilidad en lazo cerrado

si se observa el comportamiento de
L(s).
L(s)
con respecto al punto
Lo anterior se debe a que el origen del plano
en el plano
L(s).
(s)
(1, j0)
en el plano
corresponde al punto
(1, j0)
Por tanto ste punto se convierte en el punto crtico para determinar
la estabilidad en lazo cerrado del sistema. Luego, si se tiene un sistema de control cuya
ecuacin caracterstica corresponde a igualar
1 + L(s)
a cero, donde
L(s) = G(s)H(s),
la aplicacin del criterio de Nyquist para determinar la estabilidad involucra los siguientes
tres pasos:
1. Se dene la trayectoria de Nyquist
2. Se construye la traza de
L(s)
s.
que corresponde a la trayectoria de Nyquist.
3. Note el numero de encierros N del punto crtico

4. El criterio de Nyquist se obtiene de:N
(1, j0)
hechos por la traza L(s).
= Z P
Donde:
N= nmero de encierros del punto crtico(1, j0)hechos por la traza
L(s).
Z= nmero de ceros de
1 + L(s)que
se encuentran dentro de la trayectoria de Nyquist.
P= nmero de polos de
1 + L(s)que
se encuentran dentro de la trayectoria de Nyquist.
La estabilidad se interpreta en trminos de Z y P:
Para la estabilidad en lazo cerrado, Z=0.

Para la estabilidad en lazo abierto, P=0.
Esto quiere decir que, la condicin de estabilidad est dada por:

N=-P
Luego:
Para que un sistema sea estable en lazo cerrado, la traza
crtico
(1, j0)
L(s)
debe encerrar el punto
un nmero de veces N igual al nmero de polos P de
L(s)
que se
encuentran en el semiplano derecho, y dichos encierros (en caso de presentarse) deben
148
ser realizados en direccin SMR (Sentido de las Manecillas del Reloj) si
s est denida
en SCMR (Sentido Contrario a las Manecillas del Reloj).

Criterio de Nyquist para sistemas con funcin de transferencia de fase mnima
Una funcin de transferencia de fase mnima tiene las siguientes propiedades:
No posee polos ni ceros sobre el eje jw (incluyendo el origen) o en el semiplano

derecho.
L(s)con n polos y m ceros, cuando s=jw (excluyendo los polos

vara de a 0, la variacin de fase de L(jw) es (n m)/2 [rad].
Para
en s=0) y w
Su valor no puede ser cero o innito ni en cualquier frecuencia nita distinta de

cero.
Cuando w vara de
a 0 la funcin tendr un corrimiento de fase ms positivo.
Por el contrario cuando w vara de 0 a
tendr una fase ms negativa
L(s) es de fase mnima, no posee polos o ceros sobre el semiplano derecho

eje jw , excepto en s=0, P=0. Luego, el criterio de Nyquist se simplica a:
Debido a que
o sobre el
N=0
Luego, un sistema en lazo cerrado con

la traza de
(1, j0).
L(s)
L(s) de fase mnima es estable en lazo cerrado si
que corresponde a la trayectoria de Nyquist no encierra al punto crtico
Si dicho punto est encerrado por la traza de Nyquist, entonces el sistema es
inestable.
7.4 CASO DE ESTUDIO: ANLISIS DE LA RESPUESTA EN EL ESTADO DE TIEMPO Y FRECUENCIA PARA UN SISTEMA MASA-RESORTEAMORTIGUADOR (ACELERMETRO)
El acelermetro es un detector de vibracin, choque y de medicin de movimiento absoluto en general muy importante para ste tipo de medicin. Existen diferentes tipos de
51
ste para condiciones de uso requeridas. Las caractersticas que lo identican son
La respuesta en frecuencia es cero a un valor alto limitante. Se puede medir aceleraciones constantes, excepto en el acelermetro piezoelctrico.
51 BENTLEY,
Jhon P. Sisitemas de Medicin: Principios y Aplicaciones. 2da ed. CECSA, 1999.

149
Con integracin elctrica se obtiene el desplazamiento y la velocidad, que es preferible en lugar de la diferenciacin.
Es mas fcil realizar medicin en presencia de movimientos transitorios (choques)
con respecto a los detectores de velocidad o desplazamiento.
Las fuerzas destructivas generalmente se relacionan con la aceleracin que con la
velocidad o desplazamiento
El modelo ms simple que representa fsicamente un acelermetro se muestra en la gura

40, la cual hace notar el principio de operacin: se supone la aceleracin
xi
a medir
como constante. La masa en estado permanente permanecer en reposo con respecto a

la cubierta, lo que signica que la aceleracin absoluta ser
xi ;
debe existir una fuerza
que acelere la masa m, y si m no est en movimiento con respecto a la cubierta, la fuerza

solo puede provenir del resorte; conociendo que la fuerza es proporcional a la deexin
del resorte, y por ende proporcional a la aceleracin,
de la aceleracin
xi .
xo
xo
puede considerarse una medida
Por lo anterior la medicin de la aceleracin absoluta se convierte
en la medicin de la fuerza que se requiere para mover una masa de comprobacin, que
puede conllevar a errores debido a la fuerza inercial de sta ltima.
Existe un extensa gama de tipos de acelermetros como lo es el acelermetro tipo
deexin, de balanceo nulo (servo), para navegacin inercial, entre otros.
En este caso se analizara un servo acelermetro que se presenta en la gura 41, el
cual utiliza el mtodo de retroalimentacin negativa de alta ganancia con el objetivo de
realizar una compensacin dinmica y de esa manera reducir el error dinmico que se
puede presentar
52
Figura 40: Modelo Bsico del Acelerometro
Fuente: System Level Simulation of Servo Accelerometer in Simulink, D. P. Kumar,K. Pal.

52 BENTLEY,
Op.cit., p.80.
150
Figura 41: Diagrama Esquematico de un Acelermetro de Circuito Cerrado
Debido a su base estructural se parte de la ecuacin de movimiento para la masa:
m + bx + kx = ma
x
(59)
Donde b es el coeciente de amortiguamiento y k la constante del resorte, que con su

respectivo tratamiento algebraico, con condiciones iniciales iguales a cero la ecuacin de
transferencia es:
1
Y (s)
=
2 + bs + k
F (s)
ms
(60)
Como se menciono, a diferencia de los otros tipos de acelermetro en ste se presenta

la retroalimentacin; que hace que una corriente debida a la salida de un transductor de
desplazamiento, obligue a la masa a permanecer estacionaria con respecto a la estructura.
El diagrama de bloques que representa este sistema se muestra en la gura 42.
Figura 42: Bloque de un Acelermetro de Circuito Cerrado

1999. p. 82.
151
El cual genera una ecuacin de transferencia:
V (s)
mR
=
a(s)
KF ( (K
2
k
s
wn (KA KD KF )
+ (1 +
k
(KA KD KF )
(61)
k
, frecuencia natural no amortiguada.
m
wn =
=
1
k
1 2
as
A KD KF ) wn
b , razn de amortiguamiento.
2 km
Por ltimo para el anlisis del modelo matemtico por el mtodo de espacio de estados,
las variables de estado pueden ser denidas por:
X1 = x
X2 = x
Estableciendo la ecuacin de estado y salida:
X1
X2
0
1
k/b b/m
Y1
Y2
Donde
f (t)
X1
X2
X1
X2
1 0
0
1/m
[f (t)]
+ [D]
(62)
(63)
representa la funcin de la seal de entrada del sistema.
La solucin a esta ecuacin consiste de una respuesta transitoria que depende de unas
condiciones iniciales especcas, y de una respuesta en estado estable, que es independiente de las condiciones iniciales. Se debe tener en cuenta para la respuesta en estado
estable, dos parmetros de rendimiento importantes:
Aceleracin mnima detectable: Sea la aceleracin aplicada constante. La respuesta
en estado estable es entonces
2
x = a/n .
En otras palabras, el estiramiento o
compresin neta del resorte en estado estable es directamente proporcional a la

aceleracin aplicada. Suponga que la deexin mnima medible del resorte es
xmin ,
luego la aceleracin mnima detectable del acelermetro est dada por la ecuacin
64.
2
am [in] = xm [in] n
(64)
Ancho de banda. Sea la aceleracin aplicada una sinusoidal con frecuencia circular
a = a0 cos(t). La deexin del resorte en estado estable es de

forma x = x0 cos(t + ). La magnitud de deexin x0 est relacionada con
magnitud de la aceleracin aplicada a0 por:
esto es,
x0 () =
a0
1
2
( n ) 1
152
4 2
la
la
(65)
( n )
Como se indica por la notacin,

En particular,
x0
x0
depende de la frecuencia de conduccin,
se torna ms pequea cuando
es lo sucientemente grande,
y el acelermetro dejar de ser til para las aceleraciones a tal frecuencia. En la

prctica, el ancho de banda dentro del cual el acelermetro es til est dado por
la frecuencia de corte
c .
Esta frecuencia es denida por la ecuacin
x0 ( c ))
1
= ,
x0 (0)
2
y est dada por:
c = n
(66)
Donde
1 2 2 +
(1 2 2 )2 + 1
(67)
La grca 43 me muestra el diagrama de bode para el anterior acelermetro:
Figura 43: Diagrama de Bode para un Modelo Simple de Acelerometro
Utilizando el comando bandwidth de Matlab, el cual presenta un ancho de banda de 0

hasta una frecuencia de 0.8627 rad/seg.
153
8. PROBABILIDAD Y ESTADSTICA EN
LA INGENIERA DE DISEO DE
EXPERIMENTOS.
8.1 INTRODUCCIN A LA ESTADSTICA

Para iniciar el estudio de los mtodos estadsticos es necesario tener en cuenta que la
estadstica es la ciencia que se encarga de recolectar, organizar, resumir y analizar datos
para despus obtener conclusiones a partir de ellos
53
El papel de la estadstica en la ciencia y la ingeniera es crucial debido a su aplicacin

en los procesos industriales, fundamentalmente porque al analizar datos recopilados en
experimentos de cualquier tipo, se observa que dichos datos estn sujetos a algn tipo
de incertidumbre. El investigador o el profesional debe tomar decisiones respecto de su
objeto de anlisis basndose en el procesamiento adecuado de datos, para lo cual debe
dotarse de herramientas adecuadas como los mtodos estadsticos.
Los mtodos estadsticos permiten que los cientcos e ingenieros diseen experimentos
vlidos y obtengan conclusiones conables a partir de ellos, facilitando el manejo de
grandes cantidades de informacin. La utilidad de esta informacin depender en gran
parte del objetivo de la investigacin y de la forma como se obtengan los datos; teniendo
siempre presente que todo proceso esta sujeto a la variabilidad como resultado de cambios
inherentes al sistema de medicin.
8.1.1 Historia y Evolucin

La estadstica ha estado presente desde tiempos histricos, aun sin ser considerada como
una ciencia era parte de la vida cotidiana de las personas, relacionadas con la actividad
mercantil, industrial, artstica, arquitectnica, intelectual y cientca durante la etapa
conocida como el renacimiento ( Siglo XV).
En esta poca surge una nueva relacin del hombre con la naturaleza, que va unida a una
concepcin ideal y realista de la ciencia. Con el avance en las matemticas y la losofa,
se empieza a dar una explicacin coherente a muchos fenmenos que no seguan un
patrn determinstico, sino aleatorio. Es el caso de todos los fenmenos relativos a la
probabilidad de los sucesos, concretados en este tiempo fundamentalmente en los juegos
de azar.
53 RINCN,
UNAM, 2006.
Luis. Una Introduccin a la Probabilidad y Estadstica. Mxico D.F.: Facultad de Ciencias
154
En este periodo empiezan a surgir ms inquietudes entorno a contabilizar el nmero de

posibles resultados de un dado lanzado varias veces, o problemas ms prcticos sobre
cmo repartir las ganancias de los jugadores cuando el juego se interrumpe antes de
nalizar. Estas inquietudes surgieron ms como intentos de resolver problemas cotidianos
con el n de ser justos en las apuestas y repartos o incluso de conocer las respuestas
para obtener ventajas y en consecuencia mayores ganancias respecto a otros jugadores
y no por inquietudes matemticas. De hecho la idea de modelizar el azar mediante las
matemticas an no estaba plenamente presente en los intelectuales de la poca.
El problema ms importante relativo a los juegos de azar era el conocido como problema
del reparto de apuestas que distribua las ganancias entre jugadores cuando la partida
se interrumpa antes de nalizar. Fue Girolamo Cardano(1501-1576)
54
quien escribi la
primera obra importante relacionada con el clculo de probabilidades en los juegos de

azar en 1565 y se llamaba Libro de los juegos de azar.
Entre los precursores de la probabilidad se destac un hombre mas conocido en otros
campos de las matemticas y la fsica como fue Galileo Galilei, que durante su vida
tambin resolvi problemas sobre dados, hasta tal punto que escribi un libro llamado
Sobre la puntuacin en tiradas de dados. Sin embargo, el mayor aporte de Galileo a los
inicios de la probabilidad fue la invencin de su teora de la medida de errores. Clasic
los errores en dos tipos: sistemticos y aleatorios , clasicacin que se mantiene an
en la actualidad y estableci cuidadosamente las propiedades de los errores aleatorios.
Con esto contribuy sin saberlo a la creacin de ramas fundamentales de la estadstica
y posteriormente a la probabilidad.
En 1665, Pascal publica un tratado sobre el tringulo aritmtico, la ms importante
contribucin realizada hasta la fecha en el mbito de la combinatoria. El libro se basa
en la construccin y propiedades combinatorias del posteriormente llamado tringulo de
Pascal. Los aportes de Pascal se extienden a muchos campos como la losofa e incluso
a la teologa, intentando argumentar la existencia de Dios en trminos probabilsticos y
gananciales: Probabilsticamente es mejor creer que no creer, es decir, es mejor actuar
como si existiera, por si acaso existe.
8.1.1.1 Primeras deniciones y teoremas bsicos.
El primero en dar la deni-
cin clsica de probabilidad fue Jacob Bernoulli, matemtico suizo que trabaj en la
universidad de Basilea en 1687, en su obra Ars conjectandi (El arte de la conjetura) se
encuentra la importante proposicin conocida como el Teorema de Bernoulli mediante
el cual la teora de la probabilidad fue usada en la solucin de problemas no particulares
54 SALINERO,
Pablo. Historia de la teora de la probabilidad. UAM. p.

155
sino generales. Bernoulli siempre detac la importancia de que los fenmenos aleatorios
dejaran de enfocarse como casos particulares y se intentara ver los conceptos generales
que haba detrs de ellos, slo as se avanzara y profundizara en el entendimiento de
esta materia.
Otro de los descubrimientos importantes de Bernoulli fue el saber obtener la probabilidad
de ocurrencia de un suceso sin necesidad de contar los casos favorables. Para ello, invent
la probabilidad a posteriori, es decir: mediante la observacin mltiple de los resultados
de pruebas similares; de esta manera, introdujo el concepto de probabilidad estadstica:
asignar como probabilidad de un suceso el resultado que se obtendra si el proceso se
repitiera en condiciones similares un nmero grande de veces.
Sin embargo, estas condiciones no eran muy concretas y con ellas no se poda dar lugar
a una denicin seria y rigurosa de todos los conceptos que manejaba Bernoulli. Se
hablaba de un nmero grande de veces, pero no se da ninguna indicacin sobre cul
es ese nmero o lo sucientemente grande que debe ser, no se especica tampoco qu
signica condiciones similares y tampoco se establece cul es el error admitido respecto
al resultado terico.
Fundamentalmente, Laplace fusiono las dos disciplinas ms importantes dentro de la
teora de la probabilidad: el clculo de probabilidades y la estadstica, de manera que el
clculo de probabilidades se convirti en el soporte matemtico de la estadstica. Toda
la base matemtica que permiti desarrollar la teora de probabilidades est extrada del
anlisis combinatorio, una disciplina iniciada por Leibniz y Jacob Bernoulli. Posteriormente con el paso del tiempo fue introduciendo la teora de lmites disminuyendo el peso
que tena el anlisis combinatorio.
Esta fue slo la primera de las modernizaciones que sufrira la probabilidad en el siglo XIX.
Otra de las ms importantes fue la que llev a cabo el matemtico alemn Karl Friedrich
Gauss, que desarroll la teora de errores conjuntamente con Bessel y Laplace llegando a
establecer el mtodo de mnimos cuadrados como el procedimiento ms elemental para
resolver los problemas de la teora de errores. Gauss y Laplace, independientemente aplicaron conceptos probabilsticos al anlisis de los errores de medida de las observaciones
fsicas y astronmicas. De hecho, cientcos consagrados de la poca como Maxwell,
Boltzmann y Gibbs aplicaron la probabilidad en su obra "Mecnica Estadstica". La
teora de los errores se constituyo como la primera rama de la estadstica que puede
considerarse como una estructuracin terico-matemtica.
Otras contribuciones importantes a la teora de errores fueron las de Simeon Denis
Poisson que descubri que la media aritmtica no es siempre mejor que una nica
observacin. El francs Poisson hizo aportes destacados a la teora de la probabilidad,
156
como la distribucin que lleva su nombre, tambin introdujo el concepto de variable

aleatoria, no como lo entendemos actualmente, sino trazando sus primeros pasos como
un conjunto de b1 , b2 , . . . , bn cada uno con su probabilidad
p1 , p2 , . . . , pn . Posteriormente,
Chebyshev asumi que esos conjuntos de los que hablaba Poisson eran independientes
e introdujo el trmino variable aleatoria que an tiene validez en la actualidad; pero fue
A.Liapunov quien especic que estas variables no seran siempre independientes y que
esa dependencia estaba sujeta a ciertas condiciones, dando una denicin de distribucin
casi exacta a la actual.
8.1.2 Clasicacin de La Estadstica

En el campo de la estadstica se pueden distinguir dos ramas: la Estadstica Descriptiva
y la Estadstica Inferencial (inductiva), como se observa en la gura 44 el muestreo
tambin hace parte de dicha clasicacin como mtodo usado para la recopilacin de
datos.
Figura 44: Divisin de La Estadstica
Estadstica descriptiva: Esta trata esencialmente de los mtodos para resumir y organizar datos, tiene como objetivo fundamental la descripcin numrica y grca de un
conjunto de datos; comprende las fases de recoleccin, clasicacin, anlisis, elaboracin
y presentacin de datos.
Estadstica inferencial o estadstica inductiva: Desarrolla modelos tericos que

se ajusten a la realidad con cierto grado de conanza. Tienen como objetivo sacar
157
conclusiones y hacer armaciones validas acerca de una poblacin o proceso con base en
la informacin contenida en una muestra, estas armaciones permiten tomar decisiones,
mediante y validar resultados.
8.1.2.1 Muestreo Estadstico

La poblacin y la muestra son conceptos fundamentales al iniciar una investigacin, ya
que toda investigacin tiene generalmente una coleccin de datos que caracterizan un
fenmeno y estn bien denidos que forman una poblacin, y la muestra es simplemente
un subconjunto representativo seleccionado aleatoriamente de un poblacin, en la gura
45 podemos ver una grca de la relacin existente entre las dos, y la inferencia estadstica pretende dados unos datos sujetos a incertidumbre (muestra), obtener el conocimiento
55
de los parmetros, la inferencia utiliza un razonamiento de tipo inductivo
Figura 45: Relacin entre Poblacin Y Muestra
El muestreo es de vital importancia en la estadstica y existen diferentes tipos de muestreo

como
56
Muestreo Aleatorio Simple

Muestreo de Conveniencia
Muestreo Ponderado
Muestreo Aleatorio Estraticado
Muestreo Agrupado
55 GUTIERREZ,
56 NAVIDI.
P. Anlisis Y Diseo De Experimentos. 2da Ed. Mc Graw Hill, Mxico, 2008.

W. Estadstica Para Ingenieros Y Cientcos. Edit. Mc Graw Hill, Mxico, 2006.
158
Muestreo Aleatorio Simple(SRS): Es el mas usado, donde la muestra se elige por

un mtodo donde cada coleccin de
elementos de la poblacin tienen la misma prob-
abilidad de formar la muestra, como en una lotera.
Muestreo de Conveniencia: Cuando es difcil extraer una muestra aleatoria se suele

usar este mtodo, y el investigador es el que elige la muestra usando un mtodo que
el considere, tomando algn patrn conveniente, este tipo de muestras podran diferir
sistemticamente de la poblacin en alguna forma.
Muestreo Ponderado: Cuando a algunos elementos se les da mayor oportunidad que

a los otros para ser seleccionados.
Muestreo Aleatorio Estraticado: La poblacin se divide en subpoblaciones llamados

estratos y se extrae una muestra aleatoria simple de cada uno de los estratos.
Muestreo agrupado: Los elementos se extraen de una poblacin en grupos, til cuando
la poblacin es demasiado grande.
8.1.2.2Tipos de Datos
Los datos en una muestra, generalmente tienden a ser variables y en la investigacin
estadstica se ven dos tipos de variables las cuales se observan en la gura 46.
Figura 46: Tipos de Variables
Las variables cualitativas comprenden las observaciones que solo pueden clasicarse en
categoras no numricas, como grupo sanguneo, tipo de estudios, entre otras. De estas
solo se pueden hacer representaciones gracas que den una idea de la variable en estudio,
hay varias formas de representar como los diagramas de rectngulos o de sectores.
Las variables cuantitativas son las que toman valores numricos como altura, tiempo,
etc. Se dividen en variables discretas y variables continuas; las variables discretas toman
una cantidad nita o numero de valores, y la variable continua pueden tomar cualquier
159
valor en un intervalo acotado o no. En general las magnitudes relacionadas con el tiempo
(edad, duracin de un fenmeno), la masa (volumen, peso), espacio (longitud, supercie)
o combinaciones de estas son variables continuas.
8.2 MEDIDAS DE DISTRIBUCIN

Son una descripcin numrica que permiten conocer algunas caractersticas de los datos.
Consiste en sacar ciertos valores que representan los aspectos ms destacables de una
distribucin y facilitan su estudio.
En la gura 47 se observan los diferentes tipos de medidas de distribucin.
Figura 47: Medidas de Distribucin
8.2.1 Medidas de posicin o tendencia central

Tambin llamadas de centralizacin o de Tendencia Central permite al investigador
conocer los valores centrales de una distribucin en una muestra. Las principales medidas
son:
Media
Mediana
160
Moda
Cuantiles
8.2.1.1 Media
Se emplea frecuentemente en distribuciones simtricas y es el valor que representa menos
uctuaciones al variar los datos de una muestra. Es especialmente til cuando se van a
hallar posteriormente otros valores estadsticos como desviaciones. Se divide en media
aritmtica simple y media poblacional como se ve en la tabla 10.
Tabla 10: Media

Media Muestral
Media Poblacional
n
xi
i=1 n
X=
La media aritmtica simple:
N xi
i=1 N
Tambin llamada media aritmtica ,o, promedio .
Es la suma de todos los elementos de la serie dividido por el nmero de ellos y se calcula
segn la ecuacin 68, ya que casi siempre se considera a los datos como una muestra,
la media aritmtica se conoce como media muestral.
n xi
i=1
X=
x1 + x2 + ...xi + ...xn
n
(68)
Donde:
X =Media
xi =Valor
aritmtica de la variable X
de la Variable X
n =Nmero
de observaciones
La media poblacinal
Valor promedio de todas las observaciones de una poblacin.
Cuando existe un nmero nito de observaciones
en la poblacin, la media poblacional
se da como se ve en la ecuacin 69:
N
i=1
Donde:
=Media
Poblacional
161
xi
(69)
xi =Valor
de la Variable X
N =Nmero
de observaciones de la poblacin
La media de la poblacin tambin se denomina valor esperado de

ca de
que a menudo se representa como
x o esperanza matemti-
E(x).
Los datos en estadstica generalmente estn agrupados en clases o intervalos, y es necesario que conocer las propiedades de la media aritmtica que facilitara el clculo de la
57
media para datos agrupados en el apndice III se ven estas propiedades
8.2.1.2Mediana
Al igual que la media, representa una medida de la tendencia central de los datos, donde
la muestra se divide en dos partes iguales. Es preferida cuando la distribucin de los
datos es asimtrica, y cuando los valores extremos estn alejados y distorsionaran los
valores de la media
58
. Del mismo modo que existe un valor medio de la muestra
un valor medio de la poblacin
x, existe
La mediana de una distribucin es un valor de la variable aleatoria tal que hay una
probabilidad de 0.5 de que el valor observado de
sea menor que o igual a la mediana,
y hay una probabilidad de 0.5 de que el valor observado de

mediana
59
sea mayor que o igual a la
Dados n nmeros ordenados del mas pequeo al ms grande:

Si n es impar, la mediana muestral es el nmero en la posicin
x = x( n+1 )
n+1
:
2
(70)
Si n es par, la mediana muestral es el promedio de los nmero en las posiciones:

y
n
2
+ 1.
x=
x( n )+ x( n +1)
2
2
2
n
2
(71)
8.2.1.3 Moda:
Es el valor que tiene ms frecuencia en una muestra, si algunos valores tienen frecuencia
igual cada uno representa una moda. Puede servir para estimar de una manera rpida y
57 MENDENHALL,
William. y SINCICH, Terry. Statistics for Engineering and the Sciences. 5 ed. New
York, USA.: Pearson Prentice-Hall, Inc, 2007.
58 NAVIDI.. Op. cit., p.20.
59 HINES, William y MONTGOMERY, Douglas. Probabilidad y Estadstica para Ingeniera. 4 ed.
Mxico.: Cecsa, 2006.
162
poco precisa la tendencia de una muestra. A partir de esto se pueden encontrar grupos
de datos con una moda conocidos como (unimodales), y con dos modas conocidos como
(bimodales).
8.2.1.4 Cuantiles:
Son medidas de dispersin pero no necesariamente ligados al centro de los datos. La
mediana divide los datos en dos partes iguales, pero tambin es posible dividirlas en ms
de dos partes. Estas medidas son tambin llamadas cuantilas, cuantiles o fractiles y cuyo
objetivo es describir el comportamiento de una variable dividiendo la serie de valores en
diferente nmero de partes porcentualmente iguales, las ms usadas son:
Los cuartiles (cuartas partes):Son aquellos nmeros que dividen las series en cuatro
partes porcentualmente iguales como lo muestra la gura 48.
Figura 48: Cuantiles
Los deciles (dcimas partes):Son ciertos nmeros que dividen el conjunto de observaciones (ordenadas) en diez parte porcentualmente iguales. Los deciles se denotan
por D1, D2, . . . , D9. El decil 5 corresponde al cuartil 2 (mediana)
Los centiles o percentiles (centsimas partes): Son ciertos nmeros que dividen el
conjunto de datos ordenados en cien partes porcentualmente iguales. El percentil
50 equivale a la mediana.
8.2.2 Medidas de Dispersin

En las medias de dispersin se tienen:
La desviacin estndar
163
La varianza muestral
El rango.
Coeciente de Variacin
8.2.2.1 Desviacin Estndar:

Mide el grado de dispersin de una muestra. La idea bsica es que cuando la dispersin
es grande, los valores de la muestra tendern a alejarse de su media, pero cuando la
dispersin es pequea, los valores tendern a acercarse a su media. Las desviacines
60
grandes tanto positivas como negativas, son indicadores de la dispersin
. La desviacin
estndar muestral y poblacional esta dada por la tabla 11.
Tabla 11: Desviacin Estndar

Desviacin Estndar Muestral
s=
1
n1
n
i=1
Desviacin Estndar Poblacional
(x X)2
1
N
N
i=1
(x )2
Donde
s =Desviacin
estndar muestral
=Desviacin
estndar poblacional
xi =Valores
X =Media
=Media
de la variable X
Aritmtica muestral
poblacional
n =Tamao
N =Tamao
de la muestra
de la poblacin
8.2.2.2 Varianza Muestral:

Mide la variabilidad de los datos, entre mas grande la variabilidad mayor ser la desviacin.
Esta denida como la media aritmtica de los cuadrados de las diferencias entre los valores que toma la variable y su media aritmtica, se representa por la ecuacin 72.
s2 =
60 NAVIDI.
1
n1
(xi X)2
i=1
Op. cit., p.20.

164
(72)
Donde:
s2 =Varianza
xi =Valor
de la variable X
X =Media
aritmtica de los datos
n =Nmero
de datos
8.2.2.3 Varianza poblacional
2:
Es anloga a la varianza muestral, es una medida de variabilidad en la poblacin. Cuando

la poblacin es nita y est formada por N valores, la varianza poblacional puede denire
por la ecuacin 73.
N
i=1
(xi )2
N
(73)
8.2.2.4 El Rango, amplitud o recorrido:

Es la diferencia entre los valores ms grandes
(Xmx ) y los valores ms pequeos (Xmn)
en una muestra, depende solamente de los dos valores extremos, un valor pequeo indica
poca dispersin, puesto que la variable toma valores pequeos en un intervalo pequeo,
un gran valor puede indicar alta dispersin.
R = Xmx Xmn
a
Algunas veces, cuando el tamao de la muestra esta entre
(74)
n 10,
la prdida de infor-
macin asociada con el rango no es muy grande.
8.2.2.5 Coeciente de Variacin:

Representa la variacin como una fraccin de la media. Es til cuando se compara la
variabilidad de dos o ms conjuntos de datos que dieren de manera considerable en la
magnitud de las observaciones esta dado por la ecuacin 75
cv =
s
X
Donde:
cv =
Coeciente de Variacin
61 MONTGOMERY.
Op. cit., p. 28.
165
61
(75)
s=
Desviacin estndar
X=
Media
8.3 ESTADSTICA DESCRIPTIVA

La estadstica descriptiva se dene como un conjunto sistemtico de procedimientos para
observar y describir numricamente un fenmeno, y descubrir las leyes que regulan la
aparicin, transformacin y desaparicin del mismo, este incluye la representacin grca
de datos que es til para revelar la estructura de los mismos, los cuales generalmente
vendrn escritos en columnas de bases de datos, tablas, o registrados en un ordenador.
Cuando en la estadstica descriptiva se va a estudiar un fenmeno determinado, se deben
tener en cuenta dos factores fundamentales: La abilidad que se reere a la obtencin de
las medias (frecuencias, medias) que permitan la mayor precisin posible, y la simplicidad
del estudio realizado que se reere a la eleccin de la muestra que sea manejable respecto
a la magnitud sin perder la representatividad del colectivo.
El uso de la distribucin de frecuencia permite a partir de una serie de datos obtener una
informacin de ellos y presentarlos de manera mas ordenada, mediante una agrupacin de
los mismos. Las distribuciones de frecuencias se presentan mediante tablas estadsticas
que permiten colocar los datos en forma lgica, el proceso para el anlisis de datos
obtenidos se ve en la gura 49.
Figura 49: Proceso con los Datos Obtenidos
166
8.3.1 Distribucin de Frecuencias

Si una muestra es demasiado grande
(n
30),
es difcil observar las diversas car-
actersticas o calcular la media o la desviacin estndar. Por eso es til organizar y

agrupar los datos originales en clases o categoras y determinar el nmero de individuos
que pertenecen a cada clase, llamada frecuencia de clase. La auguracin resultante se
62
denomina distribucin de frecuencia o tabla de frecuencia
Para realizar una adecuada distribucin de frecuencias es necesario conocer las diferentes
frecuencias.
8.3.1.1 Frecuencia Absoluta fl :

La frecuencia absoluta de un valor es el nmero de veces que se repite cada valor que
63
toma la variable
Sea
el nmero total de datos y
Ai
una clase concreta de una variable estadstica,
la frecuencia absoluta de un valor de variables es el nmero de observaciones iguales a

dicho valor, equivalentemente, el nmero de unidades de poblacin que tiene ese valor
de la variable.
0 ni n
(76)
ni = n
(77)
8.3.1.2 Frecuencia Relativa f r :

Valor de una fraccin cuyo numerador es la frecuencia absoluta de una clase y cuyo
denominador es el nmero de individuos de la poblacin. Estar siempre comprendida
entre 0 y 1.
fr =
fi
n
(78)
Donde:
f i =frecuencia
n =nmero
62 SPIEGEL,
de cada clase
de individuos
M y SCHILLER, J. Probabilidad y Estadstica. 2da Ed, Mc Graw-Hill, Colombia. 2006.

I; GUIJARRO, M. Estadstica Descriptiva y clculo de la probabilidades. Pearson,
63 CASTILLO,
Espaa, 2006.
167
8.3.1.3 Frecuencia Porcentual pi :

Es la representacin mediante porcentajes de la frecuencia relativa. Se calcula multiplicando por 100 la frecuencia relativa.
8.3.1.4 Frecuencia Absoluta Acumulada f a:

La frecuencia acumulada es la suma de las frecuencias absolutas de todos los valores
inferiores o iguales al valor considerado.
8.3.1.5 La Frecuencia Relativa Acumulada
fra :
Es la suma de las frecuencias relativas de todos los valores inferiores o iguales al valor
considerado.
Ejemplo 8.1
(Fuente: Montgomery. Probabilidad y estadstica aplicada a la ingenieria. Ej-1.8 p. 14)

En una empresa se toman los datos del nmero de ciclos transcurridos hasta que se
presente la falla en una prueba de piezas de aluminio sujetas a un esfuerzo alternamente
repetido de 21000 psi, a 18 ciclos por segundo.
Donde:
n:
El tamao de la muestra, es el nmero de observaciones.
xi :La
variable, es cada uno de los diferentes valores que se han observado.
Desarrollando el procedimiento para anlisis de datos como lo dice la gura 49.
1. Obtencin de Datos:
Tabla 12: Valor de los Esfuerzos [psi]
1115
1567
1223
1782
1055
798
1016
2100
910
1501
1310
1883
375
1522
1764
1020
1102
1594
1730
1238
1540
1203
2265
1792
1330
865
1605
2023
1102
990
1502
1270
1910
1000
1608
2130
706
1315
1578
1468
1258
1015
1018
1820
1535
1421
2215
1269
758
1512
1315
845
1452
1940
1781
1109
785
1260
1416
1750
1085
1674
1890
1120
1750
1481
885
1888
1560
1642
168
2. Ordenar Datos:
Tabla 13: Datos de Esfuerzos Ordenados [psi]
375
885
1020
1120
1270
1452
1535
1608
1781
1910
706
910
1055
1203
1310
1468
1540
1642
1782
1940
758
990
1085
1223
1315
1481
1560
1674
1792
2023
785
1000
1102
1238
1315
1501
1567
1730
1820
2100
798
1015
1102
1258
1330
1502
1578
1750
1883
2130
845
1016
1109
1260
1416
1512
1594
1750
1888
2215
865
1018
1115
1269
1421
1522
1605
1764
1890
2265
3. Agrupar datos
a) Intervalos de clase: Para construir una distribucin de frecuencia, primero

divide el rango de los datos en intervalos de clase. Las clases deben tener el
mismo ancho con el n de disminuir el error, el nmero de clases depende de
el nmero de datos y de la dispersin.
b) En la practica se suele hallar el nmero de clases aproximadamente igual a la
raz cuadrada del nmero de observaciones. Calculando:
N clase =
Nmero de Observaciones. Para este caso
N clase =
(79)
n = 70.
70 = 8, 36
Entonces 9 o 10 clases darn una distribucin de frecuencias satisfactoria. El

rango es 2265-375=1890, por tanto nueve clases , cada una con un ancho
de
1890
= 210
9
4. Presentacin de las tablas estadsticas
169
Tabla 14: Distribucin de Frecuencia

Intervalo de Clase
Conteo
Frecuencia
Frecuencia
fl
375 x < 585
585 x < 795
795 x < 1005
1005 x < 1215
1215 x < 1425
1425 x < 1635
1635 x < 1845
1845 x < 2055
2055 x < 2265
fr
Frecuencia Relativa
Relativa
0,014
0,014
lll
0,042
0,056
lllllll
0,1
0,156
llllllllllll
12
0,17
0,326
llllllllllll
12
0,17
0,496
llllllllllllll
15
0,21
0,706
llllllllll
10
0,14
0,846
lllll
0,085
0,931
llll
0,057
0,999
Acumulada
fra
5. Representacin graca de la tabla estadstica.
Figura 50: Histograma de Frecuencias
8.3.2 Series Estadsticas

Las series estadsticas generalmente se disponen en tablas estadsticas, que muestran la
informacin de una forma ordenada y fcil de consultar. No todas las series estadsticas
se ocupan de caractersticas de la misma ndole; y se pueden considerar diferentes tipos
de series que se describen en la siguiente tabla 15
64 GARZO,
64
F y GARCIA, F. Estadstica. Mc Graw Hill, Mxico, 1988.
170
Tabla 15: Tipos de Series Estadsticas

Tipos de Series
Caractersticas
Ejemplos
A cada dato del hecho
Nmero de habitantes de
estudiado se le asigna
cada pas de un continente.
Estadsticas
Series Simples
el valor extrado de la
observacin.
Series Agrupadas
Variables estadsticas
Estatura de los individuos de
continuas o discretas
un muestra o poblacin.
con un gran nmero de

valores. Se agrupan
por clase.
Series
Comportamiento de los
Variacin de ujo en cierto
Cronolgicas
hechos a lo largo del
tiempo.
tiempo.
Cuadros
Tablas estadsticas
Distribucin de la estatura
Estadsticos
resultantes de agrupar
segn la edad del colectivo
varias series
de alumnos de una clase.
estadsticas.
8.3.3 Representacin Grca de los Datos.

Las grcas son una forma rpida, directa y clara de representar las tablas estadsticas,
son un medio auxiliar de la investigacin estadstica, til para observar la variacin y
caractersticas de un fenmeno y facilita el anlisis estadstico de las variables, en esta
seccin se presentan varios tipos de gracas para resumir y mostrar datos.
Hay diferentes tipos de grcas usadas para representar el comportamiento de las variables ya sean cualitativas o cuantitativas como se observa en la gura51.
171
Figura 51: Representacin Grca
8.3.3.1 Diagramas de Sectores Circulares:

Los diagramas de sectores permite observar los datos de una variable en forma global,
haciendo una comparacin inmediata del porcentaje o la frecuencia de cada una de sus
categoras y su forma de representacin es segn grca 52.
Figura 52: Diagrama de Sectores
Caractersticas
172
Interpretan el aporte de cada una de las categoras al total de la variable.

Esta construido por un circulo subdividido en diferentes sectores, uno para cada
tipo de valor de datos.
La frecuencia relativa del valor de un datos est indicada por el rea de su sector,
siendo esta rea igual al rea total del crculo multiplicado por la frecuencia relativa
del valor del dato.
Utilizados para analizar proporciones.
8.3.3.2 Diagrama de Rectngulos o de Barras:

Consiste en representar la serie por unas barras o rectngulos cuya base es constante, la
altura y la supercie es proporcional a la frecuencia absoluta correspondiente, visualiza la
relacin entre dos variables. Se emplean en general para las comparaciones por categoras
de variables cualitativas como se observa en la gura 53.
Figura 53: Grca de Barras
Los diagramas de barras se dividen en; diagramas de barras simples, mltiples y compuestas.
Diagrama de barras simples: Este representa un hecho nico, la frecuencia

simple(absoluta o relativa) de cada modalidad mediante la altura de una barra,
donde la altura de la barra es proporcional a la frecuencia simple de la categora
que representa.
Diagrama de barras Mltiples: En esta se pueden comparar una serie con otra,
se pueden utilizar diagramas de barras compuestas o barras simples, utilizando
173
barras distintas para cada serie y ponindolas en el mismo grco, unas al lado de
las otras.
Diagramas de barras Compuestas: Este procedimiento consiste en representar

dos series en el mismo grco, dibujar el diagrama de una de las series y continuar
con la otra de otro color. Cada barra tendr una altura que ser la suma de la
frecuencia absoluta del suceso que representa la barra en la primera serie ms la
frecuencia absoluta del suceso en la segunda serie.
8.3.3.3 Histograma
Un histograma es un grco formado por rectngulos unidos unos a otros, cuyos vrtices
de la base coinciden con los extremos de los intervalos y el centro de cada intervalo con
la marca de clase,representado en el eje de la abscisa, los histogramas pueden dar a los
investigadores una mejor comprensin de los datos, y es muy til al presentar la forma,
localizacin y variabilidad de los datos.
65
En la prctica hay dos tipos de histogramas
Histograma de intervalo de igual probabilidad, tiene intervalos de clase de ancho

variable. Esta tiene el mismo nmero de ocurrencias.
Histogramas de intervalos de igual ancho, intervalos de clase de anchura ja.
Contiene una posibilidad de diferente nmero de ocurrencias. .
Para la construccin de un histograma se deben tener en cuenta los pasos que se ven en
la gura54:
65 SHEDD,
T. Measurement and Data analysis for Engineering and Science. Measurements Lab. Edit.
Mc Graw-Hill Primis.2009.
174
Figura 54: Construccin de un Histograma
1. Preparacin de datos: El primer paso consiste en recoger de forma correcta los

datos.
2. Determinar los valores extremos de los datos Vmax, Vmin. Y hallar el recorrido R;
R=Vmax-Vmin
3. Denir intervalo de clases clasesque contengan el histograma.El intervalo de
clase depende de del nmero de observaciones y de la cantidad de dispersin de
los datos,el intervalo de clase debe estar entre 5 y 20, se puede elegir como la raz
cuadrada del nmero de datos. Segn la tabla16.
Tabla 16: Recomendaciones de Clases en un Histograma
Nmero de Datos
Nmero de
clases
recomendado
20-50
51-100
101-200
201-500
501-1000
10
Ms de 1000
11-20
Todas las clases tendrn el mismo intervalos , la amplitud del intervalo se halla
dividiendo el recorrido por el numero de clase.
Construir clase anotando los limites de cada una de ellas: Los lmites de la primera
clase incluirn el valor mnimo de los datos.
175
4. Calcular la frecuencia de clase: Determinar el nmero de datos que estn incluidos

en cada una de las clases(frecuencia de clases).
5. Grcar el histograma: El eje vertical representa las frecuencias , por tanto en
el se rotularan nmeros naturales. El eje horizontal representa la magnitud de la
caracterstica medida por los datos.
Las barras verticales corresponden a la clase, su base situada en el eje horizontal
y su altura corresponder a la frecuencia de la clase
Se puede representar como se puede ver en la gura 55.
Figura 55: Histograma
8.3.3.4 Diagramas de lneas:

Para trazar la grca de lneas se usa el plano coordenadas; en el eje horizontal se
representa a la variable y en el eje vertical la frecuencia. Se determinan los puntos de
corte del valor de la variable con su frecuencia y se unen estos puntos obtenindose la
grca de lnea que nos muestra con claridad los cambios que experiment la variable.
Tanto para variables discretas como continuas, son utilizados fundamente para mostrar
tendencias en la gura 56 se observa un diagrama de lineas.
176
Figura 56: Diagrama de lneas
Polgono de Frecuencias: Este grco es de lneas y puede obtenerse uniendo los puntos
medios de los rectngulos y, por tanto, los vrtices de la lnea quebrada son los puntos
66
cuyas abscisas coinciden con las marcas de clase
Caractersticas:
No muestran frecuencias acumuladas.

Se preere para el tratamiento de datos cuantitativos.
El punto con mayor altura representa la mayor frecuencia.
8.3.3.5Diagrama de Dispersin:
El Diagrama de Dispersin es una herramienta til para comprobar (aceptar o rechazar)
teoras respecto a la supuesta existencia de una relacin entre dos variables.
Caractersticas:
Permite conocer el grado de relacin existente entre dos variables (grado de correlacin).
Simplica el anlisis de situaciones numricas que tienen gran cantidad de datos.
Permite obtener conclusiones sobre la existencia de una relacin entre dos variables,
no sobre la naturaleza de dicha relacin.
66 GARZO.
Op. cit., p. 55.

177
El anlisis de datos mediante esta herramienta proporciona mayor informacin que

el simple anlisis matemtico de correlacin, sugiriendo posibilidades y alternativas
de estudio, basadas en la necesidad de conjugar datos y procesos en su utilizacin.
Construccin de un diagrama de dispersin:

Para realizar el diagrama de dispersin debemos tener en cuenta los pasos que se ven en
la gura 57.
Figura 57: Elaboracin diagrama de dispersin
Los pasos que se describen en la grca 57 se detallan a continuacin:

1. Elaborar una teora admisible y relevante sobre la supuesta relacin entre dos variables.
2. Obtener los pares de datos correspondientes a las dos variables: Al igual que en
cualquier otra herramienta de anlisis de datos, stos son la base de las conclusiones
obtenidas, por tanto cumplirn las siguientes condiciones:
En cantidad suciente: Se consideran necesarios al menos 40 pares de datos para

construir un Diagrama de Dispersin
Datos correctamente emparejados: Se estudiar la relacin entre ambos.
Datos exactos: Las inexactitudes afectan a su situacin en el diagrama desvirtuando
su apariencia visual.
178
Datos representativos: Asegrese de que cubren todas las condiciones operativas

del proceso.
Informacin completa: Anotar las condiciones en que han sido obtenidos los datos
3. Determinar los valores mximos y mnimos para cada variable.

4. Denir ejes que representan cada una de las variables.
Eje x (variable independiente)

Eje y (variable dependiente)
5. Marcar sobre el diagrama los pares de datos.

6. Rotular el grco: Esta etapa comprende la elaboracin del diagrama de dispersin
como se observa en la gura 58.
Figura 58: Diagrama de Dispersin
8.3.3.6 Diagrama de Caja

El diagrama de caja que se puede observar en la gura 59 es una presentacin visual que
describe al mismo tiempo varias caractersticas importantes de un conjunto de datos,
tales como:
El centro
La dispersin
179
La desviacin de la simetra
Identicacin de observaciones que se alejan de manera poco usual del resto de
los datos.
Figura 59: Diagrama de Caja
8.4 CONCEPTOS BSICOS DE LA PROBABILIDAD

Es importante que antes de seguir tener clara la diferencia entre la probabilidad y estadstica y esta se puede ver mas claramente en la gura 60.
Figura 60: Comparacin entre Probabilidad y Estadstica
A menudo los ingenieros y cientcos se involucran en tareas de anlisis y diseo de

sistemas, donde las componentes caractersticas del sistema no estn determinadas (son
aleatorios), ya que sin importar con cunto cuidado se disee un experimento siempre
180
presentar variaciones. La meta es comprender, cuanticar y modelar el tipo de variacin

que se encuentre, para obtener conclusiones fundamentales de los resultados para ello se
hace uso de la probabilidad.
Algunos modelos permiten variaciones en las salidas del sistema, aun cuando las variables
que se controlan no cambian. En la gura 61 se observa un modelo que incorpora entradas
no controlables (ruido), combinadas con entradas controladas para producir la salida del
sistema. Debido a la presencia de entradas no controlables, el empleo de las mismas
condiciones no siempre dar como resultado las mismas salidas cada vez que se haga
una medicin sobre el sistema.
Figura 61: Modelo de Variacin de un Sistema
Fuente: MONTGOMERY, Douglas. & RUNGER, George. Probabilidad y Estadstica aplicadas

a la Ingeniera. 2 ed.: McGraw-Hill, 1996. p.48.
La probabilidad se asocia muchas veces con los juegos de azar ya que permite estudiar
sucesos aleatorios, uno de los fenmenos casuales ms simple es el lanzamiento de una
moneda, ya que existe la probabilidad de que salga cara o sello; de la misma manera se
puede relacionar con la denicin de un experimento ya que este constituye un proceso
con un resultado que no se puede predecir certeramente con anterioridad, el hecho de
arrojar un dado, lanzar una moneda son ejemplos de experimentos; y el conjunto de
resultado posibles se llama espacio muestral.
La Teora de la Probabilidad es la parte de las matemticas que trata los fenmenos
en los que interviene el azar. En denitiva, usamos la probabilidad con el n de tomar
decisiones de las que esperamos obtener la mayor ganancia o que conlleven el menor
riesgo. Adems, es el puente entre la Estadstica Descriptiva y la Estadstica Inferencial,
181
pues permite usar propiedades obtenidas de la descripcin de muestras para formular y

aceptar hiptesis relativas a la poblacin que gener dicha muestra.
Existen tres componentes esenciales de un modelo probabilstico:
1. Identicacin de todos los posibles resultados del experimento.

2. Identicacin de todos los eventos de inters
3. Asignacin de probabilidades para estos eventos de inters.
8.4.1 Experimentos Aleatorios

Un experimento aleatorio es aquel que proporciona diferentes resultados aun cuando se
repita siempre de la misma manera.
Los experimentos aleatorios tienen unas caractersticas comunes que describimos a continuacin
67
1. Aun cuando no podemos predecir el resultado con certeza, si es posible describir

el conjunto de resultados posibles.
2. Conceptualmente el experimento podra repetirse en condiciones invariables, a
pesar de lo cual los resultados son fortuitos.
3. A medida que el nmero de repeticiones aumenta, surgen ciertos patrones en la
frecuencia de la ocurrencia de los resultados. Estos patrones hacen posible la construccin de un modelo matemtico preciso con el cual analizamos el experimento.
Para modelar y analizar un experimento aleatorio, primero debe comprenderse el conjunto de resultados posibles del experimento aleatorio este conjunto recibe el nombre de
espacio muestral,
denotado por la letra S. Para ello es necesario usar los conceptos
bsicos de conjunto y las operaciones entre conjuntos.

68
Los espacios muestrales pueden ser continuos o discretos
Espacio muestral discreto: Es aquel en el que hay un nmero nito o numerable

de resultados.
Ejemplos:
67 MEYER,
Paul. Probabilidad y Aplicaciones Estadsticas. Departamento de Matematicas, Washington State University,1970.

68 MONTGOMERY. Op. cit., p50.
182
Experimento: lanzar una moneda

S: {cara, sello} conjunto nito
Espacio muestral continuo: Tiene resultados incontables.
Ejemplo:
Experimento: Un aparato registra las emisiones radiactivas de una fuente de energa
en un minuto.
S: {0,1,2,...,}conjunto contable innito.
8.4.1.1 Evento
Otra nocin bsica es el concepto de evento, ocurrencia o no ocurrencia de un fenmeno,
o simplemente un subconjunto del espacio muestral de un experimento aleatorio, en la
experimentacin existe siempre la probabilidad de que ocurrir o no un evento, como
medida de la probabilidad conviene asignar nmeros entre 0 y 1
69
Si estamos seguros que el evento ocurrir decimos que la probabilidad es 1.

Si estamos seguros de que no ocurrir decimos que la probabilidad es 0.
Generalmente se tiene inters de describir eventos nuevos a partir de combinaciones de

eventos existentes. Ya que estos eventos son subconjuntos, es posible usar las operaciones
bsicas de conjuntos, tales como uniones, intersecciones y complementos, para formar
eventos de inters. El resumen de estas operaciones bsicas de conjuntos en trminos de
eventos, las encontramos en la tabla 17.
Tabla 17: Operaciones Bsicas de Conjuntos
69 Ibid.,
p.52.
183
8.4.1.2 Diagrama de Venn

Son diagramas que se usan con frecuencia para representar relaciones entre conjuntos, y
tambin son muy tiles para describir relaciones entre eventos. Representan un espacio
muestral S y los eventos contenidos en ste A y B tal como se ve en la gura 62.
Figura 62: Diagrama de Venn
8.4.1.3 Eventos Mutuamente Excluyentes

Sean dos eventos A y B, tales que
A B = 0, se dice que son mutuamente excluyentes.
Es decir que los eventos que no tienen resultados en comn. Y el diagrama de Venn que
los representa se ve en la gura 63.
Figura 63: Eventos Mutuamente Excluyentes
184
8.4.2 Axiomas de Probabilidad

Es posible reunir las hiptesis realizadas hasta el momento con respecto a las probabilidades en un conjunto de axiomas que deben satisfacer las probabilidades de cualquier
experimento aleatorio. Los axiomas no determinan las probabilidades; stas se asignan
con base en el conocimiento que se tiene del sistema estudiado. Pero los axiomas facilitan el clculo de las probabilidades de algunos eventos a partir del conocimiento de las
probabilidades de otros.
En la prctica estas probabilidades se asignan en base a:
1. Estimaciones obtenidas en experiencias u observaciones previas.
2. Una consideracin analtica de las condiciones experimentales.
Sea
el espacio muestral
es cualquier evento del experimento aleatorio.

70
Las siguientes son algunos axiomas asociados con la probabilidad
Axioma 1. Para cualquier evento A, una probabilidad no puede ser negativa.
P (A) 0
Axioma 2. La probabilidad asociada al espacio muestral esta dada por la ecuacin 80,
esta probabilidad es una consecuencia del hecho de que un resultado del espacio muestral
ocurre en cada prueba de un experimento.
P (S) = 1
(80)
Axioma 3. Para cualquier nmero de eventos mutuamente excluyentes A1,A2,..., la probabilidad esta dada por la ecuacin 81, si los eventos A1 y A2 no tienen resultados en
comn, la probabilidad de los resultados es la suma de las probabilidades de los resultados
individuales A1 y A2,.
P (A1 A2 ..) = P (A1) + P (A2) + ...
(81)
Los axiomas y sus consecuencias restringen las asignaciones de probabilidad de una

manera que permite interpretar stas como frecuencias relativas sin inconsistencias.
A partir de los axiomas anteriores se encuentra varios teoremas de probabilidad que sern
71
muy tiles posteriormente
1. Probabilidad es siempre un nmero positivo con valor mximo de 1:
0 P (A) 1.
70 Ibid.,
71 Ibid.,
p.65.
p.65.
185
2. Si un evento A es cierto que ocurre,

3. Si un evento A no ocurre,
P (A) = 1.
P (A) = 0.
4. La probabilidad de que un evento no ocurra es igual a 1 menos la probabilidad de

que ocurra.
P (AC) = 1 P (A)
5. La probabilidad de que cualquier evento contenga un nmero innito de resultados
se puede determinar mediante la suma de las probabilidades de los resultados que
incluyen el evento.
P (AoB) = P (A) + P (B)

6. Si los eventos A y B son independientes, la probabilidad de que uno ocurra no
depende de del otro. La probabilidad de que tanto A como B ocurran juntos es:
P (A/B) = P (A) P (B).

7. Para cualesquiera dos eventos en un espacio de muestra. Para determinar la probabilidad de que ocurran cualquiera de los dos eventos A y B, se suman las probabilidades de los eventos y luego se resta la probabilidad de que ambos ocurran,
P (A B) = P (A) + P (B) P (AB)

Como se observa estas propiedades no sealan al investigador cmo asignar las probabilidades, sin embargo restringen la manera como estas asignaciones pueden llevarse a
cabo.
8.4.3 Probabilidad Condicional e Independencia

La probabilidad de un evento depende de la mayor o menor informacin que tengamos.
La probabilidad de que un evento
ocurra cuando se sabe que ya ocurri un evento
A
se llama probabilidad condicional y se denota por que porP ( ) que por lo general se lee
B
como probabilidad de que "ocurra
dado que ocurri
B ".
Esta probabilidad se dene
segn la ecuacin 82.
P (A/B) =
P (A B)
ConP (A) > 0
P (B)
(82)
Independencia: Desde el punto de vista intuitivo dos suceso son independientes cuando
la ocurrencia de uno de ellos no nos dice nada nuevo sobre la ocurrencia del otro tal
186
P (A B) = P (A) P (B)
(83)
Si;
P (A)
0yP (B)
A
P (B ) =
P (AB)
P (B)
0
P (A)P (B)
P (B)
= P (A)
8.4.4 Reglas de Probabilidad

8.4.4.1 Regla de multiplicacin
Esta regla ser muy til cuando se quiere calculara la probabilidad de ocurrencias simultneas de varios sucesos y las probabilidades condicionadas del segundo miembro
sean sencillas de calcular.
Sean
A1, A2, ...An
una coleccin de sucesos aleatorios.
P(A1A2...An)=P(A1)*P(A2/A1)*P(A1)*P(A2/A2A1)...P(An/A1A2...An-1)
8.4.5 Reglas de Probabilidad Total Y Regla de Bayes:

Estas reglas de Probabilidad total y la regla de Bayes van a ser tiles cuando se den las
72
siguientes circunstancias
1. El experimento aleatorio se puede separar en dos etapas

2. Es sencillo dar una particin de todo el espacio muestral
{S}
mediante eventos
A1,...,An correspondientes a resultados de la primera etapa.

3. Son conocidas y fcilmente calculables las probabilidades P(A1),...,P(An).
4. Son conocidas o fcilmente calculables las probabilidades P(B/A1),...,P(B/An)
donde B es un evento correspondiente a resultados de la segunda etapa.
Cuando se den estas circunstancias y se tenga que B1.B2,...,Bk representan una particin
de un espacio muestral S como el que se observa en la gura 64 , la regla de la probabilidad total ser muy til para calcular P(B), y la regla de Bayes ser muy conveniente
para obtener P(A/Bk).
72 Ibid.,
p.65.
187
Figura 64: Probabilidad Total
Teorema de probabilidad Total:
Si B1.B2,...,Bk representa una particin de un
espacio muestral S como el que se observa en la gura 64, la probabilidad total esta
dada por la ecuacin 84.
P (A) = P (B1) P (A/B1) + P (B2) P (A/B2) + ... + P (Bk) P (A/Bk)
(84)
P (A) = P (A B1) + ... + P (A Bk)

Este teorema es muy utilizado, ya que hay numerosas situaciones prcticas en las que
P(A) no puede calcularse directamente. Sin embargo con la informacin que Bk ha
ocurrido, es posible evaluar P(A/Bk) y determinar as P(A) cuando se obtiene los valores
de P(Bk).
Regla de Bayes:
Si B1,B2,...,Bk eventos exhaustivos y mutuamente excluyentes, de
un espacio muestral S y A es un evento arbitrario de S entonces para r=1,2,...,k la

probabilidad esta dada por la ecuacin 85.
P (Br/A) =
P (Br/A) =
P (Br)P (A/Br)
k
i=1
P (Bi)P (A/Bi)
(85)
P (BrA)
P (A)
8.5 ESTUDIO DE VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS

Algunas veces el interes es resumir con un nmero el resultado de un experimento aleatorio. Los diferentes aspectos o caractersticas de los resultados de un experimento con
188
resultados mensurables, se denomina variables aleatorias. Una variable aleatoria es una

funcin real denida en el espacio muestral de un experimento, es decir, se establece
una correspondencia entre el conjunto de los posibles sucesos elementales y el conjunto de los nmeros reales, de manera que a cada suceso elemental le corresponda un
nmero real arbitrario y que a sucesos elementales distintos les correspondan nmeros
distintos. Usualmente estas variables se denotan con letras maysculas, como X o Y
73
y con letras minsculas, como x o y, sus valores. Tambin se le llama variable de azar
o variable estocstica, y signica cantidad que puede tomar varios valores imprevistos.
Las variables aleatorias puede se pueden clasicar en dos categoras: variables discretas
o continuas como se observa en la gura 65.
Figura 65: Variables aleatorias
Las funciones de distribucin de probabilidad para variables aleatorias discretas son llamadas funciones de masa de probabilidad; y para variables aleatorias continuas son
llamadas funciones de densidad de probabilidad.
8.5.1 Variables aleatorias discretas

Una variable aleatoria es discreta si sus valores posibles constituyen un conjunto de
nmeros nitos de valores. Estos valores pueden ser un conjunto de enteros. Si un
espacio muestral contiene un nmero nito de posibles valores se llama espacio muestral
discreto.
73 SPIEGEL,
Murray R. Probabilidad y Estadstica. 2 Ed.Colombia: McGraw-Hill, 2003.

189
8.5.1.1 Distribucin de probabilidad para una variable aleatoria discreta.

Dado los valores de una variable aleatoria Y, pueden ser valores numricos, se desea
conocer sus probabilidades. Una tabla, una frmula o un grco que da estas probabilidades se llama la distribucin de probabilidad o funcin de masa de probabilidad, para
la variable aleatoria.
Funcin de masa de probabilidad
Para variables aleatorias
x1 , x2 ,
...,
xn ;
para un
xi la probabilidad de que ocurra es P (xi ). La suma de los valores de probabilidad

valores de xi , debe ser igual a uno segn ecuacin 86.
valor de
de
P (xi ) = 1
(86)
i=1
El valor de la media est dada por la ecuacin 87.
xi P (xi)
(87)
i=1
Donde
es el valor esperado de
x, E(x).
La varianza de la poblacin est dada por la
ecuacin 88.
(xi )2 P (xi )
(88)
i=1
Ejemplo 8.2 (Fuente:
HINES, William y MONTGOMERY, Douglas. Probabilidad y Estads-
tica para Ingeniera. 4 ed. Mxico.: Cecsa, 2006.)El nmero de fallas de un alambre de cobre
de 1 in de longitud, fabricado en proceso especco, varia de alambre en alambre. En
conjunto, el 48 % de los alambres producidos no tiene falla, 39 % presenta una, 12 % fue
detectado con dos y el 1 % tiene 3. Sea Y el nmero de fallas en una pieza de alambre
seleccionada aleatoriamente. Entonces el espacio muestral esta dado por la tabla18.
Tabla 18: Espacio muestral

Resultado
X(Variable aleatoria)
Probabilidad
48 %
0 falla
0,48
39 %
1 falla
0,39
12 %
2 falla
0,12
1%
3 fallas
0,01
La lista de valores posibles 0,1,2,3, junto con las probabilidades para cada uno, proporciona una descripcin completa de la poblacin de la que se tom a Y. Esta descripcin
es la que se conoce como distribucin de probabilidad.
190
Por tanto una variable aleatoria Y que representa el nmero de fallas en una longitud de
p(0) = 0,48, p(1) = 0,39, p(2) = 0,12, p(3) = 0,01 y para cualquier valor de y
diferente de 0,1, 2 o 3 p(y) = 0. Es cierto que para cualquier distribucin de probabilidad
alambre,
sobre todo los valores posibles de Y, la suma es igual a 1. La razn es que al sumar los
valores de una distribucin de probabilidad sobre todo los valores posibles de una variable
aleatoria es igual a uno de sus valores posibles y esta probabilidad es siempre igual a 1.
A menudo es til ver una distribucin de probabilidad en forma grca. Se pueden
gracar los puntos
[x, f (x)]
del ejemplo anterior, por medio de un diagrama de barras,
ilustrada en la gura 66, en el cual se dibuja una recta vertical para cada uno de los
valores posibles de la variable aleatoria.
Figura 66: Grca de barras
Las alturas son iguales a las probabilidades de los valores correspondientes. La interpretacin fsica de este diagrama es que cada recta representa una masa igual a su
altura.
El conjunto de pares ordenados
[x, f (x)]
es una distribucin de probabilidad o tambin
llamada una funcin de masa de probabilidad de la variable aleatoria discreta Y si, para
cada resultado posibles de y, tenemos las siguientes propiedades.
f (x) 0.
f (x) = 1.
P (X = x) = f (x).
(89)
(90)
(91)
8.5.1.2 La funcin de distribucin acumulada.

La funcin de masa de probabilidad especica la probabilidad de que una variable aleatoria sea igual a un valor determinado. Pero en muchas ocasiones, hay problemas donde se
191
desea calcular la probabilidad de que el valor observado de una variable

igual que algn nmero real
x, denimos
F (x)
x.
Al escribir
F (x = P (X x)
sea menor o
para cualquier nmero real
como la funcin de la distribucin acumulada de la variable aleatoria
X.
Y la funcin matemtica que la dene es:
F (x) = P (X x) =
f (t), ipara < x <
(92)
tx
tica para Ingeniera. 4 ed. Mxico.: Cecsa, 2006.)
Sea F(x) la funcin de distribucin acu-
mulativa de la variable aleatoria X que representa el nmero de fallas en un alambre

elegido aleatoriamente. Determine
Solucin. Puesto que
F (2)
F (2) = P (X 2)
F (1,5).
se necesita encontrar
P (X 2).
Con dicho
propsito se suman las probabilidades de los valores de Y que son menores o iguales a
2, a saber, 0, 1 y 2. Por tanto
F (2) = P (X 2)
= P (X = 0) + P (X = 1) + P (X = 2)
= 0,48 + 0,39 + 0,12
= 0,99
Ahora
F (1,5) = P (X 1,5).
Por tanto, para calcular
F (1,5)
se debe sumar las prob-
abilidades para los valores de Y que son menores o iguales a 1.5, que son 0 y 1. Por lo
que,
F (1,5) = P (X 1,5)
= P (X = 0) + P (X = 1)
= 0,48 + 0,39
= 0,87
Se observa en particular el hecho de que la distribucin acumulativa es una funcin no
decreciente monyona que se dene no slo para los valores que toma la variable dada,
sino para todos los nmeros reales.
8.5.2 Caractersticas de las variables aleatorias discretas.

Se trata de resumir la informacin de una variable aleatoria en un conjunto de medidas
(nmeros). De forma anloga a lo que se hizo en el tema de Estadstica Descriptiva, pode192
mos denir para las variables aleatorias medidas de centralizacin, dispersin, simetra y
forma. Por inters, se centrar en dos medidas especiales sobre variables aleatorias que
son: la esperanza matemtica, que desempea un papel equivalente al de la media, la
varianza y desviacin estndar como se observa en la tabla 19 .
Tabla 19: Caracterstica de las variables aleatorias discretas
8.5.2.1 Esperanza matemtica

El siguiente ejemplo permite ver la aplicacin de esta propiedad de una manera mas clara
74
segn tabla 19
tica para Ingeniera. 4 ed. Mxico.: Cecsa, 2006.) Determine la media de la variable aleatoria
Y que representa el nmero de fallas en una pieza de alambre elegida aleatoriamente.
Solucin. La media es el centro de masa de la grca de la funcin de masa de probabilidad (Figura 66). El centro de masa se calcula multiplicando la altura de cada recta por
su valor en el eje horizontal y despus se suman los productos. Los valores son 0, 1, 2
y 3. Las alturas son P(Y=0)=0.48, P(Y=1)=0.39, P(Y=2)=0.12 y P(Y=3)=0.01. La
media es, por tanto,
y = 0 P (Y = 0) + 1 P (Y = 1) + 2 P (Y = 2) + 3 P (Y = 3)
= (0)(0,48) + (1)(0,39) + (2)(0,12) + (3)(0,01)
= 0,66
En general, la media de una variable aleatoria discreta se encuentra al multiplicar cada
valor posible aleatoria por su probabilidad y despus se suma.
74 NAVIDI.
Op. cit., p. 96
193
8.5.2.2 La varianza poblacional.

Se dene a la varianza poblacional de una variable aleatoria discreta como el momento
de inercia de la grca de su funcin de masa de probabilidad con respecto a la media
poblacional
y su funcin matemtica se observa en la gura 19.
8.5.2.3 La desviacin estndar poblacional.

La desviacin se dene como la raz cuadrada de la varianza poblacional. Esta se denota
por
o simplemente por
y =
2
y
(93)
Determinar la varianza y la desviacin
estndar para la variable aleatoria Y que representa el nmero de fallas de una pieza de
alambre elegida aleatoriamente.
Solucin. En el ejemplo 8.4 la media de Y con un valor de
y = 0,66.
Se encuentra la
varianza utilizando la ecuacin 93:
2
y = (0 0,66)2 P (Y = 0) + (1 0,66)2 P (Y = 1) + (2 0,66)2 P (Y =
2) + (3 0,66)2 P (Y = 3)
2
y = (0, 4356)(0,48) + (0,1156)(0,39) + (1,7956)(0,12) + (5,4756)(0,01)
2
y = 0,5244
La desviacin estndar es
y =
0,5244 = 0,724
8.5.3 Principales distribuciones de variables aleatorias discretas.

Sin importar si la distribucin de probabilidad discreta se representa de forma grca mediante un histograma, en forma tabular o con una formula, describe el comportamiento
de una variable aleatoria. A menudo las observaciones que se generan en diferentes experimentos estadsticos tienen el mismo tipo general de comportamiento. En la prctica,
la funcin de probabilidad de la mayora de las variables discretas se ajusta a un modelo terico expresado mediante una frmula concreta. Las distribuciones mas habituales
son: La Bernoulli, la Binomial, la de Binomial Negativa, Multinomial, La Geomtrica,
Hipermtrica y distribucin de poisson.
194
Figura 67: Distribuciones de las variables aleatorias discretas
8.5.3.1 Distribucin de Bernoulli.

La distribucin de Bernouilli se aplica cuando se realiza una sola vez un experimento que
tiene nicamente dos posibles resultados (xito o fracaso), por lo que la variable slo
puede tomar dos valores: el 1 (xito) y el 0 (fracaso). Denimos la variable aleatoria
discreta Y, con funcin de masa de probabilidad , as:
Si 1, denota (10 %) de los componentes fabricados mediante determinado proceso est
defectuoso. Se selecciona un componente aleatoriamente. Sea Y=1 si el componente
est defectuoso y Y=0 en cualquier otro caso. Cul es la distribucin de Y ?
Solucin. La probabilidad de xito es
p = P (Y = 1) = 0,1. Por lo que Y Bernoulli(0.1)
195
8.5.3.2 Distribucin Binomial.

La distribucin binomial que se expresa como Y Binomial(p), es parte de la distribucin
de Bernoulli. Se aplica cuando se realizan un nmero "n" de veces el experimento de
Bernoulli, siendo cada ensayo independiente del anterior. Realizamos el experimento
anterior n veces de forma independiente, y denimos la variable aleatoria discreta, como:
Y es igual al Nmero de xitos obtenidos en las n realizaciones que puede tomar los
valores y = 0,1,. . . ,n
0 es igual a todos los experimentos que han sido fracaso.
n es igual a todos los experimentos que han sido exitosos.
Y su probabilidad esta dada por las ecuaciones de la gura 67.
Ejemplo 8.6 (Fuente:MONTGOMERY.
122 )
probabilidad y estadistica aplicada a la ingenieria.p.
Cuando se lanza al aire una moneda hay una probabilidad de 0.5 de que caiga
en cara. Sea Y=1 si la moneda cae en cara y Y=0 si cae en cruz. Cul es la
distribucin de Bernoulli Y ?
Solucin. Puesto que Y=1 cuando cae cara, sta es resultado de xito. La probabilidad
de xito, P(Y=1) es igual a 0.5. Por tanto Y Bernoulli(0.5).
Ahora, Cul es la probabilidad de obtener 6 caras al lanzar una moneda 10 veces?
p(6) =
10!
6! (106)!
0,56 (1 0,5)106
p(6) = 0,205
Entonces, se tiene una probabilidad del 20.5 % de obtener 6 caras al lanzar 10 veces una
moneda.
8.5.3.3 Distribucin Binomial Negativa.

La distribucin Binomial negativa constituye una extensin de la distribucin geomtrica.
El nmero Y de pruebas que genera r -simo xitos en un experimento binomial negativo
se llama variable aleatoria binomial negativa y su distribucin de probabilidad se llama
distribucin binomial negativa sus ecuaciones se observan en la gura 67.
Si
es una variable aleatoria binomial negativa con parmetros
y la varianza son
p y r, entonces la media
segn la tabla 20.
Tabla 20: Media y mediana de distribuci binomial negativa.

Media
X = E(x) =
Varianza
r
p
2
X
= V (X) = r(1 p)/p2
196
tica para Ingeniera. 4 ed. Mxico.: Cecsa, 2006.).
En una prueba de fuerza de soldadura,
80 % de las pruebas da como resultado ruptura de soldadura, mientras que otro 20 %

propicia ruptura de la viga. Sea X el nmero de pruebas incluyendo la tercera ruptura
de la viga. Cul es la distribucin de X ? Determine P(X=8).
Solucin. Dado que X representa el nmero de ensayos incluyendo al tercer xito, y
puesto que la probabilidad de xito es p = 0.2, XNB(3, 0.2). Se calcular P(X=8) y
el mtodo de calculo conducir a una deduccin de la funcin de masa de probabilidad
de una variable aleatoria binomial negativa. Debido a que XNB(3, 0.2), el evento X =
8 signica que el tercer xito se present en el octavo ensayo. Otra forma de decir esto
es que hubo excatamente dos xitos en los primeros siete (7) ensayos y el octavo ensayo
fue un xito. En virtud de que todos los experimentos son independientes, se tiene que
P (Y = 8)
= P (Slo dos xitos en los primeros siete ensayos) P (xitos en el octavo
ensayo)
Ahora el nmero de xitos en los primeros siete ensayos tiene una distribucin Bin(7,
0.2), por lo que
P (exactamente dos xitos en los primeros siete ensayos) =
7
2
(0,2)2 (0,8)2
La probabilidad de que el octavo ensayo d como resultado un xito es 0.2. Por tanto,
P (Y = 8) =
7
2
(0,2)2 (0,8)5 (0,2)
P (Y = 8) = 0,05505
8.5.3.4 Distribucin Multinominal.

La distribucin multinomial es similar a la distribucin binomial, con la diferencia de que
en lugar de dos posibles resultados en cada ensayo, puede haber mltiples resultados, la
funcin de masa de probabilidad se observa en la gura 67.
HINES, William y MONTGOMERY, Douglas. Probabilidad y Estadsti-
ca para Ingeniera. 4 ed. Mxico.: Cecsa, 2006.). Se inspecciona las unidades producidas por
una lnea de ensamble, y se clasica cada una como correspondiente (aceptable), inferior
o rechazada. En general, 70 % de las unidades son correspondientes, 20 % son inferiores
y 10 % rechazadas. Suponga que se selecciona de forma independiente y aleatoria cuatro unidades. Sean
Y1 , Y2 , Y3
los nmeros entre los cuatro eventos correspondientes,
inferiores y rechazados, respectivamente. Cul es la distribucin de
197
Y1 , Y2 , Y3 ?
Solucin. Cada unidad es un ensayo multinomianl con tres posibles resultados: correspondiente, inferior y rechazada. Las probabilidades asociadas con los resultados son
p2 = 0,2 y p3 = 0,1. Las variables aleatorias Y1 , Y2 , Y3
p1 = 0,7,
se reeren a los nmeros de cada
resultado en los cuatro ensayos independientes. Por tanto,
Y1 , Y2 , Y3 MN(4,
0.7, 0.2,
0.1).
Para mostrar cmo se calculan las probabilidades de variables aleatorias multinominales,
se calcular
P (Y1 = 2, Y2 = 1, Y3 = 1), en la que Y1 , Y2 , Y3
se denieron anteriormente.
Esto ltimo conduce a una deduccin de la funcin de masa de probabilidad multinominal.

Se comenzar por observar que hay 12 arreglos de dos (2) correspondientes (C), una
inferior (D) y una rechazada (R) entre los cuatro (4) resultados.
CCDR CCRD CDRD CDCR CRCD CRDC

DCCR DCRC DRCC RCCD RCDC RDCC
Cada uno de estos 12 arreglos es igualmente probable. Se calcula la probabilidad de
CCDR. El evento CCDR es una secuencia de cuatro resultados: C en el primer ensayo, C
en el segundo, D en el tercer y R en el cuarto. Dado que los ensayos son independientes,
la probabilidad de la secuencia de resultados es igual al producto de cada una de sus
probabilidades.
P (CCDR) = (0,7)(0,7)(0,2)(0,1)
Puesto que cada uno de los 12 arreglos tiene la misma probabilidad,
P (Y1 = 2, Y2 = 1, Y3 = 1) = (12)(0,7)2 (0,2)(0,1) = 0,1176

8.5.3.5 Distribucin Geomtrica.
Suponga que se lleva a cabo una secuencia de ensayos de Bernoulli independientes, cada
uno con la misma probabilidad de xito p. Sea X el nmero de experimentos hasta
incluir el primer xito. Por tanto, X es una variable aleatoria discreta, la cual tiene una
Distribucin Geomtrica con parmetro p. Se expresa como X Geom(p).
Entonces, si X Geom(p) es la funcin de masa de probabilidad de X se muestra en la
gura 67.
tica para Ingeniera. 4 ed. Mxico.: Cecsa, 2006.).
Una prueba de resistencia de soldadura
consiste en poner cargar en uniones soldadas hasta que se d una ruptura. Para cierto
tipo de soldadura, 80 % de las rupturas ocurren en la propia soldadura, mientras que el
otro 20 % se da en las vigas. Se prueba cierto nmero de soldaduras. Sea Y el nmero
198
de pruebas, incluyendo la primera que da como resultado la ruptura de la viga. Cul es

la distribucin de Y ?
Solucin. Cada prueba es un ensayo de Bernoulli, con un xito denido como la ruptura
de una viga. Por consiguiente, la probabilidad de xito es p = 0.2. El nmero de ensayos
incluyendo al primer xito tiene una distribucin geomtrica con parmetro p = 0.2. Por
consecuencia, Y Geom(0.2).
8.5.3.6 Distribucin Hipergeomtrica.

La distribucin hipergeomtrica es el modelo que se aplica en experimentos donde, al
igual que en la distribucin binomial, en cada ensayo hay tan slo dos posibles resultados:
xito o fracaso. Pero se diferencia de la distribucin binomial en que los distintos ensayos
son dependientes entre s. Suponga una poblacin nita que contiene N unidades, de
ellas R son clasicadas como exitos y N - R como fracasos. Suponga que se extraen
n unidades de esta poblacin, y sea Y el nmero de xitos en la muestra. Entonces
Y sigue la distribucin Hipergeomtrica con los parmentros N, R y n, que se puede
denotar como X H(N, R, n). La funcin de masa de probabilidad de X se observa en
la gura 67.
Ejemplo 8.
10 (Fuente: HINES, William y MONTGOMERY, Douglas. Probabilidad y Es-
tadstica para Ingeniera. 4 ed. Mxico.: Cecsa, 2006.).
Se tiene un lote de 20 unidades
que contiene seis (6) que estn defectuosos, y que se extrae aleatoriamente cinco (5)
unidades de este lote. Sea X el nmero de unidades defectuosas en la muestra. Se
calcular P(X =2). Con este propsito, primero se cuenta el nmero total de los grupos diferentes de cinco (5) unidades que puede extraerse de la poblacin de 20. El
nmero de combinaciones de cinco (5) unidades es el nmero de muestras diferentes
que se puede extraer, y cada una es igulamente probable. Despus se determinar cuntas de estas combinaciones contienen exactamente dos defectuosas. La probabilidad de
que una combinacin de cinco (5) unidades contenga slo dos (2) defectuosas es el
cociente,P (X
= 2) =
N umero de combianciones de cinco unidades que contiene dos def ectuosas
N umero de combinaciones de cinco unidades que pueden seleccionarse entre 20
En general, el nmero de combinaciones de

de
n
n
k
unidades se denota por
n
k
unidades que se puede elegir de un grupo
y es igual a
n!
k!(nk)!
Por tanto, el nmero de combinaciones de cinco (5) unidades que se puede elegir entre
20 esta dado por:
199
20
5
20!
5!(205)!
= 15504
Para determinar el nmero de combianciones de cinco (5) que contienen slo dos (2)
defectuosas, se describe la construccin de dicha combinacin como una secuencia de dos
operaciones. Primero, se selecciona dos unidades de las seis (6) defectuosas; segundo,
se seleccionan tres unidades de las 14 no defectuosas. El nmero de combinaciones de
dos (2) unidades seleccionadas entre seis (6) es
6
2
6!
2!(62)!
= 15
Y el nmero de combinaciones de tres (3) unidades elegidas de 14 es
14
3
14!
3!(143)!
= 364
Por tanto, el nmero total de combinaciones de cinco (5) unidades que puede componerse
de dos (2) defectuosas y tres (3) no defectuosas es el producto
(15)(364) = 5460.
P (X = 2) =
6
2
6
2
14
3
Se concluye que,
20
5
14
3
P (X = 2) =
5460
15504
Para calcular
P (X = 2),
= 0,3522
fue necesario conocer el nmero de unidades en la poblacin
(20), el de unidades defectuosas en la poblacin (6) y el de unidades extradas (5).

La funcin de masa de probabilidad de la variable aleatoria X se determina al utilizar
estos tres parmetros. Especcamente, Y tiene una distribucin hipergeometrica con
los parmetros 20, 6 y 5, ello se denota mediante XH(20, 6, 5).
8.5.3.7 Distribucin de Poisson.

Esta distribucin aparece en algunos procesos que tienen una dimensin temporal o
espacial. En este tipo de experimentos los xitos buscados son expresados por unidad
de rea, tiempo, etc. Y la regin especca podra ser: un segmento de lnea, un rea o
quizs una pieza de material. Un experimento Poisson se deriva de un proceso Binomial,
el cual verica las siguientes propiedades:
1. El nmero de resultados que ocurren en un intervalo o regin especica es independiente del nmero que ocurre en cualquier otro intervalo o regin del espacio
200
disyunto.
2. La probabilidad de que ocurra un solo resultado durante un intervalo muy corto o
una regin pequea es proporcional a la longitud del intervalo o al tamao de la
regin y no depende del nmero de resultados que ocurren fuera de este intervalo
o regin.
3. La probabilidad de que ocurra ms de un resultado en tal intervalo corto o que
caiga en tal regin pequea es insignicante.
El nmero X de resultados que ocurren durante un experimento de Poisson se llama

variable aleatoria de poisson y su distribucin de probabilidad se llama distribucin de
Poisson. La frmula a utilizar ser 94.
P (y = k) = e
k
k!
(94)
Donde,
P(y=k) es la probabilidad de que ocurran k xitos cuando el nmero promedio de ocurrencia de ellos es
es la media o promedio de xitos por unidad de tiempo, rea o producto.
Y,
es la variable que nos denota el nmero de xitos que se desea que ocurra.
Hay que hacer notar que en esta distribucin el nmero de xitos que ocurren por
unidad de tiempo, rea o producto es totalmente al azar y que cada intervalo de tiempo
es independiente de otro intervalo dado, as como cada rea es independiente de otra
rea dada y cada producto es independiente de otro producto dado. En estas condiciones
el proceso de Poisson, que mide el nmero de xitos en un intervalo de tiempo t, en
lugar de por unidad de tiempo, vendra dado por la ecuacin 269.
pn (t) =
Donde n=0, 1, 2, ..., y a
et (t)n
n!
(95)
se le llama tasa de emisin (por unidad de tiempo).
11 (Fuente: HINES, William y MONTGOMERY, Douglas. Probabilidad y Estads-
Ejemplo 8.
En la inspeccin de hojalata producida
por un proceso electroltico continuo, se identican 0.2 imperfecciones en promedio por

minuto. Determine las probabilidades de identicar.
a) Una imperfeccin en 3 minutos.
b) Al menos dos imperfecciones en 5 minutos.
201
c) Cuando ms una imperfeccin en 15 minutos.

Solucin.
a) y es la variable que nos dene el nmero de imperfecciones en la hojalata por cada 3
minutos = 0, 1, 2, 3, ...., etc. y
es las imperfecciones en promedio por cada 3 minutos
en la hojalata, entonces:
= 0,2 3 = 0,6
p(y = 1, = 0,6) =
(0,6)1 e0,6
1!
p(y = 1, = 0,6) =
(0,6)0,55
1
= 0,33
b) y es la variable que nos dene el nmero de imperfecciones en la hojalata por cada 5

minutos = 0, 1, 2, 3, ...., etc. y
es las imperfeccin en promedio por cada 5 minutos
= 0,2 5 = 1
p(y = 2, 3, 4, etc... = 1) = 1 p(y = 0, 1, = 1) = 1
(1)0 e1
0!
(1)e1
1!
p(y = 2, 3, 4, etc... = 1) = 1 (0,37 + 0,37) = 0,27

c) y es la variable que nos dene el nmero de imperfecciones en la hojalata por cada 15
minutos = 0, 1, 2, 3, ....., etc.
es las imperfecciones en promedio por cada 15 minutos
= 0,2 15 = 3
p(y = 0, 1, = 3) = p(y = 0, = 3) + p(y = 1, = 3) =
(3)0 e3
0!
(3)1 e3
1!
p(y = 0, 1, = 3) = 0,05 + 0,15 = 0,2

Tambin se puede considerar esta distribucin como una aproximacin de la binomial
cuando n
^ _
y p , pero el producto n.p permanece constante. Cuando en una distribucin
binomial se realiza el experimento un nmero n muy elevado de veces y la probabilidad

de xito p en cada ensayo es reducida, mantenindose constante n.p, entonces se aplica
el modelo de distribucin de Poisson.
Realizamos indenidamente el experimento y denimos la variable aleatoria discreta
como:
Y es el Nmero de xitos obtenidos que puede tomar los valores k = 0, 1, 2,. . .
Al igual que ocurra con la binomial, los valores acumulados de la distribucin de Poisson
se encuentran tabulados para que resulte ms fcil su manejo.
Ejemplo 8.
12 (Fuente: HINES, William y MONTGOMERY, Douglas. Probabilidad y Es-
tadstica para Ingeniera. 4 ed. Mxico.: Cecsa, 2006.)

202
En una concurrida interseccin de
trco, la probabilidad de que un automvil tenga un accidente de trco es muy escasa, digamos de 0.0001. Sin embargo, durante cierta parte del da (entre las 4:00 pm
y las 6:00 pm) un gran nmero de automviles pasa por esa interseccin, digamos unos 1000. En dichas condiciones, cual es la probabilidad de que dos o ms accidentes
ocurran durante ese perodo?
Solucin.
Y es el nmero de accidentes en 1000 automviles
Y Binomial(1000, 0.0001)
P (Y 2)
Como la probabilidad P es menor que 0,1, y n
30, entonces aplicamos el modelo de
distribucin de Poisson y podramos aproximar por:
Y P (0, 1)P (Y 2) = 1 P (Y < 2) = 1 P (Y 1) = 1 0,9953 = 0,0047
8.6 DISTRIBUCIONES BIVARIADAS DE PROBABILIDAD

Existen diferentes tipos de disrtribuciones bivariadas las cuales encontramos en la tabla21.
Tabla 21: Distribuciones de probabilidad Bivariadas
8.6.1 Distribuciones bivariadas para variables aleatorias discretas

Si se tienen dos variables
Y,
las cuales son importantes para un caso de estudio en
cuanto a la probabilidad de los valores que sta tomara y de las cuales dependern el
203
comportamiento y la exactitud del proyecto como tal.

De manera similar a las distribuciones de una sola variables, una distribucin de probabilidad bivariable se puede mostrar de forma tanto tabular como grca, o en algunos
75
casos de forma matemtica, como es el caso donde [X, Y ] sean continuas

Un ejemplo de valores de probabilidad
P (X, Y ),
para cada punto de
P x,y ,
.
se listan en
la tabla 22, y se muestra gracamente en la gura 68.
Tabla 22: Valores tabulados son p(x,y)
X
Y
P0,0
P1,0
P2,0
P3,0
P4,0
P0,1
P1,1
P2,1
P3,1
P4,1
P0,2
P1,2
P2,2
P3,3
P4,2
P0,3
P1,3
P2,3
P3,3
P4,3
P0,4
P1,4
P2,4
P3,4
P4,4
Figura 68: Presentacin Grca de Probabilidad Bivariada
8.6.1.1 Propiedades
Las distribuciones bivariadas tienen algunas propiedades que se listan a continuacin.
1. La interseccin de dos eventos es la probabilidad que los dos eventos ocurran al

tiempo y se expresa matemticamente en la ecuacion 96.
P (X Y ) = P (X = x, Y = y) = p(x, y) = p1 (x)p2 (y|x) = p2 (y)p1 (x|y)

75
HINES. Op. cit.,p. 300.
204
(96)
2. La probabilidad de la interseccin para todos los valores de
podr ser una
tabla grca o formula que es llamada distribucin de conjunto de probabilidad ,

la cual proporciona los valores de
de
p(x,y)
para todas las combinaciones de los valores
3. Requisitos de una distribucin bivariada discreta de probabilidad para

a)
Y:
0 p(x,y) 1
x
p(x,y) = 1
8.6.1.2 Distribuciones marginales de probabilidad

Se reere a la distribucin de probabilidad de
por separado:
La ecuacin 97 representa la distribucin marginal de probabilidad de

98 representa la distribucin marginal de probabilidad para
y, la ecuacin
Y:
P1(X=x) = p(x) =
p(x,y)
(97)
p(x,y)
(98)
x=1
n
P2(Y =y) = p(y) =

y=1
Donde
representa los valores de
esta hallando la probabilidad marginal
P1
para cada combinacin del valor de

76
al cual se
da la probabilidad observada de valores especcos de
y,
P2
es la probabilidad de la
Y , por ende P1 (X) y P2 (Y ) son llamadas las distribuciones de

para X y Y , que es la distribucin incondicional de probabilidad.
variable aleatoria discreta

probabilidad marginal
En la tabla 69 se muestra la distribucin de probabilidad marginal para los datos listados,

y estos a su vez son representados gracamente en la gura 70.
Figura 69: Distribuciones conjunta y marginales para

76
MENDENHALL. Op. cit.,p. 212.
205
[X, Y ]
tabuladas
Figura 70: Grca de la Distribucin marginal
8.6.1.3 Distribucin condicional de probabilidad

Cuando se trabaja con dos variables aleatorias conjuntamente distribuidas puede resultar
de inters encontrar la distribucin de una de ellas, dado un valor particular de la otra, las
expresiones que representan la distribucin condicional de probalidad son las ecuaciones
99 y 100.
p1 (x y) =
p(x, y)
p2 (y)
(99)
p2 (x y) =
p(x, y)
p1 (x)
(100)
8.6.2 Distribuciones bivariadas de probabilidad para valores

aleatorios continuos
En este caso las funciones aplicadas a la probabilidad de las variables aleatorias continuas
en lugar de ser sumatorias se convierten en integracin debido a la naturaleza del tipo
de las variables.
La funcin de densidad de probabilidad bivariada de conjunto
aleatorias continuas
f (x, y),
para las variables
Y , satisface las siguientes propiedades dadas por las ecuaciones
101, 102 y 103.
f (x, y) 0
(101)
f (x, y) = 1
(102)
P (a X b, c Y d) =
f (x, y)dxdy
c
206
(103)
8.6.2.1 Funcin de densidad marginal

Las ecuaciones 104 y 105 representa las funciones de densidad para
mente.
respectiva-
f1 (x) =
f (x, y)dy
(104)
f (x, y)dx
(105)
y,
f2 (y) =
8.6.2.2 Funcin de densidad condicional

Las ecuaciones 106 y 107representan las funciones de densidad condicional para
respectivamente.
f1 (x y) =
f (x, y)
f2 (y)
(106)
f2 (y x) =
f (x, y)
f1 (y)
(107)
8.6.2.3 Valor esperanza de funciones de dos variables aleatorias
X es una variable aleatoria, y Z = H(X) es una funcin de X , el valor esperado

de H(x) est dado por las ecuaciones 108 y 110, segn las propiedades de la variable
Si
aleatoria.
E[H(X)] =
H(xi )px (xi )
(108)
H(x)fx (x)
(109)
i
Para
como variable discreta.
E[H(X)]
Para
Si
como variable continua.
g(X, Y )
(media) de
es una funcin de variables aleatorias
g(x, y)
Y.
Luego el valor esperanza
es denido por las ecuaciones 110 y 111 segn la naturaleza de las
variables.
E[g(X, Y )] =
g(x, y)p(x, y)
Y
donde
son discretas.
(110)
E[g(X, Y )] =
g(x, y)f (x, y)dxdy
207
(111)
donde
son continuas.
Los teoremas que aplican a la esperanza bivariada son
Theorem 1. Si
Si
es una constante, luego
es una constante, y
g(x, y)
77
E(c) = c.
es una funcin de las variable aleatorias
Y,
se
cumple la ecuacin 112.
E[cg(X, Y )] = cE[g(X, Y )]
Theorem 2. S i
rias
(112)
g1 (X, Y ), g2 (X, Y ), . . . , gk (X, Y ) son k
funciones de variables aleato-
entonces el valor esperanza de la suma de estas funciones es la suma del
valor espranza de las mismas dado en la ecuacin 113.
E[g1 (X, Y )+g2 (X, Y )+. . .+gk (X, Y )] = E[g1 (X, Y )]+E[g2 (X, Y )]+. . .+E[gk (X, Y )]
(113)
Segn el ejemplo dado en la gura 69, el valor esperanza para
X,
es:
7
8
7
1
7
E(X) = 0. 30 + 1. 30 + 2. 30 + 3. 30 + 4. 30 = 8/5
8.6.2.4 Independencia
Como dos eventos
son independientes se cumple que
P (A
B) = P (A)P (B),
dos variables aleatorias continuas son independientes si satisfacen un criterio similar.

Si
conjunto
p(x, y)
y una distribucin de probabilidad marginal
son independientes si y solo si
p1 (x)
p2 (y).
Luego
p(x, y) = p1 (x)p2 (y) para todos las parejas.
Y son variables aleatorias continuas con una funcin de densidad de conjunto f (x, y) y una funcin de densidad marginal f1 (x) y f2 (y). Luego X y Y son
independientes si y solo si f (x, y) = f1 (x)f2 (y) para todos las parejas
Si
son variables aleatorias discretas con una distribucin de probabilidad de
Para las variables independientes se cumple el teorema:

Si
son variables aleatorias independientes:
E(XY ) = E(X)E(Y )
En el dominio de la funcin de distribucin bivariable, se debe presentar un rectngulo

con los puntos que tienen una probabilidad positiva si las variables son independientes,
ya que de lo contrario los valores que toma una de ellas condiciona la existencia de la
otra, aunque esta condicin no es denitiva para concluir tal armacin.
77
Ibid., p. 221.
208
8.6.3 La covarianza y correlacin de dos variables aleatorias

La relacin que existe entre dos variables aleatorias, al gracar los valores pares (x, y )
de los puntos de muestreo se podr visualizar la proporcionalidad lineal ya sea directa
o indirecta, o la inexistencia de sta; dependiendo de la dispersin de los puntos con
respecto a una lnea recta, se puede vericar que tan fuerte o dbil es susodicha relacin
lineal. Una manera de hallar el tipo de relacin que existe entre las dos variables es
calcular el producto cruz de la desviaciones
(x x )
(y y )
para cada punto, que
arrojara un valor positivo si los puntos de los datos estn ubicados mas arriba o a la
derecha o mas bajo y a la izquierda del cuadrante, en una pendiente positiva; , negativos
cuando la ubicacin de los puntos se encuentra mas arriba a la izquierda o mas abajo
a la derecha del cuadrante, en una pendiente negativa. Si los valores del producto cruz
son tanto positivos como negativos y su valor medio relativamente pequeo, cercano a
cero, se evidenciara una proporcin lineal dbil ya que la ubicacin de los puntos har
presencia en los cuatro cuadrantes.
La covarianza de dos variables aleatorias
es denida por la ecuacin 114.
Cov(X, Y ) = E [(X x )(Y y )]
(114)
Figura 71: Ubicacin puntos de los productos de las desviaciones.
Fuente: MENDENHALL, William. y SINCICH, Terry. Statistics for Engineering and the Sciences.
5 ed. New York, USA.: Pearson Prentice-Hall, Inc, 2007.
Para el valor de la covarianza de dos variables aleatorias se cumple los teoremas expuestos
en las ecuaciones 115.
Theorem 3.
Cov(X, Y ) = E(XY ) x y
Theorem 4. Si dos variables aleatorias
209
son independientes:
(115)
Cov(X, Y ) = 0
(116)
La prueba del teorema 3 es radicado del teorema 4.

Si la magnitud de la covarianza entre dos variables aleatorias es positiva,
incrementar cuando
tiende a
se incrementa. En cambio cuando la magnitud de la covarianza
X incrementa, y si el valor de la covarianza

es igual a cero no existe relacin lineal entre X y Y , de lo contrario cuando el valor es
diferente de cero su valor absoluto depender de las unidades de medicin de X y Y ,
es negativa
tiende al decremento cuando
por ello se dene una versin estandarizada de la covarianza conocida como coeciente
de correlacin.
El coeciente de correlacin
lineal entre dos variables
78
representa una medida nmerica de la fuerza de la relacin
, este valor esta dado por la ecuacin 117para dos variables
aleatorias.
=
Donde
(Cov(X, Y ))
( x y )
son las desviaciones estndar de
(117)
respectivamente.
1 1, especialmente en los valores de 1 y -1 se

presenta perfecta relacin lineal entre X y Y , lo anterior con una pendiente positiva
y otra negativa, respectivamente. Si = 0 no signica con certesa que las variables
aleatorias son independientes, sin embargo no habr linealidad entre X y Y .
arroja valores en el intervalo
8.6.3.1 Distribucin normal bivariada

En el caso de una distribucin bivariada la expresin que representa su funcin normalizada esta dada por la ecuacin 118. En la cual se condiciona que la desviacin estndar de
x y y , x y y respectivamente, son positivas, y el coeciente

rango de 1 < < 1, para cualquier valor de la media, x y
la distribucin marginal de
de correlacin vara en el
y ,
para toda
en su orden.
f (x, y) =
1
2x y
1 2
2(xx )(yy )
(yy )2
0,5 (xx )2
(
+
)
2
2
x y
12
x
y
(118)
Las distribuciones de probabilidad marginal mencionadas anteriormente son consideradas

de naturaleza normal.
78 SPIEGEL,
M y SCILLER, J; Probabilidad y Estadstica. 2da Ed, Mc Graw-Hill, Colombia.2006.
210
8.6.3.2 Relacin lineal de variables aleatorias

En el estudio de una variable que depende de variables aleatorias, se puede presentar
una relacin lineal entre ellas, lo cual genera una combinacin lineal entre las variables
independientes, como se expresa en la ecuacin 119, donde una variable,
debido a que depende de forma proporcional a
Y,
es aleatoria
variables aleatorias.
Y = c1 X1 + c2 X2 + ... + cp Xp
El valor esperado y la varianza para la la variable,
Y,
(119)
esta dado por la ecuacin 120
y 121, teniendo en cuenta para sta para el clculo de la varianza se requiere que las
79
variables de la combinacin lineal sean independientes
E(Y ) = c1 E(X1 ) + c2 E(X2 ) + ... + cp E(Xp )
(120)
V (Y ) = c2 V (X1 ) + c2 V (X2 ) + ... + c2 V (Xp )

1
2
p
(121)
8.7 DISTRIBUCIONES MUESTRALES

Estas distribuciones describen el comportamiento probabilistico de la estadstica en
muestreos respetidos del mismo universo o en el proceso mismo de asignacin de variables
del proceso
80
Siendo n mediciones en un muestreo que pueden ser vista como observaciones sobre
variables aleatorias,
s2 ,
Y1 , Y2 , . . . , Yn
.En consecuencia la media
Y , la varianza muestreada
y otras estadsticas son funciones de las variables aleatorias , con ayuda de estas se
halla los parmetros de la poblacin y de esta manera hallar y evaluar las propiedades
de la distribucin de probabilidad de una estadstica, que son llamadas distribuciones
muestreadas de la estadstica; anlogamente para una variable aleatoria singular su media es el valor esperanza de la estadstica, su desviacin estndar, el error estndar
de la estadstica. Las distribucin muestreada de una estadstica es su distribucin de
probabilidad
81
El error estndar de una estadstica es la desviacin estndar de su distribucin de

muestreo. Existen varias tcnicas matemticas que sirven como herramienta para hallar
79 Ibid.,
p. 270.
81 Ibid.,
p. 300.
80 MONTGOMERY.
Op. cit., p. 300.
211
la distribucin muestreada de una estadstica que puede ser halladas utilizando herrramientas computacionales que permitan simular una distribucin muestreada.
Si estamos inhabilitados para encontrar una forma matemtica exacta para una distribucin de probabilidad o hacer una simulacin aproximada podemos hallar su media y
varianza utilizando otros mtodos, y con ayuda de un rol emprico obtener una descripcin aproximada de la distribucin muestreada.
8.7.1 Distribucin t de estudiante

Debido a la necesidad de corregir la sobre-estimacin en cuanto a la probabilidad de
valores cercanos a la media y sub-estimaciones de la probabilidad de las muestras alejadas
de su media, fue desarrollada la distribucin t de estudiante, defecto que ocurre cuando
el nmero de muestras tomadas,
es muy pequeo.
La funcin de distribucin de probabilidad de t de estudiante est dada por la ecuacin

122.
[ v+1
2
p(t, v) =
v v
2
t2
1+
v
v+1
2
(122)
Donde:
v:
Grados de libertad
Funcin gamma con las siguientes propiedades,
(n) = (n 1)!
para
n:integrador
completo,
(m) = (m 1)(m 2). . . (3/2)(1/2)
(1/2) =
para
m:integrador
medio,
Los valores de la media y desviacin estndar se representan por las ecuaciones 123 y
124 si N es muy grande, y por las ecuaciones 125 y 126 si N es pequea.
(xi x )2
x = limN (1/N )
(123)
i=1
2 = limn
1
N
(xi x )2
(124)
xi
(125)
(xi x)2
(126)
i=1
N
x = 1/N
i=1
s2 = 1/(N 1)
x
i=1
212
x:
Media muestral, valor que vara con respecto a
x:
x.
Media real.
s2 :Varianza
x
de la muestra, en contraste con
2 :Varianza
2.
real.
Al igual que en la distribucin normal se estandariza una variable estadstica dada en la

ecuacin 127.
t1 = (x1 x)/sx
(127)
Entonces la probabilidad para la variable distribuida normalmente,
xi ,
en un muestreo
pequeo, esta dado por la ecuacin 128.
xi = x tv,p sx ( %P )
Donde,
tv,p sx
(128)
representa el intervalo de precisin. Los valores son listados en la tabla
23.
Tabla 23: Variable t para diferentes valores de
tv,P =50 %
tv,P =90 %
tv,P =95 %
tv,P =99 %
1.000
6.341
12.706
63.657
0.816
2.920
4.303
9.925
0.765
2.353
3.192
5.841
0.741
2.132
2.770
4.604
0.727
2.015
2.571
4.032
0.718
1.943
2.447
3.707
0.711
1.895
2.365
3.499
0.706
1.860
2.306
3.355
18
0.688
1.734
2.101
P.
2.878
Fuente: DUNN, Patrick. Measurement & Data Analysis for Engineering & Science. 1 ed. University of Notre Dame, Indiana, USA.: McGraw-Hill, 2005.
La relacin entre la variable t de estudiante y la variable z normalizada esta dada por la
ecuacin 130, teniendo en cuenta la ecuacion 129 que corresponde a la expresin de la
media de la distribucin de probabilidad normalizada.
xi = x zp ( %P )
tv,p = [((x x) zP )/sx ]( %P )
Cuando
(129)
(130)
tiende al innito, la funcin de distribucin de

82
aproximarse a la funcin de distribucin normal

82
DUN. Op. cit., p.226.

213
de estudiante, tiende a
Ejemplo 8.21
(Fuente: HINES, William y MONTGOMERY, Douglas. Probabilidad y
Estadstica para Ingeniera. 4 ed. Mxico.: Cecsa, 2006.) Se realiza un experimento en

cual un muestreo nito de 19 valores de una presion diferencial son medidos, los cuales
toman valores de: 4.97, 4.92, 4.93, 5.0, 4.98, 4.92, 4.91, 5.06, 5.01, 4.98, 4.97,5.02, 4.92,
4.94, 4.98, 4.99, 4.92, 5.04 y 5.0. Estimar el rango de presin de la presin diferencial
con
P = 95 %,
dado los valores medidos.
Solucin: Se utiliza las respectivas ecuaciones para la media y varianza muestral con
valor de N pequeo:
1
p = N N pi = 19 (4,97 + 4,92 + 4,93 + 5,0 + 4,98 + 4,92 + 4,91 + 5,06 + 5,01 + 4,98 +
1 i=1
4,97 + 5,02 + 4,92 + 4,94 + 4,98 + 4,99 + 4,92 + 5,04 + 5,0) = 4,97
Sx =
Con
N
i=1 (xi
1
(N 1)
v = N 1 = 18,
x)2 =
19
i=1 (pi
1
(191)
lo cual corresonde a
p)2 = 0,046
tv,P = t18,95 = 2,101,
segn la tabla 2.
pi = p tv,p Sx ( %P ) = 4,97 2,101(0,046)(95 %) = 4,97 0,097(95 %)
8.7.2 Distribucin CHI Cuadrado

Utilizando unos valores de solo un muestreo de
de la media real de una poblacin de
mediciones y la ecuacin 131 (el valor
muestras con
n mediciones) puede ser calculado
la media real de la poblacin.
sx
x = xtv,p sx = x + tv,P ( %
(131)
Igualmente, hay un camino anlogo para estimar el rango que contiene la varianza real
de una poblacin usando los valores desde un solo muestreo de
mediciones.
Determinar el intervalo de precisin de la varianza real, comparar dos muestreos del mismo o diferente tamao, son algunos clculos estadsticos donde se aplica la distribucin
chi-cuadrado. La variable estadstica,
2 ,
representa la suma de los cuadrados de los
diferencias entre los valores normalizados medidos y esperados por su varianza. Luego,
N , al cual la comparacin es
hecha, y, por lo tanto el numero de grados de libertad, v = N 1. Desde esta denicin
2 se relaciona con la variable estandarizada, zi = (xi x )/ , y el nmero de mediciones
el valor de
2 =
2
N
2
i=1 zi
es dependiente del nmero de mediciones,
N (xi x )2
i=1
2
puede ser denido como una medida de la desviacin total de todos los valores
xi
desde la media real de su poblacin con respecto a su desviacin estndar, que es utilizada
214
para comparar el valor de
de una muestra con respecto al valor esperado dado por
una muestra del mismo tamao partiendo de una poblacin normalmente distribuida,
2
2 = ( vs2x )
Si
N , 2 v :
La funcin de densidad de probabilidad de
2 0
est dada por la ecuacin 132.
v
2
p(2 , v) = [2v/2 ]1 (2 )(v/2)1 exp(
)
2
2
Y en otro caso
Donde
(132)
p(2 , v) = 0
representa la funcin gamma dada por:

(V /2)1
(v/2) =
v
exp(x)dx = ( 1)!
2
(133)
La media y la varianza de la distribucin chi cuadrada est dada por la ecuacin 134 y
135 respectivamente.
=v
(134)
2 = 2k
(135)
En la gura 72 se muestra la forma de una distribucin de chi cuadrada, donde la variable

aleatoria es no negativa, se visualiza que la distribucin de probabilidad es sesgada hacia
la derecha, y a medida que
se incrementa , la distribucin ser ms simtrica, siendo
su lmite la distribucin normal
83
Figura 72: Distribucin Chi Cuadrada.
Al denirse
con
83
2 ,
como el punto porcentual o valor de la variable aleatoria chi cuadrada
grados de libertad, tal que la probabilidad de que
MONTGOMERY. Op. cit., p. 308.
215
exceda ese valor es
, lo cual
es expresado (gura 73) en la ecuacin 136.
p(2 , v)d(2 ) =
(136)
Figura 73: Punto porcentual
2 ,k
de la distribucin chi cuadrada.
En este tipo de distribucin se emplea la propiedad reproductiva, la cual se expresa en

el teorema.
Theorem 5. Sea
v1 , v2 , . . . , vp
2 , 2 , . . . , 2
1
2
p
variables aleatorias chi cuadrada independientes con
grados de libertad. Entonces la expresion dada en la ecuacin 137, sigue
que la distribucin chi cuadrada con el valor de grados de libertad dado en la ecuacin
138.
Y = 2 + 2 + . . . + 2
1
2
p
(137)
v=
vi
(138)
i=1
8.7.3 Distribucin F de Fisher

La funcin F tiene dos valores para los grados de libertad: Uno asociado con el numerador
y otro asociado al denominador.
Caractersticas
La distribucin F es una distribucin continua.

No puede ser negativa
La distribucin F tiene un sesgo positivo
A medida que aumentan los valores, la curva se aproxima al eje x, pero nunca lo
toca
216
La funcin F est relacionada con el cociente de las varianzas cada una dividida en sus
s2
F = s1 , si s2 y s2 son varianzas muestrales independientes

2
1
2
2
2
2
varianzas 1 y 2 .
respectivos grados de libertad,

de tamao
n1
n2
con
Para la funcin de la distribucin F dada en la ecuacin 139, se clasica como variables

aleatorias independientes chi-cuadrada
Y,
con grados de libertad
respectiva-
mente.
f (x) =
( u+v )( u )u/2 x(u/2)1

2
v
, 0<x<
( u )( v )[( u )x + 1](u+v)/2
2
2
v
(139)
La media y varianza de la distribucin F est dada por la ecuacin 140 y 141 respectivamente.
= v/(v 2)
(140)
2v 2 (u + v 2)
, v>4
=
u(v 2)2 (v 4)
(141)
Figura 74: Funcin F
La distribucin F utiliza una tabla que permite obtener los valores de ciertos cuantiles,
para un gran nmero de grados de libertad.
En la tabla 75 se presenta un resumen de las diferentes distribuciones muestrales que
fueron estudiadas.
217
Figura 75: Distribuciones Muestrales
8.7.4
Desviacin estndar de las medias
Para un muestreo de
mediciones, la regin que contiene la media real
bajo la curva puede ser inferida desde su misma media,
x,
de la poblacin
y la desviacin estndar
sx ,
esto es hecho estadsticamente relacionando la muestra de la poblacin atravs de la

desviacin estndar de las medias.
Asumir que hay
entradas (muestreo), cada una contiene
especico es identicado por
xij ;
mediciones. Un valor
para cada entrada habr un valor medio,
xj
(ecuacin
142), donde:
xj = 1/N (
xij )
(142)
i=1
Y la desviacin estndar es est dada por la ecuacin 143.
s xj =
1
n1
(xij xj )2
(143)
i=1
Ahora cada xj es una variable aleatoria. El teorema del lmite central nos asegura que
=
los valores xj sern normalmente distribuidos cerca de su valor medio, la media de los
218
valores medios
84
x,
est dado por la ecuacin 144.
1
x=
N
xj
(144)
j=1
Figura 76: Funcion de densidad de probabilidad de los valores medios de x.
fuente: DUNN, Patrick. Measurement & Data Analysis for Engineering & Science. 1 ed. University of Notre Dame, Indiana, USA.: McGraw-Hill, 2005.
La desviacin estndar de los valores medios determinados como la desviacin estndar
de las medias est dado por la ecuacin 145.
1
sx =
N 1
1/2
= 2
xj x
(145)
j=1
Utilizando la ecuacin 143, se halla la expresin dada en la ecuacin 146, que especica
un factor para hallar los lmites en los cuales cada valor medio real de la poblacin entera
llegara, desde los valores de una sola entrada nita, el valor medio de una poblacin y
su intervalo de incertidumbre est dado por la ecuacin 147.
sx = sx / N
sx
x = x + tv,p sx = x + tv,P ( %
N
84
DUNN. Op. cit., p. 238.
219
(146)
(147)
Esta formula implica que los limites entre cada
x'
pueden disminuir para una mayor
presicion en su estimacin, esto puede ser logrado incrementando
o decrementando
sx .
Es mejor ser cuidadoso al planear un experimento para minimizar el nmero de efectos
aleatoreos con anticipacin, ya que puede ser conveniente reducir
tiempo tomando mas datos para lograr los mismos limites en
El intervalo de
tv,P sx
sx
en lugar de gastar
x'.
es llamado intervalo de precisin del valor medio real. Como
aumenta, la ecuacin 146 indica que la desviacin estndar de las Medias decrementa y el
valor de la media muestral tiende hacia el valor de la media real, en este caso el intervalo
de precisin del valor medio real puede ser visto como una medida de la incertidumbre
para determinar
8.7.5
x'.
Muestras puestas en comn
Cuando es necesario combinar datos de
experimentos, cada uno compuesto por
mediciones, se puede colocar en comn por una entrada

j-simo experimento se cumple las ecuaciones de la gura
85
N n mediciones , para el
77, si n no es constante para
experimentos, entonces se calcula la media ponderada en comn.
Figura 77: Parmetros estadsticos entre medias de las muestras
8.7.6
Distribuciones muestradas de medias y sumas
Se debe aplicar el teorema del lmite central: Si una muestra aleatoria de

ciones,
Y1 , Y2 , . . . ., Yn
85 Ibid.,
es elaborado desde una poblacin con media nita
p. 240.
220
observa-
y varianza
2,
luego, cuando
muestral
es sucientemente grande, la distribucin muestreada de la media
puede ser aproximada por una funcin de densidad normal
86
Y1 , Y2 , . . . ., Yn son muestras aleatorias de n observaciones de una poblacin con

media nita y desviacin estndar , entonces la media y la desviacin estndar de
la distribucin muestreada de Y , denotada (ecuaciacin 148) y y (ecuacin 149),
Dado
respectivamente.
y =
y = / n
(148)
(149)
Lo anterior permite entender que la distribucin normal puede representar las distribuciones muestreadas con una considerable aproximacin con una media muestreada
y tan
grande como la poblacin posea, media y varianza nita y el nmero de mediciones

en el muestreo suciente segn el tipo de distribucin a representar. Para el caso de
una distribucin normal de una poblacin, entonces la distribucin muestreada ser una
funcin de densidad normal sin tener en cuenta el tamao de la muestra.
Por lo anterior se puede armar que cualquier distribucin muestreada de cualquier
funcin lineal de variables normalmente distribuidas aleatorias, incluso aquellas que son
correlacionadas, tienen medias y varianzas diferentes, es una distribucin normal. , lo
cual se contempla en el siguiente teorema:
Theorem 6. Si
a1 , a2 , . . . ., an
son constantes y
Y1 , Y2 , . . . ., Yn
son variables aleatorias
normalmente distribuidas con un valor esperado, varianza y covarianza dadas por las
ecuaciones 150, 151 y 152.
E(Yi ) = i
(150)
2
V (Yi ) = i
(151)
Cov(Yi , Yj ) = ij
(152)
(i = 1, 2, . . . ., n).
Luego la distribucin muestreada de una combinacin de variables aleatorias normal
l = a1 Y1 + a2 Y2 + . . . + an Yn
Posee una funcin de densidad normal con media y
varianza, dada por la ecuacin 153 y 154, respectivamente.
E(l) = = a1 1 + a2 2 + . . . + an n
(153)
2
2
2
V (l) = a2 1 +a2 2 +. . .+a2 n +2a1 a2 12 +. . .+2a1 an 1n +. . .+2a2 an 2n +. . .+2an1 an n1,n
1
2
n
(154)
86 MENDENHALL.
Op.cit., p. 400.
221
Para realizar una aproximacin de la suma de de una muestra de

de una poblacin con media
y varianza
n mediciones Y1 , Y2 , . . . ., Yn ,
, cuando n es sucientemente grande , la

Y i puede ser aproximada a una funcin de
n
i=1
distribucin muestreada de la suma:
densidad normal con media y varianza dada por las ecuaciones 154 y 153.
E(
Yi ) = n
(155)
V(
Yi ) = n 2
(156)
8.7.7 Aproximacin normal a la distribucin binomial

n y p; su media = np y varianza
= npq , y teniendo en cuenta que el nmero Y de sucesos en n intentos puede ser
considerado como una suma que consiste en n valores de 0 y 1, que representa la salida
Se considera una variable aleatoria
con parmetros
(falla o suceso) de un intento particular.
Y =
n
i=1
Yi
donde
Yi=1
si sucede y
Yi=0
si falla
La distribucin de probabilidad binomial se convierte a normal cada vez que

satisfaciendo de este modo el teorema del lmite central. Cuando
p = 0,5,
crezca
quiere decir
que la distribucin muestreada es simtrica cercana a su media, lo que conlleva a una

aproximacin a la funcin de densidad normal con valores de
tan pequeos como
n = 10; s p tiende a 0 1, querr decir que la grca se vera sesgada hacia la izquierda
o derecha, caracterstica que va siendo insignicante cuando n toma valores mas altos
tanto que se cumpla las ecuaciones 157 y 158.
2 = np 2 npq
+ 2 = np + 2 npq
Ambas dadas entre
n,
(157)
(158)
satisfaciendo la condicin que
np 4
nq 4.
8.7.8 Distribuciones muestreadas relacionadas con la distribucin normal

Theorem 7. Si una muestra aleatoria de
da desde una distribucin normal con
n observaciones, Y1 , Y2 , . . . ., Yn , es selecciona2
una media y varianza , luego la distribucin
muestreada de:
2 = ((n 1)s2 )/ 2
222
Tiene una funcin de densidad chi-cuadrada con
grados de libertad.
representa la varianza muestral.
Theorem 8. Si
v2
v = (n 1)
2
1
2
2
son variables aleatorias chi-cuadrada independientes con
grados de libertad, respectivamente, luego la suma
chi-cuadrada con
v1 + v2
2 + 2
1
2
v1
tiene una distribucin
grados de libertad.
Denicin: Sea Z una variable aleatoria normal estndar y 2 una variable aleatoria chicuadrado con
v grados de libertad. Si Z
Es decir posee una distribucin
2 son independientes, entonces: T = Z/
2
.
v
de estudiante (o simplemente distribucin T) con
grados de libertad.
Denicin: Si 2 y 2 son variables aleatorias chi-cuadrada independientes con v1 y v2

1
2
grados de libertad, respectivamente, luego:
F =
2 /v1
1
2 /v2
2
Es decir tiene una distribucin F con
v1
en el numerador grados de libertad y
v2 en
el
denominador grados de libertad.
8.8 ESTADSTICA INFERENCIAL

En la ciencia, la ingeniera y en todos los procesos de investigacin experimental, es muy
importante utilizar la informacin obtenida de manera experimental a partir de los datos
de una muestra para extraer conclusiones acerca de la poblacin de la que sta proviene,
y aplicando la probabilidad asegurar resultados con un nivel de conanza establecido.
El campo de la estadstica inferencial est formado por los mtodos utilizados para tomar
decisiones o para obtener conclusiones sobre una poblacin. Estos mtodos utilizan la
informacin contenida en una muestra de la poblacin para obtener conclusiones.
La estadstica inferencial puede dividirse en dos grandes reas: estimacin de parmetros
y prueba de hiptesis.
8.8.1 Estimacin de parmetros

8.8.1.1 Estimacin Puntual
La estimacin puntual de algn parmetro
la estadstica
de la poblacin es un valor numrico
de
. La estimacin por puntos de un parmetro es un solo valor numrico de

223
una estadstica que corresponde a ese parmetro, es decir, si

con distribucin de probabilidad
f (x),
es una variable aleatoria
caracterizada por el parmetro desconocido
X1 , X2 , ...., Xn , es una muestra aleatoria de X de tamao n, entonces

= h(X1 , X2 , ...., Xn ) recibe el nombre de estimador puntual de .
si
la estadstica
Los problemas de estimacin ocurren con frecuencia en Ingeniera y menudo se necesita

estimar algunos parmetros, y los estimadores de estos parmetros los encontramos en
87
la tabla 78
Figura 78: Estimadores puntuales

Parmetro
La media
Estimador
La varianza
=x Media muestral

=s Varianza muestral

p= n proporcin muestral
x
La proporcin
donde, x es el
numero de objetos en una muestra de tamao

n que pertenece a una clase de inters.
1 2 =X1 X2 ,
Diferencia entre
medias,1
la diferencia entre las
media de las muestras de dos muestras

aleatorias independientes.
Diferencia entre proporciones

de poblacin
p1 p2
p 1 p2 = p1 p2 ,
la diferencia entre dos
proporciones de la muestra calculadas a partir

de dos muestras aleatorias independientes.
Ya que un estimador puntual es calculado de una muestra, posee una distribucin de

muestreo. La distribucin de muestreo de un estimador puntual describe completamente
sus propiedades. Por ejemplo, de acuerdo con el teorema del lmite central, la distribucin
de muestreo de una media muestral ser aproximadamente una distribucin normal para
grandes tamaos de muestra, segn Montgomery
30,
con media
. En la gura 81 se puede observar como una media muestral

n
, con una
2
2y = n .
abilidad de caer por encima o por debajo de

de 0.95, y no se desviar de
87 Ibid.,
por ms de
p.288
224
y error estndar
tiene la misma prob-
probabilidad aproximadamente
Figura 79: Distribucin de muestreo de una media muestral para muestras grandes
Si la media de la distribucin de muestreo de un estimador

estimado
es igual al parmetro
, entonces se dice que el estimador es imparcial; de lo contrario se dice que el
estimador es parcial. La media muestral es un estimador imparcial de la media poblacional
. En la gura 80 se puede observar las distribuciones de muestreos para los estimadores

imparciales y parciales.
Figure 80: Distribuciones de muestreo para estimadores
Un estimador
de
un parmetro
es imparcial si
E() = .
Si
E() = ,
se dice que el
estimador es parcial. Adicionalmente a la imparcialidad, se busca que la distribucin de

muestreo de un estimador tenga varianza mnima, esto es, se desea que la dispersin de
la distribucin de muestreo sea tan pequea como sea posible para que las estimaciones
tiendan a caer cerca a
88 NAVIDI.
88 .
Op.cit., p. 322.
225
La Figura 81 muestra la distribucin de muestreo de dos estimadores imparciales, A y B,

con A teniendo menor varianza que B. Un estimador imparcial que tiene la mnima varianza entre todos los estimadores imparciales se llama el estimador imparcial de varianza
mnima (MVUE).
Figure 81:
Distribucin de muestreo de dos estimadores imparciales
menor varianza que
B . (A
con
B)
El estimador imparcial de varianza mnima (MVUE) de un parmetro
que
es el estimador
tiene la menor varianza de todos los estimadores imparciales.
8.8.1.2 Mtodos clsicos de estimacin

Hay una serie de mtodos diferentes para encontrar estimadores puntuales de parmetros.
Algunos de ellos son:
1. Mtodo de los momentos.
Se sabe que el parmetro
E(Y ) = es el primer momento sobre el origen o, como
se le llama algunas veces, el primer momento poblacional. Similarmente, se dene

el primer momento muestral segn la ecuacin 159.
n
i=1 yi
y=
Donde
(159)
y1 , y2 , .....yn representa una muestra aleatoria de n valores observados en una
variable aleatoria Y con alguna distribucin de probabilidad (discreta o contnua).

El momento poblacional k-simo y el momento muestral k-simo estn denidos
como:
Momento poblacional
k esimo : E(Y k )
Momento muestral k-simo:
mk =
n
i=1
k
yi
Para el caso en que k = 1, el primer momento poblacional es

primer momento muestral es
m1 = y .
226
E(Y ) = ,
y el
2. Mtodo de mxima posibilidad.

El mtodo de mxima posibilidad y una exposicin de las propiedades de los estimadores de mxima posibilidad son el resultado del trabajo de Sir Ronald A. Fisher
(1890 1962).
y1 , y2 , .....yn , es
la funcin de probabilidad conjunta p(y1 , y2 , .....yn ) cuando Y1 , Y2 , .....Yn son
a) La funcin posibilidad L de una muestra de n observaciones
variables aleatorias discretas.
y1 , y2 , .....yn , es
Y1 , Y2 , .....Yn son
b) La funcin posibilidad L de una muestra de n observaciones

la funcin de densidad conjunta
f (y1 , y2 , .....yn ),
cuando
variables aleatorias continuas.

3. Estimadores de bayes.
La aproximacin clsica a la estimacin se basa en el concepto de que el parmetro
desconocido
es una constante. Toda la informacin disponible acerca de
contenida en la muestra aleatoria
y1 , y2 , .....yn
est
seleccionada de la poblacin rel-
evante. En contraste, la aproximacin Bayesiana a la estimacin reere

una variable aleatoria con alguna distribucin de probabilidad
g()
como
conocida pre-
viamente. La informacin de la muestra es usada para modicar la distribucin

conocida sobre
para obtener una distribucin posterior,
estimador de Bayes de
f (/y1 , y2 , .....yn ).
El
es entonces la media de la distribucin de probabilidad
posterior.
8.8.1.3 Estimacin del intervalo de conanza de una sola muestra

En situaciones, la estimacin no proporciona la suciente informacin acerca de un
parmetro de inters, es all donde una estimacin del intervalo resulta ser ms til.
De forma general, para construir un estimador de intervalo del parmetro desconocido
se debe encontrar dos estadsticas L y U, tales que ellas sean los limites de conanza
inferior y superior respectivamente y dentro de estos lmites se encuentre el valor del

parmetro desconocido
tal que:
P {L U } = 1
L U se llama intervalo de conanza de 100(1) % para el parmetro
desconocido , donde (1 ) recibe el nombre de coeciente de conanza.
El intervalo
La interpretacin del intervalo de conanza es que, si se recopilan muchas muestras

aleatorias y se calcula un intervalo de conanza de
100(1 ) %
100(1 ) %
en
de estos intervalos contendrn el valor verdadero de .

227
de cada muestra,
En la gura 82 se observan varios intervalos de conanza para la media
de una
distribucin, los puntos del centro de cada intervalo indica la estimacin puntual de
uno de los intervalos gracados no contiene el verdadero valor de
Figura 82: Intervalos de conanza para la media
La mejor forma de expresarlo sera que
de una distribucin.
se encuentra en el intervalo
[L, U ]con
una
100(1). A este tipo de intervalo se le conoce como intervalo de conanza

lados. Un intervalo de conanza de un lado estara dado por: L donde el
conanza de
de dos
limite de conanza inferior L se elige de modo que:
P {L } = 1
(160)
De manera similar se procede con el lmite de conanza superior si se quiere obtener un

intervalo de conanza de un lado.
Cuanto ms largo sea el intervalo de conanza, mayor conanza tendremos que este
contiene en realidad el verdadero valor de
en torno al verdadero valor de
, pero menor ser la informacin que tenemos
En una situacin ideal se desea obtener un intervalo
relativamente corto con una conanza elevada
89
Hay diversos casos donde se aplica los intervalos de conanza y estos se especican en
la tabla 24.
89 HINES.
Op. cit., p.370.

228
Tabla 24: Estimacin por Intervalos.
229
8.8.2 Prueba de hiptesis

Muchos problemas de ingeniera, ciencias y experimentacin requieren que se tome una
decisin entre aceptar o rechazar una proposicin sobre algn parmetro. Esta proposi230
cin recibe el nombre de hiptesis y cuando se hace con respecto a una o mas poblaciones
recibe el nombre de hiptesis estadstica, el procedimiento que permite tomar esta decisin recibe el nombre de prueba de hiptesis.
Se considera la prueba de hiptesis estadstica como la etapa de anlisis de datos de un
experimento comparativo, en donde el ingeniero esta interesado en hacer algn tipo de
comparacin con un valor especicado, la hiptesis que desea probarse recibe el nombre
de hiptesis nula y la hiptesis alternativa es el rechazo de la hiptesis nula.
Ho =Hiptesis
Nula
H1 =Hiptesis
Alternativa
Las hiptesis son proposiciones sobre la poblacin y no sobre la muestra, por lo general
el parmetro de la poblacin especicada en la hiptesis nula se puede determinar de
90
tres maneras diferentes segn Montgomery
y se muestran a continuacin:
1. Puede ser resultado de la muestra pasada o del conocimiento del proceso, o experimentos previos, en este caso el objetivo de la hiptesis es determinar si a cambiado
el parmetro.
2. Puede obtenerse de teoras o modelo que se relaciona con el proceso en estudio.
En este caso el objetivo de la prueba de hiptesis es vericar la teora o modelo.
3. Cuando el valor del parmetro de la poblacin proviene de consideraciones externas,
tales como las especicaciones de diseo o ingeniera.
El procedimiento de prueba de hiptesis depende de como se emplea la informacin

contenida en una muestra aleatoria de la poblacin de inters. Si esta informacin es
consistente con la hiptesis se concluye que es verdadera, si es inconsistente se concluye
que est es falsa.
Usualmente el procedimiento de prueba de hiptesis esta sujeto cierta incertidumbre,
y la hiptesis nula se plantea de manera que especique de manera exacta el valor del
parmetro, y la hiptesis alternativa permite que el parmetro tome diversar alternativas.
La prueba de hiptesis involucra diversos factores como los que se ven en la gura 83.
90 MONGOMERY.
Op. cit., p 371.
231
Figura 83: Factores de la prueba de hiptesis
Existen dos conclusiones errneas en la prueba de hiptesis: el error tipo I y el error tipo
II, y existen cuatro situaciones diferentes que determinan si la decisin nal es correcta
o errnea. Estas situaciones aparecen en la tabla 25.
Tabla 25: Desiciones en la prueba de hiptesis

Decisin
Ho es verdadero
Ho es falsa
Aceptar Ho
No hay error
Error tipo II
Rechazar Ho
Error tipo I
No hay error

a la Ingeniera. 2 ed.: McGraw-Hill, 1996. p.374.
Dado que las decisiones se basan en variables aleatorias, es posible asociar probabilidades
con los errores tipo I y II. La probabilidad de cometer un error tipo I se denota por la
letra griega
tambin se conoce como nivel o tamao de signicancia de la prueba, y
la probabilidad del error tipo II se denota por
como se observa en la tabla 26.
Tabla 26: Probabilidades de los errores

PROBABILIDAD
SMBOLO
ECUACIN
P(Error tipo I)
=P(error tipo I)=P(rechazar Ho/Ho es verdadera)

=P(error tipo II)=P(acepto Ho/Ho es falsa)
P(Error tipo II)
El investigador generalmente controla la probabilidad
del error tipo I cuando escoge los
valores crticos, y puede dontrolar de manera mas directa la probabilidad de rechazar de
Ho, y se considera el rechazo de la hiptesis nula una conclusin fuerte.

probabilidad del error tipo II no es constante y depende del valor verdadero del
manera errnea
Y la
232
parmetro y tamao de la muestra y se considera la decisin de aceptar
Ho
como una
conclusin dbil.
Las relaciones entre aceptar o rechazar la hiptesis nula con los valores de
estn
dados en la tabla 27.
Tabla 27: Decisiones de hiptesis nula asociada con los valores de p y

Valor p
= 0,01
= 0,05
= 0,10
p 0,1
aceptar
aceptar
aceptar
0,05 < p < 0,1
aceptar
aceptar
rechazo
0,01 < p < 0,05 aceptar
rechazo
rechazo
p < 0,01
rechazo
rechazo
rechazo
Fuente: P. Dunn, Measurement & Data Analysis for Engineering & Science. Edit. Mc Graw Hill,
2005..p. 239 .
8.8.2.1 Procedimiento general para la prueba de hiptesis

La prueba de hiptesis se puede realizar mediante un procedimiento sistemtico que se
describe en la gura 84.
Figura 84: Prueba de Hiptesis
1. Identicar el parmetro de inters de acuerdo al tema de investigacin.

2. Especicar la hiptesis:
a) Hiptesis nula Ho: Es una armacin que no se rechaza a menos que los datos
muestrales proporcionen evidencia que es falsa. Contiene signo de igualdad
con respecto al valor especicado del parmetro.
233
b) Hiptesis alternativa H1: Es una armacin que se acepta si los datos muestrales proporcionan evidencia suciente de que la hiptesis nula es falsa.
Nunca contiene un signo de igualdad con respecto al valor especicado del
parmetro.
3. Seleccionar el nivel de signicancia:

El estadstico controla el error tipo I y generalmente se toma el valor de
como
0.05 si se quiere ser mas riguroso 0.01.

La distribucin de muestreo de la estadstica de prueba se divide en dos regiones
como se observa en la gura 85, una regin de rechazo (conocida como regin
crtica) y una regin de no rechazo (aceptacin).
Figura 85: Distribucin de muestreo
4. Establecer el estadstico de prueba:

El estadstico de prueba es el valor determinado a partir de la informacin muestral,
que se utiliza para determinar si se rechaza la hiptesis nula, existen muchos
estadsticos de prueba como los estadsticos z y t. La eleccin de uno de estos
depende de la cantidad de muestras que se toman, si las muestras de la prueba
son iguales a 30 o ms se utiliza el estadstico z, en caso contrario se utiliza el
estadstico t. Las pruebas se describen en la tabla 28.
234
Tabla 28: Hiptesis bilateral y unilateral
5. Establecer regin de rechazo:

Se establece las condiciones especcas en la que se rechaza la hiptesis nula y las
condiciones en que no se rechaza la hiptesis nula. La regin de rechazo dene
la ubicacin de todos los valores que son tan grandes o tan pequeos, que la
probabilidad de que se presenten bajo la suposicin de que la hiptesis nula es
verdadera, es muy remota. Si la estadstica de prueba cae dentro de la regin de
aceptacin, no se puede rechazar la hiptesis nula.
6. Calcular las cantidades muestrales necesarias, sustituirlas en la ecuacin para el
estadstico de prueba, ya sea z o t.
7. Decidir se se rechaza o no la hiptesis:
Se establece las condiciones especcas en la que se rechaza la hiptesis nula y
las condiciones en que no se rechaza la hiptesis nula. Se calcula el estadstico de
prueba, se compara con el valor crtico y se toma la decisin de rechazar o no la
hiptesis nula. Tenga presente que en una prueba de hiptesis solo se puede tomar
una de dos decisiones: aceptar o rechazar la hiptesis nula. Debe subrayarse que
siempre existe la posibilidad del error tipo I y el error de tipo II.
8.8.2 Tipo de pruebas de hiptesis

Existen diferentes tipos de pruebas de hiptesis y estn dados en la gura 86.
235
Figura 86: Tipos de Pruebas de hiptesis
A continuacin se desarrolla el procedimiento general para la prueba de hiptesis, tomando la hiptesis sobre la media y la varianza conocida, los otros tipos de hiptesis sern
mostrados en un resumen dado por Montgomery
91
8.8.2.1 Prueba de hiptesis sobre la media y la varianza conocida

La poblacin o distribuciones de inters tienen media
tadstico de prueba se basa en la media muestral
y varianza
2 conocida.
El es-
1. Se supondr que la poblacin esta distribuida de manera normal o que se aplica el

teorema del lmite central.
2. Se especica la hiptesis de acuerdo al contraste segn la tabla 29.
Tabla 29: Tipo de Hiptesis
Bilateral
H1:
= 0
= 0
Unilateral
derecha
Ho:
Unilateral
izquierda
Ho:
H1:
0
> 0
Ho:
H1:
0
> 0
3. Es una hiptesis la distribucin de muestreo esta dada por alguna de las guras
de la grca 87.
91 Ibid.
p.462.
236
Figura 87: Distribucin de muestreo
4. El estadstico de prueba esta dado por la ecuacin 161.
z=
/ n
(161)
5. Se halla la regin de aceptacin segn las ecuaciones dadas en la tabla.

Tabla 30: Intervalo de aceptacin
Bilateral
Unilateral derecha
Unilateral izquierda
-z/2 zz/2
X
P(-z/2 z/2 )=1-
/ n
(0 n z/2, 0 + n z/2 )
z>z/2
X
> z )=1-
P(
/ n
(, + n z )
z> z/2
X
> -z )=1-
P(
/ n
( n z, + )
6. Si la media muestral est fuera de este intervalo rechazamos Ho y no rechazamos

Ho en caso contrario.
8.9 REGRESIN Y CORRELACIN DE EXPERIMENTOS

En muchos problemas existe una relacin entre la variable medida y las variables independientes que se controlan durante un proceso de medicin, cuando esta variable se
muestrea las otras condiciones se controlan, luego de la muestra estas variables se cambian y se toma una nueva muestra con otras condiciones de operacin, y este proceso se
usa para documentar la relacin entre la variable medida y una variable independiente
del proceso.
237
El anlisis de regresin es una tcnica estadstica para el modelado y la investigacin de

la relacin entre dos o ms variables dependiente e independiente, permite estimar los
92
parmetros del modelo de regresin
El diagrama de dispersin es una grca que representa la regresin en la que cada par
(xi, yi)
est representado con un punto en un sistema de coordenadas bidimensionales.
El anlisis de este diagrama de dispersin indica que, si bien una curva no pasa por todos
los puntos, existe una relacin fuerte de los puntos dispersos aleatoriamente alrededor
de una lnea recta.
Apartir del diagrama de dispersin se puede visualizar una curva que se aproxima a los
datos(curvas de aproximacin), y esta curva se puede analizar segn casos de la gura
88 para determinar la linealidad del diagrama.
Figura 88: Curvas de aproximacin
1. Cuando los datos se aproximan bien por una lnea recta decimos que existe una
relacin lineal en la gura 88.
a) Cuando hay una relacin entre las variables pero sta no es lineal, se dice
relacin no lineal como se ve en la gura 88.
b) Cuando no existe ninguna relacin entre las variables se tienen la gura 88.
Esta relacin ente las variables se puede expresar de una manera matemtica mediante
una ecuacin que permite conectar las variables, llamada ecuacin de regresin, esta
ecuacin de regresin ajustada se utiliza en la prediccin de observaciones futuras de Y,
o para estimar la respuesta promedio para un nivel particular de x.
92 Ibid.,
p.471.
238
Un anlisis de regresin asume que la variacin en la variable dependiente medida, sigue

una distribucin normal en cada valor jo de la variable independiente como se observa
en la gura 89. Las mediciones repetidas de
(variable dependiente) producirn una
2
distribucin normal con varianza Sy con respecto a algn valor medio,
y.
Figura 89: Distribucin de Probabilidad del Error
Por ello es razonable suponer que la media

con
de la variable aleatoria
est relacionada
x por la ecuacin 162, donde la pendiente y la ordenada al origen de la recta reciben
el nombre de coecientes de regresin.
E(Y /x) = Y /x = 0 + 1 x
(162)
Es posible realizar regresin lineal simple y multiple pero en general el procedimiento

para la regresin se puede observar en la gura 90.
239
Figura 90: Modelo de regresin
Si bien la media de
es una funcin linea de
x, el valor real de y no cae de manera exacta
sobre la recta. Para generalizar este hecho es nesesario utilizar un modelo probabilistico
lineal en el cual se supone que el valor esperado de
para un valor jo de
x el valor real de Y
es una funcin lineal de
x,
pero
est determinado por el valor medio de la funcin
(el modelo lineal) mas un termino que representa el error aleatorio como se observa en
la ecuacin 163. Este modelo recibe el nombre de regresin lineal simple, ya que solo
93
tiene una variable independiente o regresor
Y c = 0 + 1 x + i
93 Ibud.,
p. 472.
240
(163)
8.9.1 Regresin lineal simple

Los modelos de regresin lineal surgen de alguna relacin terica o algunas veces cuando
no existe ningn modelo terico se basan en el diagrama de dispersin, en estos casos
el modelo se considera emprico, donde es posible jar el valor de x y observar el valor
de la variable Y, el componente
determina las propiedades de Y, este componente
es un error aleatorio con media 0 y varianza(
2 94
, y encontramos nuevamente que se
cumple la ecuacin 163. La estructura de un modelo de regresin lineal se puede ver en

la gura 91.
Figura 91: Modelo de Regresin Lineal
Donde:
representa el valor de la ordenada donde la linea de regresin se intercepta con
el eje
son variables desconocidad
Y.
1 la pendiente; representa el cambio de la variable Y por unidad de cambio en

x, la variabilidad de Y esta determinado por la varianza del error 2 , cuando los
2
2
valores de son pequeos, los valores de Y caen cerca de la linea recta, cuando
2
es grande los valores observados de Y se alejan de la linea recta, si es constante,
la variabilidad en Y para cualquier valor de x es la misma.
representa el error aleatorio con media cero y varianza
94 GUTIERREZ,
Op.cit., p. 479.
241
2.
En diferentes problemas de ingeniera los valores de la ordenada al origen, la pendiente de

la recta y la varianza
2 no
se conocen y se deben estimar a partir de datos muestrales.
El anlisis de regresin comprende una serie de herramientas para determinar dichos

parmetros, con el n de hallar los valores que mejor se ajusten a los datos experimentales.
95
El cientco alemn Jaral Gauss (1777-1855)
propuso estimar los parmetros
de modo que se minimice la suma de los cuadrados de las desviaciones verticales entre
el dato real y el ajuste polinomial de un orden establecido, ajustando los valores de los
coecientes, este criterio es el mas usado en ingeniera y se conoce como mtodo de
mnimos cuadrados.
8.9.1.1 Mtodo de mnimos cuadrados

Cuando dos variables tienen una relacin lineal, el diagrama de dispersin tiende a estar
agrupado alrededor de la recta de mnimos cuadrados como se observa en la gura
92, el mtodo de mnimos cuadrados permite hallar los valores de
coecientes de regresin
96
que son los
Figura 92: Recta de Mnimos Cuadrados
Los puntos de los datos son
(x1 , y1 ), ..., (xn , yn )
y d se denomina desviacin, error o
residuo y puede ser positiva, negativa o cero, de tal manera que a los valores
les corresponden una desviacin
La cantidad
d2 + d2 +, . . . , +d2
1
2
n
x1 , ..., xn
d1 , . . . , dn .
provee una medida de el ajuste de la recta. Si esta es
grande, el ajuste es malo, si es pequea, el ajuste es pequeo. Y la curva que mas se

aproximan al conjunto de
95 MONTGOMERY.
96 Ibid.,p.
475.
puntos de datos, es la curva que tenga la propiedad de:
Op. cit., p. 475.
242
d2 + d2 +, ... + d2 =
n
2
1
Un mnimo
Debido a que en el anlisis de regresin no se ajustara cada dato de forma exacta, existir
siempre una desviacin entre los puntos de datos y el polinomio, esta diferencia entre lo
observado y lo estimado es una estimacin del error
= y yc , y comprende
o residuo
una desviacin estndar que se puede calcular con base en la desviacin de cada dato y
la curva ajustada, y consiste en elevar al cuadrado los residuos
la ecuacin 164.
y sumarlos, obteniendo
n
2
d =
(164)
i=1
n
i=1 (y
Dado que
n
i=1
yc )2 =
d2 ,
se trata de encontrar los valores que minimizan la
suma de los errores al cuadrado, para determinar el orden del polinomio.
(y yc )2
(165)
(y 0 + 1 x)2
(166)
D=
i=1
D=
Para minimizar la suma de los cuadrados de las desviaciones se requiere que
dD = 0
al hacer 0 cada una de las derivadas parciales de las variables donde los estimadores de
mnimos cuadrados de
1 (0
1 ),
dD
| = 2
d0 0 ,1
dD
| = 2
d1 0 ,1
deben satisfacer las ecuaciones 167 y 168:
(yi 0 1 xi ) = 0
(167)
(yi 0 1 xi )xi = 0
(168)
i=1
n
i=1
yc = 0 + 1 X
Donde
(169)
son obtenidos de las ecuaciones 170 y 171.
y = 0 + 1
xy = 0
Los valores
0 =
(170)
x2
x + 1
(171)
son;
n
i=1
y)(
n
n
2
i=1 x ) (
n
2
i=1 x (
1 =
n
i=1
n
i=1 x)(
n
2
i=1 x)
xy
n
i=1
x2
243
n
i=1
n
i=1
x)(
n
n
i=1
xy)
n
i=1
x)2
= y 1 x

(172)
y)
(173)
Donde
x = (1/n)
xi
y = (1/n)
yi
Por notacin , en ocaciones se dan smbolos especiales al numerador y denominador de

las ecuaciones 173 y 172as:
n
2
x2
i
(xi x) =
Sxx =
i=1
n
2
yi(xi x) =
i=1
xi yi
xi)2
(174)
i=1
Sxy =
n
i=1
n
i=1
i=1
xi)(
n
n
i=1
yi)
8.9.1.2 Propiedades de los estimadores de mnimos cuadrados

El error
(175)
1 .
del modelo visto en la ecuacin 163 es una variable aleatoria de media 0
2 , puesto que los valores de x son jos, y Y es una variable aleatoria con
2

media Y /x = 0 +1 x y varianza . Por lo tanto los valores 0 y 1 pueden verse como
y varianza
variables aleatorias. El sesgo y las propiedades de la varianza se encuentran acontinuacin.

El valor esperado de
La varianza de
1 esta
El valor esperado de
La varianza de
1 esta
dado por
V ( ) =
1
dada por
0 esta
E( ) = 1 .
1
dado por
esta dada por
2
.
sxx
E( ) = 0 .
0
V ( ) =
0
2
.
sxx
La suma de los cuadrados de los residuos, o suma de los cuadrados de los errores
est dado por:
n
2
SSE =
(176)
i=1
n
i=1
(y yc )
El valor esperado de la suma de los cuadrados de los errores
SSE
se observa en la
ecuacin 385.
E(SSE ) = (n 2) 2
El estimador no sesgado de
(177)
es:
SSE
2 =
N 2
244
(178)
8.9.1.3 Prueba de Hiptesis en la Regresin Lineal Simple

Para la evaluacin de un modelo de regresin lineal simple, se utiliza la prueba de hiptesis
en torno a los parmetros del modelo y la construccin de ciertos intervalos de conanza.
Probar una hiptesis consiste en investigar con base en la evidencia contenida en una
muestra, si lo armado por la hiptesis nula es verdadero o no, y en caso de ser falsa
se toma como verdadera la hiptesis alternativa. Para probar la hiptesis respecto de la
pendiente y la ordenada al origen del modelo de regresin, debemos hacer la suposicin
adicional de que la componente del error
se distribuye normalmete. Entonces los errores
son distribucin normal independiente con media cero y varianza
como se abrevia con
2 97
NID(0, ) .
1. Uso de pruebas t
Si se quiere probar la hiptesis de que la pendiente es igual a una constante,

digamos
1,0 .
Las hiptesis apropiadas son;
H0 : 1 = 1,0
H1 : 1 = 1,0
Puesto que los errores
2
son NID(0, ), se sigue de manera directa que las observa-
1 es una combinacin lineal de las observaciones
), utiYi, y una combinacin de variables aleatorias independientes, 1 es N(1 ,

Sxx
2
ciones Yi son NID(0 +1 x, ), y
lizando las propiedades de sesgo y varianza de la pendiente. entonces el estadstico

esta dado por la ecuacin 179, que sigue a la distribucin t con n-2 grados de
libertad bajo Ho:1
= 1,0 .
To =
Puede rechazarse Ho:1
1 1,0
2 /Sxx
(179)
= 1,0 si:
|t0 | > t/2 , n 2

Un caso especial es cuando se tiene la hiptesis de la signicancia de la regresin donde.
H0 : 1 = 0
H1 : 1 = 0
97 Ibid.,
p. 490
245
El hecho de no rechazar
entre
y.
variacin en
H0 : 1 = 0
es equivalente a concluir que no hay relacin lineal
Y esto puede implicar ya sea que
y,
para cualquier
y que el mejor estimado de
que la relacin real entre
es de poco valor en la explicacin de la
no es lneal(gura 93b)
Figura 93: La Hiptesis Ho:1
=0
98
es
y=y
(gura 93a) o
no se Rechaza
a)

b)
Y el rechazo de
H0 : 1 = 0
podra signicar que el modelo de lnea recta es adecuado.
Figura 94: La Hiptesis
98 Hines,W;
H0 :1 = 0
se rechaza
Montgomery,D .Probabilidad y Estadstica para Ingeniera. Edit. Cedsa, Mxico, 2007.
246
El procedimiento usado para probar la hiptesis con respecto a la ordenada al

origen es similar. Y las hiptesis son:
H0 : 0 = 0,0
H1 : 0 = 0,0
Se utiliza el estadstico
To =
0 0,0
2
1
n
(180)
x2
Sxx
Puede rechazarse si:
|t0 | > t/2 , n 2

8.9.1.4 Anlisis de varianza para la prueba de signicancia de la regresin.
Para probar la signicancia de la regresin puede usarse un mtodo conocido como
anlisis de varianza. El procedimiento particiona la variabilidad total en la variable de
respuesta en componentes ms manejables los cuales se observan en la tabla 31.
Tabla 31: Sumas de los cuadrados
Suma de los cuadrados de los errores (SSE):
n
i=1 (yi
y )2 ,
mide la variabili-
dad total en los valores observados respecto a la recta de regresin Y, ya que el error
pronosticado ser el residuo
(yi y ).
Suma total de los cuadrados (SST):
n
i=1 (yi
y )2 ,
representa la variacin de los
errores con respecto a la media de la muestra, es bsica para la determinacin de la

varianza y de la desviacin estndar de la muestra.
247
Suma de los cuadrados de la Regresin (SSR):

n
i=1 (yi
y )2
y )2 ,
relacin lineal entre
n
y
i=1 (i
variabilidad total en los valores observados
Y,
n
y)2 =
i=1 (yi
de Y ,considerando la
mientras ms grande sea la variabilidad, ms fuerte sern
la agrupacion de puntos alrededor de la recta de mnimos cuadrados y la relacin lineal

entre
y,
por tanto SSR es un estadstico de la bondad del ajuste, pero debida a que
tiene unidades cuadradas, se debe utilizar un estadstico de la bondad del ajuste cuyo
nmero sea puro .
Figura 95: Representacin sumas de los cuadrados de la regresin
De donde aparece:
SST = SSR + SSE

1 = 0 es verdadera, el estadstico sigue a la distribucin F1,n2 ,
con lo que Ho debe rechazarsa si f0 > f,1,n2 donde f0 esta dado por la ecuacin 181.
Las cantidades M SR = SSR /1 y M SE = SSR /(n 2) reciben el nombre de media de
Si la hiptesis nula Ho:
cuadrados.
F0 =
ssR /1
M SR
=
ssE (n 2)
M SE
(181)
Usualmente se acomoda el procedimiento de prueba en una tabla de anlisis de varianza,

como la tabla 96.
Figura 96: Anlisis de Varianza
Fuente de
Suma de cuadrados
variacin
Grados de libertad
Media de
Fo
cuadrados
M SR
SSR = Sxy
1
M SR
M SE
Error
SSE = Syy Sxy
n-2
M SE
Total
Syy
n-1
a la Ingeniera. 2 ed.: McGraw-Hill, 1996.p. 494.
Regresin
248
8.9.1.5 Intervalos de conanza en la regresin lineal simple

Adems de las estimaciones puntuales de la pendiente y la ordenada al origen es posible
es posible obtener estimaciones de los intervalos de conanza para estos parmetros. El
ancho de los intervalos darn una medidad de la calidad total de la recta de regresin.
Bajo la suposicin de que las observaciones estn distribuidas de manera normal e independiente los intervalos de conanza del 100(1-) por ciento de la pendiente1 y la
ordenada al origen
estn dados en la tabla 62, tambin es posible hallar un intervalo
de conanza a partir de la respuesta media del 100(1-) por ciento para el valor de
x = x0 ,Y /xo
99
que encontramos en la tabla 32
Tabla 32: Intervalos de conanza en la regresin lineal simple.

Intervalo de
Ecuacin
Conanza
1 t/2,n2
Intervalo para la
pendiente
2
Sxx
1 1 + t/2,n2
2
Sxx
0 0 + t/2,n2
Intervalo para la
0 t/2,n2
1
n
x2
Sxx
1
n
x2
Sxx
ordenada al
origen
0
Y /xo t/2,n2
Intervalo de
1
n
conanza
Y /xo + t/2,n2
alrededor de la
(x0 )2
x
Sxx
1
n
Y /xo
(x0 )2
x
Sxx
respuesta media
8.9.1.6 Evaluacin del modelo de regresin

Los mtodos que se han analizado hasta ahora son vlidos bajo el supuesto de que la
relacin entre variables
satisfacen el modelo lineal , donde los errores satisfacen
los supuestos 1 al 4.
Los errores
error
1 , . . . , n
son aleatorios e independientes. La magnitud de cualquier
no inuye en el valor del siguiente error
i + 1 .
Todos los errores
1 , . . . , n tienen
media 0.
Todos los errores
1 , . . . , n tienen
la misma varianza, denotada por
Los errores
99 Ibid.,
1 , . . . , n
estn distribuidos Normalmente
500.
249
2.
La validez de estas suposiciones deben ser estudiadas para determinar que tan adecuado
es el modelo, existen diferentes mtodos que son tiles para este propsito como:
El anlisis residual
2
Coeciente de determinacin (R ).
Prueba de falta de ajuste
1. El anlisis residual :
El anlisis de residuos es til para vericar la hiptesis de que los herrores tienen
una distribucin normal, as como para determinar la utilidad de adicionar mas
trminos al sistema, como se observa en la gura 97.
Figura 97: Anlisis de residuos
Denimos un residuo como:
=yy
Donde:
y =Valor
y =Valor
observado
Estimado
Grca de residuos: Diagnstico para la regresin de mnimos cuadrados, grca

residuos
contra valores ajustados y . Por facilidad matemtica los residuos tienen
media 0, y tambin la correccin entre los residuos y los valores ajustados es cero.
Por tanto, la recta de mnimos cuadrados horizontal, pasando atravez de 0 sobre el
250
eje vertical. Cuando el modelo lineal es vlido y satisface los supuestos, la grca
no indicara un patrn importante. Es til gracar los residuos en :
En secuencia del tiempo (si se conoce).
Contra valor ajustado
contra la variable independiente x.
Estas grcas suelen verse como uno de los siguientes cuatro patrones:
Figura 98: Patrones para grcas de los residuos.a)satisfactorio,b)embudo,c)doble arco,d)no lineal.
2. Coeciente de determinacin (R
El estadstico
mide la fuerza de relacin lineal entre
xyy
, entonces se considera
r representa
una medida cuantitativa de la asociacin lineal entre dos variables x y y . Luego de
haber hallado las medias y las desviaciones estndar de las x y de las y . Cuando
un estadstico de la bondad del ajuste. El coeciente de correlacin
el coeciente de correlacin se calcular para cualquier conjunto de puntos que

constituyen una muestra aleatoria recibe el nombre de correlacin muestral, que
es una estimacin de la correlacin poblacional. La correlacin muestral es til en
la construccin de intervalos de conanza y la relacin de pruebas de hiptesis.
Pero no es indicador de precisin efectivos.
El coeciente de correlacin est limitada por
1,
lo cual signica la correlacin
perfecta; el signo positivo del coeciente indica que la recta de mnimos cuadrados
251
tiene pendiente positiva ver gura 99, los valores negativos del coeciente indican
que la pendiente de la recta tiene pendiente negativa gura 100. El valor del
coeciente de correlacin cercanos a 1 o
cercanos a
indican fuerte relacin lineal, valores
0 indican dbil relacin lineal, si el coeciente se halla exactamente sobre
una recta horizontal o vertical, el coeciente de correlacin est indeterminado, ya

que una de las desviaciones estndar es igual a 0.
Figura 99: Niveles de Correlacin Positiva
Fuente: NAVIDI, William. Estadstica para ingenieros y cientcos. 4 ed. Mxico.: McGraw-Hill,
2006.
252
Figura 100: Niveles de Correlacin Negativa
Fuente: NAVIDI, William. Estadstica para ingenieros y cientcos. 4 ed. Mxico.: McGraw-Hill,
2006.
si
r = 0, x
estan correlacionados
si
r = 0, x
no estan correlacionados
Para el polinomio lineal un coeciente de correlacin, r , se determina por:

Podemos expresar
r=
2
Syx
2
Sy
Donde:
Sy =
1
N 1
N
i=1
(y y )2
De lo cual se deduce
r2 1,
es decir
1 r 1
Siendo r el coeciente de correlacin lineal; la cantidad
r2
es decir el cuadrado del
coeciente de correlacin recibe le nombre de coeciente de la determinacin , y
253
expresa esta reduccin como una proporcin de la dispersin alrededor de
r2 =
Sa = Syx
N
i=1
N
x2 (
y=y
Suma de los cuadrados de la regresin

o
Suma total de los cuadrados
N
i=1
x)
3. Prueba de falta de ajuste

Los modelos de regresin normalmente se ajustan a los datos cuando la verdadera
relacin funcional se desconoce, y en esta probaremos si el modelo asumido es
correcto
100
. Esta prueba se emplea para determinar la bondad del ajuste del modelo
de regresin. De tal manera las hiptesis a probar son:

Ho: El modelo de regresin lineal es correcto
H1: El modelo de regresin lineal no es correcto.
La prueba consiste en dividir el error o la suma residual de cuadrados en los
componentes de la ecuacin siguiente:
SSE = SSP E + SSLOF

Donde
SSP E
SSLOF :
(182)
es la suma de los cuadrados atribuibles al error puro.
Suma de los cuadrados de la atribuibles a la falta de ajuste .
Para calcular
SSP E
es necesario tener observaciones repetidas de la respuesta
al menos para un nivel de
x.
m niveles distintos de x. La contribucin a la suma de cuadrados

x1 esta dado por la ecuacin 183.
Ntese que existen

del error puro en
nj
(yiu y1 )2
(183)
u=1
Existen
npe =
m
i=1 (ni
1) = n m
grados de libertadasociado con la suma de
cuadrados del error puro. La suma de los cuadrados de la falta de ajuste esta dado
por la ecuacin 184.
SSLOF = SSE SSP E

Con
n 2 npe = m 2
grados de libertad. El estadistico de prueba la falta de
ajuste ser entonces:

100 MONTGOMERY.
(184)
Op. cit., p. 513.

254
Fo =
SS LOF /(m 2)
M SLOF
=
SSP E /(n m)
M SP E
(185)
Con lo que la hiptesis nula de que el modelo ajusta de manera adecuada los datos,
se rechaza si
f o > f,m2,n2 .
Este procedimiento de prueba puede introducirse con facilidad en el anlisis de

varianza realizado para la signicancia de la regresin. Si se rechaza la hiptesis
nula con respecto a lo adecuado del modelo, entonces debe abandonarse el modelo
para buscar uno mas adecuado. Si no serechaza no hay ninguna razon para dudar
sobre el adecuado modelo.
8.9.2 Regresin Multiple

El modelo de regresin que estudiaremos ahora involucra ms de una variable regresiva
recibe el nombre de regresin mltiple. En este podemos buscar una ecuacin que
conecte las variables y tenga la forma de la ecuacin 186.
y = 0 + 1 X1 + 2 X2 +
sta se llama una ecuacin de regresin de
en
X1
(186)
y en
X2 ,
se representa en un
plano de tres dimensiones, y se denomina plano de regresin. Esta tcnica estadstica es

ms ampliamente utilizada, en general , la variable respuesta puede relacionarse con
variables independientes. Este modelo describe un hiperplano en el espacio k-dimensional

de las variables regresoras.
y = 0 + 1 X1 + 2 X2 + . . . + k Xk +
(187)
Los modelos de regresin lineal mltiple se utilizan amenudo como funciones de aproximacin. Es decir la verdadera relacin funcional entre
x1, x2, ..., xk
se desconocen,
aunque sobre ciertos intervalos de las variables independientes el modelo de regresin

lineal es una aproximacin adecuada.
Hay algunos casos especiales de la regresin lineal mltiple que se utilizan frecuentemente en la prctica
101
. Uno es el modelo de regresin polinomial, donde las variables
independientes son funcin de una sola variable.

El modelo de regresin polinomial de grado
p
y = 0 + 1 Xi + 2 Xi2 + . . . + k Xk + i
101 NAVIDY.
Op. cit., p. .
255
es :
Los modelos de regresin mltiple tambin se pueden hacer con potencias de diversas
variables. Como el modelo de regresin polinomial de grado 2 llamado modelo cuadrtico,
en dos variables
x1
x2
est dado por:
2
2
y = 0 + 1 X1i + 2 X2i + 3 X1i X2i + 4 X1i + 5 X2i + i
Una variable producto de otra variable se llama interaccin. En la ecuacin anterior la
variable
x1i x2i
es la interaccin entre
x1
x2 .
8.9.2.1 Mtodo de de mnimos cuadrados para la estimacin de parmetros

en la regresin lineal mltiples
El mtodo de mnimos cuadrados puede utilizarse para estimar los coecientes de regresin, ya que al igual que en la regresin lineal simple; la suma de los cuadrados de los
valores observados debe ser mnima.
Si tomamos la ecuacin 187, y suponemos que se disponen
xij
denote la observacin i-estima o el nivel de la variable
xj .
observaciones, y sea
Los datos aparecen en la
tabla 33.
Tabla 33: Datos de Regresin Lineal Mltiples

y
y1
y2
yn
x1
x11
x21
xn1
x2
x12
x22
xn1
xk
x1k
x2k
xnk
En base en esta tabla, se puede construir un modelo para predecir la variable

estudiar la relacin existente con la variable
y . Y permite
x1, . . . , xk .
La ecuacin 187 en trminos de las observaciones se pueden escribir como:
yi = 0 + 1 Xi1 + 2 Xi2 + . . . + k Xik + i

k
y i = 0 +
j Xij + i
i = 1, 2, .., n.
(188)
j=1
Donde la funcin de mnimos cuadrados es
L=
n
2
i=1 i
L=
n
i=1
y i 0
k
j=1
j xij
En este tipo de anlisis es mas simple resolver las ecuaciones , si estas se presentan en
forma matricial. y se puede escribir as:
256
y1
y = y2
yn
1 x11 x12 x1k

X = 1 x21 x22 x2k
1 xn1 xn2 xnk
0
= 1
k
1
= 2
n
Donde y es un vector de observaciones de (n x 1), X es una matriz (n x 1) de las variables

independientes,
es
un vector de (p x 1) formado por los coecientes de regresin y
es un vector de (n x 1) de errores aleatorios.
8.9.2.2 Propiedades de los estimadores de mnimos cuadrados y estimacin

del
Las propiedades estadsticas de los estimadores de mnimos cuadrados
0 , 1 , ..., k
pueden determinarsen con facilidad bajo ciertas condiciones sobre losterminos del error
1 , 2 , ..., n del modelo de regresin, estas propiedades se pueden ver de manera mas
clara en la tabla26.
Tabla 34: Propiedades de los estimadores en regresin multiple

Propiedad
caracterstica matemtica
Los errores son
2
NID(0, )
estadsticamente
independientes de media 0 y
2
varianza
Los estimadores de mnimos
cuadrados de
E() = .
1 son
estimadores insesgados del

coeciente de regresin
1 .
El estimador no sesgado de
2 esta dado por el error o
2 =
SSE
np
residuo cuadrtico medio.
8.9.2.3 Anlisis de varianza para la prueba de signicancia de la regresin

lineal multiple.
anlisis de varianza. Este procedimiento determina si existe una relacin lineal entre la
257
variable de respuesta
y un subconjunto de las variables de regresin x1,x2,...,xk. Las
hiptesis apropiadas son:
Ho = 1 = 2 = ... = k = 0
H1 = j = 0al
menos para una
(189)
La variabilidad total en la variable de respuesta se observan en la tabla 96, la cual

representa el anlisis de varianza.
Tabla 35: Anlisis de varianza para la regresin lineal multiple

Fuente de
Suma de
Grados de
Media de
variacin
cuadrados
libertad
cuadrados
Regresin
SSR
SSE
M SR
M SE
Error
n-p
Fo
M SR
M SE
residuo
Total
Syy
n-1
a la Ingeniera. 2 ed.: McGraw-Hill, 1996p. 556.
Estas sumas de los cuadrados puede utilizarse para deducir los estadsticos que se emplean
en la regresin multiple.
Los estadsticos mas utilizado en la regresin mltiple son los siguientes y se detallan en
la tabla :
S 2:
Estimador de la varianza del error.
R2 :
El Coeciente de determinacin
Estadstico
F.
Tabla 36: Estadsticos en la regresin mltiple

Estadstico
Ecuacin
S2
R2
F
S 2 = i=1 i i
np1
R2 = SSR
SST
SSR/p
F = SSE/(np1)
258
(y y )2
8.10 PROCESOS ESTADSTICOS DE CALIDAD Y

CONTROL
8.10.1 Control del proceso estadstico
En el control estadstico de la calidad se dispone de mtodos estadsticos e ingeniera utilizados para la medicin, supervisin y manipulacin de un proceso para el mejoramiento
de la calidad.
Para llevar a cabo un control de calidad en un proceso es indispensable que la medicin
se lleve a cabo de forma estandarizada y con poca variabilidad en su lectura; una manera
de lograrlo es por medio de controles de proceso estadsticos en lnea, en general estos
mtodos son herramientas idneas para resolucin de fallas que se puede representar
en gracas como histogramas, diagramas de Pareto, causa-efecto, concentracin de
defectos, dispersin u hoja de vericacin, de los cuales se resalta el diagrama de control
como una herramienta de gran utilidad.
8.10.1.1Diagrama de control
102
Desarrollada por el doctor Walter A. Shewhart en los aos de 1920
, que al comprender
la teora de la variacin, formulada por l mismo, donde estipula que todos los procesos,
sin importar su efectividad, presentan variacin en las medidas realizadas con instrumentos de suciente resolucin; parte de esta dispercin se debe a causas inherentes al
proceso que son dicil especicar, pero en la aleatoriedad de los datos se puede aplicar
un control estadistico, las cuales son llamadas causas comunes o probable; la otra parte
de la variacion es causada por situaciones de error humano o logstico que se llevan
a cabo por uctuaciones en condiciones ambientales, materia prima, equipos en malas
condiciones u operacin inadecuada, entre otras, conocidas como causas especiales o
asignables.
La presencia de causas asignables no es aceptable y el objetivo del diagrama de control es
encontrarlas, aplicar la solucin correspondiente para eliminarlas y garantizar la apropiada
operacin del proceso.
Se distingue en un diagrama de control para mediciones la presencia de valores numericos
a diferencia de un diagrama de control para atributos, donde se verca el cumplimiento
de una caracterstica o no como se observa en la gura 101.
102 MONTGOMERY,
Douglas. Control estadstico de calidad. 3 ed.: Limusa Wiley, 2006.
259
Figura 101: Diagrama de control
El diagrama de control como el mostrado en la gura 101, en general consta de una

lnea central, la cual indica un valor medio de los datos y dos limites de control: superior
(UCL, , LCS) e inferior (LCL, , LCI); los valores correspondientes al area fuera de
dichos limites corresponden a situaciones donde se es inexistente el control estadstico.
Es necesario tomar muestras periodicas de la variable aleatoria del proceso, realizar
clculos y gracarlos en el diagrama de control, cuando un valor cae fuera de los limites
ya nombrados se debe buscar la causa asignable al caso de la falta de control estadstico;
sin contar que la graca puede indicar algn comportamiento concurrente que alarme
una posible falla de control.
La toma de cada muestra se debe realizar en condiciones lo mas semejantes posible, lo
que atribuye ser parte del subgrupo racional para garantizar la efectividad del anlisis de
un comportamiento en comn, y en caso necesario encontrar una causa asignable real;
una forma de lograrlo es teniendo en cuenta el orden del proceso y la fuente, si existe
alguna.
Los subgrupos racionales son cierto numero de muestras tomadas durante determinado
periodo. En el principio bsico de la variabilidad de las mediciones, sa debera ser resultado de causas comunes y ninguna de causas especiales. En la eleccin de un subgrupo
de esta clase se debe denir que causas especiales son las mas importantes y probables
de detectar. Los metodos mas utilizados son:
Muestreo en intervalos irregulares, los elementos de cada muestra son producidos

casi en el mismo tiempo en que se realiza el muestreo.
260
Muestreo en intervalos regulares, los elementos de cada muestra se extraen a partir

de todas las unidades producidas desde que se tomo la ltima muestra.
Los diagramas de control que se utilizan para variables continuas se conocen como
diagramas de control de variables, aquellos idoneos para variables binarias o discretas se
llaman diagramas de control de atributos.
8.10.1.2 Diagramas de Control para Mediciones

Las mediciones realizadas a una caracterstica de calidad se debe realizar control tanto
en su valor promedio como en su variabilidad.
Diagrama de control para medias (Diagrama
X ):
Realiza control sobre la calidad
promedio.
Diagrama de control de rango (Diagrama
R): Control de la variabilidad del proceso
.
Diagrama de desviacin estndar (Diagrama
s):
Control de variabilidad teniendo
en cuenta todos los valores.
Diagrama de control para medias y rango :

Se debe utilizar por lo menos 20 a 25 muestras, las cuales se llamaran M muestras
preliminares de tamao n, donde se recomienda que n sea 4, 5, 6 por lo general
103
aunque son tamaos relativamente pequeos, la prctica conrma su uso ya que surgen
de subgrupos racionales. Segn lo anterior se halla la media de las medias que corresponde
a la lnea central del diagrama de control dado por la ecuacin 190.
X=
M:
1
M
Xi
(190)
i=1
Numero de muestras preliminares
Se podra estimar
a partir de las desviaciones estndar o de los rangos de las
muestras. Para el segundo caso, el cual es mas utilizado en la prctica. Al realizar la

estimacin de
se pierde poco en eciencia ya que se utiliza un tamao pequeo de
Es necesario la relacin entre el rango,
R,
de una muestra de una poblacin normal con
parmetros conocidos, y la desviacin estndar de la poblacin. Como

103 MONTGOMERY,
n.
Probabilidad y estadstica de calidad. Op. cit., pag. 615
261
es una variable
aleatoria el rango relativo
W = R/
valores que estn tabulados en tablas

El rango promedio y el
tambien lo es, y tiene una media denominada

104
, para diversos valores de
d2 ,
n.
estimado, est dado por la ecuacin 191 y 192 respectivamente.

1
R=
M
=
Ri
(191)
i=1
R
d2
Los limites superior e inferior para el diagrama
(192)
X,
estan dados por las ecuaciones 193 y
194 respectivamente.
=
3
R = X + A2 R
d2 n
(193)
=
3
R = X A2 R
d2 n
(194)
LCS = X
=
LCI = X
Donde:
A2 =
A2
3
R
d2 n
(195)
es una constante dependiente del tamao de la muestra, sus valores se encuentran
tabulados para diferentes tamaos de muestra

lnea central ser
R;
105
, para diversas
n. Para el diagrama R, la
para determinar lmites de control se estima la desviacin estndar
de
R, R ;
y su desviacin estndar
suponiendo proceso bajo control, se halla la distribucin del rango relativo,
W ,
la cual es una funcin de
n,
dada por la ecuacin 196,
y su valor estimado por la ecuacin 197.
R = W
(196)
R
d2
(197)
R = W
Entonces para el diagrama de R los limites superior e inferior estn dados por la ecuaciones 198 y 199 correspondientemente.
3W R = D4 R
LCS = R
d2
(198)
3W
R = D3 R
d2
(199)
LCI = R +
Donde:
104 Ibid.,p.
tabla XIII.
Montgomery, tabla XIII.
105 Hines,W;
262
D3 = 1
D3
D4 estn
(200)
D4 = 1 +
Los valores de las
3W
R
d2
3W
R
d2
(201)
tabulados para diversas
n106 .
Ya que son valores pre-
liminares de prueba deben tratarse como tal e investigar las posibles causas de puntos
que queden fuera del intervalo de control; cuando se elimine la causa asignable se debe
determinar nuevos lmites de control y de esa manera llevar un control actualizado del
comportamiento del proceso.
Ejemplo 8.22
Estadstica para Ingeniera. 4 ed. Mxico.: Cecsa, 2006.) Un componente del motor de un
jet se manufactura por medio de un proceso de fundicin del revestimiento. La apertura
del labe en esta fundicin es un parmetro funcional importante de la pieza. Evaluar la
estabilidad estadstica de ste proceso. La tabla 37 presenta 5 muestras de cinco piezas
cada una.
Tabla 37: Mediciones de apertura del labe
X1
X2
X3
X4
X5
33
29
31
32
33
31,6
35
33
31
37
31
33,2
35
37
33
34
36
35,0
30
31
33
34
33
32,2
33
34
35
33
34
33,8
38
37
39
40
38
38,4
30
31
32
34
31
31,6
29
39
38
39
39
36,8
10
Nmero de
muestras
34
35
36
43
35,2
15
39
33
32
34
32
34
11
28
30
28
32
31
29,8
12
31
35
35
35
34
34
13
27
32
34
32
37
33
10
14
33
33
35
35
36
34,8
15
35
37
32
35
39
35,6
16
33
33
27
31
30
30,8
17
35
34
34
30
32
33
18
32
33
30
30
33
31,6
19
25
27
34
27
28
28,2
20
35
35
36
33
30
33.8
X = 33, 33
106 Ibid.,
28
10
R = 5, 85
p. A-38.tabla XIII.
263
Se halla los lmites de control de prueba para el diagrama
X.
X AR = 33, 3 (0, 577)(5, 85) = 33, 33 3, 37

Lo que indica que
Para el diagrama
LCS = 36, 70
R,
(202)
LCI = 29, 96
los limites de control de prueba son:
LCS = D4 R = (2, 115)(5, 85) = 12, 37
LCI = D3 R = (0)(5, 85) = 0

Figura 102: Diagrama
Se observa que los puntos 6, 8, 11, 19 se encuentran fuera de control en el diagrama
, y la 9 en el diagrama R, por lo cual se debe encontrar una causa y eliminarlo, lo que

conlleva nuevos clculos, para el diagrama
X AR = 32, 90 (0, 577)(5, 313) = 32, 90 3, 065

Lo que indica que LCS=35,96 y LCI=29,84
Para el diagrama R
LCS = D4 R = (2, 115)(5, 067) = 10, 71

264
(203)

LCI = D3 R = (0)(5, 067) = 0
Figura 103: Diagramas de Control
para l abertura del labe.
Fuente: HINES, William y MONTGOMERY, Douglas. Probabilidad y Estadstica para Ingeniera. 4 ed. Mxico.: Cecsa, 2006.
El mismo procedimiento se debe llevar a cabo para llevar un control constante del proceso
disminuyendo errores o problemas en el funcionamiento de la maquinaria u otro aspecto
que afecte el proceso.
Diagrama S
Cuando la poblacin es normal, hacer control con el diagrama S es mas preciso debido a
una menor incertidumbre ya que la desviacin estndar toma en cuenta todos los valores
dados en una muestra a diferencia del rango que solo se basa en los datos mayor y
menor. Por ello para procesos con un tamao de muestra mayor de aproximadamente 5,
es recomendable utilizar el diagrama S.
sta es una alternativa del diagrama R, pero a diferencia que R controla la variabilidad
con respecto al rango muestral de la caracterstica, y lo hace tomando como referencia
265
la desviacin estndar muestral.

La lnea central estar ubicada en el valor dado por
s,
que es el promedio de las desvia-
ciones estndar y sus limites de control dado por las ecuaciones 204, 205 y 206.
LCS = B4 s
LCI = B3 s
Las constantes
B3
B4 ,
(204)
(205)
estn tabuladas segn el tamao de la muestra
s=
1
n1
n107 .
(Xi X)2
(206)
i=1
Diagrama de control para mediciones individuales

En ocasiones una muestra consta de una sola observacin,
n = 1,
por causa de una
produccin lenta y costosa, o debido a una inspeccin automatizada, por ello resultara
imprctico que el tamao de la muestra sea mayor. En estos casos se utiliza el diagrama
de control Shewhart para mediciones individuales, donde el rango mvil es denido por
la ecuacin 207.
RMi = |xi xi1 |
(207)
Donde i varia de 0 a M observaciones. Los grcos de control simultneos se pueden

establecer sobre las observaciones individuales y sobre el rango mvil
108
Los limites de control para el diagrama de control individual se especican en las ecuaciones 208 y 209.
LCS = x + 3
LCI = x 3
Donde
RM
es la media de la muestra de la
109
(208)
(209)
d2
RMi ;
En caso de utilizar un rango mvil de tamao

datos tabulados
RM
d2
RM
Linea central =x
n = 2,
corresponde a
d2 = 1, 128,
segn
Los limites de control para diagrama de control de rango mvil est dada por la ecuacin
LCS = D4 RM
(210)
LCI = D3 RM
(211)
107 NAVIDI.
Op. cit., p. tabla A.9. Apendice A.

p. tabla XIII de apndice A.
109 Ibid. p. tabla XIII de apndice
108 Ibid.,
266

RM :
Linea central
Ejemplo 8.23
Estadstica para Ingeniera. 4 ed. Mxico.: Cecsa, 2006.) Se seleccionan lotes de un

producto qumico particular de un proceso, y se mide la pureza de cada uno. En la tabla
se muestran los datos recopilados de 15 lotes sucesivos. Los rangos mviles de tamao
n=2 tambien se representan en la tabla.
Para realizar el diagrama de control individual, necesitamos primero el promedio de la
x = 0, 757. El
RM = 0,046. Los lmites
muestra 15 mediciones de la pureza. Se encuentra que este promedio de

promedio de los rangos mviles de las dos observaciones des
de control para los diagramas individuales con rangos m 0viles de tamao 2 usados en
los lmites de la ecuacin son:
LCS = 0,757 + 3 0,046 =0.879

1,128
Lnea central=0,757
0,046
LCI = 0,757 + 3 1,128 =0,635
Los lmites de control para el diagrama de rango mvil se encuentra usando los lmites
dados en la ecuacin:
LCS = 3,267 0, 046 =0.15

Lnea central=0,046
LCI = 0 0,046 = 0
Cuadro 38: Pureza de un producto qumico
Lote
Pureza, x
Rango mvil,RM
0,77
0,76
0,01
0,77
0,05
0,72
0,05
0,73
0,01
0,73
0,00
0,85
0,12
0,70
0,15
0,75
0,05
10
0,74
0,01
11
0,75
0,01
12
0,84
0,09
13
0,79
0,05
14
0,72
0,07
15
0,74
0,02
x = 0, 757
M R = 0, 046
267
Figura 104: Diagramas de control
x y R para a. Mediciones Individuales, b. Rango movil
de pureza.
8.10.2 Capacidad de un proceso

El diagrama de tolerancia (diagrama de hileras), y el histograma son herramientas grcas en el anlisis y obtencin de informacin sobre la capacidad del proceso. El diagrama
de tolerancia se utiliza para revelar patrones sobre el tiempo en las mediciones individuales y mostrar valores inusuales tanto en
como en
R.
Gracar lmites de especicaciones en un diagrama de control no es adecuado ni es

aconsejable utilizar esos valores para determinar los limites de control
110
, ya que no
tienen ninguna relacin; pero en el diagrama de tolerancia es conveniente ya que ste

hace referencia a tomas individuales.
110 MONTGOMERY.
Op. cit., p. 444.
268
Figura 105:
Diagrama de tolerancias
Se debe observar en la gura 105 que el proceso se esta llevando a cabo fuera del centro
de los niveles de especicacin nominal de la pieza (dimetro = 0,530), lo contrario a lo
establecido en la gura 106, que representa el histograma del proceso omitiendo aquellos
puntos que se encuentran fuera de control en la gura 105, y de esa manera se cumplen
las condiciones requeridas de la pieza.
Figura 106: HIstograma para la apertura del alabe
La Razn de Capacidad del Proceso (RCP), es otra manera de describir, como su nombre
lo indica, la capacidad del proceso, en este caso potencial, para ello el RCP se dene
con la ecuacin 212.
269
RCP =
Tener en cuenta que una dispersin de
(LES LEI)
6
6 (3
(212)
a cualquier lado de la media) se conoce
como capacidad bsica del proceso y sus lmites como tolerancia natural, que un proceso debe cumplir con la mayor parte de las unidades producidas para identicarse bajo
control, si se estima
R
d2
4,8
2,326
con los valores ubicados dentro de la zona de control:
= 2, 06
Por lo tanto,
RCP =
LESLEI
6
(4020)
(6(2,06))
= 1, 62
El RCP se expresa en porcentaje de la banda de tolerancia empleada por el proceso,
1
1,62
100 = 61, 7 %
Por ello, el proceso de apertura del labe emplea el 61,7 % aproximadamente de la banda
de tolerancia.
La capacidad de un proceso se distingue del control debido a que su condicin depende
del cumplimiento en las especicaciones de diseo o requerimientos necesarios en las
condiciones industriales y demanda del mismo.
En el caso que el RCP exceda la unidad (gura 107a), se observa que ste rango se
encuentra dentro de los limites de control, lo que quiere decir que menos unidades
defectuosas o sin calidad de conformidad se producirn, cumpliendo con la tolerancia
natural del proceso
111
. Si RCP es la unidad (107b), resultan mas unidades defectuosas
comparando con lo anterior; se ha estimado que en este caso la fraccin defectuosa es

0,27 %, o 2700 partes por milln de unidades producidas. Y cuando el RCP sea menor
que la unidad se producir una buena cantidad de unidades defectuosas.
111 Hines,W;
Montgomery,D .Probabilidad y Estadistica para Ingenieria. Edit. Cedsa, Mxico, 2007.
270
Figura 107: Caida del proceso y razon de capacidad del proceso RCP. Fuente: Hines,
Probabilidad y estadistica para Ingenieria.
Fuente: HINES, William y MONTGOMERY, Douglas. Probabilidad y Estadstica para Ingeniera. 4 ed. Mxico.: Cecsa, 2006.
La medida dada por RCP se puede considerar como la capacidad potencial de un proceso,
siempre y cuando ste se encuentre centrado respecto a la dimensin nominal, en caso
contrario, el valor real del RCP ser menor que el calculado y se halla en la ecuacion
213.
RCPk = min[(LES X)/3, (X LEI)/3]

RCPk
(213)
es la razn de capacidad de proceso de un lado que se calcula respecto del lmite
de especicacin ms cercano a la media del proceso, y se puede considerar como el

valor de la capacidad real, para el caso de apertura del alabe:
RCPk = min[(40 33,19)/(3(2,06)) = 1,10, (33,19 20)/(3(2,06)) = 2,13] = 1,10

En caso que
RCP = RCPk
el proceso se centra en la dimensin nominal, tal caso se
puede demostrar en las gracas anteriores se evidencia la desentralizacion con respecto

a la dimensin nominal dado su valor
RCP = 1,62 = RCPk = 1,10,
lo cual debe tener
una causal asignada que encontrar y corregir.

En compaas de Estados Unidos se emplea la
271
RCP = 1,33
como objetivo aceptable
mnimo, y
RCP = 1,66
como objetivo mnimo en caso de caractersticas de resisten-
cia seguridad o crticas. En otras empresas internacionales, especialmente la industria

automotriz, se adopta la terminologa japonesa
Cp = RCP
Cpk = RCPk .
8.10.3 Tendencias del diagrama de control

Realizando un anlisis de los valores o variaciones que se presentan en el diagrama de
control se puede detectar una tendencia en l con la ayuda de los simbolos + y - ,
los cuales describen un valor por encima y por debajo respectivamente de la lnea central
que toma la variable caracterstica e identica la corrida de la misma.
Una corrida se dene como una secuencia de puntos que caen en el mismo lado de la
lnea central del diagrama de control.
La idea es identicar las corridas hechas por la variable caracterstica de calidad realizando un anlisis con algunas reglas que se han establecido estadsticamente, existe la
posibilidad de detectar una tendencia del comportamiento que puede conllevar al descubrimiento de la existencia o posible falla; generalmente estas pruebas se realizan con
las corridas mas extensas que son encontradas.
Personas como Grant y Leavenworth, en 1988, notaron que era recomendable sospechar
una causa asignable de la variacin si alguna secuencia de puntos, presentaba el siguiente
comportamiento
112
Siete o mas puntos consecutivos en el mismo lado de la lnea central.

Al menos 10-11, 12-14, 14-17 puntos consecutivos en el mismo lado de la lnea
central.
Una manera para identicar cuando una variable esta fuera de control sin necesidad que
sta tome valores por fuera de los limites de control es utilizando las reglas Western
Electric, que en 1956 los ingenieros proponen una lista de condiciones aplicables si en el
diagrama se presenta una tendencia o patrn en un largo periodo de tiempo o muestreo.
Se calcula los lmites de control para m = 3, 2 y 1
X mA2
en la ecuacin 214.
R
3
Las reglas que prueban que un proceso se encuentra fuera de control son
112 MENDENHALL.
113 NAVIDI.
Op. cit., p. 810.

Op.cit., p.737. .
272
(214)
113
Cualquier punto del diagrama fuera de los lmites
3 .
Dos de tres puntos consecutivos del diagrama por arriba o por debajo del limite
superior o inferior
2 ,
respectivamente.
Cuatro de cinco puntos consecutivos del diagrama de control por encima o por
debajo del lmite superior o inferior
1 ,
repectivamente.
Ocho puntos consecutivos del diagrama que estn del mismo lado que la recta
central.
8.10.4 Diagramas de control para variables discretas

Tambien llamados diagramas de control para atributos, se tienen una clasicacin para
esta clase de diagramas de control como la que se observa en la gura 101.
Tabla 39: Control para atributos
Diagrama p (Fraccin defectuosa o sin calidad de conformidad).

8.10.4.1
Se utiliza cuando la caracterstica de calidad a medir solo toma dos valores, con el
objetivo de clasicar un producto como defectuoso o no en base a un estndar de forma
mas simple y hasta econmica en su inspeccin; por ejemplo el dimetro de un cojinete
de bola puede vericarse determinando si pasar a travs de un medidor compuesto
114
por agujeros circulares cortados en una plantilla

114 MONTGOMERY.
, lo cual es mas sencillo que realizar
Control estadstico de calidad. Op. cit., p. 770.
273
una medicin con micrmetro. Pero contrarresta su ventaja la necesidad de adquirir un

valor mayor de muestras que en el caso de mediciones de contrapartes. Se debe tener
en cuenta que una unidad puede ser al mismo tiempo defectuosa y no defectuosa y en
base a condiciones predeterminadas clasicarse como defectuosa o no, segn el numero
de defectos que tenga.
Se supone D como el nmero de unidades defectuosas, la cual es una variable aleatoria
binomial con parmetro desconocido p, la fraccin de muestra defectuosa es un estimador
p dado por la ecuacin 215.
p = D/n
Para ello, la varianza de la estadstica
(215)
p esta especicado por la ecuacin 216, y su valor
estimado en la ecuacin 217.
2
p = (p(1 p))/n
(216)
p = ((1 p))/n
2
p
(217)
Suponiendo M muestras preliminares, cada una de tamao n,
Di es el nmero de defectos
en la i-sima muestra, la lnea central est dada por la ecuacin 218, y sus limites por
la ecuacin 219 y 220.
p=
k
i=1
Di
(218)
kn
LCS = p + 3
LCI = p + 3
p(1 p)
(219)
p(1 p)
(220)
Los limites de control inmediatamente anterior mencionados se basan en la aproximacin

normal a la distribucin binomial, no resultando adecuado cuando p es pequea, en
dado caso se recomienda utilizar limites de control obtenidos directamente de una tabla
de probabilidades binomiales o, talvez, de la aproximacin de Poisson a la distribucin
binomial. Si p es pequea, el limite de control inferior puede ser un numero negativo. Si
esto debe ocurrir, se acostumbra considerar que el limite de control inferior es igual a
cero
115
Se ha observado que el tamao de muestra necesario para construir un diagrama p

usualmente es mayor que el requerido para un diagrama
X,
ya que el tamao de la
muestra debe ser mayor o igual a 30, para que exista varias unidades defectuosas en
cada muestra y especique un valor representativo.
115 Ibid.,
p. 372.
274
Al momento de analizar ste diagrama se debe considerar el hecho que no se puede reaccionar de la misma manera que un punto se graque por encima en lugar que por debajo
de los limites de control, ya que en el primer caso signica que ha aumentado el numero
de unidades defectuosas y es evidente la necesidad de encontrar la causa asignable para
eliminarla, en cambio en el segundo caso, signica que el numero de unidades defectuosas ha disminuido para una misma produccin, lo que induce a encontrar la causa para
estimular su ejecucin y seguir disminuyendo las unidades defectuosas del proceso.
Ejemplo 8.24 ( Fuente
: NAVIDI, William. Estadstica para ingenieros y cientcos.
4 ed. Mxico.: McGraw-Hill, 2006.) En la produccin de placas de silicio se extraen

30 muestras de tamao 500, y se calcula la proporcin de placas defectuosas en cada
muestra. La tabla 40 muestra los resultados .
Calcule la recta central y los lmites de control del diagrama p.

Dibuje el diagrama.
275
Tabla 40: Nmero y proporciond e Unidades defectuosas

MUESTRA
Nmero de Unidades
Proporcin de unidades
Defectuosas
Defectuosas
17
0,034
26
0,052
31
0,062
25
0,05
26
0,052
29
0,058
36
0,072
26
0,052
25
0,050
10
21
0,042
11
18
0,036
12
33
0,066
13
29
0,058
14
17
0,034
15
28
0,056
16
26
0,052
17
19
0,038
18
31
0,062
19
27
0,054
20
24
0,048
21
22
0,044
22
24
0,048
23
30
0,060
24
25
0,050
25
26
0,052
26
28
0,056
27
22
0,044
28
31
0,062
29
18
0,036
30
23
0,046
Solucin
El promedio de las 30 proporciones muestrales
p = 0, 050867
y la recta central se ubica
en este valor.
los lmites de control estan en
0, 050867 3 0, 050867 0, 949133/500
Limite de control inferior = 0,0214

Limite de control superior = 0,0803
De la graca podemos observar que el proceso si est en control.
276
Figura 108: Diagrama
para los datos de la tabla
8.10.4.2 Diagrama c (para defectos)

Para el caso del control del numero de defectos de una unidad, como en el caso del
ensamblado del ala de una aeronave, que se debe controlar el nmero de remaches
faltantes por metro. En general es necesario que la descripcin del numero de defectos
por unidad que pueda ser modelado por medio de la distribucin de Poisson.
La variable aleatoria c de Poisson el nmero de defectos en una unidad con parmetro
por tanto la media y la varianza de esta distribucin es
unidades y
ci
es el numero de defectos por la unidad
i,
, =
se dispone de k
la lnea central del diagrama de
control y sus lmites estn dados por las ecuaciones 221, 222 y 223.
1
c=
ci
(221)
i=1
LCS = c + 3 c
LCI = c 3 c
Las anteriores ecuaciones son validas si
c > 10,
(222)
(223)
es posible que la unidad utilizada se
componga de un bloque de unidades para llegar a un valor del nmero de defectos

requerido.
Ejemplo 8.25 ( Fuente:
NAVIDI, William. Estadstica para ingenieros y cientcos. 4
ed. Mxico.: McGraw-Hill, 2006.)

Se examinan las grietas en las supercies de los rollos de lminas de aluminio utilizados
277
para fabricar latas. La tabla presenta el nmero de grietas que hay en 40 muestras de
100
m2
cada una. Calcule la recta central y los limites de control
c . Dibuje el diagrama .El proceso parece estar en control?.
278
para el diagrama
Figura 109: Nmero de Grietas

Muestra
Nmero de Grietas (c)
16
12
13
15
13
11
15
10
12
11
14
12
11
13
10
14
15
16
14
17
10
18
12
19
20
14
21
11
22
16
23
16
24
13
25
12
26
17
27
15
28
13
29
15
30
13
31
10
32
10
33
10
34
12
35
14
36
10
37
15
38
12
39
11
40
14
El promedio de los 40 conteos es
c=12,275
. Por tanto la recta central se localiza en
279

12,275 3 12, 275
12,275. Los lmites de control 3 se gracan en
. En consecuencia
el lmite superior es 22,7857 y el de control inferior es 1,7643.
Figura 110: Diagrama c para los datos.
8.10.4.3Diagrama u (defectos por unidad)

En lugar de trabajar con el numero total de defectos se preere hacer el anlisis con el
numero de defectos por unidad, por tanto con
unidades por muestra con
defectos
totales, un numero promedio de defectos por unidad est dado por la ecuacin 224.
u = c/n
Con
(224)
muestras preliminares, la lnea central y sus lmites del diagrama de control
correspoden a las ecuaciones
u = 1/M
ui
(225)
i=1
LCS = u 3
(226)
LCI = u + 3
(227)
Para distinguir la aplicacin del diagrama c al diagrama u, se utiliza ste ultimo en casos
donde el tamao de las muestras sea variable
Ejemplo 8.26 ( Fuente
116
: NAVIDI, William. Estadstica para ingenieros y cientcos. 4
ed. Mxico.: McGraw-Hill, 2006.)

116 MONTGOMERY.
Control estadstico de calidad. Op.cit., p. 400..
280
Es posible construir un diagrama u para los datos de defectos de unas tarjetas de circuiteria , puesto que cada muestra contiene n=5 tarjetas de circuiteria, los valores u para
cada muestra pueden calcularse como se ilustra en la tabla 41.
Tabla 41: Datos de defectos
Muestra
Tamao de
la muestra,n
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
Nmero de
defectos,c
Defectos por
unidad
6
4
8
10
9
12
16
2
3
10
9
15
8
10
8
2
7
1
7
13
1,2
0,8
1,6
2
1,8
2,4
3,2
0,4
0,6
2
1,8
3
1,6
2
1,6
0,4
1,4
0,2
1,4
2,6
La lnea central para el diagrama u es
u=
1
20
20
i=1
32
20
= 1,6
y los lmites de con
LCS = u + 3
= 1,6 + 3
1,6
5
= 3,3
LCI = u 3
= 1,6 3
1,6
5
< 0,
determinado en 0.
El diagrama de control se graca en la gura 111. Observe que el diagrama es equivalente

a un diagrama c. cuando la muestra no es constante, el diagram u es preferible al
diagrama c.
281
Figura 111: Diagrama u
Diagramas de control SUMACU y PMEP

Los anteriores diagramas de control (diagramas de control de Shewhart), los cuales son
bsicos, no presentan suciente sensibilidad para detectar variacin en los valores de
1,5 ,
las muestras, aproximadamente menores a
ya que su anlisis se basa en datos
de observacin actual; una alternativa a esta desventaja es utilizar diagrama de control

de suma acumulativa y el diagrama de control de promedio mvil exponencialmente
ponderado, ya que incluye observaciones actuales y del pasado reciente. Diagrama tabular
de control SUMACU para la media del proceso presentado en un principio por Pages
(1954), con informacin de una serie de observaciones muestrales.
El diagrama graca las sumas acumulativas de las desviaciones de las observaciones
a partir de un valor objetivo. Como ejemplo suponga que
muestra y
graca
Ci
xj
es la media de la j-sima
representa el valor objetivo para la media del proceso, y
contra la muestra
n 1, el diagrama
i.
n
(xj 0 )
Ci =
(228)
j=1
Como se observa en la ecuacin 228, el valor
Ci
representa una suma acumulativa de las
observaciones con referencia al valor objetivo, siendo evidente la variacin de la muestra

con la media, ya que idealmente sta ultima ha de ser igual a cero (Ci
= 0) que garantiza
el control del proceso. Se implementa fcilmente tanto para datos de subgrupos como
para observaciones individuales. Un diagrama tabular SUMACU para observaciones individuales implican dos estadsticas,
Ci+
Ci , que representa las desviaciones acumuladas
arriba (lmite superior unilateral SUMACU) y debajo (lmite inferior unilateral SUMACU)
de la media objetivo, respectivamente; que se calcula en las ecuaciones 229 y 230.
+
Ci+ = mx[0, xi (0 + K) + Ci1 ]
a
282
(229)

Ci = mx[0, (0 K) xi + Ci1 ]
a
Cuyos valores iniciales son
La constante
K,
+
C0 = C0 = 0.
se conoce como el valor de referencia, y con frecuencia se elige a
la mitad entre la media objetivo,

detectar, denotada por
1 , K =
(230)
1 ,
o sea
0 ,
y la media fuera de control que nos interesa
representa la magnitud de desplazamiento de
(1 0 )/2. Los valores dados en las ecuaciones correspondientes a Ci+ y
acumula las desviaciones respecto del objetivo que son tan grandes como
K,
0 a
Ci ,
y reajusta
a cero cuando la cantidad se vuelve negativa. Este diagrama de control graca
Ci+
Ci para cada muestra. En el caso que cualquier estadstica se ubica fuera del intervalo
de decisin,
H = 5
117
H,
se interpreta que el proceso est fuera de control, aproximadamente
. Este diagrama de control se considera como una poderosa herramienta de
calidad para detectar un proceso que est cambiando la media objetivo del proceso.
Si son seleccionadas correctamente
K,
repercutir en mejorar la sensibilidad del
diagrama, protegindolo de falsas alarmas, tambin se utiliza para detectar el cambio en

una sola direccin, llamados diagramas unilaterales.
Diagramas de control PMEP, por su siglas, el diagrama de control de Promedio Mvil
Exponencialmente Ponderado, es utilizado tambin para detectar los cambios pequeos
en la media del proceso para los diagramas de control Shewhart. Se puede aplicar para
subgrupos de tamaos n>1 y para mediciones individuales. El diagrama de control PMEP
se presento alrededor de 1959 por Roberts
118
, y es denido por la ecuacin 231.
zi = xi + (1 )zi1
Donde
es un peso que vara segn el intervalo
cedimiento
z0 = 0 ,
0 < 1,
(231)
para el siguiente pro-
la media objetivo del proceso, en caso de desconocimiento de una
media objetivo, se utiliza el promedio de los datos preliminares
x,
para el valor inicial
del PMEP. Segn la interpretacin de la ecuacin anterior la informacin de las observaciones pasadas se incorpora al valor actual
zi ,
el cual es un promedio ponderado de
todas las medias previas de la muestra, que se puede observar reemplazando en forma
sucesiva en la ecuacin 231, resultado mostrado en la ecuacin 232.
i1
(1 )j xij + (1 )i z0
zi =
(232)
j=0
Por lo anterior se puede interpretar que el PMEP es un promedio ponderado de todas
las medias pasadas y actuales donde los valores mas lejanos adquieren un menor peso
117 HINES.Op.
118 Ibid.,
cit., p. 633.
p. 636.
283
decreciendo geomtricamente. La estadistica PMEP se utiliza frecuentemente para predecir, y su diagrama de control para supervisar diferentes tipos de procesos. Como las
observaciones son variables aleatorias independientes con varianza
2 , la varianza PMEP
se da en la ecuacin 233.
2
zi = 2 (/(2 ))[1 (1 )2I ]
Con una media objetivo
(233)
y su varianza, la lnea central y sus lmites de control son los
mostrados en la ecuacin
LCS = 0 + L ((/(2 ))[1 (1 )2i ])
LCI = 0 L ((/(2 ))[1 (1 )2i ])
(234)
(235)
Donde L es la amplitud entre los limites de control.
8.10.5 Otros tipos de herramientas para el control estadstico

Ademas del diagrama de control utilizado en la bsqueda de la causa de un mal proceso,
se vuelve ecaz complementarlo con otras herramientas estadsticas. Por ejemplo en el
caso de un valor muy alto de c, que describe el nmero de defectos por unidad, se
visualiza la necesidad de buscar la causa de tal circunstancia.
Se puede comenzar con la construccin de un diagrama de Pareto (gura 112) de los

tipos de defectos individuales, para este caso en particular se visualiza para cada tipo
de causa el nmero de defectos que se presenta en las unidades, con posibilidad de
concluir que causa ocupa mayor porcentaje en el nmero total de defectos, tambin es
posible notar la relacin que podra existir entre las causas con mayor porcentaje del
total de defectos convergiendo a un area de trabajo a la cual se le debe prestar mayor
atencin, como el mantenimiento, tipo de soldadura, operacin de la maquina, capacidad
de la maquina, materia prima utilizada, entre otras. Dependiendo de ste resultado urge
la necesidad de encontrar la causa-semilla que esta generando el defecto, por ello se
genera una lluvia de ideas que se debe ordenar en un diagrama de causa y efecto (gura
113), en el cual se visualiza las causas potenciales con sus respectivos efectos y posibles
interrelaciones que pudiesen presentarse entre ellos.
284
Figura 112: Diagrama de pareto
Figura 113: Diagrama causa y efecto
285
Figura 114: Diagramas de control
X y R con lmites revisados.

De lo anterior, es posible clasicar un numero muy pequeo de causas, las cuales se
puede descartar por medio de un experimento diseado estadisticamente para investigar
el efecto de las variables causales sobre los defectos de las unidades. Otra herramienta
utilizada es el diagrama de concentracin de defectos, visualizando en general los lugares
donde se presenta con mayor frecuencia los defectos, lo que podra indicar una pista de
la causa de los defectos ocasionados a las unidades.
8.10.6 Calidad Six sigma

8.10.6.1 Historia
El mercado norteamericano desde hace tiempo se ha destacado como una fuente de
productos y servicios al consumidor, donde el sentido del capitalismo se ha desarrollado
continuamente, lo cual en su origen tiene como objetivo general el benecio econmico,
por ello la reduccin de defectos en la manufactura era la prioridad, ya que de lo contrario
aumentara el costo de la produccin. Pero despus de la Segunda Guerra Mundial,
286
Japn en su expectativa de supervivencia, not que la manera de competir ante la

expectativa del occidente, era mejorar la calidad de los productos y servicios, que signica
un mejoramiento ptimo de los procesos que se llevan a cabo para la satisfaccin del
cliente.
Por ello en la dcada de del cincuenta y sesenta los japoneses se dieron a la tarea
de llevar a cabo cualquier proceso con calidad para obtener productos y servicios que
llenaran las expectativas de la demanda y se adentrara en el mercado mundial; meta
que fue alcanzada cuando los norteamericanos se dieron cuenta de la importancia del
concepto de calidad propuesto por Japn.
A mediados de los aos ochenta Motorola propuso el concepto de six sigmas , ya que
la inventiva tecnolgica del momento necesitaba llevar un control ms conable en la
construccin de equipos complejos. Esta compaa causo impacto cuando pronostic que
solo obtendra una tasa de defecto de tan solo 3.4 partes por milln en un periodo de 5
119
aos
8.10.6.2 La calidad
Mientas se presentaban los grandes avances en el mercado y la tecnologa, fue necesario
replantear las deniciones relacionadas con las caractersticas de un buen producto o
servicio.
Calidad: Denido por muchos expertos en el rea como la cualidad de satisfacer o exceder
las necesidades del cliente.
Defecto: Producto o servicio que no satisface las necesidades del cliente en cualquier
aspecto, ya sean caractersticas fsicas o detalles en todos los procesos que se llevan a
cabo para cumplir con la nalidad del mismo causado por un error o equivocacin.
Debido a lo anterior las empresas se han dado cuenta el desperdicio que se ha generado
por mucho tiempo, por ello el objetivo claro es buscar gran productividad en cualquier
aspecto de negocio, y de esta manera llevar a cabo el tan anhelado control de la calidad
de sus productos.
La letra griega
(sigma), representa la desviacin estndar en el rea de la estadstica,
la cual es una representacin numrica de la dispersin de una muestra de datos; con

respecto a un valor medio, representado por la letra griega
la desviacin estndar de una muestra; y
Se utiliza s, para denotar
para una poblacin de datos. La frmula
matemtica est dada por la ecuacin 236.

119 KUMAR,
18.
Dhirendra. SIX SIGMAS Las mejores prcticas. 1 ed. Colombia.: 3R editores, 2009. p.
287
s=
n
i=1
(Xi X)
n1
(236)
donde;
s: Desviacin estndar de la muestra.
Xi :
X:
n:
Dato de la muestra correspondiente a i=1,2,3,. . . ,n

Valor medio de la muestra.
Numero de datos de la muestra.
8.10.6.3 Six Sigma

Desde el primer momento que fue pronunciado sta expresin ha venido conceptualizndose para un enfoque ntegro en lo que se reere a cumplir con las especicaciones
y necesidades del cliente teniendo en cuenta la prioridad de las mismas, con el n de
obtener un producto o servicio perfecto .
Para la estadstica, six sigma representa un valor de seis veces la desviacin estndar de
la muestra de datos como intervalo, o sea,
con respecto a un valor medio ubicado
en la zona central en una distribucin probabilstica, que en general ndica establecer los
procesos para llevar a cabo un producto muy cerca de cero defectos en el concepto de
calidad.
La expresin cero defectos es una aproximacin al verdadero valor del numero de
defectos que se puede establecer para un nmero dado de produccin, sta magnitud
corresponde a 0.002 partes defectuosas por milln.
En instituciones acadmicas, six sigma comenz como un intervalo de valores que podra
tomar los datos correspondientes a una media muestral, en este caso
3 . Para stas
condiciones el rea bajo la curva que corresponde a este intervalo es de 99.73 % de

probabilidad que la produccin sea un elemento de calidad, lo que hace referencia a
un resultado deseable. Para los acadmicos tambin tiene sentido calcular el ndice de
potencial y el ndice de capacidad del proceso. Motorola con el ingeniero Bill Smith, en
1987 propuso el concepto de six sigma , como el intervalo de especicaciones de diseo
de un producto en
que deba estar dentro del intervalo de
6 , correspondiente
a las expectativas de cliente como se observa en la gura 115, de esta manera las
especicaciones de diseo corresponde a las necesidades del cliente que se deben cumplir
a tiempo y asegurar un bajo nmero de posibles defectos relativo al tamao de la muestra.
La satisfaccin del cliente aumenta si la medida de la variacin disminuye como se puede
ver en la Ilustracin 116.
288
Figura 115: Six sigma
Fuente:KUMAR, Dhirendra. SIX SIGMAS Las mejores prcticas. 1 ed. Colombia.: 3R editores,
2009. p. 24.
Figura 116: Medida de la variacin
El objetivo anhelado de alcanzar productos casi perfectos de six sigma, solo se puede
llevar a cabo con una aplicacin del mtodo altamente exigente, partiendo de la base
que los defectos son cuanticables y con gran posibilidad de reduccin mediante descubrimientos de errores sistemticos a tiempo.
8.10.6.4 Implementacin
La ruta que se debe llevar a cabo en la implementacin de una estrategia es dividida en
dos fases, la primera fomenta la calidad en el diseo de un producto y la segunda en la
produccin, ventas y servicio del producto.
1. Calidad en el Diseo del producto Proceso DMADV (Diseo six sigmas o metodologa
DFSS):
289
Denido por sus siglas como una serie de pasos a seguir: Denir, Medir, Analizar,
Disear, Vericar, enfocado a mejorar la rentabilidad. Se utiliza en el caso que un
nuevo producto es lanzado al mercado o la optimizacin de uno ya existente en
busca de una mejor acogida.
2. Calidad en la produccin, ventas y servicio del producto:
En busca del mtodo ms reactivo para implementar una estrategia y como evaluador de procesos ya existentes se lleva a cabo los siguientes pasos, proceso conocido
como DMAMC: Denir, Medir, Analizar, Mejorar, Controlar.
Aunque los encargados de llevar a cabo el mtodo six sigmas son los directivos, los
empleados deben ser parte del reto de imponer la estrategia, ya que teniendo en cuenta
la ubicacin de la empresa en cuanto a calidad por comparacin pueden denir sus
actividades como apoyo para alcanzar los ideales impuestos por el cliente.
En el gran equipo formado dentro de cada empresa se debe presentar una estructura
organizacional para que cada persona, dependiendo del rol de trabajo tenga claro sus
actividades y cmo inuye en la obtencin de la excelencia. En la gura 117 es posible
observar el esquema que describe dicha organizacin.
Figura 117: Estructura organizacional six sigma.
2009. p. 35.
La estrategia six sigma como una aplicacin de la estadstica en busca de reducir la
variabilidad, y al mismo tiempo satisfacer las necesidades del cliente, requiere de una
explicacin matemtica para su comprensin.
290
En el caso de la evaluacin de una caracterstica, siguiendo el concepto antiguo , si los

lmites de especicacin son referidos a una variacin limite de
3 , el porcentaje de
los productos que cumplen con la condicin de calidad es de 99.73 %, y solo un 0.27 %
presentaran defectos. Pero en el caso de evaluar la presencia de varias caractersticas
independientes en un mismo producto el porcentaje de unidades que estaran en la zona
de calidad se reducira al valor de 0.9973m, donde m, representa el nmero de variables o
caractersticas a evaluar, por ello para un caso complejo si el numero de factores a tener
en cuenta es muy alto, la fraccin de las unidades que estarn en la zona de calidad ser
muy baja, lo que conducira a un gran desperdicio en unidades que resultaran con al
menos un defecto.
Debido al anlisis anteriormente descrito la zona de calidad debe estar en un intervalo
de
6 , lo que implica que una fraccin de 99.9999998 % de unidades no presentaran
defectos y el valor dado por 0.999999998m, no se ver tan reducido en el caso de que m
sea muy grande. Por ello, la condicin six sigma para todas las caractersticas es viable
para mejorar o implementar un proyecto.
Se debe escoger razonablemente un proyecto para la ejecucin de la estrategia six sigma,
donde se debe tener como prioridad aquellos que impactaran con mejores resultados a
la empresa, los cuales muy probablemente pueden ser las dicultades presentes para la
poca y que de alguna manera ha sido motivo de parlisis del progreso. Para ello se
debe clasicar el ahorro como resultado en la ejecucin de un proyecto como en duros y
blandos; donde el primero se reere a la obtencin de reduccin de costos, aumento de
ingresos, o la combinacin de ambos; y blandos, como la reduccin en cuanto a requisitos
o presupuesto para crear. Un orden para establecer el proyecto a desarrollar puede ser
descrito as:
1. Identicar los problemas potenciales: El equipo six sigma debe ser consciente de
las variables que intervienen en el proceso para llevar un debido control, y de esa
manera encontrar las posibles causas que hacen variar las condiciones de calidad
del sistema.
2. Obtener datos e informacin: Algunas de las fuentes de informacin estn presente
en los clientes, organismos de evaluacin de proceso, empleados, entre otros; una
manera para realizar una debida recoleccin, puede ser por medio de actividades
como es el caso de sesiones para la obtencin de lluvia de ideas, la cual genera un
compendio de deciencias, de las cuales puede partirse por medio de un diagrama
de causa y efecto, para encontrar la raz, a la cual se debe implementar la debida
estrategia para mejorar la calidad.
291
3. Establecer prioridades: Puede ser hecha estableciendo valores segn criterios establecidos por el objetivo comn, a las posibles causas que afectan la debida
calidad.
4. Buscar caractersticas de los problemas: Proyectar el comportamiento de las soluciones que pueden establecer a las causas ya encontradas.
5. Evaluar y seleccionar el proyecto: Seleccionar lo que sera la mejor solucin, como
proyecto six sigma.
6. Preparar la declaracin de la misin: Establecer objetivos claros para la implementacin de la estrategia. En la aplicacin del proyecto se realiza las actividades
especicadas en la gura 118, que describe el proceso a llevar a cabo en la aplicacin de la debida solucin a la causa que afecta la calidad.
Figura 118: Actividades y su proceso para el proyecto.
Fuente: KUMAR, Dhirendra. SIX SIGMAS Las mejores prcticas. 1 ed. Colombia.: 3R editores,
2009. p. 63.
Para la vericacin de la correcta ejecucin de la estrategia six sigma se debe acudir al
paso de Medir en el proceso DMAMC, donde es importante tener en cuenta la debida
clasicacin de los datos a tomar, ya que se identica las variables y su dependencia con
respecto a la salida que se espera, como la independencia entre s.
292
Algunas herramientas que se utilizan para la comprensin de los proceso e identicacin

de variables o factores es el diagrama de ujo; para encontrar causas de las fallas presentes en los proceso, el diagrama de causa y efecto; as como tambin las metodologas
llamadas FMEA y FMECA, que por sus siglas signican Anlisis de la Moda de Falla y
sus Efectos y Anlisis Critico de la Moda de Falla y sus Efectos correspondientemente,
que ayudan a identicar las posibles causas globales ms signicativas en la reduccin
de la calidad.
Al identicar el factor a medir se plantea un mtodo para la recoleccin de los datos, ya
que de una correcta medicin depende la conabilidad y veracidad de estos ltimos. Algunos pasos a tener en cuenta es denir los objetivos, cuestionar la relacin con la variable
a controlar, coherencia entre las muestras recopiladas en cuanto su tendencia, precisin,
exactitud, repetitividad y estabilidad de los mismos; nalizando con la evaluacin del
comportamiento presentado segn criterios de sentido comn. A estos valores se aplica
una debida estadstica descriptiva, representndolos por medio de tablas, histogramas
y cuadros; caracterizndolos segn los parmetros estadsticos correspondientes; y aplicando la debida distribucin probabilstica del comportamiento de la frecuencia de los
valores arrojados por los datos.
Partiendo de la informacin organizada es posible calcular el valor sigma para indicar el
nivel de calidad diriendo en las variables discretas y aleatorias.
Variables discretas:
Se parte con el clculo de la tasa de defecto, el cual est dado por el numero
de defectos por cada cien, mil, diez miel, cien mil o un milln de unidades, y
segn este valor ubicar el sigma correspondiente debido a valores estandarizados
ya tabulados.
Dentro del clculo de la tasa de defecto se puede identicar dos tipos: Defectos por
milln de oportunidades (DPMO), y errores por milln de oportunidades (EPMO).
Variables continuas
Se identica la distribucin de probabilidad que mejor representa el comportamiento de los datos, se plantea los lmites de defectos presentados por los datos, calculando el rendimiento que esto representa en la graca y se ubica en trminos de
sigma como muestra la gura 89.
293
Figura 119: Distribucin de probabilidad normal con valores sigma
2009. p. 204.
Figura 120: Distribucin de probabilidad normal con valores de Z.
2009. p. 204.
Cambio en 1.5 sigma
Segn Motorola un cambio de mximo 1.5 veces sigma en el comportamiento

de la distribucin de probabilidad de los datos, representa la variacin permitida
que establece la condicin six sigma en la evaluacin de la calidad, lo cual est
representado en la gura 121.
294
Figura 121: Cambio en sigma para los datos
2009. p. 212.
Esta variacin har notar una diferencia de cero a 3.4 partes por milln de defectos
presentes en el total de unidades; lo cual establece que para el clculo del mximo
valor de la variable estar dado por: la media + 4.5 (desviacin estndar), donde los
parmetros estadsticos son los calculados con los datos adquiridos, y con ste ultimo
valor se puede establecer el valor para el sigma de la meta.
Despus de establecer el valor meta para la variable se debe realizar la debida prueba de
hiptesis, anlisis de la varianza, regresin y correlacin de las variables de entrada con
respecto a las de salida y en el caso para mejorar el proceso se lleva un debido control
con las herramientas estadsticas como la implementacin de cuadros de control.
8.11 INGENIERIA DE CONFIABILIDAD

La nueva tecnologa y equipos complejos, que sugiere un gran costo en la produccin
tanto de sus partes como ensamblaje, han conllevado a la necesidad de certicar su
tiempo de vida til asegurando rentabilidad por su adquisicin que benecia tanto a su
inventor como al demandante del producto, lo cual sugiere la inexistencia de una falla
repentina que podra traer fatales consecuencias por el tipo de aplicacin del equipo,
disminucin en el costoso y constante mantenimiento o cambio de componentes, entre
otros, lo cual es medido como un grado de conabilidad, que es tan importante como la
alta calidad del producto como tal.
295
Figura 122: Algunas aplicaciones de Ia Ingeniera de Conabilidad.
En este aspecto se realizan actividades como un modelado de conabilidad. La probabilidad de supervivencia del sistema depende de la garantia de sus componentes o
subsistemas en el tiempo, lo cual hace al equipo vulnerable a posibles circunstancias que
podran afectar de forma signicativa la unidad.
Un producto durante su trabajo se debe someter a un nivel de esfuerzo, donde se establece
el rango de valores para variables importantes en el proceso y de los cuales dependen
dicho nivel. Se dene el tiempo previo a la falla como la variable aleatoria T, y la
conabilidad del componente (subsistema, o sistema) dependiente del tiempo t como
R(t) = P [T > t].
Un proceso de falla se compone de tres fases, ya que su descripcin
puede llegar a ser muy compleja y variable para cada tipo de producto, en general estas
fases son: iniciales, de desgaste y sus intermedias; en la gura 123, se presenta una
grca con el comportamiento de la distribucin de probabilidad de falla en funcin del
tiempo y se representa matematicamente en la ecuacin 237.
296
Figura 123: Distribucin de fallas compuestas
p(0) +
g(t)dt = 1
(237)
0
La variable aleatoria cumple la condicin T>0, ya que las fallas para un tiempo cero
sern descartadas en el momento de prueba, la ecuacin 238 representa la densidad de
falla, la ecuacion 239 proporciona la conabilidad, y la funcion de riesgo como una taza
de falla esta dada por la ecuacin 240. El tiempo medio de falla (TMDF) se da en la
ecuacion 241.
f (t) =
g(t)
(1p(0))
t>0
f (t) = 0
en otro caso

f (x)dx
C(t) = 1 F (t) =
(238)
(239)
h(t) = lim(t0)
R(t) R(t + t) 1
(R(t + t) R(t)) 1
R (t)
f (t)
= lim(t0)
=
=
R(t)
t
t
R(t)
R(t)
R(t)
(240)
Donde:
R(t) = 1 F (t)yR (t) = f (t)
E[T ] =
t.f (t)dt =
0
R(t)dt
(241)
La ecuacin 241 es una constante si se tiene en cuenta el haber eliminado todas las
fallas de primera etapa durante un intervalo inicial y el tiempo de falla por desgaste del
producto analizado mas signicativo.
Generalmente, la distribucin normal se utiliza para modelar las fallas por desgaste,
tomando como variable aleatoria de estudio el nivel del esfuerzo, que es adecuado en
297
productos donde estos hechos sean las principales causas de falla; por experiencia se
ha demostrado que la distribucin lognormal describe mejor el tiempo de falla de algunos tipos de componentes. En caso que el sistema o subsistema de estudio contenga
varios componente y dependa de varias causales de falla la distribucin de Weibull es
apropiada en estos casos; y la distribucin gamma describe mejor el tiempo de falla para
componentes sometidos al modelado de la redundancia en espera.
8.11.1 Conguracin de los equipos

8.11.1.1 Sistemas simples en serie
Se distingue porque es necesario que todos los componentes (suponiendo independencia
entre ellos) operen para que el sistema funcionen. Para un tiempo de falla de cada
componente,
Tj ,
y el tiempo de falla del sistema,
T,
el modelo de conabilidad sera se
describe en la tabla .
P (Tj > t) = C1 (t)

8.11.1.2 Redundancia activa simple
Para el funcionamiento del sistema debe funcionar
o mas componentes (k
n).
Se supone independencia cuando todos los componentes tienen la misma funcin de

conabilidad, sea
de conabilidad
Cj (t) = r(t); j = 1, 2, . . . , n,
120
por lo tanto, basndose en la denicin
C es funcin del tiempo, t.
8.11.1.3 Redundancia en espera

En esta conguracin existe un controlador que proporciona activacin al siguiente componente cuando falla el que se encuentre funcionando, por tal razn el tiempo de falla
del ensamble se da en la ecuacin 242.
T = T1 + T2 + . . . + Tn
Donde
Ti ,
(242)
es el tiempo de falla para el componente i-esimo, la cual es una variable
aleatoria independiente. En la prctica es comn que
n = 2, por lo tanto es poco aplicable
el teorema del limite central, sin embargo , segn la propiedad de combinaciones lineales
se cumplen las ecuaciones 243 y 244.
120 HINES.Op.
cit., p. 653.
298
E[T ] =
E(Ti )
(243)
V (Ti )
(244)
i=1
n
V [T ] =
i=1
Tabla 42: Conabilidad para conguraciones de equipos
8.11.1.4 Prueba de duracin o vida til

Una forma de realizar esta prueba, es colocar una o mas unidades a envejecer articialemente, hasta que todas o la mayor parte de ellas fallen, con el objetivo de probar
alguna hiptesis respecto a la densidad de falla bajo ciertas condiciones de los elementos,
realizando las pruebas estadsticas formales y gracacion de probabilidad. Al tiempo se
puede estimar la conabilidad del sistema para un tiempo dado, por ejemplo se coloca
en funcionamiento
unidades y antes de un tiempo dado contar el numero de fallas,
de esta manera se estima la falta de conabilidad con
p = r/n,
r,
lo cual conduce la una
estimacin de conabilidad.
La tabla 43 describe los limites de conabilidad, donde los valores de falla en el tiempo
describen una distribucion chi cuadrado.
299
Tabla 43: Limites de conanaza

Limite
Numero jo de fallas, r*
Tiempo jo del n, t*
Limite de
2Q
, 2 2Q
2
/2,2r
1/2,2r+2
2Q
, 2 2Q
2
/2,2r
1/2,2r+2
2Q
,
2
/2,2r
2Q
,
2
/2,2r+2
dos lados
Limite de
una lado
superior
8.12 PROCESOS ESTOCASTICOS

Los procesos estocasticos pueden describir los posibles comportamientos de variables
aleatorias en funcion de periodos de secuencias o tiempo.
Un tipo de proceso estocastico es regido por la propiedad markoviana dada en la ecuacin
245, en el caso de variables discretas para
t = 0, 1, 2...; donde se percibe la independencia
de la probabilidad para un evento futuro del historial del mismo, solo teniendo en cuenta
el actual.
P {Xt+1 = j|Xt = i} = P {Xt+1 = j|Xt = i, Xt1 = i1 , Xt2 = i2 , ...., Xo = it }

(245)
La distribucion de markov se representa por el valor de la probabilidad en una matriz
con n pasos dado en la ecuacin 246
121
(n)
P (n) = [Pij ] = [P {Xt+n = j|Xt = i}]

Para un conjunto inicial de probabilidades,
P {Xo = i}.
(0)
(0)
(0)
(246)
(0)
A = [a0 , a1 , a2 , ..., am , ],
donde
(0)
ai
Para el calculo de probabilidades de transicion en n pasos se puede obtener
por medio de las ecuaciones de Chapman-Kolmogorov dadas en la ecuacion 247.
m
(n)
pij
(v)
=
l=0
Donde,
i = 0, 1, 2, ..., m
j = 0, 1, 2, ..., m
0vn
121 Ibid.,
(nv)
pil .plj
p. 668.
300
(247)
i, j
son estados;
n,
representa los pasos y l , el estado actual.
8.13 ESTADSTICA NO PARAMETRICA

Muchas veces cuando se aplican los mtodos estadsticos suele pasar que las suposiciones
que parecan razonables no se cumplen, en estas ocaciones es conveniente disponer de
procedimientos que sean vlidos, la estadistica no paramtrica se encarga de este tipo
de procedimientos.
Este tipo de procedimientos tienen entre sus ventajas que los datos no necesitan ser
cuantitativos, sino que tambin podran ser datos categricos o de rango. Otra ventaja
es que los procedimientos pueden ser muy rpidos y se realizan con facilidad. En la tabla
44 se puede observar las diferentes pruebas.
Tabla 44: Pruebas de estadstica no parametrica
8.13.1 Prueba de signo

La prueba de signo se emplea para probar hiptesis en torno a la mediana
de una
distribucin continua.
Puesto que la distribucin normal es simtrica, la media de una distribucin normal es
igual a la mediana. En consecuencia, la prueba de signo se puede emplear para probar
301
la hiptesis en torno a la media de una distribucin normal
122
Suponga que las hiptesis son:
H0 : = 0

H1 : = 0

El procedimiento de prueba es el siguiente:
Suponga que
X1 , X2 , ..., X3
es una muestra aleatoria de n observaciones de la poblacin
de inters.
(Xi 0 ) , i = 1, 2, ..., n. Luego, si H0 : = 0 es
Xi 0 tiene las mismas probabilidades de ser positiva
Forme las diferencias
verdadera,
cualquier diferencia
que de ser
negativa.
R+
Denota el nmero de diferencias
(Xi 0 )
que son positivas .
Denota el nmero de diferencias
(Xi 0 )
que son negativas.
R = mn(R+ .R )
Cuando la hiptesis nula es verdadera, R tiene una distribucin binomial con parmetros
n y p=0.5.
Por tanto, encontraramos un valor crtico, digamos que
de la distribucin binomial
que asegure que:

P(errortipo I)=P(se rechace
Si la estadstica de prueba
H0
cuando H es verdadera)=.
R R ,
la hiptesis nula
H0 : = 0

debe rechazarse.
Ejemplo 8.27
Niveles de signicacin exactos: Cuando una estadstica de prueba tien una distribucin
discreta, es difcil elegir un valor crticoR que sea exactamente igual a

se debe elegir el
, de tal manera
lo mas cercano posible.
Igualacin en la prueba de signos: Cuando encontremos X exactamente igual a

dejarse a un lado este dato y aplicar la prueba de signo al resto de datos.
Hiptesis alternativa de un solo lado: Si la alternativa es:
H1 : 0

,Se rechaza
H1 : = 0

si
R R
H1 : 0

,Se rechaza
H0 : = 0

si
R+ R
La aproximacin normal
122 MONTGOMERY.
Probabilidad y estadstica aplicada a la ingeniera. Op. cit., p. 803.
302
0 ,
debe
Cuando p=0.5, la distribucin binomial se aproxima bien mediante una distribucin

normal cuando n es por lo menos 10. De tal manera la media de la binomial es np y la
varianza 0,25n y la hiptesis puede probarse con las estadstica
Z0 =
R0,5n
0,5 n
8.13.1.1 Comparacin entre la prueba de signo y la prueba t.

Si la poblacin base es normal, tanto la prueba signo como la prueba t se pueden utilizar
para probar
H0 : = 0 .

La prueba t tiene el valor ms pequeo posible de

tienen un nivel de signicacin
.entre
todas las pruebas que
por lo que es superior a la prueba de signo en
el caso de distribucin normal.

Cuando la distribucin de la poblacin es simtrica y no normal (pero con media
nita
= )
la prueba t tendr un error
ms pequeo que la
para la prueba
de signo.
La prueba de signo se considera mas un procedimiento de prueba para la mediana, ms

que un competidor serio de la prueba t.
8.13.2 Prueba de Wilcoxon del rango con signo

Estamos interesados en probar
H0 : = 0

contra las alternativas usuales. Suponga que
X1, X2, ..., Xn es una muestra aleatoria de una distribucin continua y simtrica con
media y mediana
Se calculan las diferencias
las diferencias absolutas
(Xi 0 ) , i = 1, 2, ..., n.
Se clasican
|Xi 0 | i = 1, 2, ..., n, en forma ascendente y luego se asignan
los signos de los rangos correspondientes.
R+
Suma de los rangos positivos .
Valor absoluto de la suma de los rangos Negativos.
R = mn(R+ .R )
La tabla x tiene los valores crticos de
R,
y si
debe rechazarse.
303
R R ,
la hiptesis nula
H0 : = 0
8.13.2.1 Comparacin con la prueba t.

Si la poblacin base es normal, tanto la prueba Wilcoxon de rango con signo como la
prueba t se pueden utilizar para probar la hiptesis acerca
La prueba
es la mejor en tales situaciones ya que produce el valor mnimo de
todas las pruebas con nivel de signicacin
en
Se han desarrollado una serie de medidas de comparacin como son:

La eciencia relativa asinttica (ERA): Es el cociente lmite de los tamaos de muestra
necesarios para obtener probabilidades de error idnticas para los dos procedimientos.
Para poblaciones normales, la ERA de la prueba de Wilcoxon de rango con signo
relacionada a la prueba t es aproximadamente 0,95.
Para poblaciones no normales, la ERA es al menos 0,86 y en muchos casos exceder
la unidad. Cuando exede la unidad, la prueba de Wilcoxon de rango con signo
requiere un tamao de muestra ms pequeo que el de la prueba t.
Y la prueba de Wilcoxon de rango con signo resulta una alternativa de la prueba t.
8.14.3 Prueba de Wilcoxon de la suma de rango

Si se tienen dos poblaciones continuas independientes
distribuciones de
X 1 y X2
X1 y X2 con
medias
2 .
Las
tienen la misma forma y dispersin, y dieren slo en sus
medias. La prueba de Wilcoxon de la Suma de Rango.puede utilizarse para probar la

hiptesis
H0 : 1 = 2 , este procedimiento tambin recibe le nombre de Mann-Whitney.
X11 , X12 , ..., X1n, y X21 , X22 , ..., X2n, dos muestras aleatorias independientes de las
poblaciones continuas X1 y X2 descritas antes. Suponemos n1 n2 . Se deben organizar
las observaciones n1 + n2 en orden de magnitud ascendente, y aasignarles rangos. Si dos
Sean
o ms observaciones se unen o igualan se emprea la media de los rangos que habra

asignado si las observaciones hubieren diferido. Sea
asignado en la muestra
x1 ,
R1 la
suma de los rangos que habra
mas pequea.
Y dena :
R2 = n1 (n1 + n2 + 1) R1
Si las medias muestrales no dieren entre si, entonces se espera que la suma de los
rangos sea casi igual para las dos muestras despus de ajustar el tamao de muestra. En
consecuencia, si las sumas de los rangos son muy diferentes, se concluye que las medias
no son iguales.
304
9. ESTUDIO Y ANLISIS DEL DISEO

DE EXPERIMENTOS
En el diseo de experimentos a menudo el investigador tiene como objetivo obtener informacin, optimizarla empleando el diseo estadstico todo en relacin con los objetivos
planteados para este, el diseo de experimentos se ha consolidado como conjunto de
tcnicas estadsticas y de ingeniera, que permite lograr mxima eciencia en los proceso
con un mnimo coste
123
. Para llevar a cabo esto se deben tener en cuenta 3 fases en el
diseo de experimentos: el experimento, el diseo y el anlisis. En la gura 124 se ilustra

un esquema general de estas fases.
Figura 124: Fases del Diseo de Experimentos
Disear un experimento signica planicarlo de modo que reuna informacin referente

al problema bajo investigacin. Muy a menudo se seleccionan datos que tienen muy
poco o nada que ver con la solucin del problema, es por esto que el diseo de un
experimento consta de una secuencia de pasos, para asegurar que los datos obtenidos
sean apropiados, para ser sometidos a un anlisis que conduzca a deducciones vlidas
con respecto al problema planteado.
Una vez denido el tipo de estudio a realizar y establecer las hiptesis de investigacin, el
investigador debe concebir la manera prctica y concreta de responder a las preguntas de
investigacin. Esto implica seleccionar o desarrollar un diseo de investigacin y aplicarlo
124
al contexto particular de su estudio
. El diseo seala al investigador lo que debe hacer
123 GUTIERREZ.
Op. cit.,p. 9.
Robert O. Diseo de Experimentos, Principios estadsticos para el diseo y anlisis de
investigaciones. 2 ed. THOMSON, 2001.
124 KUEHL,
305
para alcanzar sus objetivos de estudio, contestar las interrogantes que se ha planteado y
analizar la certeza de las hiptesis formuladas en un contexto en particular. Si el diseo
est concebido, el producto nal de un estudio tendr mayores posibilidades de ser vlido.
Cada tipo de diseo tiene caractersticas propias. La precisin de la informacin obtenida
puede variar en funcin del diseo o estrategia elegida.
Es una funcin del diseo experimental estadstico, proveer los patrones de observacin
para ser recolectados con el n de obtener estimaciones ms precisas y/o para tener la
capacidad de probar las distintas hiptesis.
9.1 ETAPAS FUNDAMENTALES DE LA EXPERIMENTACIN

La experimentacin forma parte natural de la mayora de las investigaciones cientcas
e industriales, en muchas de las cuales, los resultados del proceso de inters se ven
afectados por la presencia de distintos factores, cuya inuencia puede estar oculta por
la variabilidad de los resultados muestrales.
En todo proceso experimental intervienen distintos tipos de variables o factores como
los que se denen a continuacin:
Variable respuesta: Es la caracterstica del producto cuyo valor inters mejorar.

Factores controlables: Son variables del proceso que se pueden jar en un punto o
en un nivel de operacin.
Factores no controlables: Son variables que no se pueden controlar durante la
operacin normal de un proceso.
Factores estudiados: Son las variables que se investigan en el experimento para
observar cmo afectan o inuyen en la variable de respuesta.
Niveles: Diferentes valores que se asignan a cada factor estudiado en un diseo
experimental.
Tratamientos: Combinacin de niveles de todos los factores.
Es fundamental conocer los factores que inuyen realmente y estimar esta inuencia.
Para conseguir sto es necesario experimentar, variar las condiciones que afectan a las
unidades experimentales y observar la variable respuesta. A continuacin se enumeran
306
las etapas que deben seguirse para una correcta planicacin de un diseo experimental,
las cuales deben ser ejecutadas de forma secuencial como se observa en la gura 125:
Figura 125: Etapas de la experimantacin
9.1.1 Conocimiento del material experimental

Un experimento debe limitarse a investigaciones que establecen un conjunto de circunstancias, bajo un protocolo especco para observar y evaluar las implicaciones de las
observaciones resultantes. El investigador determina y controla los protocolos de un
experimento para evaluar y probar algo que en la mayora de los casos no se conoce
hasta ese momento. debido a esto, en esta etapa se debe determinar los antecedentes,
importancia, objetivos e hiptesis a probar.
9.1.2 Escoger factores y niveles

Identicacin de los factores que inuyen; cules varan y cuales permanecen constantes.
Es decir, el experimentador debe seleccionar las variables independientes o factores a ser
estudiados, estos pueden ser cuantitativos o cualitativos. En el caso cualitativo hay que
tener en cuenta como se controlarn estos valores en los valores de referencia y como
van a ser medidos. Es importante seleccionar los rangos de variacin de los factores y
el nmero de niveles a considerar, los cuales pueden ser predeterminados o escogidos
aleatoriamente del conjunto de los posibles niveles.
9.1.3 Seleccin de las variables respuesta segn los objetivos.

En la seleccin de la variable respuesta o variable dependiente, el experimentador ha de
estar seguro que la respuesta a medir realmente provee informacin sobre el problema
307
de inters. Es necesario suministrar la forma como se mide esta variable y de ser posible
la probabilidad de ocurrencia de estas medidas.
9.1.4 Planeacin del experimento (materiales y mtodos)

En esta etapa se debe tener en cuenta: Lugar de ejecucin del experimento, unidad
experimental, nmero de repeticiones por tratamiento, equipos e instrumentos a utilizar
y mtodos de evaluacin de los resultados (Prueba de hiptesis, nivel de signicacin).
9.1.5 Seleccin del diseo experimental

Este paso es de primordial importancia en el proceso de investigacin. Se debe indicar la
diferencia a la respuesta verdadera (que tan lejos se admite la realidad de lo observado),
que se desea detectar y la magnitud de los riesgos tolerados (grado de conabilidad), en
el orden a escoger un tamao de muestra apropiado (replicaciones); es procedente sealar
tambin el orden de recoleccin de los datos y el mtodo de aleatorizacin a emplearse.
Siempre es necesario mantener un equilibrio entre la exactitud y los costos. Se deben
recomendar planes que sean ecientes estadsticamente y econmicamente viables. En
la conduccin de un estudio experimental es de esencial importancia la escogencia del
125
diseo segn las siguientes dos caractersticas
9.1.5.1 Reduccin del ruido diseos.

La reduccin de ruido en un diseo experimental, es decir, la eliminacin de la variacin
experimental extraa, se puede lograr por una asignacin adecuada de los tratamientos
para la unidad experimental. El ms empleado para esto es el diseo completamente
aleatorizado, donde este, es un diseo en el cual los tratamientos son asignados completamente al azar a las unidades experimentales o viceversa. Otro diseo es el diseo
en bloques al azar y utiliza la idea de comparar los tratamientos dentro de bloques de
unidades experimentales relativamente homogneos. El diseo de bloque seleccionado al
azar representa uno de los tipos ms simples de diseos de reduccin de ruido.
Otros, ms complejos, los diseos que utilizan el principio de bloqueo estn disponibles
para eliminar las tendencias o la variacin en dos o ms direcciones. El diseo en cuadrado
latino es til cuando se quieren eliminar dos fuentes de variacin, es decir, cuando se desea
125 MENDENHALL,
Prentice Hall, 2007.
William y SINCICH, Terry. STATISTICS for Engineering and the Sciences. Pearson
308
bloquear en dos direcciones. Los diseos del cubo latino permiten que usted bloquee en
tres direcciones.
9.1.5.2 Diseo de mayor volumen

La eleccin correcta de los tratamientos asociados a dos o ms factores pueden aumentar
el volumen de la informacin de la prueba. Los diseos cada vez de mayor volumen,
son comnmente conocidos como diseos factoriales porque implican una cuidadosa
seleccin de las combinaciones de niveles de los factores (es decir, los tratamientos) en
el experimento.
Un diseo factorial es un mtodo de seleccin de los tratamientos (es decir, las combinaciones de nivel de factores) que se incluirn en un experimento. Un
e xperimento
factorial completo es aquel en el que los tratamientos consisten en todas las combinaciones de nivel de factor.
9.1.6 Ejecucin del experimento.

Es el proceso de muestreo de recoleccin de datos. Se entender que en el proceso haya
un ajuste al plan (control). La mayora de veces, la realizacin de un experimento no
es lo sucientemente referente al proyecto de investigacin, porque surgen situaciones
no consideradas previamente, como el agotamiento producido sobre una unidad experimental que se esta evaluando, o la aparicin de una caracterstica no determinada. Y
se deben tener en cuenta si estos imprevistos alteran los propsitos del ensayo; de otra
forma hay que tenerlos en cuenta en el anlisis de los resultados.
9.1.7 Anlisis de datos (Anlisis de la varianza ANOVA)

Las variables que intervienen, o mejor, que se procura sean considerados en un ensayo, pueden relacionarse matemticamente de alguna forma. El problema no est en la
consecucin de una expresin matemtica sino en que tanto explica la realidad dicha expresin. En esta etapa se busca una frmula matemtica que explique el comportamiento
de una(s) variable(s) a travs del comportamiento de otras. Existen tcnicas estadsticas, como el anlisis de regresin que suministran estas relaciones. Se debe buscar que
el modelo se analice junto con el especialista que lo est investigando.
Una vez se ha seleccionado el diseo experimental, se establece la matriz de diseo, el
vector de parmetros
y se asocia a un modelo
309
Y = X +
el cual generalmente resulta
ser de rango incompleto y estimado por el mtodo denominado mnimos cuadrados a

travs de una matriz inversa generalizada de X. Para la estimacin del modelo y anlisis
estadstico de los datos, se debe tener en cuenta:
Estimacin del modelo Estimar mediante los mtodos de mnimos cuadrados

los parmetros asociados al modelo, en este ltimo mtodo, se tiene en cuenta la
distribucin de la variable respuesta; por este motivo la mayora de los desarrollos
realizados se hacen asumiendo que la variable respuesta sigue una distribucin
normal multivariada. Cuando el modelo es de rango incompleto, se realizan clculos
muy similares al caso de rango completo, con lo cual simplemente los estimadores
son adaptados a este modelo.
La teora de estimabilidad Conocer los principales criterios para caracterizar

las funciones estimables.
Pruebas de hiptesis Conocer la estructura distribucional de los estadsticos

de prueba para las hiptesis de inters.
9.1.8Conclusiones y recomendaciones
Hecho el anlisis de los datos, el experimentador puede extraer conclusiones (inferencia)
sobre los resultados. Las inferencias estadsticas deben ser fsicamente interpretadas y su
signicado prctica evaluada.
Las recomendaciones deben de hacerse con base en los resultados. En la presentacin de
estos se deben evitar el empleo de terminologa estadstica seca y en lo posible presentar
los resultados de manera simple. La elaboracin de grcos y tablas evita la redaccin
de resultados y recomendaciones extensas y confusas.
9.2 PRINCIPIOS BSICOS DEL DISEO DE EXPERIMENTOS

Para que un experimento se realice en la forma ms eciente es necesario emplear mtodos cientcos en su planicacin. El diseo estadstico de experimentos es el proceso
de planicar un experimento para obtener datos apropiados, que pueden ser analizados
mediante mtodos estadsticos con el objetivo de producir conclusiones vlidas y obje126
tivas
. La metodologa estadstica es un enfoque objetivo para analizar un problema
126 HERNNDEZ
Hill, 2003.
SAMPIERI, Roberto. METODOLOGA DE LA INVESTIGACIN. 3 ed. McGraw-
310
que involucre datos sujetos a errores experimentales. As hay dos aspectos en cualquier
problema experimental:
Diseo del experimento.

Anlisis estadstico de los datos.
Estos dos temas estn relacionados, ya que el mtodo de anlisis utilizado depende
directamente del diseo empleado. Los tres principios bsicos del diseo de experimentos
son:
Repeticin de algunos o todos los tratamientos para estimar la magnitud del error
experimental
Aleatorizacin de los tratamientos a las unidades experimentales para tener as una
estimacin vlida del error experimental as como estimaciones insesgadas de los
efectos de los tratamientos.
El uso del control local de fuentes de variacin extraas conocidas a travs del uso
de subgrupos homogneos de unidades experimentales.
Figura 126: Diagrama de Fisher Principios de la experimentacin
De la gura 126, segn las condiciones del experimento, se escoge el diseo experimental,
se formula un modelo lineal apropiado y se lleva a cabo el anlisis estadstico basado en
la escogencia del diseo y del modelo.
311
9.2.1 Repetibilidad.
Se reere a una repeticin del experimento bsico. A pesar de que el incremento en el
nmero de repeticiones da precisin a las estimaciones, stas no se pueden incrementar
indenidamente. Un punto para su disminucin se alcanza cuando el incremento en los
costos de la experimentacin no es compensado con una reduccin en la varianza. Cuando
el nmero de replicas se torna demasiado grande, y las diferencias entre tratamientos
detectadas son demasiado pequeas, la importancia prctica que resulta es una prdida
de recursos valiosos.
9.2.2 Aleatorizacin.
La aleatorizacin es fundamental para que el diseo de un experimento sea vlido. Es
el procedimiento que permite que cada unidad experimental tenga iguales condiciones
para recibir cualquier tratamiento. Esto no signica que el experimentador podr escribir
como quiera la identicacin de tratamientos (nombres o smbolos) en el orden que se
le ocurra. La aleatorizacin es un proceso fsico que asegura que cada tratamiento tenga
igual probabilidad de ser asignado a cualquier unidad experimental
127
9.2.3 Control Local.

El Control Local o Control del error Experimental, consiste en tomar medidas dentro
del diseo experimental para hacerlo ms eciente, de tal manera que pueda permitir
la reduccin del error experimental y as hacerla ms sensible a cualquier prueba de
signicacin.
Es una tcnica que se usa para aumentar la precisin del experimento. Un bloque es una
porcin del material experimental tan homogneo como sea posible. Si para realizar el
experimento no se cuenta con la totalidad de unidades experimentales similares, se realiza
128
una particin de las unidades experimentales disponibles en subconjuntos homogneos
La aplicacin de control local (bloqueo) no remueve el requisito de aleatorizacin, solo

impone restricciones al tope de aleatorizacin que se llevar a cabo. Para todos los diseos, la asignacin aleatoria de tratamientos a las unidades experimentales dentro de los
lmites impuestos por el control local es esencial para poder tener as una interpretacin
vlida de los resultados.
127 KUEHL.
128 Ibd.p.16
Op. cit. p. 14
312
9.3 CLASIFICACIN DEL DISEO DE EXPERIMENTOS

Existen diferentes clases de diseos de experimentos, y una forma de clasicarlos es la
que se observa en la gura 127.
Figura 127: Clasicacin del diseo de experimentos
El anlisis de varianza (ANOVA) es una tcnica estadstica que sirve para analizar la
variacin total de los resultados experimentales de un diseo en particular, descomponindolo en fuentes de variacin independientes atribuibles a cada uno de los efectos
en que constituye el diseo experimental. Esta tcnica tiene como objetivo identicar
la importancia de los diferentes factores tratamientos en estudio y determinar como
interactan entre s. A continuacin se deniran de manera ms detallada los experimentos.
9.3.1 Diseo completamente aleatorio

Este modelo es el ms sencillo del diseo de experimentos, en el cual la variable respuesta puede depender de la inuencia de un nico factor. Este diseo tiene algunas
caractersticas principales:
313
1. Aplicable slo cuando las unidades experimentales son homogneas (vericar si

existe tal homogeneidad).
2. Los tratamientos pueden tener igual o diferente nmero de unidades experimentales.
3. La distribucin de los tratamientos es al azar en las unidades experimentales.
9.3.1.1 Modelo estadstico.

Supngase que se tiene k tratamientos o niveles diferentes de un solo factor que quieren
compararse. La respuesta observada de cada uno de los k tratamientos es una variable
aleatoria. Los datos se aprecian en la tabla 45, y son el caso general para cualquier caso
de un diseo completamente aleatorio
129
Tabla 45: Datos tpicos de un experimento con un solo factor

Tratamiento
Observaciones
Totales
Promedios
y1n
y2n
y1.
y2.
y 1.
y 2.
y12
y22
y11
y21
yk1
yk2
ykn
yk.
y..
y k.
y..
Fuente. Probabilidad y Estadstica para ingeniera. HINES, William W. Pg. 388.
Donde
yij ,
representa la j -sima observacin tomada bajo el tratamiento
i.
Entonces las observaciones de la tabla 45 se pueden describir como:
i = 1, 2, . . . , k
yij = + i + ij
j = 1, 2, . . . , b
Donde
yij
(248)
es una variable que denota la (j )-sima observacin,
a todos los tratamientos denominado media global,

el i -simo tratamiento denominado efecto del
es un parmetro comn
es un parmetro asociado con
i -simo
tratamiento, y
ij
es un
componente de error aleatorio.

Los
130
niveles del factor en el experimento pueden elegirse de dos maneras diferentes
129 MONTGOMERY.
130 Ibid.,
p.630.
Probabilidad y estadstica aplicada a la ingeniera. Op. cit., p.629
314
1. El experimentador puede seleccionar de manera especca los tratamientos k. Ya

que en esta situacin se desea probar hiptesis sobre las medias de los tratamientos, y las conclusiones no pueden extenderse a tratamientos similares que no fueran
considerados; de esta manera, tal vez se desee estimar los efectos de los tratamien-
tos. Esto se le conoce como modelo de efectos jos
2. El experimentador tambin puede seleccionar los tratamientos k de una muestra

aleatoria muy grande de tratamientos. En esta situacin, lo que se desea es estar en
posibilidad de extender las conclusiones a todos los tratamientos contenidos en la
poblacin, ya sea que hayan sido o no considerados en el experimento. En este caso,
los efectos de los tratamientos
y se hacen intentos por estimar esta variabilidad.
Esto se conoce como modelo de efectos aleatorios o de componentes de
varianza
9.3.1.2 Hiptesis a probar.

Para el efectos de un desarrollo matemtico mas adsequible y simple, el anlisis de varianza se apoyar del modelo de efectos jos, ya que para este estudio es el experimentador
quien hace la seleccin de los tratamientos.
El inters de la ANOVA recae en probar la igualdad de las medias
131
k tratamientos. Entonces las hiptesis apropiadas son
1 , 2 ,
...,
de los
H0 : 1 = 2 = = k =
H1 : i = j iparaialgnii = j
u
(249)
9.3.1.4 Anlisis de varianza.

Una denicin sencilla de la ANOVA es la tcnica estadstica fundamental para el anlisis
de todo tipo de diseos experimentales. Para el DCA ser observa la siguiente tabla que
132
es una sntesis del desarrollo adecuado para comprobar las hiptesis planteadas
131 MONTGOMERY,
132 GUITIRREZ
2004.
Douglas. DISEO Y ANLISIS DE EXPERIMENTOS. 2 ed. Limusa S.A., 2007.

PULIDO, Humberto. ANLISIS Y DISEO DE EXPERIMENTOS. McGraw-Hill,
315
Tabla 46: Tabla de ANOVA para el DCA
Fuente de
Suma de
Grados de
Media de
Variacin
Cuadrados
Libertad
cuadrados
SST T RAT
k1
CM T RAT
SS E
N k
CM E
Tratamientos
Error
F0
Valor P
CM T RAT
CM E
p(F > F0 )
SS T
N 1
Fuente: GUITIRREZ , Humbertp. Anlisis y diseo de experimentos. Pg. 84.
Total
El estadstico de prueba denotada por la letra mayscula F, es el cociente entre

y
CM E ,
CM T RAT
y es el que probar la hiptesis nula. Esta denida por la ecuacin 250.
F =
CM T RAT
CM E
(250)
H0 es verdadera, el numerador y el denominador de F son, en promedio

valor, por lo que F tiende a 1. Y cuando H0 es falsa, los CM T RAT tiende a
pero los CM E no, por lo que F tiende a ser mayor que 1.
Entonces cuando
del mismo
ser mayor,
Para hallar el valor p se consulta en la tabla F
133
9.3.2 Diseo de bloques al azar

El objetivo es tener comparaciones precisas entre los tratamientos de los estudios de
investigacin. El diseo de bloques es un medio para reducir y controlar la varianza del
error experimental con el n de lograr una mayor precisin.
Para el caso de los diseos de experimentos que se mencionaran mas adelante, estos se
concentrarn en los diseos de tratamientos y sus mtodos estadsticos asociados para
realizar una anlisis eciente de las hiptesis de investigacin. En todas las situaciones
se utilizan diseos totalmente aleatorizados. Pero estos diseos aleatorizados, fuera de
la seleccin de la unidad experimental apropiada y las buenas tcnicas de investigacin,
no controla la varianza del error experimental.
A diferencia de estos modelos, el diseo de bloques tiene en cuenta cualquier factor que
afecta la variable respuesta y que vara entre las unidades experimentales, aumenta la
varianza del error experimental y disminuye la precisin de los resultados del experimento.
Es una extensin de la prueba
t pareada para situaciones donde el factor de inters tiene
ms de dos niveles ; es decir cuando es necesario comparar ms de dos tratamientos.

133 NAVIDI.
Op. cit., p. 778. Tabla A.7.

316
El uso de bloques estratica las unidades experimentales en grupos homogneos, o

unidades parecidas. Una buena eleccin de los criterios de bloques disminuye la variacin
entre las unidades dentro de los bloques en comparacin con las unidades de diferentes
bloques, las categoras generales de buenos criterios son:
1. Proximidad.
2. Caractersticas fsicas.
3. Tiempo.
4. Administracin de tareas en el experimento.
Un equipo de mejora investiga el efecto de cuatro mtodos de ensamble, A, B, C y D,

sobre el tiempo de ensamble en minutos. Si los experimentadores se dan cuenta que
hay cuatro operadores y consideran que esto puede afectar de manera signicativa los
tiempos de ensamble, y por ende, la comparacin de los mtodos, entonces debe utilizar
el llamado diseo en bloques completamente al azar. Los datos para este diseo se
pueden observar en la tabla 47. Como se aprecia en esta tabla, cada operador utiliza los
cuatro mtodos en orden aleatorio, de aqu que los mtodos se encuentran en igualdad
de circunstancias. El nombre de bloques completamente al azar es porque en cada bloque
(operador) se prueban todos los tratamientos (Mtodo de ensamble) en orden aleatorio.
Tabla 47: Diseo en bloques completos al azar

Mtodo de ensamble
A
10
10
10
16
13
11
11
11
Operador
14
Fuente. GUTIERREZ, Humberto. Anlisis y diseo de experimentos. 2 ed. Universidad de

Guadalajara, Mxico.: Mc Graw Hill. 2008. p. 75.

El modelo lineal para un experimento en un diseo de bloques completos aleatorizado
requiere un trmino que represente la variacin identicable en las observaciones como
consecuencia de los bloques. La respuesta de la unidad con el i -simo tratamiento en el
j -simo bloque se escribe como:
317
yij = + i + j + ij ;
Donde
yij es
(251)
la medicin que corresponde al tratamiento i y al bloque j ;
i es
dia global poblacional;

bloque j, y
i = 1, 2, ..., k
j = 1, 2, ..., b
ij es
el efecto debido al tratamiento i,
el error aleatorio atribuible a la medicin
yij .
es
la me-
es el efecto debido el
Se supone que los errores
se distribuyen de manera normal con media cero y varianza constante
2,
y que son
independientes entre s.
9.3.2.2 Hiptesis a probar.

Como ya se ha mencionado, la hiptesis de inters es la misma para todos los diseos
comparativos, y est dada por
H0 : 1 = 2 = 3 = = k =
HA : i = j
para algn
(252)
i = j,
que tambin se puede expresar como
H0 : 1 = 2 = 3 = = k = 0
HA : i = 0
para algn
(253)
En cualquier de estas hiptesis la armacin a probar es que la respuesta media poblacional lograda con cada tratamiento es la misma para los k tratamientos, y que por tanto
cada repuesta media
es igual a la media global poblacional,
. De manera alternativa,
se puede armar que todos los efectos de tratamiento sobre la variable de respuesta son
nulos, porque cuando el efecto
media del tratamiento es igual
1 = i = 0, entonces
a la media global (i = ).
necesariamente la respuesta

La hiptesis dada por las ecuaciones (4) y (5), se prueba con un anlisis de varianza
con dos criterios de clasicacin; se utilizacin los dos criterios porque se controlan dos
fuentes de variacin: el factor de tratamientos y el factor de bloque. En la tabla 48 se
muestra el aspecto del ANOVA para diseo en bloque completamente aleatoria .
318
Tabla 48: ANOVA para un diseo en bloques completos a azar
Fuente de
Suma de
Grados
Cuadrado de
Variacin
Cuadrados
Libertad
las Medias
SC T RAT
k1
CMT RAT
SCB
b1
CMB
Tratamientos
Bloques
F0
p-value
F0 =
CMT RAT
CME
P (F > F0 )
F0 =
CMB
CME
P (F > F0 )
(k 1)(b
CME
1)
Total
SC T
N 1
Error
SC E
Las formulas prcticas para calcular las sumas de cuadrados se observan en la ecuacin
254.
SCT =
2
yij
j=1i=1
k
SCT RAT =
SCB =
i=1
k y2
j
k
i=1
2
yi
b
y 2 ..
n
y 2 ..
n
(254)
y 2 ..
n
y la del error se obtiene como,
SCE = SCT SCT RAT SCB
9.3.3 Diseo en cuadro latino

El diseo en bloques aleatorios es adecuado cuando una fuente de variabilidad extraa se
elimina comparando un conjunto de medias muestrales. Una Caracterstica importante
de este tipo de diseo es su balance, que se logra asignando el mismo nmero de observaciones a cada tratamiento de cada bloque. La misma clase de balance puede lograrse
en otros tipos de diseo mas complicados, en los cuales es conveniente eliminar el efecto
de varias fuentes extraas de variabilidad.
En este diseo se tienen cuatro fuentes de variabilidad que pueden afectar la respuesta
observada, ests son: los tratamientos, el factor de bloque I (columnas), el factor de
bloques II (las) y el error aleatorio. El diseo en cuadrado latino (DCL) se usa para
eliminar estas fuentes de variabilidad, es decir, permite hacer la formacin de bloques
sistemtica en dos direcciones. Por lo tanto, las las y las columnas representan en
realidad dos restricciones sobre la aleatorizacin.
319
Se llama diseo cuadrado latino por dos razones; es un cuadrado debido a que tiene
la restriccin adicional de que los tres factores involucrados se prueban en la misma
cantidad de niveles, y es latino por que se utilizan letras latinas para denotar a los
tratamientos o niveles del factor de inters. Sean A, B, C,. . ., K, los k tratamientos a
comparar, por tanto ambos factores de bloques tienen tambin k bloques cada uno. El
modelo o aspecto de los datos se muestra en la tabla 49.
Tabla 49: Aspectos de los datos en un diseo en Cuadrado Latino
Bloque II (columnas)
1
B = y221
C = y322
D = y423
C = y331
D = y432
E = y533
Bloque I
(las)
A = y111
B = y212
C = y313
.
.
.
.
.
.
.
.
.
..
K = yk1k
A = y12k
B = y23k
K = ykk1
A = y1k2
B = y2k3
.
.
.
J = yjkk

Guadalajara, Mxico.: Mc Graw Hill. 2008. p. 131 .
Una de las ventajas del diseo cuadrado latino es que al hacer el control local en dos
direcciones, se tiene un mayor control en la variacin que cuando se usa un diseo
completamente aleatorio o diseo en bloques completamente aleatorio.
Sin embargo, esta clase de experimento presenta algunas desventajas, como son:
El nmero de tratamientos se limita al nmero de las y al nmero de columnas.

Si
k 10
no es recomendable el uso de cuadrados latinos, pues el nmero de
unidades experimentales se incrementa notablemente a medida que t aumenta.

En el anlisis del diseo el modelo estadstico que se supone describe el comportamiento
de las observaciones est dada por
yijl = + i + j + l + ijl
donde
yijl
(255)
es la observacin del tratamiento i, en el nivel de j del factor columna y en el
nivel l del factor la;
ijl
es el error atribuible a dicha observacin. De acuerdo con este

320
modelo, la variabilidad total presente en los datos se puede descomponer como
SCT = SCT RAT + SCB1 + SCB2 + SCE
(256)
Y los grados de libertad correspondientes son
k 2 1 = (k 1) + (k 1) + (k 1) + (k 2)(k 1)

El ANOVA para el diseo en cuadrado latino se muestra en la tabla 51.
Tabla 51: ANOVA para el diseo en cuadrados latino
Fuentes
Suma de
Grados de
Cuadrados
de
Cuadra-
Libertad
de las
Variacin
dos
F0
p-value
P (F >
F0 )
P (F >
F0 )
P (F >
F0 )
Medias
Tratamientos
SC T RAT
k1
CMT RAT
Filas
SCB1
k1
F0 =
CMT RAT
CME
CMB1
F0 =
Columnas
SCB2
CMB1
CME
k1
CMB2
F0 =
CMB2
CME
(k
CME
2)(k 1)
Total
SC T
k2 1
Error
SC E
En el se prueba la hiptesis sobre los efectos de tratamiento, del factor la y del factor
columna. Otra vez, la hiptesis fundamental es la de los tratamientos; las otras dos proporcionan un adicional al objetivo inicial y permiten comprobar la relevancia de controlar
los factores de bloque.
9.3.4 Diseos factoriales

El trmino experimento factorial o arreglo factorial hace referencia a la constitucin de
los tratamientos o combinaciones de tratamientos que se desean comparar. Este trmino
no afecta lo que se conoce como diseo de tratamientos, pues este se reere a la seleccin
321
de factores que se desean estudiar los niveles de los factores a ensayar y combinacin de
stos.
De esta forma se debe dejar en claro que el diseo de tratamientos es independiente
del diseo experimental, el cual hace referencia a la manera en que los tratamientos
se aleatorizan a las diferentes unidades experimentales y la forma como se controla la
variabilidad natural de las mismas. As el diseo experimental puede ser completamente
aleatorizado, bloques completamente aleatorizados, cuadros latinos, etc., y para cada
uno de stos diseos se puede tener un arreglo factorial.
En muchos experimentos el xito o fracaso del ensayo depende mas de la seleccin de
los tratamientos que se desea comparar que de la eleccin del diseo. Sin embargo, la
seleccin de ambos (del diseo y de los tratamientos) es importante por tanto ninguno
de los dos debe descuidarse en la planeacin del experimento.
Los factores pueden ser de tipo cualitativo (mquinas, tipos de materiales, operador,
la presencia o ausencia de una operacin previa, etc.) o de tipo cuantitativo (temperatura, humedad, velocidad, presin, etc.). Para poder estudiar la manera en que inuye
cada factor sobre la variable de respuesta, es necesario elegir al menos dos niveles de
prueba para cada uno de ellos (tres mquinas, dos operadores, tres velocidades, dos
temperaturas).
En un experimento factorial se investigan simultneamente los efectos de cierto nmero
de diferentes factores. La necesidad de estudiar conjuntamente varios factores obedece
principalmente a dos razones:
a. Encontrar un modelo que describa el comportamiento general del fenmeno en

estudio. Esto se restringe al rango de variacin de los niveles de los factores.
b. Optimizar la respuesta o variable independiente, es decir, encontrar la combinacin de niveles de los factores que optimizan esa respuesta.
Los tratamientos en el anlisis factorial consisten en todas las combinaciones se forman de

los distintos niveles de los factores. Por ello, la caracterstica esencial que hace necesario
el estudio conjunto de factores es la posibilidad de que el efecto de un factor cambie
en presencia de los niveles de otro factor, es decir, que los factores interacten, lo cual
conlleva al concepto de interaccin entre ellos. Si se estudia un factor en forma separada
el resultado puede ser diferente al que dara con un estudio conjunto, y es mas difcil
describir el comportamiento general o encontrar el ptimo.
Algunas de las ventajas de esta clase de experimentos son:
322
Al obtener informacin sobre varios factores sin aumentar el tamao del experimento hay economa en el material experimental.
Se amplia la base de la inferencia en relacin a un factor ya que se estudia en las
diferentes condiciones representadas por los niveles de otros factores.
Se puede obtener una estimacin de la interaccin de los efectos, o sea, se determina el grado y la forma en la cual se modica el efecto de un factor en presencia
de los niveles de los otros factores.
El conjunto de los tratamientos en el diseo factorial es ptimo para estudiar
efectos principales e interacciones.
Y entre las desventajas ms importantes se destacan:
1. El gran nmero de combinaciones de tratamientos cuando se estudian muchos

factores a muchos niveles. Esto tiene dos efectos:
a) Si se desea usar bloques completos es difcil encontrar grupos de unidades
experimentales homogneos para asignar todos los tratamientos, esto se puede
eliminar usando el principio de confusin.
b) Se aumenta el costo del experimento al tener muchas unidades experimentales,
problema que se minimiza usando experimentos factoriales fraccionados, en este
caso, se prueba solo una parte de los tratamientos posibles.
2. Difcil interpretacin principalmente de las interacciones de orden superior (interacciones de ms de tres efectos).
9.3.4.1 Diseos factoriales con dos factores.

Considere los factores A y B con a y b (a, b
ellos se puede construir el arreglo o diseo
134
tos
2) niveles de prueba, respectivamente. Con

factorial axb, que consiste de axb tratamien-

Con un diseo factorial
axb
se pueden estudiar los dos efectos individuales y el efecto
de interaccin de ambos factores. En trminos estadsticos los que se arma es que el

134 MONTGOMERY,
Probabilidad y Estadstica aplicadas a la Ingeniera. Op.cit., p. 689.
323
comportamiento de la respuesta y en el experimento con k rplicas se podr describir

mediante el modelo de efectos
yijk = + i + j + ( )ij + ijk
(257)
i = 1, 2, . . . , a; j = 1, 2, . . . , b; k = 1, 2, . . . , an;
Donde
es la media general;
es el efecto debido al i -simo tratamiento del factor A,
es el efecto del j -simo nivel del factor B,
( )ij
representa al efecto de interaccin
ij es el error aleatorio que supone una distribucin

2
2
constante [N (0, )] y son independientes entre s.
en la combinacin ij y
cero y varianza
con media
9.3.4.3 Hiptesis a evaluar y ANOVA.

Con un diseo factorial
axb interesa estudiar los tres efectos A, B
y AB. As, en primera
instancia se pueden plantear los tres pares de hiptesis siguientes:
H0 :
Efecto A = 0
HA :
Efecto A=0,
H0 :
Efecto B = 0
HA :
Efecto B=0,
H0 :
Efecto AB = 0
HA :
Efecto AB=0,
El ANOVA para un diseo factorial
axb con n replicas resulta de descomponer la variacin
total como
SCT = SCA + SCB + SCAB + SCE

donde los respectivos grados de libertad de cada una de ellas son
nab 1 = (a 1) + (b 1) + (a 1)(b 1) + ab(n 1)

El factor
(n 1)
en los grados de libertad de la suma de cuadrados del error
SCE
seala que se necesitan al menos dos replicas del experimento para poder calcular este
componente, y por ende poder construir una tabla de ANOVA.
324
Tabla 52: ANOVA para el diseo factorial axb

FV
SC
Tratamientos
SC A
SCB
SCAB
SC E
SC T
Filas
Columnas
Error
Total
GL
F0
CM
a1
CMA
b1
CMB
(a 1)(b 1) CMB
ab(n 1)
CME
abn 1
F0 =
F0 =
F0 =
CMA
CME
CMB
CME
CMB
CME
p-value
A
P (F > F0 )
B
P (F > F0 )
AB
P (F > F0 )
Fuente: GUTIERREZ, Humberto. Anlisis y diseo de experimentos. 2 ed. Universidad

de Guadalajara, Mxico.: Mc Graw Hill. 2008. p. 160.
9.3.4.4 Diseo Factorial General
2k .
Los diseos factoriales se usan ampliamente en experimentos que incluyen varios factores
cuando es necesario estudiar el efecto conjunto de los factores sobre la respuesta. hay
varios casos especiales del diseo factorial que son importantes debido a su uso generalizado en el trabajo de investigacin y porque constituyen las bases de otros diseos de
gran valor prctico.
El ms importante de estos casos especiales es el de k factores, cada uno con slo dos
niveles. Si todos los factores se estudian con dos niveles, se dice que es un experimento
factorial
2k .
Los niveles de stos factores pueden ser cuantitativos o bien cualitativos.
La seleccin de nicamente dos niveles puede conducir a inferencias errneas. As cuando

la respuesta se afecta en forma cuadrtica, los niveles estudiados pueden indicar que no
135
efecto del factor. Este es un riesgo que se corre al usar dos niveles por factor
En el caso de k = 2, se tiene el factorial ms sencillo
22 ,
el modelo estadstico para este
modelo sera:
yijk = + i + j + ( )ij + ijk

9.3.4.5 ANOVA de diseo factorial
La suma de cuadrados totales
(SCT )
2k .
en este diseo factorial, se calcula como:
n2k
2
yi
SCT =
i=1
y tiene
n2k 1
y.2
n2k
(259)
grados de libertad, donde el subndice i corre sobre el total de observa-
ciones. La suma de cuadrados del error
SCE
se obtiene por diferencia y tiene
grados de libertad.
135 GUITIRREZ.
(258)
Op. cit., p. 236.

325
2k (n 1)
9.3.5 Metodologia Taguchi

La propuesta de Taguchi tambien es conocida como Diseo Robusto de Parmetros. El
trmino parmetro se reere a los parmetros del sistema (son los factores o variables
del proceso). Un procedimiento es robusto cuando su funcionamiento sea consistente al
exponerse las condiciones cambiantes del medio.
El objetivo de este mtodo es lograr productos y procesos robustos frente a las causas
de variabilidad (ruidos) que hacen que las caracteristicas funcionales del producto se
desven de sus valores ptimos provocando costos de calidad.
136
La mtodologia Taguchi establece tres metas
1. Diseos robustos (insensibles) ante el medio ambiente para productos y procesos.

2. Diseo y desarrollo de productos de modo que sean robustos a la variacin de
componentes.
3. Minimizacin de las variaciones respecto a un valor objetivo.
Las tres metas de la losoa Taguchi se expresan en tres etapas en el desarrollo del
producto.
1. Diseo del sistema: el ingeniero utiliza principios cientcos y de ingeniera para

determinar la conguracin bsica.
2. Diseo de parmetros: se determinan los valores especcos para los parmetros
del sistema, minizando la variabilidad aportada por las variables de ruido.
3. Diseo de tolerancia: se determinan las mejores tolerancia para los prametros
Taguchi establece que pueden emplearse mtodos de diseos experiemental para hallar
un mejor diseo del producto y/o del proceso. La funcin de prdida establece un medida
nanciera del impacto negativo a la sociedad, por el impacto negativo de la sociedad
por el desempeo de un producto cuando se desva de un valor designado como meta
t = target.
Las caractersticas de calidad y de un proceso o producto debe estar cada
vez ms cerca de valor ideal,
t,
y todo lo que se desve del ideal es considerado como
una prdida de la sociedad. Tal concepcin la encarna la funcin de prdidad Taguchi,

la cual se dene por la ecuacin 260.
L(y) = k(y t)2

136 GUTIERREZ,
Op.cit. p. 363.
326
(260)
Aqu
es una constante que depende de tolerancias y de los costos de reparacin del
producto, ambos vistos desde los puntos de vista del consumidor y del fabricante (
Taguchi, 1986). En la gura 128 se muestra la funcin de perdidad de Taguchi. Con
esto la funcin de perdida evalua la calidad con base en: la desviacin respecto al valor
objetivo, las tolerancias del fabricante y del consumidor y los costos de reparacin de un
producto.
Figura 128: Funcin de perdida de Taguchi
9.4 COMPARACIN ENTRE MEDIAS

Una vez que se utiliza la prueba F de la ANOVA, para corroborar la
H0 ,
y como en no
siempre es aprobada, es decir, que las medias de los tratamientos no son todas iguales,
entonces conviene estudiar por qu se rechaza la igualdad entre medias, comparando
todos los pares de medias, porque puede ser que se rechace la igualdad de medias
porque haya un par de medias diferentes entre s.
Ahora se mencionaran algunos de los mtodos mas empleados para realizar la comparaciones entre medias:
9.4.1 LSD de Fisher (Least signicant dierence).

Este mtodo lo que hace es comparar el valor absoluto de la diferencia de cada par de
medias. Tambin es adecuado y puede usarse para construir intervalos de conanza para
i j
i j = 0137 .
o para comprobar la hiptesis nula que
Para probar la hiptesis nula

ecuacin 261.
H0 : i j = 0,
y i. y j.
CM E
137 NAVIDI.
el estadstico de prueba esta dado por la
1
Ji
Op. cit., p. 648.

327
(261)
1
Jj
Si
H0
es verdadera, este estadstico tiene una distribucin t Student con
N 1grados
de libertad.
| y i. y j. |> tN I,/2
La razn de que la cantidad tN I,/2
CM E
CM E
1
Ji
1
Jj
1
1
+
Ji Jj
se llame la diferencia signicativa
mnima es que la hiptesis nula de las medias iguales se rechaz con un nivel de
que la diferencia en las medias muestrales
(262)
siempre
| y i. y j. |supere este valor. Cuando el diseo
es balanceado, con todos los tamaos muestrales iguales a J, la diferencia signicativa

mnima es igual a
tN I,/2
2CM E /J
para todos los pares de medias.
En otras ocaciones, el experimentador tal vez desee determinar todos los pares de medias
que se pueda concluir que dieren de otro, en este caso, se debe utilizar otro tipo de
procedimiento que se llaman mtodos de comparaciones mltiples. Algunos de ellos se
mencionaran a continuacin.
9.4.2 Mtodo de Tukey.

Tambin conocido como Tukey's HSD (Honestly Signicant Dierence) o mtodo de
Tukey-Kramer. Este mtodo esta basado en la distribucin de rango studentizado, en
lugar de la distribucin t de student. No requiere la prueba de F. Los valores son ms
altos que LSD de T-student, la prueba es ms rigurosa, porque requiere que la diferencia
sea ms grande para alcanzar una signicacin.
Se utiliza un solo valor para todas las comparaciones. La conclusin esta referida al
experimento en si y no a la comparacin como es el caso de LSD. Si el nivel de signicacin es 0.05, signica que de 100 experimentos similares en 95 de ellos se espera
tener las mismas conclusiones y en 5 experimentos conclusiones diferentes; es por esto
que en Tukey-Kramer necesita un solo valor y esto hace suponer igual repeticiones por
tratamiento, aunque es posible con diferente repeticin.
La distribucin de rango studentizado tiene dos grados de libertad como valores, que
para el mtodo de Tukey-Kramer son I y
cuantil
N I.
El mtodo de Tukey-Kramer utiliza un
de dicha distribucin con sus grados de libertad; esta cantidad se denota
por,
qI,N I,
La tablas del Anexo I
138 Ibid.,
138
(CM E /2)
, presenta valores de
p. 784-785
328
1
1
+
Ji Jj
qI,N 1,
(263)
para diferentes valores de I, N y
.
Con el n de probar todas las hiptesis nulas simultaneas
de prueba son:
H0 : i j = 0, los estadsticos
y i. y j.
CM E
2
1
Ji
(264)
1
Jj
El p-value para cada prueba se encuentra al consultar la tabla de la distribucin de rango

139
studentizado
anexo III) con I y
N 1
grados de libertad.
Para cada par de niveles i y j para los cuales
CM E
2
| y i. y j. |> qI,N I,
1
1
+
Ji Jj
(265)
Nota: Cuando el diseo es balanceado, con todos los tamaos de muestra iguales a J, la
cantidad
CM E
2
1
Ji
1
Jj
CM E
para todos los pares de niveles, y en este
J
es igual a
caso el mtodo slo se llama mtodo Tukey.
9.4.3 Mtodo de Bonferroni.

Este mtodo proporciona una manera de ajustar p-value hacia arriba cuando se realizan
algunas pruebas de hiptesis. Si un p-value permanece pequeo despus del ajuste, la
hiptesis nula puede ser rechazada. Para hacer el ajuste de Bonferroni, slo multiplique
el p-value por el nmero de pruebas realizadas.
La aplicacin del mtodo es muy simple; sea C el nmero de pares de las diferencias que
C = I(I 1)/2. El mtodo

que se sustituye con /C .
van a compararse, entonces

mtodo de LSD, excepto
Con el n de probar C hiptesis nulas de la forma

prueba son:
Bonferroni es el mismo que el
H0 : i j = 0,
los estadsticos de
y i. y j.
CM E
1
Ji
(266)
1
Jj
Determine el valor p para cada prueba consultando la tabla t de student con
N 1
grados de libertad y multiplique el p-value encontrado por C. Especcamente, si
| y i. y j. |> tN I,/(2C)
139 Montgomery.
Op. cit., Tabla A.8.

329
CM E
1
1
+
Ji Jj
(267)
Nota: Aunque es fcil de utilizar, el mtodo de Bonferroni tiene la desventaja que cuando
C se hace grande, los intervalos de conanza resultan muy anchos, y las pruebas de
hiptesis tiene una potencia baja.
9.4.4 Mtodo de Ducan.

Un procedimiento muy utilizado para comparar todos los pares de medias es la prueba
140
del rango mltiple desarrollada por Duncan
Si las k muestras son de igual tamao se acomodan los k promedios en orden ascendente
y el error estndar de cada promedio se estima con la ecuacin 268.
CM E /n
Syi. =
(268)
Si algunas o todas las muestras tiene tamaos diferentes se reemplazan n por la media
armnica de las
las
ni
ni
al calcular el error estndar de los promedios. La media armnica de
est dad por la ecuacin 269.
nAR =
k
i=1
Observe que cuando
(269)
1
ni
n1 = n2 = . . . = nk = n,
ocurre que
141
de rangos mltiples de Duncan dada en el Anexo III
r (p, l), p = 2, 3, . . . , k ,
donde
nAR = n.
De la tabla
, se obtiene los valores crticos
es el nivel de signicancia prejado, l son los grados
de libertad para el error. Con este
k1
valores se obtiene los rangos de signicancia
mnima dados por la ecuacin 270.
Rp = r (p, l)Syi. ; p = 2, 3, . . . , k
(270)
Entonces, se prueban las diferencias observadas entre las medias, empezando con la
mas grande contra la menor, la cual se comparara con el rango mnimo de signicacin
Rk .
Despus se calcula la diferencia de la mayor y la segunda menor y se compara con
el rango
Rk1 .
Estas comparaciones se continan hasta que todas las medias se han
comparado con la media mayor. Por ltimo, se calcula la diferencia entre la segunda
media mayor y la menor y se compara con el rango mnimo de signicacin
Rk1 .
Este
proceso se continua hasta que se han considerado todas las diferencias entre todos los
k(k 1)/2
pares de medias posibles .
140 MONTGOMERY,
141 GUITIRREZ
Op. cit., 783.

PULIDO. Op . cit., p. 555-556
330
10. ESTUDIO DE UN SISTEMA DE

MEDICIN
10.1 ANLISIS CON DISPOSITIVOS ANLOGOS

Y DIGITALES
Los parmetros que caracterizan un fenmeno pueden clasicarse en Analgicos y Digitales, se dice que un parmetro es analgico cuando puede tomar todos los valores
posibles en forma contnua, por ejemplo: el voltaje de una batera, la intensidad de luz,
la velocidad de un vehculo, la inclinacin de un plano, etc.
Por otra parte se dice que un parmetro es digital cuando solo puede tomar valores
discretos, por ejemplo: el nmero de partculas emitidas por un material radioactivo en
un segundo, el nmero de molculas, en un volumen dado de cierto material, el nmero
de revoluciones de un motor en un minuto, etc.
Para comprender mejor los mtodos de medicin, es importante denir una seal anloga
y digital. Las seales analgicas son por ende seales elctricas de variacin continua en
intensidad o amplitud en el tiempo, como se puede apreciar en la gura 129. La gran
desventaja de ese tipo de transmisin es que el ambiente genera tambin seales del
tipo analgico, conocidas como ruido, que generalmente intereren con las que acarrean
informacin y crean complicaciones resultando en una seal de menor calidad.
Figura 129: Seal Analoga

Por otro lado, las seales digitales adquieren uno de dos valores a travs del tiempo,
como se puede apreciar en la gura 130. Su comportamiento se puede equiparar al de un
interruptor (o switch) que tiene uno de dos estados: encendido o apagado. Las ventajas
331
de este tipo de transmisin es, primero, su inmunidad a las interferencias ya que al

digitalizar una seal se elimina el ruido producido por el medio ambiente, produciendo
una seal ms pura y de mayor resolucin; y, segundo, que puede codicarse usando el
sistema binario, este se denir en la sesin siguiente referente al sistema de adquisicin
de datos.
Figura 130: Seal digital
Desde un punto de vista de utilizacin en la rama de mediciones en ingeniera, se puede

realizar una divisin general entre instrumentos de ndice o analgicos e instrumentos
numricos o digitales, denidos acontinuacin:
Un aparato analgico involucra un proceso analgico, es decir ante una seal de

entrada cuya variacin sea continua, proporciona una salida tambin continua, la
cual puede tomar cualquiera de los valores entre los lmites especicados.
Un aparato digital involucra, a partir de alguna etapa, un proceso digital es decir,
ante una seal de entrada cuya variacin sea continua, proporciona una salida un
nmero nito o discreto de valores.
10.1.1 Medidas analgicas.

La cantidad que est siendo medida se controla continuamente y el instrumento utilizado
da una respuesta anloga a la cantidad, es decir, la magnitud de la salida del instrumento representa el tamao de la cantidad que est siendo medida. Un movimiento
de un galvanmetro de aguja es un ejemplo de esta clase de instrumentos, la amplitud
de la deexin del ngulo de la aguja est relacionada con la magnitud de la corriente que atraviesa el medidor. Debido a lo mencionado anteriormente, acontinuacin se
mencionar algunos de los instrumentos medidores de seales anlogas.
332
10.1.2 Instrumentos Analgicos.

La caracterstica de los instrumentos de medida analgicos es el indicador del valor a
medir por una aguja o una marca luminosa en una escala numerada, dotada de rayas
divisorias. La desviacin de la aguja, por desplazamiento, promovido por la magnitud a
medir desde su punto de reposo (cero en la escala), es anloga a dicha magnitud. Estos
instrumentos tiene las siguientes ventajas y desventajas:
a) Bajo Costo.
b) En algunos casos no requieren de energa de alimentacin.
c) No requieren gran sosticacin.
d) Presentan con facilidad las variaciones cualitativas de los parmetros para visualizar
rpidamente si el valor aumenta o disminuye.
e) Es sencillo adaptarlos a diferentes tipos de escalas no lineales.
f ) Tienen poca resolucin, tpicamente no proporcionan ms de 3 cifras.
g) Las lecturas se presentan a errores graves cuando el instrumento tiene varias escalas.
h) La rapidez de lectura es baja, tpicamente 1 lectura/segundo.
i) No pueden emplearse como parte de un sistema de procesamiento de datos de tipo
digital.

El dispositivo de medicin se compone de piezas jas que provocan el movimiento, y de
un elemento mvil, cuya posicin depende del valor de la magnitud a medir. Las partes
jas suelen soportar la escala, mientras que la parte mvil lleva la aguja o el espejo
giratorio para el dispositivo del indicador luminoso. La escala es provista de una serie de
rayas divisorias, rotuladas con las unidades de la magnitud a medir (ver gura 131). La
graduacin de la escala se ja mediante calibracin previa.
Figura 131: Escala.
10.1.3 Medidas digitales.

Con los instrumentos digitales la cantidad que est siendo medida se muestra en intervalos regulares de tiempo y el valor de la muestra se convierte en un nmero, es decir,
333
una secuencia de dgitos. Como es el caso del voltimetro digital. Se caracteriza por su
nmero de cifras y su resolucin es la unidad de cifra menos signicativa.
10.1.4 Instrumentos digitales.

Al contrario de los instrumentos de medicin analgica, los instrumentos digitales indican
los valores de medida en cifras numricas. Esto es ms ventajoso para la observacin
visual, as de este modo se puede prescindir de la lectura de rayas y de la interpolacin
de valores intermedios. Esto evita agregar un error de visualizacin a los errores propios
del instrumento.
La escala clsica de indicacin continua, es reemplazada por la escala numrica de indicacin discontinua (ver gura 132), en la cual las cifras alineadas a leer indican directamente el valor numrico de la magnitud medida; la indicacin numrica se presenta a lo
largo del tiempo con un ritmo predeterminado.
Figura 132: Instrumento digital
Estos instrumentos tiene las siguientes ventajas y desventajas:
1. Tienen alta resolucin alcanzando en algunos casos mas de 9 cifras en lecturas.

2. No estn sujetos al error de paralelaje.
3. Pueden eliminar la posibilidad de errores por confusin de escalas.
334
4. Tienen una rapidez de lectura que puede superar las 1000 lecturas por segundo.
5. Puede entregar informacin digital para procesamiento inmediato en computadora.
6. El costo es elevado.
7. Son complejos en su construccin.
8. Las escalas no lineales son difciles de introducir.
9. En todos los casos requieren de fuente de alimentacin.
De las ventajas y desventajas anteriores puede observarse que para cada aplicacin hay
que evaluar en funcin de las necesidades especcas, cual tipo de instrumentos es el ms
adecuado, con esto se enfatiza que no siempre el instrumento digital es el ms adecuado
siendo en algunos casos contraproducente el uso del mismo.
10.1.5 Dispositivos anlogicos y digitales

Teniendo en cuenta que la adquisicin, transmisin y procesamiento de datos se realiza
mediante dispositivos electrnicos
142
. Y en base en las diferentes formas de medicin,
como las analgicas y digitales es preciso iniciar con el estudio de las mediciones anlogicas.
La utilizacin de instrumentos anlogos en la actualidad est muy extendido, a pesar
que los instrumentos digitales crecen de manera exponencial en nmero, versatilidad y
en aplicaciones. Es lgico todava pensar en que los instrumentos analgicos se sigan
utilizando durante los prximos aos y que para algunas aplicaciones no puedan ser
sustituidos.
10.1.5.1 Medicin de presin

La mayora de las tcnicas para medir la presin involucran la precepcin de un desplazamiento o desviacin y la relacin con la presin a travs de calibracin o relaciones
teoricas.
La tabla 53 ilustrar los instrumentos para medir presin.
142 FIGLIOLA.
Op.cit., p. 407.
335
Tabla 53: Instrumento de referencia de presin
10.1.5.2 Medicin de temperatura

La temperatura es una importante variable en muchos sitemas de ingenieria. Algunos
dispositivos comunes que se usan para medir la temperatura se pueden observar en la
tabla 54.
336
Tabla 54: Instrumentos para medicin de temperatura
10.1.5.3 Medicin de Flujo

El equipo de medicin de ujo seleccionado y diseado de manera adecuada es de alta prioridad para la ingenieria, ya que las mediciones de ujo estn enlazadas con la
economa de manera vital.
Algunos mtodos usados para la medicin de ujo se pueden observar en la gura 133.
337
Figura 133: Dispositivos de medicin de ujo
10.1.5.4 Medicin de deformacin

La medicin de pequeos desplazamiento en un material u objeto que esta sujeto a
una carga mecnica determina la deformacin, la cual se mide con mtodos como la
observacin del cambio en la distancia entre dos marcas sobre la supercie de un miembro
que soporta carga.
Un sensor ideal para la medicin de deformacin debe tener:
Buena resolucin espacial, lo cual implica que el sensor medira la deformacin en

un punto.
No estar afectado por cambios en las condiciones ambientales.
Tener alta respuesta a la frecuencia para mediciones dinmicas (basadas en tiempo).
Un sensor con estas caractersticas es el medidor de deformacin por resistencias.

Las mediciones de resistencia elctrica tiene muchas aplicaciones importantes que van
desde la simple determinacin de continuidad en un circuito elctrico hasta la medicin
338
precisa de los cambios de resistencia del orden de

a
106 y de niveles absolutos de 105
1015 143 .
Estos sistemas incluyen las protecciones necesarias para instrumentos delicados, permiten
la compensacin por cambios en las condiciones ambientales o consideran los cambios
en los puntos de referencia de transductores. El principio de funcionamiento de muchos
transductores es el cambio de resistencia respecto a un cambio en la variable medida.
La medicin de resistencia se analizara con tcnicas bsicas de medicin de voltaje y
corriente, as como la ley de Ohm.
Los mtodos utilizados para la medida de resistencias son generalmente:
El mtodo de hmetro
Mtodo de puente
Mtodo ampermetro-voltmetro,
10.1.5.5 Circuitos del hmetro

La determinacin de la resistencia puede lograrse al aplicar un voltaje atravez de una
resistencia desconocida y medir el ujo de corriente con un galvanmetro. Aplicando la
ley de ohm se calcula el valor de la resistencia
144
Figura 134: hmetro Analgico bsico.
FIGLIOLA, Richard. y BEASLEY, Donald. Mediciones mecnicas: Teora y Diseo. 4 ed. Mxico.: Alfaomega, 2008.p.242.
143 FIGLIOLA.Op.cit.,p.241.
144 Ibid.,p.242.
339
10.1.5.6 Ohmetro
El hmetro es otro dispositivo de medicin muy importante, ya que ayuda a localizar
circuitos abiertos o cortocircuitos midiendo la resistencia del componente o circuito bajo
prueba.
Es un instrumento que mide la resistencia o simplemente continuidad, de un circuito
o parte de el, directamente en ohmios sin necesidad de clculos, su principio de funcionamiento se basa en el mtodo del voltmetro para medir resistencias y se congura
habitualmente en circuitos tipo serie y/o derivacin.
Los ohmmetros ms comunes son `multmetros' esto es, instrumentos que por medio de
un dial pueden utilizarse para medir la diferencia de potencial, la intensidad de corriente
o la resistencia; normalmente pueden preseleccionarse en una gran variedad de rangos de
modo que se pueden utilizar ohmmetros de laboratorio relativamente baratos para medir
resistencias desde fracciones de ohmio hasta varios millones de ohmios (megaohmios).
Los ohmmetros se utilizan mucho para deteccin de fallos en circuitos elctricos.
10.1.5.7 Circuitos Puente

Se han desarrollado diversos circuitos puente para medir la capacitancia e inductancia
y, con mayor frecuencia, para medir la resistencia. Siendo mas utilizado el puente de
Wheatstone.
Puente de Wheatstone:
Permite medir con exactitud la resistencia y detectar sus
pequeos cambios , su principio de operacin se basa en la compensacin de las tensiones

de salida de dos divisores de tensin (R3+R4) y (R1+Rx) alimentados a la misma fuente.
Tres de las resistencias R1,R2,R3 son de valor conocido con gran precisin. Las tensiones
de vaco de cada una de las dos salidas A y B respecto al punto comn O son:
VA0 = Vp
R4
R3 + R4
(271)
VB0 = Vp
RX
R1 + RX
(272)
Luego en ambas salidas se conecta un elemento detector de cero, constituido por un

galvanmetro sensible, cuya funcin consiste en informar de la igualdad del valor de
ambas tensiones de salida, en vaco por medio de una desviacin nula correspondiente a
una intensidad nula. cuando las dos expresiones coinciden, resulta:
340
R4
RX
=
R3 + R4
R1 + RX
RX =
(273)
R1 R4
R3
Esta proporciona el valor de la resistencia desconocida.

Existen variaciones del puente wheatstone para medir resistencias muy altas y muy bajas.
Hay una amplia variedad de puentes de CA para medir inductancia, capacitancia, admitancia, conductancia y cualquier parametro de impedancia. La medicin de resistencia
con este circuito puente puede realizarse con dos mtodos.

Figura 135: Puente de Wheatstone
Mtodo de ajuste a cero:
En que consiste:
En el mtodo cero se determina una cantidad a partir de otras magnitudes conocidas

cuando un instrumento marca cero. Precisa que la sensibilidad del instrumento sea adecuada, pero sin requerir calibracin, por tanto se encuentra libre de errores de calibracin.
Ventajas:
No es necesario conocer el voltaje de entrada.

Los cambios en el voltaje de entrada no afectan la exactitud de las mediciones.
El galvanmetro slo se requiere para detectar si existe un ujo de corriente, no
para medir su valor.
341
Mtodo de deexin:
En condiciones de desequilibrio la magnitud de la corriete, o
la cada de voltaje, en la porcin del medidor o galvanmetro de un circuito puente es

indicacin directa del cambio de resistencia en uno o ms de los brazos del puente
145
Este requiere un medidor capaz de indicar con exactitud el voltaje de salida, asi como
de entrada conocido y estable.
Ventajas:
permite observaciones y registro de seales con respuestas muy altas

Se usa para medir seales que varian con el tiempo.
Rapidos y comodos
10.1.5.8 Medicin de desplazamiento

Los dispositivos ms comunes para medir el desplazamiento lineal y angular son los
siguientes:
Potenciometro:
El potencimetro lineal es un dispositivo en el que la resistencia vara como una funcin

de la posicin del deslizador, es un divisor de voltaje variable. Los potencimetros son
muy comunes en la experiencia diaria. Los potencimetros angulares, como se muestra
se usan en dispositivos comunes como radios y televisores como controles de volumen y
tono. Para el potencimetro lineal, la salida es una funcin lineal simple de la posicin
del deslizador vista en la ecuacin 274:
V0 =
x
Vs
L
Pueden ser usados para medir desplazamientos tan pequeos como 0.1 a 0.2
splazamientos de ms de 1
ft
(274)
in
a de-
los potencimetros angulares pueden ser diseados para
medir desplazamientos angulares de 3500
(rotaciones mltiples). Los potencimetros
son muy econmicos, fcilmente disponibles, y no requieren acondicionamiento especial

146
de la seal
Algunas limitaciones signicantes son causadas debido al contacto del deslizador, estn sujetos al desgaste y su tiempo de vida es de solo unos pocos millones de ciclos.
Adems, la salida tiende a ser algo ruidosa elctricamente ya que el punto de contacto
145 FIGLIOLA.
Op.cit., p.245.
Op. cit., p. 232.
146 WHEELER.
342
del deslizador tiene una resistencia, y esto puede afectar la salida de una manera algo
aleatoria. Este efecto a menudo se hace peor con la edad del dispositivo debido a la
contaminacin de la supercie de contacto.
Transformadores diferenciales variables y rotativos:

Los transformadores diferenciales variables (LVDT) son dispositivos usados para medir
el desplazamiento modicando la distribucin espacial de un campo magntico alterno.
Son usados para medir desplazamientos directamente y como elemento sensor en un
147
nmero de transductores, que crean un desplazamiento en respuesta a una magnitud
Los LVDT's tienen algunas limitaciones en las mediciones dinmicas. Normalmente no

son adecuados para frecuencias mayores que 1/10 la frecuencia de excitacin, y la
masa del ncleo puede introducir un error de carga mecnica signicante en dispositivos dinmicos.
Sensor capacitivo de desplazamiento

Los sensores capacitivos de desplazamiento son ms apropiados para medir desplazamientos muy pequeos (0.00001 a 0.01 in), aunque algunas veces son apropiados rangos
mayores. Estos dispositivos se basan en el principio que la capacitancia de un capacitor
es una funcin de la distancia entre las placas y el rea de las placas; esto es:
C=K
A
d
(275)
Donde
K=
Coeciente dielctrico de la sustancia entre las placas (K=1 para el aire).
0 =es la permitividad del vaco con un valor de
A=
d=
8.85 1012 C2/Nm2
Area de solapamiento de las placas.

es la distancia entre placas.
Hay dos maneras de usar un transductor capacitivo para mediciones de desplazamiento.

En el primer caso, la capacitancia es una funcin no lineal del desplazamiento, mientras que en el segundo, la capacitancia es aproximadamente una funcin lineal del desplazamiento. Ya que la salida del sensor capacitivo no es un voltaje, se requiere condicionamiento de la seal. Para este propsito puede usarse un puente de Wheatstone
alimentado con
ac.
Si el capacitor de referencia tiene el mismo valor que el capacitor
sensor inicial y las dos resistencias son iguales, el voltaje de salida ser una funcin del
147 Ibid.,
p. 233.
343
cambio en la capacitancia. Los acondicionadores de seal comerciales estn disponibles

148
para medir capacitancia
Codicadores digitales
Los codicadores digitales son dispositivos que convierten un desplazamiento directamente en una seal digital. Dispositivos similares tambin pueden ser usados para medir
la posicin lineal. Ya que la salida de cada uno de los fotodetectores es
on u of f , la seal
est en forma digital. En un dispositivo tpico, las fuentes de luz son diodos emisores de
luz (LED's) y los detectores son elementos fotoresistivos. Los elementos fotoresistivos
son dispositivos semiconductores que muestran un cambio brusco en la resistencia cuando son iluminados. Los codicadores tienen una resolucin bien denida, que depende
del nmero de bits usado para representar cada posicin. Un dispositivo de 4 bits tiene
solo 16 posibles posiciones. En los dispositivos comerciales se emplea un mayor nmero
de bits.
10.2 MUESTREO CON INSTRUMENTOS ANLOGOS, DIGITALES Y ADQUISICIN DE DATOS

10.2.1 Sistemas anlogos y digitales: bits y palabras
Existen diferencias fundamentales entre sistemas analgicos y digitales, como se puede
observar en la gura 136, los cuales imponen limitaciones y responsabilidades, por lo
que el ingeniero debe ser cuidadoso. La diferencia ms importante es que las seales
analgicas son continuas en amplitud y tiempo, mientras que las digitales son discretas
(no continuas).
148 Ibid.,
p. 238.
344
Figura 136: Seal analgica y digital.
Fuente. ALCIATORE, David G. & HISTAND, Michael B. Introduccin a la Mecatrnica y los

sistemas de medicin. Editorial Mc Graw Hill. 2008. Pg. 318.
En las representaciones analgicas existen varios ejemplos, como en el velocmetro de un
auto la velocidad depender del ngulo de inclinacin de la aguja al marcar, es decir posee
una lectura continua. Pero todas las cantidades analgicas tienen una caracterstica en
comn, pueden variar gradualmente sobre un intervalo continuo de valores.
En las representaciones Digitales, las cantidades no se denotan por valores proporcionales,
se denotan por smbolos llamado dgitos. Por ejemplo un reloj digital que da la hora a
manera dgitos por horas, por minutos y segundos. En otras palabras ofrece una lectura
paso a paso.
El trmino digital tambin se usa cuando nos referimos a dispositivos binarios tales como
los circuitos que hacen funcionar una calculadora, el microprocesador de una computadora, o microcontroladores. Todos son dispositivos digitales. El sistema binario es un
149
tipo de sistema digital que usa dos dgitos, 0 y 1
El sistema binario es bueno para describir estados y nmeros. En trminos de estados,

los dos dgitos del sistema binario (0 y 1) pueden ser usados para representar encendido/apagado, abierto/cerrado, no/si, alto/bajo, etc. Combinaciones de dgitos binarios
pueden ser usadas para describir nmeros. Por ejemplo, los nmeros binarios 101, 110
y 111 representan a los nmeros decimales 5, 6 y 7. Estos nmeros pueden ser usados
para describir informacin analgica, como la posicin de una puerta a medida que se
abre o cierra.
149 DE
ALVAREZ, Ana Luis. Analgico y Digital Bsicos - Gua del Estudiante. PARALLAX.
345
10.2.1.1 Sistema Analgico

En la naturaleza, el conjunto de seales que percibimos son analgicas, as la luz, el
sonido, la energa, etc. son seales que tienen una variacin continua. Incluso, la descomposicin de la luz en el arco iris vemos como se realiza de una forma suave y
continua. Una seal analgica es un voltaje o corriente que vara suave y continuamente.
Una onda senoidal es una seal analgica de una sola frecuencia. Los voltajes de la voz
y del video son tambin seales analgicas que varan de acuerdo con el sonido o variaciones de la luz que corresponden a la informacin que se est transmitiendo. La gura
137 ilustra los instrumentos empleados para observar el comportamiento de la seal.
Figura 137: Ejemplo de un Sistema Anlogo.
10.2.1.2 Sistemas digitales: Bits y Palabras

Dentro de los sistemas digitales cabe distinguir dos grupos: los que trabajan con variables
de un solo bit, denominados habitualmente automatismos lgicos y aquellos que procesan
seales de varios bits, para representar, por ejemplo, valores numricos de variables o
contenido de temporizadores, contadores, etc., y a estos se les denominan automatismos
digitales.
Casi todos los sistemas de medicin digitales usarn alguna variacin de un sistema de
numeracin binario para representar y transmitir la informacin de la seal en forma
digital. Un sistema binario es un sistema numrico que usa la base 2.
Los sistemas binarios usan el dgito binario o bit como la unidad de informacin ms
pequea. Un bit consta de un solo dgito, ya sea 1 o 0. Los bits son como los interruptores
elctricos y transportan informacin lgica y numrica. Desde un punto de vista lgico, el
1 o el 0 se representan por la posicin del interruptor en encendido o apagado. Mediante
346
la accin apropiada un bit puede restablecer a cualesquiera de posiciones de encendido

o apagado con lo que se tiene un valor de 1 o 0. Al combinar los bits se posible denir
nmeros enteros mayores que 1 o 0, de manera que una coleccin de bits se usa para
expresar una informacin numrica, llamada palabra. En general, la longitud de la palabra
puede variar desde cuatro bits para un pequeo dispositivo digital dedicado hasta 32 bts
o ms para una microcomputadora grande. Una palabra formada por 8 bits se dene
como byte. Una ubicacin fsica particular para almacenar una palabra se conoce como
registro.
El nmero de bits que denen una palabra determina el tamao del nmero, mximo
que la palabra puede representar. Por ejemplo, dado que un bit puede representar un 1 o
un 0, una combinacin de dos bits puede representar
22 o
cuatro posibles combinaciones
de arreglos de bit: 0 0, 0 1, 1 0 o 1 1. De manera alterna se restablece esta palabra de 2

bits para producir cuatro diferentes arreglos, los cuales representan el decimal, es decir,
los nmeros enteros base 10 de 0, 1, 2 o 3, respectivamente. Por consiguiente los M
bits en una palabra de M bits pueden combinarse para representar cualesquiera de
2M
enteros. Una palabra de 8 bits representa los nmeros de 0 a 255; una palabra de 16 bits
representa de 0 a 65535.
El valor numrico para una palabra se calcula moviendo un bit de derecha a izquierda.
A partir del lado derecho, cada bit sucesivo incrementar el valor de la palabra en una
2M 1 ,
unidad, en dos, en cuatro, en ocho, y as hasta
siempre que el bit est en su
posicin de encendido (valor de 1); de lo contrario, el bit particular incrementa el valor

de la palabra con cero. Un esquema ponderado de una palabra de M bits se tiene en la
tabla 55.
Cuadro 55: Palabra
Bit
M 1
M 1
2
2M 1
Con este esquema, el bit
M 1
Bit 3
Bit 2
Bit 1
Bit 0
20
se conoce como el bit mas signicativo, ya que su
contribucin al nivel numrico de la palabra es el ms grande en relacin con los dems

bits. El bit 0 se conoce como el bit menos signicativo. Este esquema se conoce como
cdigo binario directo.
Varios cdigos binarios son de uso comn. El cdigo binario directo es el ms sencillo.
Considere una palabra de 4 bits. En el binario de 4 bits, 0 0 0 0 equivale a un cero
analgico y 1 1 1 1 a 15
150 FLIGLIOLA,
150
Richard. Mediciones Mecnicas Teoria y Diseo. 4 ed. Mxico.: Alfaomega, 2009.

347
Ejemplo 10.1. Convertir el nmero binario 16-bits a nmero decimal 0101110001011100.

Solucin. La representacin de los bits se hace de izquierda a derecha: 27 , 26 , 25 , 24 ,
23 , 22 , 21
20 . Por tanto para tener el decimal equivalente, simplemente hace que aadir
las contribuciones de cada bit.
N10 = 0(215 ) + 1(214 ) + 0(213 ) + 1(212 ) + 1(211 ) + 1(210 ) + 0(29 ) + 0(28 ) + 0(27 ) +
+1(26 ) + 0(25 ) + 1(24 ) + 1(23 ) + 1(22 ) + 0(21 ) + 0(20 )
= 0 + 16384 + 0 + 4096 + 2048 + 1024 + 0 + 0 + 0 + 64 + 0 + 16 + 8 + 4 + 0 + 0
= 23644
Ahora, se desea encontrar el nmero binario de 16-bits con el mismo valor que el de el
nmero decimal 92.
Cuadro 56: Conversin de desimal a binario

Residuo
223644
211822
25911
22955
21477
2738
2369
2184
292
246
223
211
25
22
21
0
0
0
1
1
1
0
1
0
0
0
1
1
1
0
1
La respuesta est contenida en los residuos. El nmero ms alto es el bit menos signicativo, y el nmero de abajo es el bit ms signicativo. La respuesta es, por tanto,
101110001011100. Sin embargo, se nos pide un nmero de 8 bits, por lo que el bit ms
signicativo es 0 y es la respuesta
N2 = 0101110001011100
348
10.2.2 Convertidores anlogo-digital

Para tener posibilidad de ingresar datos analgicos en un sistema digital, dichos datos
se deben transformar en valores digitales codicados. El primer paso es evaluar numricamente la seal en instantes discretos en el tiempo. Este proceso se llama muestreo y
el resultado es una seal digitalizada compuesta de valores discretos correspondientes a
151
cada muestra
. Para que dicho proceso tenga utilidad prctica es necesario elegir la
tasa de muestreo adecuadamente de modo que esa secuencia de nmeros identique de

forma nica a la seal analgica original. Esta es la esencia del teorema de muestreo.
La coleccin de puntos de datos muestreados forma un arreglo de datos y, aunque esta
representacin ya no es continua, puede describir con precisin la seal analgica origina
ver gura 136.
El teorema de muestreo desarrollado por H. Nyquist, quien armaba que una seal
analgica puede ser reconstruda, sin error, de muestras tomadas en iguales intervalos
de tiempo. La razn de muestreo debe ser igual, o mayor, al doble de su ancho de banda
152
de la seal analgica"
Este teorema arma que es necesario muestrear una seal a una tasa de mas de dos
veces la componente de frecuencia mxima para abarcar todos los componentes de
la frecuencia de muestreo, es decir, para representar elmente la seal analgica, las
muestras digitales se deben tomar a una frecuencia
fs
segn la ecuacin 276.
fs > 2fmx
a
(276)
fmx es el componente de mxima frecuencia en la seal analgica de entrada.

a
El trmino fs se conoce como tasa de muestreo y el lmite en la tasa mnima requerida
(2fmx ) se llama frecuencia Nyquist.
a
Donde
Ahora bien, si una seal se muestrea a una velocidad menor que
2fmx ,
a
puede resultar
aliasing. El aliasing es el efecto que causa que seales continuas distintas se tornen
indistinguibles cuando se les muestrea digitalmente. Cuando esto sucede, la seal original
no puede ser reconstruida de forma nica a partir de la seal digital. Este es un fenmeno
propio de la conversin A/D que se denir mas adelante, en el cual la frecuencia de la
seal reconstruida es menor que el de la seal original, lo cual ocurre cuando la frecuencia
de muestreo es demasiado baja; estos efectos pueden reducirse utilizando ltros paso bajo
antialiasing para atenuar las componentes a alta frecuencia de la seal
151 ALCIATORE,
153
David G. & HISTAND, Michael B. Introduccin a la Mecatrnica y los sistemas de

medicin. 3 ed. Mc Graw Hill, 2008.
152 Ibid., 319.
153 CORTS OSORIO, Jimmy A. FUNDAMENTOS Y APLICACIN DEL MUESTREO EN SEALES
349
Ahora, es importante involucrar tres conceptos bsicos para entender el proceso de conversin analgico digital: Cuantizacin, Codicacin y la Resolucin. La cuantizacin se
dene como la transformacin de una seal analgica continua, en una seal analgica
discreta. El valor de cada muestra de la seal se representa mediante un valor seleccionado de un conjunto nito de valores posible. La codicacin es la asignacin de un
cdigo de representacin binario a cada elemento de la seal analgica ya discretizada. Y la resolucin determina la precisin con la que se reproduce la seal original. Se
pueden utilizar 8, 16, 24, 32 bits por muestra. Mayor precisin a mayor nmero de bits.
La resolucin de un convertidor A/D se dene en trminos del incremento de voltaje
ms pequeo que causar el cambio de un bit
154
, es decir, es el nmero de bits usados
para aproximar digitalmente el valor analgico. La resolucin se especica en volts y se

determina por
Q = EF SR /2M
donde
es el valor detectable mnimo de voltaje,
(277)
EF SR
es el lado analgico del con-
vertidos A/D y se especica en trminos de un intervalo de voltaje a escala total, este

tambin es el que dene el intervalo de voltaje sobre el cual operar el dispositivo. Y
2M esta
denido por el lado digital en trminos del nmero de bits de su registro.
El trmino tiempo de conversin se utiliza para especicar el tiempo que tarda el convertidor en generar una palabra digital completa cuando se ha suministrado una entrada
155
analgica. Tpicamente, el tiempo de conversin es del orden de los microsegundos
Este depende del diseo del convertidor, el mtodo usado para la conversin y la velocidad de los componentes empleados en el diseo de cualquier experimento.
Estas caractersticas descritas anteriormente son claves para la precisin y la conabilidad
de las aplicaciones de control computacional.
10.2.2.1 Tipos convertidores A/D

Estos dispositivos en conjunto con el proceso de ltracin, son la etapa principal en un
sistema de procesamiento de seales. Luego, el mejoramiento e innovacin en esta etapa
conlleva al desarrollo de sistemas de procesamiento de mayor capacidad, resolucin y
aplicabilidad
156
. La resolucin de un convertidor A/D es el nmero de bits usados para
UBICADAS EN LAS BANDAS ALTAS DEL ESPECTRO. En: cientia et Technica Ao XIV, No 39,
Septiembre de 2008. Universidad Tecnolgica de Pereira. ISSN 0122-170. p. 3.
154 FLIGLIOLA, Beasly. Mediciones Mecnicas Teoria y Diseo. 4 ed. Mxico.: Alfaomega, 2009. p.
290.
155 BOLTON, Bill. MEDICIONES Y PRUEBAS ELCTRICAS Y ELECTRNICAS. ALFAOMEGA,
1995.
156 JARAMILLO J., Ivn y GARCA R., Antonio. DISEO DE UN CONVERTIDOR ANLOGODIGITAL INTEGRADO TIPO PARALELO.
350
aproximar digitalmente el valor analgico de la entrada.

En ingeniera y ciencias, tratamos constantemente con seales analgicas, como la fuerza
aplicada sobre un viga, la tensin de la red elctrica, la velocidad de un ujo hidrodinmico, etc. Estas seales que varan continuamente en el tiempo son analizadas y medidas
a travs de diversos instrumentos, que pueden ser analgicos o digitales. Los primeros
hacen medidas en base a respuestas obtenidas a partir de la seal elctrica original, como el movimiento de una aguja en un ampermetro como respuesta al campo magntico
producido por una corriente directa. Los instrumentos digitales por otro lado, tales como
el multmetro y el osciloscopio digital, transforman las seales elctricas a un conjunto
157
nito de datos para que estos sean procesados
En la gura 138 se muestran los componentes requeridos para la conversin A/D junto
con una ilustracin respectiva de sus salidas. Estos componentes deben seleccionarse
apropiadamente y aplicarse en esta secuencia para adquirir adecuadamente un seal de
voltaje analgico para un procesamiento digital.
Figura 138: Componentes usados en la conversin A/D.


Se usan un gran nmero de mtodos para convertir seales analgicas a la forma digital,
los cuales pueden ser clasicados como:
10.2.2.2 No Integradores
Tambin llamados convertidores A/D de muestreo y estos proporcionan el valor digital
158
equivalente a la tensin en el instante en el que la seal es muestreada

157 CRIADO,
y son:
D., ESPINOZA, R., MUJICA, N. y MUOZ, R. GUIA DE LABORATORIO: Circuitos

de corriente alterna: conversin analgica-digital. Universidad de Chile: Facultad de Ciencias Fsicas y
Matemticas,Departamento de Fsica, 2009.
1995.
351
Potenciomtricos.
De aproximaciones sucesivas.
Paralelo (ash converter).
De conversin de tensin en tiempo (simple rampa).
10.2.2.3 Integradores
Estos son los que promedian el valor de tensin sobre un tiempo de medida jo. Los
convertidores de este tipo tardan ms tiempo para dar una medida, pero tiene mejor
rechazo al ruido y estos son:
De conversin de tensin en tiempo (doble rampa).

De conversin de tensin en frecuencia.
10.2.2.4 Convertidor A/D de aproximaciones sucesivas

Es una de las tcnica de conversin ms efectiva. Se utiliza ampliamente debido a su
combinacin de alta resolucin y velocidad. El esquema consta de un contador dentro
del registro y no es un contador secuencial de uno en uno, sino un contador programable
que se incrementa o decrementa de acuerdo a la inuencia del bit de mayor peso. El
esquema de la gura 139, muestra este convertidor.
Figura 139: Esquema del Convertidor A/D de aproximaciones sucesivas.

10.2.2.5Convertidor Paralelo (ash converter)

Para conversiones ultrarrpidas como las requeridas en aplicaciones de procesamiento de
seales de video o radar se utilizan los conversores tipo paralelo (ash o simultneos).
352
Estos conversores en general no superan los 8 bits de resolucin. Para una conversin de
N bits, se utilizan
2N 1
comparadores, uno para cada dgito. Tales convertidores A/D
pueden tener un tiempo de conversin del orden de 10 ns. La gura 140 muestra el
circuito que implementa este mtodo de conversin.
Figura 140: Esquema de un Conversor A/D tipo paralelo.

10.2.2.6 Convertidor de tensin en tiempo (simple rampa)

El convertidor A/D de rampa es el ms simple y el ms econmico de los voltmetros
digitales. Este tipo de conversores utilizan mtodos indirectos para transformar la seal
analgica en su representacin digital. Bsicamente, la tensin desconocida es convertida
en un tren de pulsos cuya duracin se mide con un contador y un reloj (transformacin
del voltaje de entrada en un intervalo temporal, durante cuyo transcurso se genera
proporcionalmente un nmero de pulsos de perodo constante).
Debido a la no linealidad en la forma de la rampa y su falta de rechazo al ruido, la
precisin est, normalmente, limitada a
159
alrededor de 1000 veces por segundo

159 BOLTON,
1995.
0, 05 %.
La frecuencia de muestreo puede ser
. El esquema se muestra en en la gura 141.
Bill. MEDICIONES Y PRUEBAS ELCTRICAS Y ELECTRNICAS. ALFAOMEGA,
353
Figura 141: Esquema de un Conversor de rampa simple.

10.2.2.7 Convertidor de tensin en tiempo (doble rampa)

Este tipo de conversores tambin utilizan mtodos indirectos para transformar la seal
analgica en su representacin digital, es decir la tensin desconocida es convertida en
un pulso cuya duracin se mide con un contador y un reloj. Basadas en este principio,
existen diversas variantes; por ejemplo, los mtodos de doble rampa, y triple rampa. De
los mtodos mencionados el mas popular es el de doble rampa (Ver gura 142).
Figura 142: Esquema del Conversor doble rampa.

Los de tipo rampa tienen como punto fuerte la precisin, y al mismo tiempo, slo pueden
aplicarse a seales cuyo nivel oscile de forma muy lenta (un valor tpico de velocidad
de muestreo es de 10 muestras por segundo). Este dispositivo consiste en un integrador
basado en un amplicador operacional.
354
Para dos entradas, la seal analgica que se va a digitalizar y una seal de referencia
de valor constante. Un interruptor se encarga de que una de las dos est conectada en
todo momento al amplicador integrador. Otro interruptor se halla en paralelo con el
condensador, el que permite la intervencin que ste o no. El resultado de la actuacin
coordinada de ambos interruptores es que en la salida se obtenga una seal de doble
rampa. Una de subida (la carga del condensador con la tensin analgica en la entrada) y
la de bajada (con la tensin de referencia a la entrada). El clculo de la seal digitalizada
se fundamenta en la relacin entre los tiempos de subida y bajada, de acuerdo con la
siguiente ecuacin:
Vref
ts
=
tm
Va
(278)
Donde ts , es el tiempo de subida o de muestreo y tm el de bajada o de medida,

tensin de referencia y
Va
Vref
es la
es la tensin analgica. Los tiempos de muestreo y de medida
son detectados por un contador que se encuentra a la salida del integrador y dependen
de la resistencia, el condensador y la tensin de entrada.
Dada sus especiales caractersticas, los conversores A/D de doble rampa se utilizan, por
ejemplo, en los voltmetros digitales, por su exactitud e inmunidad al ruido. Pueden
alcanzar una resolucin de hasta 18 o 20 bits.
10.2.2.8 Convertidor de tensin en frecuencia

Con el convertidor A/D de tensin-frecuencia, la tensin analgica de entrada se convierte en una coleccin de impulsos cuya frecuencia es proporcional al tamao de la
tensin de entrada. La frecuencia se determina entonces contando el nmero de impulsos existentes en un intervalo de tiempo jo. La gura 143 muestra la forma que puede
tener el elemento de tensin frecuencia.
Figura 143: Esquema de un Conversor tesin-frecuencia.
Se utiliza un integrador para integrar la tensin analgica de entrada

355
vin , sobre el tiempo
que tarda la salida del integrador para ir de 0 a -vref . Este tiempo es
RCvref /vin .
Al
nal del tiempo, un generador de impulso emite un impulso simple. Como la entrada al
integrador todava presente, el proceso se repite de nuevo obtenindose nalmente una
secuencia de impulsos con una frecuencia determinada por
vin 160 .
Para concluir, una de las principales ventajas que presenta este convertidor es que posee
una alta capacidad de aislamiento. Tambin es interesante para el caso de transmisin
de informacin a larga distancia dado que la salida ya se encuentra digitalizada.
10.3 SISTEMAS DE ADQUISICIN DE DATOS

En la actualidad se tienen diversos medios los cuales permiten medir o sensar diversas
variables, como lo son temperatura, humedad, presin, luminosidad, velocidad, entre
otras, por ello se necesita de elementos ecientes que permitan transmitir de forma
rpida y segura estas mediciones. Los sistemas de adquisicin de datos son la parte de
un sistema de medicin que cuantica y almacena datos, y existen muchas forma para
hacerlo. Estos nos ayudan a analizar informacin presentada en forma digital o analgica,
la cual implica que con solo un cable logremos transmitir tanto datos como sea posible.
La gura 144 ilustra la secuencia de los componentes que lo constituyen.
Figura 144: Sistema General de Adquisicin de Datos

Los SAD son una herramienta de la cual se podr valer el investigador para lograr obtener
la medicin de temperatura, presin, etc., y ser enviada por un instrumento virtual, para
que estos valores sean procesados, con la interfase apropiada.
160 BOLTON,
Bill. MEDICIONES Y PRUEBAS ELCTRICAS Y ELECTRNICAS. Editorial ALFAOMEGA. 1995.

356
Un instrumento virtual consiste de una computadora personal equipada con hardware de

adquisicin datos y software para realizar las funciones de los instrumentos tradicionales,
las cuales realizan la digitalizacin y almacenamiento de datos, ofreciendo as la capacidad
de interaccin con el ser humano. El siguiente esquema ilustra (ver gura 145) como
un SAD puede ajustarse en el esquema general de medicin entre la medicin real y la
subsiguiente reduccin de datos
161
Figura 145: Esquema de medicin tpico de una seal analgica.
Fuente. FLIGLIOLA, Beasly. Mediciones Mecnicas Teoria y Diseo. Tercera edicin. Editorial
Alfaomega. Pag. 279.
El software es el componente ms importante de un instrumento virtual. Se puede usar
para crear aplicaciones personalizadas al disear e integrar las rutinas que requiere un
proceso en particular. El software tambin le permite crear una interfaz de usuario adecuado que se ajuste mejor al propsito de la aplicacin y a los usuarios que interactuarn
con ella.
El software LabVIEW de National Instrument, es un ejemplo de un entorno de desarrollo
de aplicacin, facil de usar, diseado especcamente para crear instrumentos virtuales.
ste ofrece caracteristicas que facilitan la conexin a una amplia variedad de hardware
y otra software. Otra caracteristica es su entorno grco de programacin.
Un ejemplo claro de la utilizacin de este software es en el experimento de Caracterizacin
de un Transductor de Presin. El montaje para el desarrollo del experimento se puede
observar en la gura 146, donde los elementos empleados para este son: Un PC portatil,
tarjeta de adquisicin de datos DAQ USB-6216, fuente de alimentacin y el banco de
pesos muertos.
1995.
357
Figura 146: Banco de prueba para la Calibracin de un Transductor de Presin.
En la gura 147 se muestra el programa y la interfaz grca que permite la conexin

entre hardware y software. Este programa facilita la adquisicin y almacenamiento de los
datos, para el respectivo procesamiento de los datos, que se osbservarn en el siguiente
captulo.
Figura 147: Programa e interfaz grca en LabVIEW.

Otro ejemplo, es el Software Data Studio. Este permite adquirir y manipular datos tomados con las interfases y sensores. Tambien permite mostrar las mediciones de maneras
diferentes, analiza los datos con poderosas herramientas computacionales, da la opcin
358
de redactar informes incluyendo los datos experimentales de manera automtica. Permite crear libros o apuntes electrnicos o tomar algunos de los de la librera que ofrece
el software.
10.3.1 Caractersticas tecnicas de las Tarjetas de Adquisicin

de Datos
Por otra parte, para la construccin de los anteriormente mencionados instrumentos
virtuales tambien hace parte primordial el hardware. Este est compuesto por una tarjeta
de daquisicin de datos, quien es la que permite la adquisicin de ellos y su posterir
anlisis. Esto se logra a partir de una conexin al bus PCI en una computadora, estas
tarjetas se diferencian por el nmero de muestras por segundo que pueden realizar, por
el nmero de bits (resolucin) y por el nmero de canales que manejan.
Las entradas a cualquier tarjeta tienen terminales ajustables con tornillos para conectar
fcilmente la seal, teniendo exibilidad adicional al manejar conguraciones mltiples de
cableado. El uso comn es para proyectos donde sean esenciales la economa, el tamao
pequeo, y la simplicidad, como por ejemplo, el registro de datos y el uso acadmico en
el laboratorio.
Un ejemplo, es la tarjeta DAQ USB-6216 que tiene como caracteristicas: Resolucin 16
bits; Velocidad de entradas analgicas 400 K/muestras por segundo; la tarjeta trae un
contador que permite contar pulsos con una velocidad mxima de 1.5 Mhz; el rango
mximo de entrada est entre
10.4
V; se dispone de 16 canales de entrada y dos
canales de salida analgicas, as como de 16 canales de entrada/salida digital. Para un

descripcin mas detallada de las caracteristicas de esta tarjeta ver Anexo A.
En general y para comcluir, cuando se habla de un sistema de DAS basado en un PC,
se pueden identicar 5 partes principales: El PC, el Software, Hardware de adquisicin
de datos, acondicionamiento de seales y los sensores. Las caracteristicas de cada uno
de estos componentes son parte importante del desempeo adecuado del sistema.
10.4 COMPONENTES DE UN SISTEMA DE ADQUISICIN DE DATOS

Evidentemente, cada experimento tiene sus particularidades, pero en general, la medicin
de una variable de un sistema cualquiera involucra los siguientes elementos integrantes
de un Sistema de Adquisicin de Datos:
359
Sensores.
Acondicionamiento de la seal.
Filtros.
Multiplexores.
El siguiente esquema muestra la estructura de un Sistema de Adquisicin de Datos
utilizado para el muestreo simultaneo de seales.
Figura 148: Esquema de ujo de la seal para un SAD automatizado
Fuente. FLIGLIOLA, Beasly. Mediciones Mecnicas Teoria y Diseo. Tercera edicin. Editorial
Las seales fsicas de entrada pasan por distintas etapas, hasta llegar al punto de medicin
del SAD. Estas se convierten en seales elctricas de formato apropiado a travs del
transductor. Posteriormente se le "impone" a la magnitud transformada, es decir a la
seal de salida del transductor, que cumpla con determinadas condiciones, en particular
de estandarizacin, mediante el sistema acondicionador de seal; as se ltra y adecua
(atenuando o amplicando) la seal para que los valores analgicos de fondo de escala
sean similares. Si se utiliza un solo conversor A/D para todas las seales (cuando la
frecuencia de muestreo lo permite), se intercala un circuito multeplexor analgico. Luego,
de convertido cada valor analgico muestreado en un valor digital mediante el conversor
A/D, se almacena en el grupo de memorias de almacenaje de datos (Mem). Los datos
almacenados se procesan por medio del sistema administrador del SAD para obtener los
parmetros deseados y visualizarlos con el sistema local de medicin de seales asociado.
El sistema de transmisin de datos permite monitorear o controlar desde un sistema
remoto de medicin de seales utilizando, por ejemplo, un PC.
10.4.1 Sensores
Este es un elemento en un sistema de medicin que detecta la magnitud de un parmetro
fsico y lo cambia por una seal que puede procesar el sistema, es decir, realizan la
360
transicin entre el mundo fsico y el elctrico. Al elemento activo de un sensor se le

conoce comnmente como transductor. Las seales de entrada pueden representar fuerza,
temperatura, ujo, desplazamiento, velocidad, nivel, etc., y su equivalente elctrico a
la salida de los transductores estn por lo general en la forma de tensin, corriente,
resistencia o capacidad.
Los sensores mas empleados, dependiendo del experimento a desarrollar, son: Sensores
de temperatura, de desplazamiento, Transductores de fuerza y presin, Detectores de
luz, etc.
10.4.2 Acondicionamiento de la seal

La salida que proporciona el sensor no siempre se puede conectar directamente al aparato
de medida. Los motivos son variados: ya sea porque la salida del sensor es dbil y el
instrumento no es capaz de detectarla, ya porque interesa convertir la seal de intensidad
o frecuencia en voltaje, o por otras razones. Es necesario entonces preprocesar la seal
antes de que llegue al instrumento. Los circuitos de acondicionamiento de seales mejoran
la calidad de la seal generada por el transductor antes de que sean convertidas a seales
digitales.
Algunos ejemplos de acondicionamiento de seal son: Amplicacin, Aislamiento, Filtros
y Circuitos electronicos simple (amplicador inverso y no inverso, sumador, restador,
intragrador, etc.).
10.4.3 Amplicador.
Si la seal que entrega el transductor debe ser simplemente amplicada para llevarla de
algunos milivolts al rango de fondo de escala del conversor, por ejemplo
con utilizar un
amplicador
10
V, basta
con la ganancia adecuada. La idea de un amplicador es
que aumente la amplitud de una seal sin afectar las relaciones de fase de los diferentes
componentes de la seal. Cuando se elige un amplicador, se debe considerar el tamao,
costo, consumo de potencia, impedancia de entrada y salida, ganancia y ancho de banda.
Por lo general, un amplicador se modela como un dispositivo de dos puertos, con voltaje
de entrada y salida referidos a tierra, como se ilustra en la gura 149.
361
Figura 149: Modelo de amplicador.

La ganancia de voltaje de un amplicador se dene como la razn de las amplitudes del
voltaje de salida y de entrada:
AV =
Vsal
Vent
La impedancia de entrada y salida de un amplicador,
(279)
Zent
Zsal ,
encuentran al medir
la razon de sus repectivos voltaje y corriente:
Zent = Vent /Ient
(280)
Zsal = Vsal /Isal
(281)
Siempre debe tenerse en cuenta la posibilidad de utilizar otros amplicadores especiales,

como los operacionales, de instrumentacin y de aislacin, ya que adems de proveer
ganancia para la seal proporcionan otras ventajas y pueden ser la opcin mas adecuada
desde el punto de vista econmico.
10.4.4 Aislamiento.
Otro acondicionamiento til es aislar el transductor de la computadora por razones de
seguridad. El equipo que se monitorea puede manejar altos voltajes que podran daar el
sistema. Otra razn para aislar elctricamente, es asegurar que las lecturas del transductor
no se vean afectadas por las diferencias de potencial de las tierras.
10.4.5 Filtros.
Despues de la etapa de amplicacin de la seal, es comn encontrar un ltro. Tiene
como funcin atenuar determinadas frecuencias del espectro de la seal de entrada y
permitir el paso de las dems. Las ventajas de los ltros activos son:
362
Facilitan el diseo de ltros complejos mediante la asociacin de etapas simples.

Permiten eliminar las inductancias voluminosas, presentes en bajas frecuencias.
Permiten agilizar y exibilizar proyectos.
Proporcionan una ganancia.
Adems pueden tener algunos inconvenientes como el requerir alimentacin para la
polarizacin de los amplicadores, su respuesta en frecuencia puede estar limitada
al tipo de amplicador utilizado, adems su utilizacin esta limitada a circuitos de
baja potencia.
Los ltros se pueden clasicar de la siguiente manera:
Figura 150: Clases de Filtros.

10.4.5.1 De acuerdo a la funcin o trabajo a realizar162 :

Filtro Paso Bajo (PB):
Es aquel que permite el paso de frecuencias bajas, desde
frecuencia 0 o continua directa hasta una de valor determinado. Presentan ceros a alta
frecuencia y polos a bajas frecuencia.
162 CORTS
O., Jimmy A. FUNDAMENTOS Y APLICACIN DEL MUESTREO EN SEALES UBICADAS EN LAS BANDAS ALTAS DEL ESPECTRO. En: Scientia et Technica Ao XIV, No 39, Septiembre de 2008. Universidad Tecnolgica de Pereira. ISSN 0122-170. p. 4.
363
Filtro Pasa Alta (PA):
Es el que permite el paso de frecuencias desde una frecuen-
cia de corte determinada hacia arriba, sin que exista un lmite superior especicado.
Presentan ceros a bajas frecuencias y polos a altas frecuencias.
Filtro pasa banda (PF)
Es aquel que permite el paso de componentes frecuenciales
contenidos en un determinado rango de frecuencias, comprendido entre una frecuencia

de corte superior y otra inferior.
Filtro elimina banda
Tambin llamado ltro rechaza banda, es el que diculta el
paso de componentes frecuenciales contenidos en un determinado rango de frecuencias,

comprendido entre una frecuencia de corte superior y otra inferior.
Filtro multibanda
Es que presenta varios rangos de frecuencias en los cuales hay un
comportamiento diferente.
Filtro variable
Es aquel que puede cambiar sus mrgenes de frecuencia.
10.4.5.2 De acuerdo a su tecnologa :

Filtros pasivos:
Estn construidos por elementos pasivos como resistencias, induc-
tancias y capacitancias, cuentan con muchas ventajas para el ltrado de seales de

potencia, pero pueden ser demasiado voluminosas en el manejo de bajas frecuencias.
Filtros activos:
Cuentan con elementos activos como los amplicadores opera-
cionales y sus ventajas de operacin permiten la construccin de ltros con muy buenas
calidades.
Filtros digitales:
Los ltros digitales convierten las seales a ltrar a seales digitales
a travs de conversores A/D, la seal es entonces pasada por el ltro correspondiente y

nalmente se reconvierte a una seal anloga a travs de un convertidor D/A
163 Gonzales,J;
Orozco, A . Medidas e instrumentacin. http://www.virtual.unal.edu.co
364
163
10.4.5.3 De acuerdo a la funcin matemtica utilizada para obtener una curva

especca
Los ltros realizan una operacin matemtica bien denida, que especica su funcin de
transferencia en la seal de entrada.
Cada uno de ellos cuenta con una funcin matemtica que permite aproximar la curva
de respuesta a la ideal de cada tipo de ltro.
Filtro Butterworth:
Kpb
w = 0,
La funcin de transferencia del ltro en funcin de la ganancia
la frecuencia de corte y el orden del ltro
|H(jw)| =
es:
KP b
w
1 + ( wc )2n
(282)
n = 1, 2, 3, ...
El orden del ltro tiene que ver con el nmero de polos de la funcin de transferencia o
con el nmero de redes presentes en la estructura. Mientras mayor sea el orden del ltro
ms aproximada ser su respuesta a la respuesta ideal del ltro (gura 151).
Si la frecuencia
es mucho mayor que la frecuencia de corte, puede demostrarse que la
atenuacin del ltro viene dada por:
Atenuacin = 20 n log
o
w
wc
n = 1, 2, 3, ...
Figura 151: Filtro Butterworth.
Fuente: Gonzales, J. y Orozco, A . Medidas e instrumentacin.
365
(283)
Filtro Chebyshev:
Como pudo observarse para frecuencias de cercanas a las de corte
la respuesta del ltro Butterworth no es aceptable, especialmente si el ltro es de orden

bajo. Los ltros Chebyshev poseen mejor respuesta para este tipo de frecuencias pero
presentan un rizado (RIPPLES ) en la banda pasante
164
. La funcin de transferencia dada
por Chebyshev es:
KP b
|H(jw)| =
2
1 + E 2 Cn
(284)
w
wc
n = 1, 2, 3, ...
0<E1
Donde
Kpb:
wc:
es la ganancia del ltro cuando la frecuencia es cero.
es la frecuencia de corte
E :Constante
Cn:
que determina la amplitud del rizado
Polinomio de Chebyshev
El Polinomio de Chebyshev esta dado por:
Cn (w) = cos(n arc cosw)
(285)
Figura 152: Filtro de Chebyshev
El nmero de rizados presentes en la banda de paso es igual al orden del ltro y su

amplitud depende del parmetro E.
E=
164 Gonzales,J;
10P R/10 1
Orozco, A . Medidas e instrumentacin. http://www.virtual.unal.edu.co

366
(286)
El porcentaje de atenuacin del ltro Chebyshev puede encontrarse a partir de la siguiente

expresin.
AT = 20logE 6 (n 1) 20log
w
wc
(287)
Donde:
n: Orden del ltro. E: Constante que determina la amplitud del rizado. wc: Frecuencia
de corte.
Y donde la amplitud de los rizos est dada por:
P R(dB) = 20log 1 + E 2
(288)
10.4.6 Multiplexores.
El multiplexor es un interruptor de mltiples puertos que permite que varias lneas de
entrada analgica se conecten a un lnea de salida comn. Los multiplexores analgicos
(ver gura 153) son circuitos que permiten compartir un conversor A/D entre varios
canales analgicos. Dado que el conversor A/D es en la mayora de los casos el componente mas costoso del sistema de adquisicin, la opcin de multiplexar las entradas
analgicas al conversor es una de las soluciones mas econmicas.
Figura 153: Multiplexor.

Fuente.
FLIGLIOLA, Beasly. Mediciones Mecnicas Teoria y Diseo. Tercera edicin. Editorial
367
10.5 CASO DE ESTUDIO: PROCESO DE ADQUISICIN DIGITAL Y ANLISIS DE DATOS. MEDICIN Y ANLISIS EN EL DOMINIO DE LA FRECUENCIA DE UN SONIDO.
Los benecios proporcionados por los sistemas de adquisicin de datos en este experimento son la obtencin de datos precisos y ables a la hora de adquirir la seal (sonido).
En este experimento el uso del sistema de adquisicin de datos como una herramienta de
trabajo permite mejorar la calidad de la informacin adquirida, ya que mediante el uso
de amplicadores, ltros y aislamientos se puede procesar y anlizar la seal de interes.
Para este caso, la seal de interes es el sonido de la voz.
Actualmente, la integracin de hardware y software permite mayor control sobre el experimento bajo prueba y mayor precisin en la toma de datos (las lecturas al ser realizadas a
criterio del ojo humano pueden conducir a errores en los resultados), y la unin adicional
a un computador ofrece ventajas anexas como alta capacidad de almacenamiento y de
165
procesamiento de datos
Acontinuacin, en la gura 154 se ilustrar el procedimiento empleado para la adquisicin,

procesamiento y analisis de la voz, como seal de interes para este caso de estudio.
Figura 154: Diagrama de ujo para la Adquisicin de la seal

165 TOVAR,
E. & QUIONES, C. Un Instrumento Virtual Sencillo de Adquisicin de Datos y Control de

Temperatura para la Determinacin Experimental de Calores de Vaporizacin. En: Revista Colombiana
de Fsica. 2008.
368
Existen elementos importantes para el Sistema de Adquisicin de Datos. En la gura

155 se muestra el proceso y los elementos que componen este caso de estudio.
Figura 155: Sistema de adquicin de datos para una seal de voz.

El procedimiento empleado para la adquisicin y procesamiento de un sonido usando

como herramienta computacional Matlab comprende los siguientes items:
1. Entrar al entorno de MATLAB para utilizar las herramientas que esta ofrece, para
este caso, el procesamiento de la voz. Las funciones empleadas son: WAVRECORD,
WAVPLAY y SPTOOL.
WAVRECORD es una funcin usada para la grabacin de sonido empleando

el dispositivo de entrada de audio de Windows. En la ventana de comando
se escribe la funcin de la siguiente manera:
Y = W AV RECORD(N, F S, CH)
donde N es el tiempo de duracin de la voz multiplicado por la frecuencia de
muestreo (FS), y CH el nmero de canales de entrada del dispositivo de audio
de Windows WAVE. Los valores estandares de audio FS son: 8000, 11025, 22050
y 44100 Hz. Y para el CH pueden ser 1 o 2, es decir, monofonico o estreo,
respectivamente.
wavplay es un comando que permite escuchar el sonido usando el dispositivo

de salida de audio de Windows. La funcin para este es:
W AV P LAY (Y, F S)
Y
sptool
es empleado como una herramienta para el procesamiento de
Seales - Interfaz grca de usuario. Este comando abre la ventan que permite importar, analizar y manipular seales, ltros y espectros.
2. Grabar la voz usando WAVRECORD y reproduccin de la misma con WAVPLAY.
369
3. Comenzar el procesamiento de la seal usando ltros para lograr el objetivo: eliminar ruido.
Figura 156: Adquisicin y reproduccin del sonido. Seal sin tratamiento.
Para una ecaz eliminacin del ruido se debe observar el comportamiento de la

seal gura 156, este se puede lograr teniendo el espectro de la misma como se
ve en la gura 157 .
Figura 157: Espectro de la seal sin tratamiento.
4. Diseo del ltro o ltros necesarios para la eliminacin del ruido. Esto se logra en
la interfaz grca del comando Sptool como se observa en la gura 158.
370
Figura 158: Interfaz Grca
Para el diseo del ltro se debe tener un conocimiento previo de la frecuencia a la

que se encuentra el ruido. Para este ejemplo, una de las frecuencias que se ltraran
y que puede ocacionar la distorsin de la voz, son aproximadamente: 0 a
1860
70
Hz.
Los ltros empleados para cumplir con el objetivo son: Pasabanda y pasabajas.
5. Finalmente, despues de aplicados los ltros a la seal adquirida inicialmente, se
obtiene otra seal, mas nitida, que cumple con el requisito u objetivo, que es el de
un sonido de voz mas clara y limpia. La gura ilustra 159 como nalmente queda
la seal de la voz despues de haber sido tratada.
Figura 159: Seal de una voz
371
Como conclusin de esta experiencia, se puede decir que la adquisicin de datos a travs
de tarjetas incorporadas en un CP porttil usando Matlab, permite conectarnos en tiempo
real con procesos analgicos en forma simple. Slo se requiere que las tarjetas del PC
sean reconocida por Matlab.
Matlab reconoce los sistemas de adquisicin de datos de la mayora de fabricantes conocidos.
10.6 ANLISIS DE INCERTIDUMBRE

10.6.1 Incertidumbre
Aristteles abord por primera vez el concepto de incertidumbre hace cerca de 2300 aos
cuando ponder la certeza de un resultado. Sin embargo, no fue sino hasta nales del
siglo XVIII que los cientcos consideraron los efectos cuanticables de los errores en las
medidas. Desde entonces se han presentado avances continuos en la caracterizacin de
la incertidumbre. La ANSI/ASME, NCSL, AIAA han desarrollado nuevos estandares en
base a el estandar Internacional de Incertidumbre Experiemental realizado por la ISO,
que diere de los demas en la nomenclatura usada, en el estandar ISO se denominan
errores Tipo A y Tipo B en vez de errores aleatorios y sistematicos, respectivamente.
Cuando un proceso fsico es cuanticado, se pueden presentar incertidumbres asociadas
con el modelado y simulacin y/o con las mediciones. Las incertidumbres de modelado
y simulacin ocurren durante las fases de modelado conceptual del sistema fsico, modelado matemtico del modelo conceptual, discretizacin y seleccin del algoritmo para
el modelo matemtico, programacin del modelo discreto, solucin numrica del modelo
programado, y representacin de la solucin numrica
166
. Las incertidumbres predictivas
(modelado y simulacion) pueden subdividirse en incertidumbres de modelado y numricas. La gura 160 da una idea general de la clasicacin de las incertidumbres predictivas
y la causa por la que se presenta cada una de ellas.
166 DUNN,
Patrick. Measurement & Data Analysis for Engineering & Science. 1 ed. University of Notre
Dame, Indiana, USA.: McGraw-Hill, 2005
372
Figura 160: Tipos de incertidumbre
x es expresado con la misma precisin que su incertidumbre ux , tal como 1.25

0.05. La magnitud de ux depende de la conanza asumida,
las incertidumbres que contribuyen a ux , y cmo se combinan dichas incertidumbres.
Por convencin, el valor reportado de
10.6.2 Comparacin entre teoria y mediciones

Convencionalmente, la incertidumbre experimental es denotada en una presentacin grca por barras de error centradas en los valores de medicin y la incertidumbre de modelado por curvas punteadas a ambos lados de la curva terica. Ambas incertidumbres
deben ser estimadas con la misma conanza estadstica.
La gura 160 permite tener una idea mas clara de lo dicho anteriormente, cuando todos
los puntos de datos y sus barras de error estn dentro de las curvas de incertidumbre del
modelo, se dice que el experimento y la teora estn completamente de acuerdo dentro
de la conanza asumida, si algunos puntos de datos y parte o todas sus barras de error
estn dentro de las curvas de incertidumbre predictiva, se dice que el experimento y la
teora estn parcialmente de acuerdo dentro de la conanza asumida; no hay acuerdo
cuando todos los puntos de datos y sus barras de error estn por fuera de las curvas de
incertidumbre predictiva.
373
Figura 161:
tales
Presentacin grca de una comparacin entre resultados predictivos y experimen-
Fuente: Shedd, T. Measurements Lab, pag. 269

Se debe resaltar que el acuerdo entre teoria y experimento no implica exactitud necesariamente, pues se puede presentar que una mala teoria puede concordar con malos datos,
tambien se puede presentar que una teoria equivocada puede estar de acuerdo con un
buen experimento por simple coincidencia; otra posibilidad puede suceder cuandon una
teoria correcta no concuerde con el explerimento debido a la presencia de variables imprevistas no consideradas o no controladas durante el experimento. Es muy importante
escoger muy bien los argumentos, debido a que la mayoria de experimentos se hacen
con el n de comprobar o rechazar una hiptesis en particular mientras se ignoran otras
hiptesis, asi que se pueden estar despreciando factores y detalles importantes que podran llevar a una conclusin diferente.
10.6.3 Error en el proceso de medicin

El proceso de medicin experimental introduce por si mismo errores sistemticos y aleatorios
167
. El error aleatorio arrojado de una serie de mediciones repetidas en un experimento
en el tiempo que se hace bajo condiciones estables, es el resultado de factores pequeos

incontrolables que de alguna manera inuyen en los varoles de medicion debido a que
varian durante el experimento, aunque existen algunos factores que no varian en tiempos
cortos, si lo hacen sobre periodos largos; razon suciente para considerar el efecto del
intervalo de tiempo de medicion.
167 DUNN.
Op. cit., p. 269.
374
Figura 162: Errores derivados del proceso experimental
En el experimento anlogo muestra-a-muestra, el error aleatorio resulta por la variabilidad del sistema de medicin muestra-a-muestra como de las variaciones debidas a
factores pequeos incontrolables durante el proceso de medicin. Los errores que no
se relacionan directamente con los errores del sistema de medicin pueden identicarse
repitiendo y replicando un experimento. Los diferentes niveles de replicacin en un experimento permiten identicar varios tipos de errores, por ejemplo: en el nivel de replicacin
de orden cero, solo se encuentran los errores inherentes al sistema, lo cual equivale a
condiciones absolutamente estables en un experimento en el tiempo o a una nica muestra ja en un experimento muestra-a-muestra; en el nivel de replicacin de orden n, se
consideran errores sistemticos ms all del nivel de primer orden.
10.6.3.1 Fuentes de error.

Las fuentes de error se agrupan de acuerdo a los tres fases fundamentales en un sistema
de medicion, de ahi que se tengan: Errores de calibracin, errores en la adquisicin de
datos y errores en la reduccin de datos.
Errores de Calibracin.
La calibracin no elimina, reduce a valores aceptables los
errores del sistema de medicin, los tipos de errores que se presentan en esta fase pueden
375
ser sistemticos o aleatorios. Estos tipo de errores entran mediante dos fuentes: la primera
son los errores de sesgo y precisin en el estndar usado en la calibracin y la segunda
es la manera en que se aplica el estndar al sistema de medicin o componentes del
sistema.
La incertidumbre propagada de la calibracin contra un estndar ms preciso an reeja
la incertidumbre de ese estndar. El orden de los estndares en trminos del aumento
de los errores de calibracin procede del estndar principal a travs de estndares entre
laboratorios, de transferencia y funcionales. Tpicamente, la incertidumbre de un estndar
usado en una calibracin es tratada como un error sistemtico jo en esa calibracin y
en cualquier clculo de incertidumbre posterior.
En la tabla 163se citan algunos errores elementales comunes que hacen parte de este
fase de medicin.
Figura 163: Error elementales de calibracin

Elemento
Fuente de error
Del estndar primario al de interlaboratorio
Del estndar de interlaboratorio al de transferencia
Del estandar de transferencia al de laboratorio
Del estandar de laboratorio al sistema de medicin
Tcnica de calibracin
Errores en la reduccin de datos.
Los errores de reduccin de datos salen de
mtodos computacionales, tales como un anlisis de regresin de los datos, y de usar

diferencias nitas para aproximar derivadas e integrales; tambin son consecuencia de
las tcnicas y mtodos usados en el experimento, stas pueden incluir incertidumbres
de efectos ambientales no controlados, ubicacin inexacta del sensor, perturbacin del
proceso bajo investigacin debido a los instrumentos, variabilidad operacional, ajuste de
la curva de calibracin, etc.
10.6.3.2 Errores de Sesgo y Errores de Precisin.

Para un anlisis completo de errores, se deben tener en cuenta los elementos que contribuyen al error en una medicin particular, por lo tanto se pueden hacer ciertas generalizaciones de fuente de error para ayudar a su identicacin. Existen dos categorias que
agrupan los errores de medicin: Errores de sesgo y errores de precisin, las mediciones
mal hechas no se consideran, de ahi que dichos datos se deben descartar. Debido a los
errores, la exactitud de una medicin nunca puede ser certera, por lo tanto el mejor
376
estimado del valor verdadero en una medicin es el que proporciona el valor medio de la
muestra y la incertidumbre:
x = x ux
(289)
ux
es llamado Anlisis de Incertidumbre.
El mtodo por el cual se cuantica el trmino
Errores sistemticos (de sesgo):
Los errores sistemticos algunas veces son dif-
ciles de detectar y pueden ser encontrados y minimizados a travs de una cuidadosa

calibracin, que involucra la comparacin con un valor verdadero conocido. Determinan
la precisin de la medicin, adems, carecen de cualquier informacin estadstica. El error
sistemtico es la diferencia entre el valor medio real y el valor medio de la muestra. En
otras palabras, si la estimacin de una cantidad no es igual al valor actual de la cantidad,
entonces la cantidad es sesgada. La incertidumbre sistemtica puede ser tratada asumiendo que los errores sistemticos permanecen constantes, su estimacin involucra el uso
de estadstica. Se asume que los errores sistemticos siguen una distribucin Gaussiana.
La incertidumbre sistemtica (limite de parcialidad) en el valor de
El valor de
Bx
tiene una conabilidad de
Bx .
x es denotada por Bx .
Tpicamente, un fabricante proporciona
Bx . El valor de
unidades de Bx . Por
un valor para la precisin de un instrumento. Este nmero se asume como

la conabilidad es una estimacin de la precisin y es expresado en
lo tanto, entre menor sea su valor, mayor conanza en el valor reportado de la precisin.
Formalmente, la incertidumbre sistemtica en el valor de
es:
Bx = tvBx ,C .SBx
Donde
SBx
(290)
es la desviacin estndar del error sistemtico. Los grados de libertad para
la incertidumbre sistemtica en
1
2
vBx
La cantidad
son:
Bx
Bx
1
2
SBx
SBx
Bx
es determinada la incertidumbre sistemtica relativa de
Bx
certeza en la estimacin de
Bx
implica un
Una certeza del 100 % corresponde a
vBx
Bx menor
= . Esto
(291)
Bx .
Mayor
y, por lo tanto, un mayor
vBx .
signica efectivamente que se
necesita un nmero innito de mediciones para asumir una certeza del 100 % en el valor
declarado de
Bx .
Errores aleatorios (de precisin):
Resultan de un gran nmero de efectos muy pe-
queos incontrolables que son independientes uno del otro y con cada uno inuenciando
a la magnitud a medir. Los errores aleatorios estn relacionados con la dispersin en
377
los datos obtenidos bajo condiciones jas. Determinan la precisin, o repetibilidad, de

la medicin. El error aleatorio es la diferencia entre un lmite de conanza (superior o
inferior) y el valor medio de la muestra. Este lmite de conanza es determinado de la
desviacin estndar de los valores medidos, el nmero de mediciones, y el porcentaje de
conanza asumido. Los errores aleatorios son estadsticamente cuanticables. Pueden
reducirse repitiendo las medidas y controlando cuidadosamente las condiciones. Es razonable asumir que los errores aleatorios resultantes seguirn una distribucin Gaussiana.
Esta distribucin se caracteriza a travs de la media y la desviacin estndar del error
aleatorio. Debido a que la incertidumbre es una estimacin del error en una medicin,
puede ser caracterizada por la desviacin estndar del error aleatorio. Formalmente, la
incertidumbre aleatoria (limite de precisin) en el valor de
es:
Px = tvP x ,C .SPx
(292)
SPx es la desviacin estndar del error aleatorio, tvP x ,C es la variable Estudiante t

basada en vPx grados de libertad, y C es el porcentaje de conanza. De la misma manera,
la incertidumbre aleatoria en el valor promedio de x determinada de N mediciones es:
Donde
SP
Px = tvP x ,C .SPx = tvP x ,C . x
N
Usualmente la ecuacin para
Px
(293)
es usada para experimentos que involucran una nica
medicin de la magnitud de inters, y la ecuacin de

grados de libertad para la incertidumbre aleatoria en
Px para
x son:
mltiples mediciones. Los
vPx = N 1
Figura 164: Experimento con nueve valores registrados
378
(294)
10.6.4 Anlisis de Incertidumbre en la etapa de diseo

El anlisis de incertidumbre en la etapa de diseo se reere al anlisis que se realiza
antes de la medicin, es til para la seleccin de instrumentos y tcnicas de medicin,
as como para obtener una estimacin aproximada de la incertidumbre probable en los
datos medidos. En esta etapa, es dicil distinguir entre errores de sesgo o precision, pero
se deben considerar como fuente de incertidumbre.
En un sistema de medicin, se cuentan con sensores e instrumentos que hacen una
contribucion individual a la incertidumbre del sistema que no pueden pasar inalvertidas,
por lo tanto lo primero que se debe hacer en un nalisis de la etapa de diseo es
determinar la minima incertidumbre como resultado de la medicin en el valor medido.
Aun cuando todos los errores fueran diferentes que cero, el valor del mesurando debe
afectarse por la habilidad para discriminar o resolver la informacin que proporciona el
instrumento, esto se llama Incertidumbre de orden cero del instrumento,
u0 . Sin embargo,
se debe establecer un medio que permita estimar los efectos de ms de un error, el mtodo
de raiz de la suma de los cuadrados (RSS) por sus siglas en ingls root-sum-squares, es
la forma mas aceptada de combinar dichos errores.
El mtodo RSS de la combinacin de errores, se basa en la consideracin de que las posibles variaciones en los valores de un error en mediciones repetidas tendern a seguir una
distribucin gaussiana. Como tal, la estimacin RSS de todos los errores que contribuyen
debera dar una media probable del error en cualquier medicin .
Aunque una buena forma de estimar el error en la medicin es mediante una simple suma
de los errores elementales lo cual proporcionaria un estimado mayor del posible error, el
mtodo RSS asume que todos los errores pueden ocurrir de la peor manera posible para
cada una y todas las mediciones. En la gura165 se puede observar los dos parametros
que inuyen en el anlisis de incertidumbre en la etapa de diseo como lo son el error
de interpolacin y el error del instrumento.
Figura 165: Procedimiento de la incertidumbre en la etapa de diseo.
Fuente: Mediciones mecnicas teora y diseo. Figliola-Beasley, pag.165.

379
Ejemplo 10.1 (Ejemplo 5.2 Figliola. Mediciones mecnicas) El voltimetro se emplea

para medir la salida de un transductor de presin que genera una seal electrica. La
2
presin nominal esperada ser ~3psi (3 lb/pulg ). Estime la incertidumbre de la etapa
de diseo en esta combinacin. Se dispone de la siguiente informacin:
Volimetro: Resolucin: 10
5psi
Salida: 5V
Transductor: Intervalo:
10V cd
1 %
tervalo
Exactitud: dentro de 0.001 % de la lectura.

Sensibilidad: 1V/psi
Voltaje de entrada:
Linealidad: dentro de 2.5mV/psi sobre el in-
Repetibilidad:dentro de 2mV/psi sobre el intervalo.
Resolucin
despreciable.
Consideracin: Valores representativos del instrumento a la probabilidad del 95 %
Solucin:
Para el voltimetro se tiene:
(u0 )V = 1/2 10 = 5V
(uc )V = (3V 0,00001) = 30V
(ud )V =
u2 + u2 = 30,4V = 0,030mV
0
c
Para el trasductor se tiene:(ud )t
(2,5mV /psi 3psi)2 + (2mV /psi 3psi)2 =
9,61mV
La incertidumbre en la etapa de diseo esta dado por:
ud =
(ud )2 + (ud )t 2 =
V
(0,030)2 + (9,61)2 = 9,61mV

En escencia la incertidumbre se debe al transductor, un mejor voltimetro no mejoraria la
incertidumbre en la medicin, por lo tanto si se desean mejores resultados de presin se
debe encontrar un mejor transductor.
10.6.5 Anlisis de incertidumbre en la medicin.

Este anlisis incluye la identicacin de todos los errores que se presentan en cada una de
las etapas del experimento y como se extienden dichos errores en la incertidumbre total
de un resultado deseado. El objetivo especico del anlisis de incertidumbre es obtener
380
un valor de la incertidumbre total,

o resultado basado en
x,
ux , de la variable, x.Para el caso de una nica medida
esto es expresado como:
xnext = x ux ( %C)
(295)
En la que la estimacin es obtenida con un porcentaje de conanza. Para el caso de una

medicin mltiple o resultado basado en x, esto se convierte en:
xtrue = x ux
En donde
total,
Ux ,
(296)
x denota el promedio de la muestra de x. Para cualquier caso, la incertidumbre

puede expresarse como:
ux = k uc
Donde
es el factor de cobertura y
uc
(297)
la incertidumbre estndar combinada. De acuerdo
a las directrices ISO, el factor de cobertura es representado por la variable de Estudiante

t que est basada en el nmero de grados de libertad efectivos, quedando la ecuacin
anterior de la siguiente manera:
ux = tv uc
(298)
Lo anterior asume un error en la medicin normalmente distribuido con varianza
media cero lo que implica que todos los errores sistemticos signicativos han sido identicados y eliminados del sistema de medicin antes de adquirir los datos. Cmo estas
incertidumbres contribuyen a la incertidumbre estndar combinada y cmo determinan
vef f
depende del tipo de situacin experimental encontrada. El valor de
terminado conociendo los valores de
vpx
vBx
respectivamente.
381
vef f
es de-
dados por las ecuaciones 9.12 y 9.14,
10.6.6 Tipos estandar de anlisis de incertidumbre.
Figura 166: Tipos de anlisis de incertidumbre
10.6.6.1 Anlisis de incertidumbre general: Es un enfoque simplicado que considera cada incertidumbre total de la magnitud a medir y su propagacin en el resultado
nal. No considera los errores sistemticos y aleatorios especcos que contribuyen a la
incertidumbre total. Ayuda a identicar fuentes de error y su contribucin a la incertidumbre total; tambin ayuda en determinar si un sistema de medicin en particular es
apropiado para un experimento planeado o no.
10.6.6.2 Anlisis de incertidumbre detallado: Es un acercamiento ms completo

que identica los errores sistemticos y aleatorios que contribuyen a la incertidumbre
total de cada magnitud a medir, la propagacin de los errores sistemticos y aleatorios
en el resultado nal es calculada en paralelo. Este tipo de anlisis de incertidumbre sigue
las fases de calibracin, adquisicin de datos, y reduccin de datos de un experimento.
10.6.7 Experimento de nica medicin de la magnitud a medir (mensurando).

En la mayoria de los casos se desea estimar la incertidumbre de un solo valor medido
usando cierto instrumento. Los errores contribuyentes se consideran sistemticos. La
incertidumbre en la etapa de diseo es usualmente calculada para una conabilidad del
382
95 % y esta dada por:
u2 + u2
0
c
ud =
(299)
Donde:
ud =
Incertidumbre en la etapa de diseo
u0 =
Incertidumbre de orden cero del instrumento.
uc =
Incertidumbre del instrumento.
La incertidumbre de orden cero del instrumento
u0
se establece arbitrariamente igual a
la mitad de la resolucin, basado en la conanza del 95 %. Como se puede comprobar en

base a la ecuacin anterior, la incertidumbre de etapa de diseo nunca puede ser menor
que
u0 ,
es decir, aunque el instrumento sea perfecto y no tenga errores, su salida debe
leerse con una resolucin nita y, por lo tanto, con una incertidumbre.
Usualmente la incertidumbre del instrumento es declarada por el fabricante y resulta de
un nmero posible de incertidumbres elementales del instrumento,
ei ,
algunos ejemp-
los de estas son los errores de histresis, linealidad, sensibilidad, cero desplazamiento,
repetibilidad, estabilidad y deriva termica
168
.Por lo tanto la incertidumbre del instrumen-
to sera:
e2
i
uI =
(300)
i=1
Los errores de instrumento o errores elementales son identicados a travs de la calibracin, usualmente estn relacionados con la salida a plena escala (FSO) del instrumento, la cual es su valor de salida mxima. Los errores ms comunes en instrumentos
son:
Error de Histresis: Est relacionado con la mayor desviacin entre dos valores de
salida para un valor de entrada dado que ocurre cuando se realiza una calibracin
escala ascendente, escala descendente (eH,max ). Esta es una calibracin simple
que procede de los valores mnimos a los valores mximos de la entrada, luego de
vuelta a los mnimos. Usualmente el error de histresis surge de tener un cambio
fsico en parte del sistema de medicin en la inversin de la entrada del sistema.
eH =
|yup ydown |max

eH,max
=
F SO
F SO
(301)
Error de Linealidad: Es una medida de cun lineal es el mejor ajuste de los datos
de calibracin del instrumento. Est denido en trminos de su mxima distancia
168 RUIZ,
R. El Mtodo cientco y sus etapas. Mxico.2007.

383
de desviacin,
|y yL |max .
eL =
|y yL |max
eL,max
=
F SO
F SO
(302)
Error de Sensibilidad: Se caracteriza por el mayor cambio en la pendiente (sensibilidad esttica) del ajuste de calibracin.
eK =
|y ynom |max
eK,max
=
F SO
F SO
(303)
Error de Cero desplazamiento: Se reere al mayor desplazamiento posible que

puede ocurrir en el intercepto del ajuste de calibracin.
eZ =
|yshif t ynom |max

eZ,max
=
F SO
F SO
(304)
Error de Repetibilidad: Est relacionado con la precisin de la calibracin. Esta

es determinada repitiendo la calibracin muchas veces para los mismos valores de
entrada.
de
Sx representa el intervalo de precisin de los datos para un valor particular
x.
eR =
2Sx
F SO
Error de Estabilidad: Est relacionado con
(305)
eS,max ,
que es la mayor desviacin
en el valor de salida para un valor de entrada ja que pudo ocurrir durante la
operacin. Esta desviacin es expresada en unidades de
F SO
, siendo
t
el tiempo
desde la compra o calibracin del instrumento. El error de estabilidad es una medida

de cunto la salida puede desviarse sobre un periodo de tiempo para la misma
entrada.
eS =
eS,max .t
F SO
(306)
Error de Deriva trmica: Se caracteriza por la mayor desviacin en el valor de

salida para un valor de entrada jo,
eT,max ,
que puede ocurrir durante operacin
por las variaciones en la temperatura ambiental. Los errores de estabilidad y deriva

trmica son similares en comportamiento al error de cero desplazamiento.
eT =
La incertidumbre del instrumento,
uI ,
eT,max
F SO
(307)
combina todos los errores de instrumento conoci-
dos:
uI =
e2 = F SO.
i
e2 + e2 + e2 + e2 + e2 + e2 + e2 + e2
H L K Z R S T other
384
(308)
Donde
eother
denota cualquier otro error en el instrumento. Todos los errores expresados
en la anterior ecuacin son adimensionales.

Tpicamente, los errores de histresis y linealidad son determinados realizando una nica calibracin escala ascendente, escala descendente. Los resultados de este tipo de
calibracin son mostrados en la grca izquierda de la gura 167.
Figura 167: Errores elementales comprobados por calibracin
Fuente: FIGLIOLA, Richard. y BEASLEY, Donald. Mediciones mecnicas: Teora y Diseo. 4

ed. Mxico.: Alfaomega, 2008.

En la gura 167 los resultados de escala ascendente son gracados como crculos abiertos
y los resultados de escala descendente como circulos oscuros. Las lneas punteadas son
interpolaciones lineales entre los datos. La histresis es debida a los puntos en la escala
descendente que son mayores que sus contrapartes de escala ascendente. La curva que
mejor se ajusta a los datos est indicada por una lnea slida. Los errores de histresis y
linealidad son evaluados con respecto a dicha curva.
Los errores de sensibilidad, repetibilidad, cero desplazamiento, estabilidad, y deriva trmica son comprobados realizando una serie de calibraciones y luego determinando cada
385
error particular comparando las calibraciones. Los resultados de una serie de calibraciones son mostrados en la grca derecha de la gura 167. La curva slida representa
el mejor ajuste de los datos de todas las calibraciones; las curvas punteadas indican
los lmites dentro de los cuales una calibracin es repetible con 95 % de conanza. El
error de repetibilidad es determinado de la diferencia entre cualquier curva punteada y
la curva de mejor ajuste. Las curvas guin-punto identican las curvas de calibracin
que tienen pendiente mxima y mnima. El error de sensibilidad es evaluado en trminos
de la mayor diferencia entre la curva de sensibilidad mnima o mxima y la curva de
mejor ajuste. Las curvas discontinuas denotan cambios que ocurren en la calibracin por
el cero desplazamiento, estabilidad, y deriva trmica. Cada error puede tener un valor
diferente y es determinado de la curva de calibracin de mayor diferencia que ocurre con
cada efecto, con respecto a la curva de mejor ajuste.
10.6.8 Experimento del resultado de una nica medicin.

De la siguiente ecuacin:
(i uxi )2
u2
r
(309)
i=1
Donde:
uxi :
i :
incertidumbre absoluta.
coeciente absoluto de sensibilidad.
Se pueden derivar expresiones de incertidumbre de un resultado para relaciones analticas

especcas:
1. Si
r = Bx
donde
es una constante, entonces:
ur =| B | ux
(310)
r es directamente proporcional a la cantidad que se pretende medir, con una constante

de proporcionalidad B , entonces, la incertidumbre en r es el producto del valor absoluto
de B y la incertidumbre de x (ux ).
Si
2. Si
r = x + .... + z (u + .... + w),

ur =
Si
entonces:
(ux )2 + ... + (uz )2 + (uu )2 + .... + (uw )2
(311)
est relacionado directamente con todas las magnitudes de inters, entonces la
incertidumbre en
es la combinacin en cuadratura de las incertidumbres de dichas
magnitudes.
386
r = (x....z = /(u....w),
3. Si
ur
=
|r|
Si
entonces
ux
x
+ ...... +
uz
z
uu
u
+ .....
uw
w
2
(312)
est relacionado directamente con todas las magnitudes de inters, entonces la
incertidumbre en
4. Si
r = xn ,
es la combinacin en de las incertidumbres de dichas magnitudes.
entonces:
ur
ux
=| n |
|r|
|x|
10.6.9
(313)
Anlisis de incertidumbre de mediciones mltiples.
Este anlisis desarrolla un mtodo para estimar la incertidumbre en el valor asignado a

una variable medida con base en un conjuto de mediciones obtenidas en condiciones de
operacin jas. En el anlisis de mltiples mediciones es posible dividir las estimaciones
de los errores en precisin y sesgo. La estadistica se usa para estimar la precision en cada
error.
Al considerar la medicion de la variable
elementales
subindice
Pij ,y
de sesgo
Bij ,
x,
la cual esta sujeta a errores de precisin
en cada uno de los tres grupos de fuente de error. El
i tomas los valores de 1, 2 0 3 haciendo referencia al grupo de fuente de error:
i=1
Error de calibracin
i=2
Error de adquisicin de datos.
i=3
Error de reduccion de datos.

El subindice
que toma valores desde 1 hasta K, hace referencia a cada uno de los K
elementos de error, entonces:

para estimar la incertidumbre
eij = Pij + Bij . La siguiente gura describe un mtodo

en x basado en errores de sesgo y precisin elementales.
387
Figura 168: Procedimiento de las incertidumbre de mltiples mediciones
Fuente: Mediciones mecnicas teora y diseo. Figliola-Beasley, pag.184

El indice de precisin de la medicin P, representa una medida bsica de los errores
elementales que afectan la precisin para los grupos de error de medicin..
El limite de sesgo B, representa una medicin bsica de los errores elementales que
afectan el sesgo total en la medicin de la variable x.
La estimacin de los grados de libertad v, en el indice de precisin se determina mediante
169
el uso de la formula de Welch-Satterthwaire
v=
3
i=1
3
i=1
K
j=1
2
Pij
K
4
j=1 (Pij /vij )
i hace referencia a los tres rupos de fuente de errores y j

elementales en cada grupo fuente con vij = Nij 1.
Donde
(314)
a cada uno de los errores
Ejemplo 10.2 (Ejemplo 5.8 tomado de Mediciones Mecnicas, teora y diseo. Tercera
edicin. Figliola - Beasley) En condiciones de operacin jas se realizan diez mediciones
repetidas de fuerza,
F.
Los datos son los que se listan a continuacin. Estime el error
elemental en el valor medio de la fuerza que se presenta en los datos medidos a travs
de la dispersin de los mismos.
169 KUHN,T. La Estructura de las Revoluciones Cientcas. Santa fe de Bogot.: Fondo de Cultura
Econmico, 1992.
388
Cuadro 57: Mediciones repetidas de la fuerza
F [N]
F [N]
123.2
119.8
115.6
117.5
117.1
120.6
125.7
118.8
121.1
10
121.9
SE CONOCE
El conjunto de datos medidos
N = 10
CONSIDERACIN
Error causado por la dispersin de los datos (precisin)
DETERMINE
Estime
Pij
SOLUCIN
El valor medio de la fuerza con base en este conjunto de datos nito se calcula con
la ecuacin
x =
N
i=1
1
N
xi como F = 120,1N.
Al estimar el valor medio se presenta
un error de precisin debido a la dispersin de los datos. Puesto que este error entra
en la medicin durante la adquisicin de datos, se lista bajo los errores de fuente de
adquisicin de datos (i
error elemental en el
= 2). Este error de precisin se etiqueta como P2j para el j-simo

grupo de fuente 2. Entonces, se calcula P2j mediante la desviacion
estndar de las medias:
P2j =
=
SF
N 1/2
3,2
= 1,01N
101/2
10.6.10 Anlisis de incertidumbre detallado

Este anlisis es apropiado para situaciones de medida que involucran mltiples mediciones. Identica los errores sistemticos y aleatorios. Sus contribuciones a la incertidumbre total son tratadas separadamente en el anlisis hasta que al nal se combinan.
El anlisis de incertidumbre detallado es realizado despus de que se ha obtenido un
conjunto estadsticamente viable de valores de la variable a medir bajo condiciones de
389
operacin jas. Se realizan mltiples mediciones para evaluar la incertidumbre presente

en un experimento debida a variaciones incontrolables en las magnitudes a medir y para
obtener sucientes datos tal que el valor promedio de la variable medida pueda ser
estimado.
10.6.11 Aproximacin integral

Se pueden emplear diferentes mtodos numricos para determinar la integral de una funcin. El mtodo escogido depende de la precisin requerida, si los valores de la funcin
son conocidos en sus puntos nales, si la integracin numrica es realizada usando intervalos equiespaciados, etc. La regla trapezoidal es usada comnmente para situaciones
en las que los intervalos estn equiespaciados y los valores de la funcin son conocidos
en sus puntos nales.
La regla trapezoidal aproxima el rea bajo la curva f(x) sobre el intervalo entre a y b al
rea de un trapezoide,
b
f (x) =
ba
[f (b) f (a)] + E
2
(315)
a
Donde
E = (x)3f /24,
con
Esta regla puede extenderse a

b=xN
f
N
evaluada en algn punto en el intervalo entre
a=x1
b.
puntos,
N
f (x)dx = x
1
1
Ei = x
f (x1 ) + f (x2 ) + ... + f (xN 1 ) + f (xN ) +
2
2
i=1
f (xi )
i=1
1
1
f (x1 ) + f (xN )
2
2
(316)
Donde
x = (b a)/N .
N
ed =
Ei
i=1
El error total de discretizacin,
1
24
(x)3 f =
i=1
ed ,
se convierte en
N
(b a)3
(x)3 f =
f
24
24N 2
(317)
As, la incertidumbre en aplicar la regla trapezoidal extendida para aproximar una integral
es
u f (x)
Donde
C f (x) N (x)3
C f (x) es una constante con las mismas unidades de f
(318)
C f (x) puede ser asumida
de orden uno como primera aproximacin.
10.6.12 Aproximacin de la estimacin de la incertidumbre

En algunas ocasiones, el acercamiento directo a la aproximacin de la incertidumbre en un
resultado puede ser complicado si la expresin matemtica que relaciona el resultado con
390
Ei
+
i=1
las magnitudes a medir es algebraicamente compleja. Un enfoque alternativo es aproximar

numricamente las derivadas parciales en la expresin de incertidumbre, obteniendo as
una expresin ms manejable.
El trmino de derivada parcial,
q/xi ,
puede aproximarse numricamente por la expre-
sin de diferencia nita
q
q
q|xi +xi q|xi
=
xi
xi
xi
(319)
Esta aproximacin es precisa y de primer orden. As, su error de discretizacin es de orden
xf (x).
El uso de la anterior ecuacin lleva a la aproximacin por diferencia nita:
q
ux
xi 1
uq
q
ux
x2 2
+ ... +
q
ux
xk k
2
(320)
xi es escogido lo sucientemente pequeo para que la expresin de diferencia

nita se aproxime muy cerca a la derivada actual. Tpicamente, xi = 0,01x1 es un buen
valor para empezar. El valor de xi debe ser luego disminuido hasta que se obtenga una
convergencia apropiada en el valor de uq .
El valor de
10.6.13
Propagacin del error
Los errores en una variable medida se propagan a travs de una variable resultante de
manera predecible. En general, este anlisis se aplica a los errores que contribuyen a la
incertidumbre en
x,escrito
como
ux .
Se considera un resultado
R,
el cual se determina
a travs de alguna relacin funcional entre las variables independientes
x1 , x2 , ...., xL ,
denida por la ecuacin 321:
R = f1 {x1 , x2 , ...., xL }
Donde
(321)
es el nmero de variables independientes involucradas. Cada variable contiene
alguna medida de incertidumbre que afecta el resultado. La mejor estimacin del valor
medio verdadero,
se establecer segn la ecuacin 322:
R = R uR
donde la media de la muestra de
se determina a partir de323:
R = f1 {1 , x2 , ..., xL }
x
y la incertidumbre en
(322)
(323)
se encuentra mediante 324:
uR = f1 {ux1 , ux2 , ....., uxL }
391
(324)
El valor
uR
reeja las contribuciones individuales de las incertidumbres individuales con-
forme se propagan al resultado. La estimacin ms probable de
uR
en general se acepta
como el valor dado por la relacin de la segunda potencia, la cual es la raz cuadrada de
la suma de los cuadrados (RSS). La RSS se deriva de la aproximacin linealizada de la
expansin de la seria de Taylor de la funcin multivariable que dene la ecuacin 321.
Un ndice general de sensibilidad,
i ,
resulta de la expansin de la serie de Taylor y est
dada por
i =
Donde:
R
xix=
x
(325)
i = 1, 2, ..., L
El ndice de sensibilidad relaciona cunto cambio en cada

uso de la derivada parcial cuando el resultado
xi
afecta
R.
Es necesario el
es una funcin de ms de una variable.
Este ndice se evala con los valores medios o, en ausencia de ellos, con los valores
nominales esperados de las variables. La propagacin de la incertidumbre en las variables
al resultado conducir a un estimado de la incertidumbre dado por 326:
1/2
(i uxi )2
uR =
(326)
i=1
10.6.14
Anlisis de incertidumbre en la etapa avanzada
En el anlisis de incertidumbre en la etapa de diseo, slo se consideran los errores

debidos a la resolucin del sistema de medicin y a los errores de calibracin estimados del
instrumento. Un anlisis de incertidumbre en la etapa avanzada permite llevar el anlisis
del diseo mas all considerando los errores de procedimiento y control de pruebas que
afectan la medicin. El anlisis de incertidumbre en la etapa avanzada se consider un
mtodo para un anlisis de incertidumbre cuidadoso cuando no se dispone de un conjunto
de datos grande; este es el caso de pruebas donde no son posibles mediciones repetitivas.
Esencialmente, el mtodo determina diferentes aspectos de la prueba para cuanticar
errores potenciales.
El objetivo de este anlisis es estimar la incertidumbre en un valor medido o en un
resultado general, a travs de la estimacin de la incertidumbre en cada uno de los
factores que pueden afectar el valor o resultado. Si todos los factores que inuyen una
medicin se mantuvieran constantes, se podra esperar que el valor medido permanezca
constante en mediciones repetidas. Sin embargo, los errores de medicin se reproducirn,
es decir, afectarn el valor medidio de manera diferente en cada medicin.
392
Para identicar y estimar los errores se presenta una tcnica que usa una aproximacin
paso por paso y se busca el valor combinado de la estimacin en cada paso.
Incertidumbre de orden cero.

En este orden, todas las variables y parmetros que afectan el resultado de la medicin,
inclusive el tiempo se consideran jas, excepto el acto mismo de la observacin en
s mismo; debido a esto, cualquier dispersion de datos presentada con observaciones
repetidas del valor de salida ser solo el resultado de la resolucin del instrumento. Una
estimacin de
u0
estaria dado por:
u0 = (1/2) resolucin
o
(327)
En este nivel, el valor de incertidumbre calculado sera el minimo posible, ya que el uso
del anlisis de orden cero slo proporciona una estimacin del efecto de la resolucin
del instrumento en la medicin. Se debe tener claro que este tipo de incertidumbre es
inadecuado para el reporte de resultados de prueba.
Incertidumbre de orden superior.

Este tipo de incertidumbre considera el control de las condiciones de operacin de la
prueba. La incertidumbre de primer orden de un mensurado se estima como:
u1 = tv,C Sx
Slo cuando
u1 = u0
(328)
el tiempo no es factor de la prueba. La incertidumbre de primer
orden tambien es inadecuada para reportar los resultados de prueba. En el siguiente

orden, cada factor identicado que afecta el valor medido se tiene en cuenta, dando una
estimacin mayor pero ms realista.
Incertidumbre de n-simo orden.

En la estimacin de n-simo orden, se considera las caractersticas de la calibracin del
instrumento a travs de la incertidumbre del instrumento
uc . Una estimacin practica de
la incertidumbre de n-simo est dada por:
N 1
uN =
(uc )2 +
u2
i
(329)
i=1
La estimacin de la incertidumbre de este orden, permite la comparacin directa entre
el resultado de pruebas similares que se obtienen con diferentes instrumentos o diversas
393
instalaciones de prueba. Slo cuando
uN = ud las
condiciones de prueba esatn bajo com-
pleto control. Como ta, el estimado de la incertidumbre de n-simo orden proporciona el

valor de la incertidumbre que se busca en la etapa de diseo avanzado o en el anlisis de
una sola medicin. Es el valor apropiado que se usa en el reporte de resultados a partir
de una sola medicin
170
Example. 10.3 (Ejemplo 7.14 tomado de Introduction to Engineering Experimentation. Second edition. Wheeler - Ganji). En el control de un proceso, es necesario medir
la temperatura del vapor en una lnea de vapor. Para este propsito se usa un dispositivo
medidor de temperatura llamado termocupla. El sistema de medicin de temperatura se
calibr y se encontr que tiene una incertidumbre sistemtica de 0.5 C y una incertidum-
bre aleatoria de 0.4 C. Manteniendo constantes las condiciones de la lnea de vapor, se

ejecutaron varias pruebas de ensayo (n
> 30)
del sistema de medicin instalado, y los
datos mostraron una desviacin estndar de 1 C. No se esperan otras incertidumbres

en las mediciones en este sistema. Estime las incertidumbres de orden cero, superior y
n-simo para un nivel de conanza del 95 %.
Solucin:
Anlisis de orden cero: incertidumbre del sistema de medicin
= 0,4C
B0 = 0,5 C
P0
0 = (0,52 + 0,42 ) /2 = 0,64 C

1
Anlisis de primer orden: dispersin en los datos medidos

Esta incertidumbre es causada por la dispersin en las pruebas del sistema de lina de
vapor (S
= 1 C ).
Para
n > 30
y un nivel de conanza del 95 %,
t = 2,0,
P1 = tS = 2 1 = 2,0 C
Anlisis de orden n-simo: incertidumbre total de la medicin
Aqu incluimos todas las incertidumbres sistemticas y la incertidumbre aleatoria de
primer orden. Entonces tenemos:
= 1,0C
B0 = 0,5 C
BL
170 KUHN,T.
La Estructura de las Revoluciones Cientcas. Santa fe de Bogot.: Fondo de Cultura

Econmico, 1992.
394
P1 = 2,0 C
= 2,3C
2
2
BN = (B0 + BL ) /2 = (0,52 + 1,02 ) /2 = 1,12 C
1
2
2
N = (BN + P1 ) /2 = (1,122 + 2,02 ) /2
1
Luego, la incertidumbre estimada en la medicin es
2,3 C
Comentarios
1. El anlisis muestra que, con el sistema de medicin usado, no se puede alcanzar una
incertidumbre menor que
0,64 C ,
sin importar cmo se instale la termocupla o cuan
estable sea el proceso.

2. La incertidumbre en esta medicin es causada primordialmente por la inestabilidad y
los efectos de carga en la instalacin de la lnea de vapor.
395
11. ESTUDIO Y DESARROLLO DE

MEDICIONES DE PARMETROS
FSICOS EXPERIMENTALES
APLICANDO MTODOS
PROBABILSTICOS.
El desarrollo de mediciones en la ciencia e ingeniera son la base fundamental para el
estudio, entendimiento y mejoramiento de teoras, procesos o sistemas. El proceso de
medicin requiere de pruebas experimentales que permiten obtener datos reales para su
posterior anlisis. En la gura 169 se observa un proceso general para el desarrollo de
diseos experimentales con anlisis probabilistico que sera aplicado a los casos de estudio
de inters para los autores.
Figura 169: Diagrama general para el desarrollo de un procedimiento experimental con

anlisis probabilistico.
396
11.1 PROCEDIMIENTO DE CALIBRACIN DE UN

TRANSDUCTOR DE PRESIN
La presin presenta una fuerza de contacto por unidad de rea, que acta hacia el interior
y normal a la supercie de toda frontera fsica en contacto con un uido. La presin
puede ser medida de tres formas; presin absoluta, presin manomtrica y la diferencia
de presin, tambin encontramos las escala de presin relativas. La medicin de presin
en los laboratorios es muy comn y existen diferentes instrumentos para realizarla, estos
se emplean para establecer la presin con propsito de calibracin por comparacin, as
como para mediciones generales.
El desarrollo de esta sesin permite estudiar algunos mtodos usados en la medicin de
presin y se muestra el desarrollo de la caracterizacin de un transductor de presin como
caso de estudio, igualmente se estudian algunas caractersticas de los transductores de
presin y fuentes comunes de error para mediciones de presin, nalmente se desarrolla
un anlisis estadsticos buscando mayor abilidad en la caracterizacin.
Los instrumentos de referencia de presin se describen en el capitulo 10, y el instrumento
de referencia de presin utilizado en la experimentacin es el probador de pesos muerto:
Medidor de McLeod
Barmetro
Manmetro
Probador de Pesos Muertos
11.1.1 Probador de Peso muerto

El probador de peso muerto es un dispositivo usado para calibrar la presin de un uido
partiendo de un peso conocido
171
. Es un estndar de laboratorio para calibrar dispositivos
de medicin de presin en el intervalo de presin de 70 a
7x107 N/m2
(0,01 a 1000 psi).
Tpicamente es usado para calibracin esttica de medidores de presin. En la gura 170

podemos ver un probador de peso muerto.
171 HOLMAN,
239.
Jack Philips . Experimental Methods for Engineers. Mc Graw Hill, Mxico, 1994. p.
397
Figura 170: Probador de Peso Muerto
Caractersticas
Determina la presin en forma directa a travs de su denicin de fuerza por unidad de

rea. Y esta compuesta por las siguientes partes:
Cmara Interna llena de lquido

Pistn y cilindro muy ajustado
La presin de la cmara se produce por la compresin de lquido (aceite), debida a su vez

al mbolo ajustable. Esta presin acta en el extremo del pistn maquinado con cuidado.
Existir un equilibrio esttico cuando la presin externa que ejerce el pistn en el uido
est en balance con la presin de la cmara. Esta presin externa sobre el pistn se crea
por una fuerza hacia abajo que acta sobre el rea equivalente,
Ae,
172
del pistn
El peso del pistn ms el peso adicional de la masa calibrada se usa para proporcionar
una fuerza externa,
F.
En equilibrio esttico el pistn otar y la presin de la cmara
puede deducirse como:
p=
F
+
Ae
errores
(330)
Un dispositivo de medicin de presin , como un transductor de presin, se puede conectar

al puerto de referencia y calibrar por comparacin con la cmara de presin. Para una
calibracin aproximada, se pueden ignorar los errores.
172 KUHN,T.
La Estructura de las Revoluciones Cientcas. Santa fe de Bogot.: Fondo de Cultura

Econmico, 1992.
398
Funcionamiento
1. La presin es producida por un pistn vertica perfectamente ajustado, el cual se

desliza y gira sin friccin dentro de un cilindro lleno de aceite.
2. El cilindro con aceite esta en comunicacin con una bomba de tornillo y con un
transformador de la presin de aceite a agua. En el cual se ja el instrumento a
calibrar.
3. Cuando se opera la bomba de tornillo, el aceite es empujado dentro del cilindro y
el pistn es forzado a subir.
4. El aumento de presin es balanceado por pesos.
5. El rea
Ae de la seccin del pistn y la carga aplicada encima determina la presin
del uido que esta actuando sobre el instrumento medidor de presin.

6. El instrumento a calibrar es roscado a un transformador de aceite-agua, que es un
cilindro ocupado con agua. Lo que da la posibilidad de probar el manmeto bajo
la presin del agua sin penetracin de aceite, ya que el agua obliga a subir el nivel,
mediante la presin producida por el aceite.
Errores elementales en el probador de pesos muertos
Cuando se consideran los errores la incertidumbre del instrumento en la presin de la

cmara con un probador de peso muerto puede ser ajustada tan baja como 0,05-0,01 %
de la lectura
173
. Algunos errores elementales contribuyen con estos errores de la ecuacin
330con los que vemos a continuacin. Y una presin indicada puede corregirse por efectos
de la gravedad,e1 y los efectos de otabilidad del aire
e2
mediante.
p = pi(1 + e1 + e2 )
(331)
Variaciones de la gravedad local: Para corregir los efectos de error de la gravedad,

se puede usar la correccin adimensional:
e1 = -(2, 637x103 Cos + 9, 6x108 z[f t] + 5x105 )

e1 = -(2, 637x103 Cos + 2, 9x108 z[m] + 5x105 )
donde
173 Fligliola,
(332)
(333)
esta en grados latitud y z en pies.
B. Mediciones Mecnicas Teoras y Diseo. Alfaomega. Mxico.

399
Efectos de la otabilidad del aire: Podemos hallar el error de otabilidad del aire
con:
e2 = (aire /masa )
(334)
Incertidumbre en las masas conocidas del pistn y las masas adicionadas.

Efectos del esfuerzo cortante: El uido probador lubrica el pistn y a ste lo apoyan
en forma parcial las fuerzas de corte del aceite entre el cilindro y el pistn. El error
se presenta y vara de manera inversa con la viscosidad del uido del probador. Por
lo tanto se preere aceites de alta viscosidad. En un probador tpico, este error es
menor que 0.01 % de la lectura
174
Expansin trmica del rea del pistn y deformacin elstica del pistn: A altas
presiones, la deformacin elstica del pistn afectar el rea real del pistn. Por
las razones anteriores, el rea efectiva se basa en el promedio de los dimetros del
pistn y del cilindro, otra fuente de incertidumbre en la medicin.
Caso de estudio: Procedimiento de caracterizacin de

un tranductor de presin
11.1.1.1
Un transductor de presin convierte una seal de salida en una seal de entrada mecnica
o elctrica. Es en realidad un sensor-transductor de hibrdo
Elemento sensor primario:

Elemento elstico que se deforma o deexiona con la presin. Se usan diversos
elementos elsticos comunes.
Tubo bourdon
Fuelles
Cpsula
Diafragma
Elemento transductor secundario:
Convierte la deexin del elemento elstico en
una seal que se puede medir con facilidad, como un voltaje elctrico o la rotacin
mecnica de una aguja. Los transductores elctricos requieren equipo acondicionamiento
adicional externo a la seal, as como fuentes externas de alimentacin para manejar las
seales elctricas de salida.
174 Fligliola,
B. Mediciones Mecnicas Teoras y Diseo. Alfaomega. Mxico.

400
Objetivo de experimento
Realizar el procedimiento de calibracin de un transductor de presin usando un probador
de pesos muertos, mediante la aplicacin de los mtodos probabilisticos estudiados durante el desarrollo del seminario de investigacin.
Seleccin de las variables de interes

1. Variable independiente controlada: Presin[P si]
2. Variable dependiente de la calibracin: Voltaje de salida medido por el sensor del
transductor
[V ]
3. Area Pistn =
2cm2 .
4. Tabla de datos obtenidos de anexo H.1.
Montaje experimental
1. Descripcin del banco de calibracin:
El banco utilizado para la calibracin del transductor de presin es un probador
de pesos muertos que se encuentra en el laboratorio de mecnica de uidos de la
escuela de Ingeniera Mecnica en la Universidad Industrial de Santander.
El probador es de marca AMSLER y consta de las siguientes partes ver gura 170:
Placa Base
Mango de Manivela
Bomba de tornillo de doble accin
Manivela de la bomba
Vlvula de alivio
Vlvula de seguridad
Vlvula de Purga
Manifold Intercambiador agua-aceite
Base intercambiador agua aceite
401
Figura 171: Probador de Pesos Muertos Marca AMSLER
Desarrollo de la prueba experimental y adquisicin de datos

1. Procedimiento de medicin
a) Primero se debe vericar que el sistema no se encuentre presurizado y si es

as, se debe ventear.
b) Hacer las conexiones segn especicaciones del instrumento, con los diferentes elementos como tarjeta de adquisicin de datos, fuente, computador,
transductor de presin.
c ) Se toma los valores del voltaje sin colocar ninguna presin, para hallar el
of set.
d ) Agregar peso sobre el pistn, aleatoriamente o valor sugerido por el experimentador.
e) Girar la manivela de tal manera que el aceite sea empujado dentro del cilindro
y el pistn es forzado a subir. El aumento de presin es balanceado por pesos.
f ) Cuando es notorio que el pistn se encuentra afuera se debe dejar de girar la
manivela, y tomar los valores de voltajes.
402
g ) Los valores de las mediciones sern obtenidos mediante un programa de

adquisicin de datos labView que permite de una manera rpida y muy precisa
la toma de datos.
h) A los datos obtenidos se les aplica el respectivo anlisis y procesamiento que
permita la adecuada caracterizacin del transductor de presin.
2. Adquisicin de datos : El procedimiento de recoleccin de datos se realiz de acuerdo a la grca de la gura 172. Los elementos que constituyeron dicha recoleccin
facilitaron el anlisis de la informacin entregada por el instrumento a calibrar.
Figura 172: Sistemas de adquisicin de datos
a) Transductor de presin
Especicaciones tcnicas
Acero inoxidable
Rangos arriba de los 10k psi o 700Bar
Salida en mV o Amplicad
Excelente precisin
Amplio rango de temperatura de operacin
Figura 173: Transductor de Presin MSP 300
403
Anlisis probabilistico de los resultados

El anlisis probabilistico se realizo usando como herramienta matlab para facilitar el
proceso de clculo y realizacin de gracas, los variables experimentales las encontramos
a continuacin:
Variable independiente controlada: Presin [Psi]

Variable dependiente de la calibracin: Voltaje de salida medida [V]
Area Pistn =
2cm2 .
Tabla de datos obtenidos ver anexo H

nmero de datos = 30
numero de muestras = 19
Comprobacin de parametros
1. Planteamiento de la hiptesis.
Los instrumentos de medicin generalmente tienen una tendencia lineal, ya que se
puede observar la presicin y exatitud que estos generan, en este caso de estudio
en particular se busca conocer el rango lineal del transductor de presin partiendo de datos reales obtenidos experimentalmente, empleando mtodos estadsticos
como la regresin lineal estudiado en el capitulo 8, la hiptesis a probar inicialmente permitir determinar si existe una relacin matemtica entre las variables
independiente y dependiente de la curva de regresin, si la pendiente de la curva
de regresin es igual a cero quiere decir que no existe ninguna relacin entre las
variables, y la hiptesis nula no se rechaza.
Hiptesis Nula:
=0
Hiptesis Nula:
=0
La hiptesis completa es asumir que los errores estn distribuidos de manera normal
e independiente con media cero y varianza
2,
para aplicar el mtodo de minimos
cuadrados.
2. Curva de caracterizacin:
Permite observar el comportamiento de las variables glicamente como se observa
en la gura 174.
404
Figura 174: Curva de caracterizacin Transductor de presin
3. Ecuacin de Correlacin: La ecuacin de correlacin se halla usando el mtodo de

mnimos cuadrados, para este caso de estudio la ecuacin de regresin se observa
a continuacin:
yo = 0, 0095x + 0, 6454
R2 = 0, 9568
(335)
una relacin lineal perfecta es cuando
el coeciente de correlacin es igual a 1. Para nuestro caso asumimos que un valor

inferior de 0,99 no es conable y es necesario evaluar los datos para hallar la curva
que mas se ajuste al modelo.
4. Prueba de Hiptesis
Se probara la hiptesis usando el mtodo de anlisis de varianza para la regresin
estudiada en el capitulo 8.
Anlisis de varianza para la prueba de signicancia de la regresin.

anlisis de varianza para la regresin estudiado en el capitulo 8. El procedimiento
particiona la variabilidad total en la variable de respuesta en componentes ms
manejables los cuales se observan en la tabla 58.
405
Cuadro 58: Anova para la regresin
1 = 0
F1,n2 ,
debe rechazarsa si
con lo que
Ho
es verdadera, el estadstico sigue a la distribucin
f0 > f,1,n2
donde
f0
esta dado por
la ecuacin 181. Usando como herramienta matlab y con una signicancia del
100(1-) % hallamos el valor de
De donde
f,1,n2 =
Y probamos que
f,1,n2
4,45
f0 > f,1,n2
y se rechaza la hiptesis por tanto se concluye que
las variables si tienen algn tipo de relacin.

5. Evaluacin del modelo de regresin
La validez de estas suposicines deben ser estudiadas para determinar que tan
adecuado es el modelo lineal, para ello existen diferentes mtodos :
El anlisis residual
2
a) Analisis residual.
Para vericar que los errores se distribuyen de manera normal con varianza constante se emplea este mtodo, donde el experimentador puede construir un histograma de frecuencias o una grca de probabilidad normal de los residuos. La
graca de probabilidad de los residuos se observa en la gura175
406
Figura 175: Graca de probabilida de los residuos
1. Prueba de falta de ajuste
Para ello se plantean dos hiptesis:

Ho: El modelo de regresin lineal simple es el adecuado para la caracterizacin del
H1: El modelo de regresin lineal simple no el adecuado para la caracterizacin del
Se debe dividir la suma de los errores en los siguientes componentes como se

observa en la tabla 59:
SSE = SSP E + SSLOF
Cuadro 59: Anlisis de varianza nal
407
(336)
El estadistico de prueba para la falta de ajuste sera

De donde
f,m2,mn = 1.7
Y probamos que
F0 =5.0264
de tabla de la distribucin
tenemos
m = 19
n = 521.
f0 > f,m2,nm
5,02640 > 2, 692
Entonces la hipotesis nula se rechaza y se debe entrar a analizar las
posibles causas de la no linealidad de la graca.

Debido a que la hiptesis se rechazo se debe entrar a analizar las posibles causas para
ello se acude a la graca 174, la cual nos muestra que los ultimos datos no son lineales,
ya que a partir de cierto punto el instrumento se satura de tal manera que los datos
conables deben ser analizados nuevamente siguiendo el mismo proceso mostrados en
el diagrama de ujo de la gura de anlisis de la regresin simple.
Analisis de la adecuacin de los datos

Debido a que en el anterior analisis no se comprueba la linealidad de la curva, se debe
hallar el rango lineal de la misma, para con ello denir en que rango el instrumento
tienen su funcionamiento adecuado y se sigue el procedimiento anterior donde la hiptesis
H : 1 = 0
se probara nuevamente.
1. La curva de caracterizacin permite observar el comportamiento de las variables

gracamente como se ve en la gura 176.
Figura 176: Curva de caracterizacin Transductor de presin
2. Ecuacin de Correlacin: La ecuacin de correlacin se halla usando el metodo de

minimos cuadrados para este caso de estudio la ecuacin de regresin se observa
408
a continuacin:
yo = 0, 0116x + 0, 295
(337)
R2 = 1 es decir comprende una relacin lineal perfec-
ta. Al contrario que en el analisis anterior esta medicin estos resultados son mas
conables.
3. Analisis de varianza para la regresin: Esta dado por la tabla 60.
Cuadro 60: ANOVA para la regresin
1 = 0
F1,n2 ,
debe rechazarsa si
con lo que
Ho
f0 > f,1,n2
donde
f0
esta dado por
100(1-) % hallamos el valor de
De donde
f,1,n2
en tablas.
f,1,n2 = 4, 75
Y probamos que
f0 > f,1,n2

El anlisis residual
2
a) Analisis residual.
Para vericar que los errores se distribuyen de manera normal con varianza
constante se emplea este mtodo, donde el experimentador puede construir
un histograma de frecuencias o una grca de probabilidad normal de los
residuos.
409
El histograma de los errores que se observa en la gura 189 nos permite

comprobar el comportamiento normal estandar de los errores del experimento.
Figura 178: Histograma de los errores
b) Prueba de falta de ajuste
Para ello se plantean dos hiptesis:

410

SSE = SSP E + SSLOF
(338)
Cuadro 61: Anlisis de varianza nal
De donde
f,1,n2 = 1, 72
Y probamos que
de tabla
f0 < f,m2,nm
1, 72 > 33, 783 Entonces la hipotesis nula se acepta, lo que quiere decir que el modelo
de regresin lineal simple es correcto
Incertidumbre
Se hallan los intervalos de conanza para cada muestra como se observa en la tabla 82.
Tabla 62: Intervalos de conanza

Intervalo
Presin
de
[Psi]
Voltaje
Desviacin
conanza
Intervalo %
26,999
0,3418
0,0111
6,17e-4
0,0035
41,209
0,5061
0,0173
3,17e-4
0,0054
55,419
0,6705
0,0104
1,76e-4
0,0032
69,629
0,8349
0,0095
1,01e-4
0,003
83,839
0,999
0,0011
5,86e-4
0,0034
98,049
1,1636
0,01
3,58e-5
0,0031
112,259
13280
0,0098
126,469
1,4923
0,0082
140,679
1,6567
0,0111
154,889
1,8211
0,011
169,099
1,9855
0,0075
183,309
2,1498
0.0104
197,519
2,3142
0,0104
211,729
2,4786
0,0103
2,11E-6
1,60e-6
1,18e-6
8,40e-6
5,86e-7
4,16E-7
3,32e-7
3,32E-7
4,16e-7
5,86e-7
8,4 e-7
1,18e-6
1,60e-6
2,11e-6
411
Incertidumbre
2,50e-5
0,0031
2,22E-5
0,0026
2,51e-5
0,0035
3,22e-5
0,0034
4,23e-5
0,0023
5,48e-5
0,0033
6,92e-5
0,0033
8,51e-6
0,0035
Tabla de conclusiones
El resumen de los resultados se observa en la tabla 63.
Tabla 63: Resultados Finales
yo = 0, 0116x + 0, 295
Ecuacin de
regresin
R2 =1
Coeciente de
determinacin
promedio de los
2,574 e -3
errores
Rango de
operacin de
entrada denido
xmn
xmx .
a
desde:
hasta
ri = xmx xmn
a
(339)
ri = 210psi 27psi
ri = 183psi
Rango de salida
o intervalo de
ro = ymx ymn
a
operacin a
mxima escala
(FSO, full-scale
operating range)
(340)
ri = 2, 4811 0, 3375
ri = 2, 1426V
denido desde:
ymn
hasta
ymx
a
Media del
1,0091e-6
intervalo
Media de la
0,0033
incertidumbre
11.2 ANALISIS DE UNA VIGA EN VOLADIZO PORTATIL INSTRUMENTADA CON STRAIN GAGE
11.2.1
Esfuerzo y deformacin
El anlisis experimental del esfuerzo se realiza al medir la deformacin de una parte bajo
carga e inferir el estado de esfuerzo que existe a partir de las deexiones medidas. Se
entiende por esfuerzo la intensidad de las fuerzas componentes internas distribuidas que
resisten un cambio en la forma de un cuerpo, ste se dene en trminos de fuerza por
unidad de rea. Existen tres clases bsicas de esfuerzos: tensivo, compresivo y corte.
412
La deformacin se dene como el cambio de forma de un cuerpo, el cual se debe al

esfuerzo, al cambio trmico, al cambio de humedad o a otras causas. Esta generalmente
se expresa como un cambio de longitud por la longitud original, si bien es adimensional,
en muchos casos se suele expresar en unidades de mm/mm. En la mayora de las estructuras los valores de deformacin son usualmente muy pequeos; por ejemplo, un acero
de baja resistencia tendr una deformacin permanente a una deformacin cerca de slo
0.0014. Como un resultado es comn hablar acerca de la deformacin en unidades de
microdeformacin ( deformacion). La microdeformacin es la deformacin actual multiplicada por
106 .
As, una deformacin de 1400
deformacion
es una deformacin de
0.0014.
Para materiales elsticos tensionados en una direccin (tensin uniaxial), la deformacin
est relacionada con la tensin por la Ley de Hooke,
=E
donde
es la tensin normal y E es una propiedad del material llamada el mdulo de
elasticidad (tambin llamado mdulo de Young). La ecuacin es algo ms complicada si el

material es tensionado en ms de una direccin. Los diagramas de esfuerzo-deformacin
son muy importantes para entender el comportamiento de un material bajo carga. Para
cargas menores a las requeridas para deformar de manera permanente el material, la
mayoria de los materiales de ingeniera presentan una relacin lineal entre el esfuerzo y
la deformacin.
Los diferentes materiales responden de diversas maneras para cargas que van ms all
del intervalo lineal, dependiendo de gran medida si el material es ductil o quebradizo, sin
embargo generalmente en ingenieria, los niveles de esfuerzo se disean para permanecer
por debajo del lmite elstico del material; por lo tanto, entre el esfuerzo y la deformacin
se establece una relacin lineal directa. Teniendo en cuenta lo dicho anteriormente, la ley
de Hooke forma la base para el anlisis de esfuerzo experimental a travs de la medicin
de la deformacin.
11.2.1.1 Relacin de Poisson

En el intervalo elstico, hay una tasa constante de cambio en la deformacin lateral, conforme la deformacin axial se incrementa, por lo tanto, cuando una barra esta sometida a
una carga de traccin simple, se produce en ella un aumento de longitud en la direccin
de la carga, as como una disminucin de las dimensiones laterales perpendiculares a
esta. Las deformaciones laterales que se producen tienen una relacin constante con las
deformaciones axiales; mientras que el material se mantenga dentro del rango elstico
de esfuerzos, esta relacin es constante.
413
La relacin entre la deformacin en la direccin lateral (transversal) y la de la direccin

axial se dene como relacin de Poisson., est representada por
poisson] : vp =
vp
y la ecuacin
[eq :
L
.
a
Donde:
L : Def ormacinlateral(transversal)
o
a : Def ormacinaxial(longitudinal)
o
Del mismo modo que el mdulo de elasticidad es una propiedad de determinado material,
la razn de Poisson tambien lo es. Para la mayora de los metales dicha relacin esta
entre 0.25 y 0.35. Aunque las deformaciones laterales se producen en todos los cuerpos
sometidos a esfuerzos, generalmente no afectan los esfuerzos longitudinales.
11.2.2
Medicin de deformacin
Cuando una fuerza se aplica a una estructura, los componentes de la estructura cambian
levemente en sus dimensiones y se dice que estn deformados. Los dispositivos que miden
estos pequeos cambios en las dimensiones se llaman medidores de deformacin o galgas.
11.2.2.1 Galga de resistencia elctrica

La galga de resistencia elctrica es un dispositivo extremadamente comn usado para
medir la deformacin en estructuras y tambin como elemento sensor en una amplia
variedad de transductores, incluyendo aquellos usados para medir fuerza, aceleracin, y
presin. Las galgas de resistencia elctrica y los acondicionadores de seal asociados son
simples, econmicos y bastante conables.
En el proceso de diseo en ingeniera, se conocen varios mtodos para medir el esfuerzo,
pero el ms utilizado es mediante un strain gage, dispositivo cuya resistencia elctrica
varia de forma proporcional al esfuerzo a que ste es sometido. Es difcil medir la tensin
directamente, pero una galga puede ser usada para medir la deformacin, y luego las
propiedades del material pueden ser usadas para determinar la tensin; el parmetro
strain puede ser positivo (tensin) o negativo (compresin).
Como se observa en la gura 179 el strain gage ms ampliamente utilizado es el connado
en papel metlico, este consiste en un cable muy no o papel aluminio dispuesto en forma
de grilla. Esta grilla, maximiza la cantidad de metal sujeto al esfuerzo en la direccin
paralela. La grilla est pegada a un no respaldo llamado carrier , el cual est sujeto
directamente a la pieza bajo medida. Por lo tanto, el esfuerzo experimentado por la
414
pieza es transferido directamente al strain gage, el cual responde con cambios lineales
de resistencia elctrica.
Figure 179: Strain gage metlico
Es de suma importancia que el strain gage sea apropiadamente montado sobre la pieza
para que el esfuerzo sea transferido adecuadamente desde la pieza a travs del adhesivo
y el material de respaldo hasta la misma grilla metlica.
Un parmetro fundamental de los strain gages es la sensibilidad al esfuerzo, expresado
cuantitativamente como el factor de galga (GF). El factor de galga est dado por la
ecuacin 341
GF =
R/R
=
L/L
R/R
(341)
El factor de galga tpico para un strain gage metlico est entre los valores de 2 a 3. Si
la temperatura se mantiene constante, el cambio en la resistividad es aproximadamente
proporcional a la deformacin; siendo esto as, se puede ver al examinar la ecuacin 341
que el factor de galga es una constante.
Aunque algunas galgas son construidas con forma de cables rectos, es ms comn grabarlas de delgadas hojas de papel metlico que estan unidas a un soporte plstico, este
soporte puede, a su vez, estar pegado a la estructura para la que se desea medir la
deformacin. Los factores de galga, que dependen del metal, son usualmente aproximadamente 2 pero pueden ser tan altos como 6. Deformaciones del orden de 40.000
pueden medirse rutinariamente, y deformaciones tan altas como 200.000
(20 % de
elongacin) pueden medirse con galgas especiales (Norton, 1982).
11.2.2.2 Seleccin del strain gage

El paso incial para preparar la instalacin de cualquier strain gage es la eleccin de
la galga apropiada para la tarea especca. Una seleccin racional y cuidadosa de las
415
caractersticas y parmetros del strain gage puede ser muy importante en lo que respecta
a la obtencin de una medida de esfuerzo conable y precisa, y a la facilidad y costo
de instalacin. Muchos factores, como la duracin en el tiempo, el rango de esfuerzo
requerido, y la temperatura de operacin deben ser considerados para elegir la mejor
combinacin de strain gage/adhesivo para una prueba determinada.
11.2.2.3 Parmetros del strain gage

La instalacin y las caractersticas de operacin del strain gage estn afectadas por los
siguientes parmetros:
Sensibilidad al esfuerzo de la aleacin

Autocompensacin de la temperatura
Material de respaldo (carrier)
Resistencia de la grilla
Longitud de la galga
Patrn de galga
11.2.2.4 Parmetros a evaluar

Basicamente, el proceso de seleccin de la galga consiste en determinar una combinacin
particular de parmetros que sea lo ms compatible con las condiciones ambientales y
de operacin, y al mismo tiempo, que mejor satisfaga la instalacin y requerimientos.
Estos requerimientos pueden ser:
Precisin
Durabilidad
Estabilidad
Temperatura
Facilidad de instalacin
Elongacin
11.2.3
Tipos de aleaciones para strain gages
Para el estudio de este parmetro, se trataran los moldelos de strain gage de Vishay
Micro-Measurements puesto que son los que se utilizaran para la medicin.
416
El componente principal que determina las caractersticas de operacin de un strain gage

es la aleacin sensible al esfuerzo que compone la grilla de papel metlico. Sin embargo,
la aleacin no es en todos los casos un parmetro independiente. En la tabla 64se puede
observar las variedades de aleaciones de strain gage dadas por Micro-Measurements.
Table 64: Aleaciones de Strain Gages
TIPO
COMPONENTES
VENTAJAS
ALEACIN A
Constantan, una aleacion de
Cumple con un amplio rango
cobre y niquel,
de coecientes de expansin
autocompensado por
de materiales.
temperatura.
ALEACIN P
Constantan templado
Medicin de esfuerzos muy

grandes, (50000 microstrain)
o ms.
ALEACIN D
Aleacin isoeltica de cromo
Larga vida til soportando la
y niquel
fatiga comparada con las

aleaciones A, y un alto factor
de galga
3.2).
Mediciones de esfuerzo
puramente dinmicas.
ALEACIN K
Aleacion de cromo y niquel;
Buena vida til y excelente
Karma autocompensado por
estabilidad; es muy
temperatura.
recomendada para
mediciones estticas de
esfuerzo de alta precisin
durante largos periodos de
tiempo (meses o aos) a
temperatura ambiente.
11.2.4
Caractersticas de un strain gage.
11.2.4.1Longitud
Es la regin activa o longitud de la grilla sensible al esfuerzo de una galga. Para satisfacer
las amplias necesidades de anlisis de esfuerzos se ofrecen longitudes de galgas que van
de 0.2 mm a 100 mm.
La longitud de la galga es usualmente un factor muy importante a la hora de determinar su
rendimiento bajo ciertas circunstancias. Los strain gage tienden a integrar, o promediar,
el rea cubierta por la grilla, la gura 180 ilustra de forma representativa la distribucin
de esfuerzo en la vecindad de la concentracin de esfuerzo, y demuestra el error en el
417
esfuerzo indicado para un strain gage demasiado largo con respecto a la zona de mximo
esfuerzo.
Figure 180: Distribucin del esfuerzo sobre un strain gage
Como regla general, en lo posible, la longitud de la galga no debe ser mayor a la dimensin
de la causa del esfuerzo para que la medicin sea aceptable. Cuando la causa del esfuerzo
es pequea, del orden de 13 mm, la regla general conducira a longitudes de galgas muy
pequeas.
Cuando se justica su empleo, las galgas largas ofrecen ciertas ventajas como su fcil
manipulacin en los aspectos de instalacin y cableado que las galgas en miniatura,
proveen una mejor disipacin de calor porque debido a su resistencia nominal tienen
menor potencia por unida de rea de grilla.
Otra aplicacin de los strain gage largos (en este caso, muy largos) es la medicin de
esfuerzos sobre los materiales no homogneos, en otras palabras, cuando se mide esfuerzo
sobre estructuras formadas por distintos compuestos de cualquier clase, la longitud de
la galga debe ser mayor a la de las partculas del material no homogneo.
En algunas ocasiones, la nica diferencia entre dos galgas disponibles de la misma serie,
es la resistencia elctrica, tpicamente 120 contra 350. Cuando existen estas opciones,
la galga con mayor resistencia se preere pues reduce la generacin de calor en un factor
de tres aplicando el mismo voltaje sobre la galga. Si las direcciones de los esfuerzos
se conocen de antemano, una roseta de elementos de dos elementos, 90
puede ser
empleada con las direcciones de los ejes alineadas con los esfuerzos.
11.2.4.2 Autocompensacin de temperatura

Una importante propiedad compartida tanto por los strain gage de aleacin
A y aleacin
es su respuesta a procesos especiales gracias a su autocompensacin de temperatura.
418
Las galgas autocompensadas son diseadas para producir una salida trmica mnima
debido a que la temperatura induce esfuerzos aparentes, dicha salida esta sobre un
rango de temperatura que va desde los -45 C a los +200 C. Cuando se elige un strain
gage compuesto tanto de constantan (aleacin
A)
o Karma modicado (aleacin
K ),
se debe especicar el nmero STC. Este nmero es una aproximacin al coeciente de

expansin trmico en
ppm/ F
del material estructural sobre el cual la galga mostrar
una mnima salida trmica. En la gura 181 se ilustra las caractersticas trmicas tpicas
de salida para aleaciones de tipo
A, K
esfuerzo.
Figure 181: Curvas de salida en funcin de la temperatura
Si el nmero STC es incorrecto, las curvas de salida trmica para aleaciones tipo A y
K suministradas con cada paquete de strain gages, no son aplicables, y ser necesario
calibrar la salida trmica de la instalacin como una funcin de la temperatura.
11.2.5
Parmetros que afectan la precisin de un strain gage.
En las pruebas y mediciones mecnicas, es importante entender como un objeto reacciona

a varias fuerzas. Cuando se mide esfuerzo, se mide la cantidad de deformacin que un
cuerpo sufre debido a las fuerzas aplicadas usando un strain gage. Lo primero que se
hace es colocar el strain gage sobre la pieza de prueba, aplicar la fuerza y medir el
esfuerzo detectando cambios en la resistencia. Idealmente, se espera que la resistencia
del strain gage vari slo con la fuerza aplicada, sin embargo, los materiales del strain
gage, las pistas de cobre y la pieza de prueba a la que la galga se encuentra sujeta
tambin responden a cambios de temperatura.
El rendimiento de un strain gage para cualquier aplicacin se ve afectado por cualquier
elemento que interviene en el diseo y manufactura de la galga. Micro-Measurements
ofrece una gran variedad de tipos de galgas para cumplir con un amplio rango de medidas
419
de esfuerzo. A pesar del gran nmero de variables en juego, el proceso de seleccin de

una galga se puede resumir a slo unos pocos pasos:
1. Longitud de la galga:
Como una buena medida inicial, se puede elegir una galga de 3 mm de longitud.
Esta medida ofrece una amplia gama de posibilidades dentro de las cuales se
puede elegir los restantes parmetros de galgas como el patrn, serie y resistencia.
Las galgas de esta longitud proveen rendimientos comparables a las de mayores
longitudes. Las principales razones para seleccionar una galga de mayor longitud
normalmente son:
Una mayor rea de grilla para mejorar la disipacin de calor.

Mejorar el promedio del esfuerzo sobre materiales no homogneos como puede
ser compuestos de bra reforzados.
Un menor manejo e instalacin.
Por otro lado, una galga de menor longitud puede ser necesaria cuando el objeto a
medir registra picos de esfuerzo, esto sucede cuando las dimensiones para instalar
la galga son restringidas.
2. Patrn de grilla:
Cuando se selecciona el patrn de grilla, la primera consideracin es si se elige
una simple o si se necesita una roseta. Las grillas simples cuantan con diferentes
relaciones longitud-amplitud y varios tipos de almohadillas para adaptarse a las
distintas relaciones.
3. Serie de la galga:
Esta seleccin permite determinar la combinacin entre el papel metlico y el papel
de respaldo. Todo esto se realiza haciendo referencia a una tabla que recomienda
a una serie en particular para ciertos requerimientos especicos.
4. Resistencia de la galga:
Existen ciertas ventajas al seleccioanr una galga de 350 de resistencia si sta es
compatible con los instrumentos utilizados para realizar la medicin. Esta decisin
puede ser inuenciada por consideraciones del costo, particularmente en el caso
de galgas pequeas. Se debe tener en cuanta que se reduce la vida til por fatiga
para galgas de pequeas dimensiones y altas resistencias.
5. Nmero STC:
420
Este nmero se escoge entre todos los disponibles utilizados en la tabla Standard
Gage Series en conjunto del catlogo 500, de Micro-Measurements Precision
Strain Gages
6. Temperatura:
Los cambios de temperatura producen dilatacin o contraccin del material, con
lo cual se generan deformaciones trmicas o esfuerzos trmicos. En la mayoria
de los materiales estructurales la deformacin trmica es proporcional al cambio
de temperatura. Los efectos relacionados con la temperatura son los principales
causantes de errores de medicin de esfuerzos.
11.2.6
Acondicionamiento de la seal de la galga.
Un circuito simple que realiza esta funcin, llamado el puente de Wheatstone, es mostrado en la Figura 8.5. Si las cuatro resistencias de la Figura 8.5 tienen el mismo valor (esta
restriccin se cambiar en breve), por simetra, el voltaje en los puntos B y D deben ser
iguales, entonces
V0
debe ser cero. Entonces se dice que el puente esta balanceado.
En la prctica, las mediciones con strain gages raramente involucran cantidades mayores
que unos pocos milistrain (m), consecuentemente, simplemente medir la resistencia de
la galga antes y despus de aplicar la carga no funcionar muy bien ya que el cambio
en la resistencia puede estar en el orden de la resolucin del dispositivo de medicin.
Lo que se necesita es un dispositivo que mida el cambio en la resistencia en vez de la
resistencia misma. Por lo tanto, para calcular el esfuerzo se requiere de mxima precisin
sobre pequeos cambios de resistencia. Para medir cambios tan pequeos de resistencia
y compensar la sensibilidad trmica, los strain gage son utilizados en conguracin de
puente con excitacin externa.
En la gura 182 se muestra el circuito general de puente de Wheatstone, que consta de
cuatro brazos resistivos con una excitacin de voltaje
El voltaje de salida del puente,
VO ,
Vo=
VEX , aplicada a travs del puente.
esta dado por la ecuacin 342.
R2
R3
R3 + R4 R1 + R2
421
(342)
Figure 182: Puente de Wheatstone
Cuando:
R1
R2
R4
R3
El voltaje de salida Vo es nulo y se dice que el puente est balanceado. Cualquier cambio
de resistencia sobre cualquier brazo del puente, resultar en una salida de voltaje no nula.
Por lo que si se reemplazaR4 con un strain gage activo, cualquier cambio en la resistencia
del strain gage causa el desbalance del puente y produce una salida de voltaje no nula
proporcional al esfuerzo.
11.2.6.1Conguracines de puente de wheatstone

La manera mas facil para corregir las variaciones causadas por la temperatura es mediante
la utilizacin de conguraciones de medio puente y puente completo. Al usar dos o cuatro
galgas sobre un puente de Wheatstone, se puede minimizar los efectos de la temperatura.
Con todos los strain gages sobre el puente a la misma temperatura y montados sobre
el mismo material, cualquier cambio en la temperatura afectar a todas las galgas de
la misma manera. Puesto que los cambios de la temperatura son idnticos en todas
las galgas, la relacin de sus resistencias no vara, y el voltaje de salida de cada galga
tampoco.
En la gura 183 se muestran las distintas conguraciones del puente de Wheatstone
cuando se usan uno, dos y cuatro strain gages.
Figure 183: Conguraciones de Puente de Wheatstone
422
El incluir ms de una galga en el puente provee un benecio de compensacin de temperatura. La resistividad de la mayora de los metales es una funcin bastante fuerte de
la temperatura, y la resistividad afecta el factor de galga GF. Adems, hay una expansin
diferencial trmica entre la galga y la estructura a la que est unida. Consecuentemente,
un cambio en la temperatura de una galga instalada produce una deformacin aparente
en ausencia de cualquier carga estructural real. El cambio total en la resistencia es causado por los dos efectos, la deformacin actual y la deformacin aparente causada por
los efectos de la temperatura, lo dicho anteriormente esta expresado en la ecuacin 343.
Rtotal = Rdef ormacion + Rtemperatura
(343)
En un experimento, un cambio en la temperatura podra confundirse con un cambio en la

deformacin. Este problema puede solucionarse si se ubican dos galgas en la estructura de
inters y conectndolas en el puente como
R2 y R3 . La resistencia de R2 y R3 cambiar la
misma cantidad en la misma direccin. Como resultado, el voltaje de salida no cambiar

pues los efectos de la temperatura se cancelan. En la aplicacin ms simple de este
concepto, la galga
R3
es la galga activa y la galga
R2
est unida a la misma estructura
pero en una regin con la misma temperatura que no estar sujeta a deformacin. De esta
manera se puede medir la deformacin, pero se cancelarn los efectos de la temperatura.
La galga
R2
se conoce como galga de prueba o de compensacin.
Caso de estudio: Modulo de elasticidad a la exin de

una viga en voladizo portatil instrumentada con strain gage.
11.2.7
El mdulo de Young o mdulo elstico longitudinal es un parmetro que caracteriza

el comportamiento de un material elstico, segn la direccin en la que se aplica una
fuerza.
Tanto el mdulo de Young como el lmite elstico son distintos para los diversos materiales. El mdulo de elasticidad es una constante elstica que, al igual que el lmite
elstico, puede encontrarse empricamente con base al ensayo de traccin del material.
Para un material elstico lineal el mdulo de elasticidad longitudinal es una constante
para valores de tensin dentro del rango de reversibilidad completa de deformaciones.
En este caso su valor se dene mediante el coeciente de la tensin y de la deformacin
que aparecen en una viga recta estirada que est fabricada en el material para el cual se
desea estimar el mdulo de elasticidad, y esta dado por la ecuacin 344:
E=
423
(344)
Donde:
:Presin
ejercida sobre el rea de seccin transversal del objeto
:Deformacin
E :Modulo
unitaria en cualquier punto de la viga.
de elasticidad

Hallar la deformacin de una viga cantielever experimentalmente y comparar con un
modelo terico calculado matematicamente

Variable independiente controlada: Peso [gra]
Variable dependiente de la calibracin: Voltaje de salida medida
V i=Voltaje
f g =Factor
[V ]
de entrada=10 voltios
de Galga=2,3

Para garantizar buenos resultados se debe asegurar un buen manejo de los strain gages
por tal razon es importante realizar un buen pegado y preparacin de la supercie, a
continuacin se mostrara de forma graca como pegar los strain gage a las supercies.
424
Figura 184: Procedimiento de montaje
El puente de Wheatstone que se uso fue medio puente como se observa en la gura.
Figura 185: Medio puente
11.2.7.4 Desarrollo de la prueba experimental y adquisicin de datos

1. Adquisicin de datos : El procedimiento de recoleccin de datos se realizo de
acuerdo a la grca de la gura 186.
425
Figura 186: Sistemas de adquisicin de datos

El anlisis probabilistico se realizo usando como herramienta matlab para facilitar el proceso de clculo y realizacin de gracas, los parametros experimentales los encontramos
a continuacin:
Variable independiente controlada: Pesos [Gr]

Tabla de datos obtenidos ver anexo H.2

Siguiendo el procedimiento de caracterizar instrumentos, se pretende comprobar
la linealidad del sensor straing, empleando mtodos estadsticos como la regresin lineal estudiado en el capitulo 8, la hiptesis a probar inicialmente permitir
determinar si existe una relacin matemtica entre las variables independiente y
dependiente de la curva de regresin, si la pendiente de la curva de regresin es
igual a cero quiere decir que no existe ninguna relacin entre las variables, y la
hiptesis nula no se rechaza.
Hiptesis Nula:
=0
Hiptesis Nula:
=0
cuadrados.
426
2,
2. Curva de caracterizacin: Permite observar el comportamiento de las variables

glicamente como se observa en la gura 187.
Figura 187: Curva de caracterizacin Straing

a continuacin:
yo = 4, 2589e 4 x + 5, 1368e 5
R2 = 1,
(345)
una relacin lineal perfecta es cuando el
coeciente de correlacin es igual a 1. Es decir en nuestro primer anlisis la relacin

entre las variables es demaciado fuertes.

427
Tabla 65: Anova para la regresin
1 = 0
F1,n2 ,
debe rechazarsa si
con lo que
Ho
f0 > f,1,n2
donde
f0
esta dado por
=0,05
hallamos el valor de
De donde
f,1,n2 =
Y probamos que
f,1,n2
4,18
f0 > f,1,n2

El anlisis residual
2
a) Analisis residual: Para vericar que los errores se distribuyen de manera normal
con varianza constante se emplea este mtodo, donde el experimentador
puede construir un histograma de frecuencias o una grca de probabilidad
normal de los residuos. La graca de probabilidad de los residuos se observa
en la gura 188.
428
El histograma que se observa en la gura permite comprobar la normalidad

de los errores.

Se plantean dos hiptesis:
SSE = SSP E + SSLOF

Tabla 66: Anlisis de varianza nal

429
F0 =-1.056e3
(346)
De donde
f,m2,mn = 1,5018 de tabla de la distribucin f
Y probamos que
tenemos m=32 y n=31721.
f0 < f,m2,nm
1,056e3 > 1, 5018
Entonces la hipotesis se acepta lo que quiere decir que el modelo
11.2.7.8 Incertidumbre e intervalos de conanza

Se hallan los intervalos de conanza para cada muestra como se observa en la tabla 67.
La incertidumbre se halla con la ecuacin 347.
incertidumbre = z
Donde:
z=
estadistico hallado por tabla.
S =desviacin
n=tamao
estandar
muestral
430
S
n
(347)
Tabla 67: Intervalos de conanza
Pesos[gr]
Voltaje
Desviacin
Intervalo de
conanza
123,33
221,36
222,18
323,21
441,24
522,1
623,13
721,98
823,01
921,04
1022,07
1138,48
1238,48
1338,48
1438,48
1538,48
1638,48
1738,48
1838,48
1938,48
2038,48
2138,48
2239,51
2337,54
2438,57
2537,42
2638,45
2739,31
2837,34
2938,37
3037,22
3138,25
0,05236
0,094003
0,09353
0,1389
0,1795
0,2206
0,2668
0,3069
0,3511
0,3911
0,4355
0,4857
0,5282
0,5713
0,6132
0,6549
0,6956
0,0013
0,0012
0,0013
0,0012
0,0012
0,0016
0,0019
0,0017
0,0016
0,0031
0,0017
0,0020
0,0022
0,0017
0,0018
0,0018
0,0025
0,0020
0,0021
0,0023
0,0023
0,0024
0,0025
0,0026
0,0034
0,0027
0,0028
0,0028
0,0038
0,0029
0,0030
0,032
1,0037e-7
8,7556e-8
8,7453e-8
7,528e-8
6,4175e-8
5,3776E-8
4,43e-8
3,594E-8
2,8329e-8
2,1843e-8
1,60e-8
1,0621e-8
6,9252e-9
4,1517e-9
2,3009e-9
1,3729e-9
1,3675e-9
2,2849e-9
4,125e-9
6,8878e-9
1,057e-8
1,518e-8
2,0774e-8
2,7101e-8
3,45e-8
4,2749e-8
5,20e-8
6,2296e-8
7,144e-8
8,5251e-8
9,8009e-8
1,1198e-7
0,7374
0,7834
0,8262
0,8678
0,9137
0,9544
0,9968
1,03923
1,08141
1,1229
1,1667
1,2094
1,2508
1,2937
1,3349

431
Incertidumbre
0,0001784
0,0001415
0,0001465
0,001476
0,0001992
0,0001536
0,0001556
0,000166
0,0002211
0,0004246
0,0002263
0,0002774
0,0002994
0,0002354
0,0002482
0,0002515
0,0003412
0,0002759
0,000286
0,0003106
0,0003206
0,0003267
0,0003444
0,0003538
0,0004684
0,0003715
0,0003845
0,0003873
0,000523
0,0004033
0,0004085
0,0004357
Ecuacin de regresin
Coeciente de
determinacin
promedio de los errores
Media del intervalo
Media de la incertidumbre
yo = 4, 2589e 4 x + 5, 1368e 5
R2 =1
2,574 e -3
1,0571e-7
0,0002942
Partiendo de los voltajes obtenidos experimentalmente con una incertidumbre de
0,0002942,
se halla el valor de la deformacin unitaria experimental de la viga usando la ecuacin

de deformacin 348.
2 (V o of f )
V i fg
(348)
Donde:
V o=voltaje
salida
Of f =Valor
Ofset=0,296
V i=Voltaje
de entrada=10 voltios
f g =Factor
de Galga=2,3
El esfuerzo se halla usando la ecuacin 349. Ahora se calcula el modulo de Young de la

ecuacin 344, los resultados se encuentran en la tabla 69.
l =
6P L
bt2
Donde:
P= Carga aplicada
L=Distancia del punto de aplicacin de la carga a la linea=19,1cm
b=Largo de la platina=29,9 cm
t=Espesor de la platina = 5mm
432
(349)
Tabla 69: Tabla de resultados deformaciones
El modulo de Young experimental esta dado por la media de los modulos encontrados
en la tabla 69,que es
aluminio es de
6, 258x1010
6, 3x1010
Pascales. El modulo de Youn estndarizado para el
Pascales. Hallando el porcentaje de error tenemos.
%Error =
6, 3x1010 6, 1258x1010
x100
6, 3x1010
(350)
%Error = 0, 6562
11.2.8 Caso de estudio: Analisis de esfuerzo en una viga con

un concentrador de esfuerzo.
El propsito de este experimento es demostrar la existencia de concentraciones de tensiones y deformaciones en los alrededores de una discontinuidad geomtrica en una viga
cantilever, y obtener una medida aproximada de el factor de concentracin de tensiones
Kt, En este caso la discontinuidad es un simple agujero circular, taladrado a lo largo del
espesor de la viga en su eje longitudinal.
La presencia de alguna irregularidad en el contorno de una elemento mecnico o en una
parte de una estructura impide la normal propagacin de las tensiones, de modo que se
incrementa localmente la tensin por encima del valor nominal de la tensin calculada
433
por el mtodo tradicional. Tales irregularidades y discontinuidades se les conoce como

"concentradores de tensin", En el esquema que se muestra a continuacin, se pueden
ver las distribuciones de tensiones de dos secciones de una viga cantilever.

Hallar meidante la experimentacin el factor de concentracin de tensiones Kt, mediante
la aplicacin de tecnicas estadisticas.

1. Variable independiente controlada: Peso [gra]
2. Variable dependiente de la calibracin: Voltaje de salida medida
[V ]

1. Adquisicin de datos: El procedimiento de recoleccin de datos se realizo de acuerdo a la grca de la gura 186.

a continuacin:

11.2.8.5Comprobacin de parametros
434

Hiptesis Nula:
=0
Hiptesis Nula:
=0
2,
cuadrados.

a continuacin:
yo = 0, 0002 x + 0, 0076
R2 = 0, 999,
(351)
el coeciente de correlacin es igual a 1. Es decir en nuestro primer anlisis la

relacin entre las variables es demaciado fuertes.
435

1 = 0
F1,n2 ,
debe rechazarsa si
con lo que
Ho
f0 > f,1,n2
donde
f0
esta dado por
=0,05
De donde
f,1,n2 =
Y probamos que
f,1,n2
4,20
f0 > f,1,n2

El anlisis residual
2
a) Analisis residual: Para vericar que los errores se distribuyen de manera normal
en la gura 191.
436
El histograma que se observa en la gura permite comprobar la normalidad

de los errores.

SSE = SSP E + SSLOF
437
(352)
De donde
F0 =0
f,m2,mn = 1,5018 de tabla de la distribucin f
Y probamos que
tenemos m=29 y n=31721.
f0 < f,m2,nm
1,056e3 > 1, 5018
Entonces la hipotesis se acepta lo que quiere decir que el modelo
11.2.8.7 Incertidumbre
Se hallan los intervalos de conanza para cada muestra como se observa en la tabla .
Figura 193: Tabla de resultados
438

Ecuacin de regresin
Coeciente de
yo = 0, 0002 x + 0, 0076
R2 =0,99
determinacin
promedio de los errores
2,574 e -3
Media del intervalo
1,0091e-6
Media de la
0,0033
incertidumbre
11.2.9 Caso de estudio: Determinacin de la relacin de poisson

Para la determinacin de la relacin de poisson se realizaron dos pruebas experimentales debido a que esta relacin esta dada por la deformacin en la direccin lateral
l (transversal)
y la deformacin en la direccin axial
a ,
est representada por
vp
y por
la ecuacin 353, el montaje en la de las galgas se puede observar en la gura 194.
vp =
L
a
(353)
Figura 194: Montaje de galgas
Del mismo modo que el mdulo de elasticidad es una propiedad de determinado material,
la razn de Poisson tambien lo es. Para la mayora de los metales dicha relacin esta
entre 0.25 y 0.35. Aunque las deformaciones laterales se producen en todos los cuerpos
sometidos a esfuerzos, generalmente no afectan los esfuerzos longitudinales.
11.2.9.1Objetivo de experimento
Determinar la deformacin en la direccin lateral
439
l (transversal) para una viga cantielever.

[V ]

1. Adquisicin de datos: El procedimiento de recoleccin de datos se realizo de acuerdo a la grca de la gura 186.

a continuacin:


Hiptesis Nula:
=0
Hiptesis Nula:
=0
cuadrados.
440
2,


a continuacin:
yo = 1, 7317e 4 x 0, 2229
R2 = 0, 999,
(354)


441
1 = 0
F1,n2 ,
debe rechazarsa si
con lo que
Ho
f0 > f,1,n2
donde
f0
esta dado por
=0,05
De donde
f,1,n2 =
Y probamos que
f,1,n2
5,32
f0 > f,1,n2

El anlisis residual
2
a) Anlisis residual: Para vericar que los errores se distribuyen de manera normal
en la gura 196.
442
b) El histograma que se observa en la gura permite comprobar la normalidad

de los errores.
c ) Prueba de falta de ajuste

443
SSE = SSP E + SSLOF

De donde
f,m2,mn =
(355)
F0
1,5018
Y probamos que
f0 < f,m2,nm
2, 5 > 1, 5018
Entonces la hipotesis se acepta lo que quiere decir que el modelo de
regresin lineal simple es correcto

Determinar la deformacin en la direccin
l (longitudinal)
para una viga cantielever.

[V ]

a continuacin:


444

Hiptesis Nula:
=0
Hiptesis Nula:
=0
2,
cuadrados.

a continuacin:
yo = 1, 7317e 4 x 0, 2229
R2 = 0, 999,
(356)

445

1 = 0
F1,n2 ,
debe rechazarsa si
con lo que
Ho
f0 > f,1,n2
donde
f0
esta dado por
=0,05
De donde
f,1,n2 =
Y probamos que
f,1,n2
5,32
f0 > f,1,n2

El anlisis residual
2
a) Anlisis residual: Para vericar que los errores se distribuyen de manera normal
en la gura 199.
446
b) El histograma que se observa en la gura permite comprobar la normalidad

de los errores.
c ) Prueba de falta de ajuste

447

SSE = SSP E + SSLOF
(357)
De donde
f,m2,mn =
Y probamos que
F0 =-2,4954
1,5018 de tabla de la distribucin
f0 < f,m2,nm
2, 4954 > 1, 5018 Entonces la hipotesis se acepta lo que quiere decir que el modelo de
regresin lineal simple es correcto
Los resultados que se obtuvieron se observan en la tabla.
Tabla 76: Resultados
448
Y la relacin de poisson se observa en la gura. Hallado por diferenciales de los valores

de voltaje tomados experimentalme deniendo como criterio que entre los datos se
presentara una deformacin apreciable.
Tabla 77: Relacin de poisson
Se aplica el ANOVA a la matriz y obtenemos la tabla 78 y gura 201:

Tabla 78: Tabla de anova
Figura 201: Graca de bloques
Por lo tanto la hipotesis es aprobada.
449
11.3 PROCEDIMIENTO DE CALIBRACIN DE UN

FLUJMETRO DE TURBINA AXIAL
11.3.1 Conceptos bsicos relacionados con la medicin de ujo
Muchos de los equipos utilizados en la industria utilizan un uido en movimiento para
su funcionamiento, el cual debe ser controlado en su magnitud; tal es el caso de un
intercambiador de calor, o la inyeccin de un motor de combustin interna, sin contar con
circuitos de potencia hidrulica o de transporte que estn diariamente en funcionamiento
como aporte a globalizacin y desarrollo sostenible mundial.
Acoplar un dispositivo de medicin de ujo al proceso que se requiere medir es importante
y se basa tanto en condiciones de diseo de los dos sistemas como en parmetros de
presin y temperatura de ste ultimo y el ambiente para garantizar la correcta medicin y
por ende control del ujo ya sea en volumen o masa. Existe gran variedad de herramientas
para la toma de datos, y segn su estructura es aplicable a un cierto rango de valores
numricos de ujo, por ello es necesario un conocimiento bsico en cuanto al principio
de funcionamiento de susodichos dispositivos.
Al implementar un volumen de referencia o establecer una supercie de control en el
espacio (ver gura 202), se puede describir el ujo como la cantidad de uido en unidades
de volumen o masa que pasa por all, por unidad de tiempo
175
. La velocidad en un punto
es representada por un vector de tres dimensiones en coordenadas cilndricas:
U = U (x, r, ) = ux + vr + w
e
e
e
(358)
ex , er e representan los vectores unitarios de cada

una de las componentes en las direcciones x, r, y respectivamente.
Donde
u, v , w
son magnitudes y
Figura 202: Concepto de Supercie de Control.

Fuente. FIGLIOLA, Richard. Mediciones Mecnicas: Teora y Diseo. 4 ed. Mxico.:

Alfaomega, 2008. p. 459.
175
FIGLIOLA, Richard. Mediciones Mecnicas: Teora y Diseo. 4 ed. Mxico.: Alfaomega, 2008. p. 458.
450
Se implementa el concepto de conservacin de la masa que entra (ent), sale (sal) y

permanece (perm) dentro del volumen de control en trminos de rapidez, se establece:
U ndA = 0
dV +
(359)
CS
CV
Donde:
n: Vector normal a la supercie de control.
A: rea de la supercie de control.

: Densidad del uido.
V:
Magnitud del volumen de control.
En condiciones estables se cumple que:
ment = msal + mperm
(360)
Donde:
m: Gasto msico a travs de un rea A.
U ndA
m=
(361)
A
En trminos de ujo de masa promedio,
U ,
donde
es la velocidad promedio sobre la
supercie de control, el gasto msico sera:
m = U A
(362)
Para ujo incompresible, como aquellos en estado isotrmico, se atribuye una densidad
constante; por tal motivo se cumple que para el gasto volumtrico,
Q,
suponiendo que
no permanece nada dentro del volumen de control:
Qent = Qsal
Q=
U ndA
(363)
(364)
A
Para el caso de una tubera, donde su rea transversal es denida como parte de la
supercie de control, el gasto volumtrico estar dado por:
2
r1
Q=
u(r, )rddr
0
Donde:
451
(365)
r1 :
Radio de la tubera
u(r, ):
Velocidad normal al rea transversal de la tubera.
En trminos mas generales, si se es conocido la velocidad promedio,
U,
normal a la
supercie de control, entonces el gasto volumtrico queda determinado en condiciones

estables por:
Q = UA
El comportamiento del uido tambin inuir en la manera de calcular su magnitud,
ya que se puede presentar en estado laminar, turbulento, o en transicin, el cual se
encuentra intermedio entre los dos primeros estados. Una forma para determinar en que
estado se encuentra un ujo es calculando el numero de Reynolds:
Red1 =
U d1
4Q
d1
Donde:
Viscosidad cinemtica del uido.
d1 :
rH :
Dimetro hidrulico de tubera,
4rH .
rea mojada dividida por el permetro hmedo.
Los valores de referencia para el numero de Reynolds:

Flujo laminar,
Red1 < 2000
Flujo turbulento,
Red1 > 4000
Para los dems valores se considera que el ujo se encuentra en estado de transicin, lo
cual es poco recomendable llevarse a cabo en operacin.
11.3.1.1 Determinacin gasto volumtrico

Una forma muy utilizada para determinar el gasto volumtrico en situaciones donde el
uido pasa normal a un rea trasversal de permetro nito y cerrado, como es el caso
de la tubera es determinar la velocidad localizada discretamente sobre dicha rea. Una
forma sencilla de distribuir las reas y ubicar los puntos de medicin se puede observar
en la 203, ya que existen otras tcnicas para lograr este objetivo.
452
Figura 203: Ubicacin de puntos de medicin discretos para toma de velocidad.
Fuente. FIGLIOLA, Richard. Mediciones Mecnicas: Teora y Diseo. 4 ed. Mxico.:

Alfaomega, 2008. p. 461.
La velocidad, que debe permanecer constante para las mediciones en todos los puntos,
se estima mediante la 365 en cada seccin de rea m, y la media de los m valores sera la
velocidad total del tubo, para este caso en particular; ste mtodo se puede acomodar
para otras formas de seccin trasversal
176

En otros casos se presenta la necesidad de la lectura de ste parmetro para situaciones
donde el ujo transcurre en canales abiertos, o sea, el permetro donde se encuentra
contenido el uido no tiene un permetro de rea transversal cerrado y para ello es
necesario otro tipo de procedimiento para el calculo.
El mtodo o herramienta que se utiliza para la medicin de ujo depende de las condiciones de operacin y las propiedades del uido; algunas tecnologas empleadas para la
medicin de caudal que se utilizan habitualmente son mostradas en la gura 204.
176 Ibid.,
p. 460
453
Figura 204: Mtodos de medicin de caudal segn condiciones de volumen de control.
Fuente. ALTENDORF, M. y BERRIE, P. Medicin de caudal. Endress+Hauser

Flowtec AG, 2005.
11.3.1.2 Naturaleza de un caudal

Las leyes bsicas que se pueden aplicar al comportamiento de los uidos son:
Ecuacin de continuidad: Establece que el volumen que pasa por una supercie de
control es constante para varios perles o secciones transversales de la misma.
Q = A1 v 1 = A2 v 2
(366)
Ecuacin de Bernoulli: Describe la conservacin de la energa total del uido para

diferentes estados en que se pueda presentar:
Energa potencial, compuesta por aquella que depende de un nivel de referencia en trminos de posicin; y por la energa que depende de las condiciones
del ambiente como la presin atmosfrica

Energa cintica, la cual depende del movimiento que las partculas que el
uido experimenta.
Conservacin de la masa: Donde establece que la materia no se crea ni se destruye,

la masa que entra a una supercie de control debe salir de ste si no se contempla
454
la posibilidad de acumulacin dentro de dicha supercie se encuentre el uido en

cualquier fase.
11.3.2 Medidores de caudal

La medicin de caudal en la industria es de suma importancia, en gran parte de los
procesos existe la necesidad de controlar caudal, pero para mantener este control lo
primero que se debe hacer es medirlo. Existe diferentes tcnicas e instrumentos para
medir el caudal, la tcnica a utilizar depender de la necesidad y condiciones en las
cuales se est.
El caudal es una indicacin de que tanto uido en peso o volumen se est moviendo, o
sea es que tanta cantidad de uido esta pasando por un determinado punto dentro de un
perodo especco de tiempo. Para realizar esta medicin se utilizan los
ujmetros .
Los ujmetros se usan para el monitoreo y control de los procesos y operaciones, y

adems en el anlisis de ingeniera experimental es muy importante la medicin de los
caudales de lquidos o gases. Existen varios sistemas para medir el caudal segn sea el
tipo de caudal volumtrico o msico. En la tabla 79
177
, se detalla sistema, elemento y
transmisor de algunos medidores de caudal.

177 CRDOVA
LASCANO, Marco Rolando y VELSQUEZ PREZ, Diego Javier. Instalacin y Montaje de un Banco de Pruebas de Caudal, para el Laboratorio de Instrumentacin de la Facultad de
MECNICA. Trabajo de grado Ingeniero Mecnico. Quito.: Escuela Superior Politecnica de Chimborazo. Facultad de Mecnica. Escuela de Ingeniera Mecnica, 2010, 6 p.
455
Tabla 79: Mtodos de medicin de caudal.
Para este caso de estudio solo se denira el ujometro de turbina axial.
456
11.3.2.1 Flujmetros de Turbina
Figura 205: Flujmetro de turbina.
Los ujmetros de turbina (ver gura 205) es un rotor que se coloca en la trayectoria
del ujo y gira en funcin de la fuerza que se le imparte por medio del propio uido que
pasa a travs de l con una velocidad que es directamente proporcional al caudal. La
velocidad del uido produce una fuerza de arrastre en el rotor que es equilibrada con la
fuerza producida por la diferencia de presiones debido al cambio de rea entre el rotor
y el cono posterior, el rotor esta equilibrado hidrodinmicamente y gira contra el cono
178
anterior y posterior sin necesidad de rodamientos axiales
La relacin matemtica que rige el comportamiento del ujmetro de turbina est dada
por la ecuacion 367.
Qv = vm A = 2 n rm cot()
(367)
Donde:
Qv : Caudal volumetrico
vm :
A:
n:
Seccion ransversal del caudal
Numero de revoluciones del rotor
rm :
:
Velocidad media del caudal
Radio del rotor
Inclinacin de las aspas
Como la velocidad del uido es representado por un perl, las fuerzas que experimenta
el rotor divergen un poco entre el centro, donde se presenta una magnitud mayor de la
velocidad y el extremo de las aspas, donde se presenta un cierto arrastre. El equilibrio
entre la fuerza impulsora y la fuerza de arrastre mantiene el rotor a una velocidad
178 CRDOVA.
Op. cit., p. 13.
457
constante para un caudal jo
179
. Se ha concluido una expresin general que relaciona el
numero de impulsos (n) generados, y el caudal (Q):
n/Q = A + B/Q C/Q2
(368)
Donde:
A:
Depende de la cantidad de movimiento (termino dominante en velocidades altas)
B/Q:
Relaciona efectos de viscosidad y ujo en los extremos de las aspas
C/Q2 :
Da cuenta respecto a las fuerzas de arrase mecnicas, aerodinmicas y de los
pivotes sobre el sensor (termino dominante en velocidades bajas).

La gura 206, muestra curva caracterstica del caudalimetro de turbina:
Figura 206: Curva caracteristica de factor k de caudalimetro de turbina
Donde:
a: Rotor no gira, ya que no hay suciente fuerza impulsora
b: Despues de este valor se puede alcanzar buena repetibilidad
e: Pasado este valor se alcanza la zona de linealidad. Donde el recuento de caudal puede
estar en 20:1 o superior, segn el tamao y el fabricante.
En la gura 207 se visualiza el grupo de aspas giratorias jado con pivotes a un eje
central, que se encuentra ubicado en el centro del cuerpo del ujmetro paralelo a la
direccin de ujo, la rueda de la turbina (rotor o molinete) y un sensor que capta el
tiempo que un aspa pase generando un impulso al circular el volumen conocido.
179
ALTENDORF, M. y BERRIE, P. Medicin de caudal. Endress+Hauser Flowtec AG, 2005.
458
Figura 207: Despiece del ujmetro de turbina.
La turbina esta limitada por la viscosidad, debido al aumento de la viscosidad produce

un cambio en la velocidad del perl del lquido a travs de la tubera. En las paredes del
uido se mueve mas lento qe en el medio lo que hace difcil girar las puntas del rotor,
se reduce el intervalo de medida para viscosidades superiores a 3 - 5 Cs.
La precisin es
0,3 %,
la mxima precisin se produce con uido laminar por lo que la
ubicacin de l es de 15 dimetros aguas arriba y 6 dimetros aguas abajo, el campo de

medida llega hasta 15 a 1 mximo y mnimo, los liquidos deben ser limpios o ltrados.
11.3.3 Celdas de Carga

Virtualmente cualquier estructura metlica simple se deformar cuando es sometida a una
fuerza, y mientras que los esfuerzos resultantes estn por debajo del lmite de elasticidad
del material, la deexin
()
y las deformaciones resultantes
()
sern funciones lineales
de la fuerza aplicada:
F = C1 F = C2
En estas ecuaciones, las C's son constantes determinadas de anlisis o calibracin. Los
dispositivos de medicin de fuerza ms comunes son las celdas de carga con galgas.
La celda de carga de cilindro hueco tambin usa cuatro galgas y tambin compensa la
temperatura. A medida que el cilindro es comprimido, no solamente se vuelve levemente
ms pequeo sino que tambin aumenta levemente su dimetro. Como resultado, dos de
las galgas miden la compresin axial; las otras dos son montadas transversalmente y miden la deformacin diametral de tensin. Ya que la deformacin transversal es solamente
la relacin de Poisson por la deformacin axial, la salida es menor que cuatro veces la
459
salida de una galga axial. Para un valor de la relacin de Poisson de 0.3, la salida ser
cerca de 2.6 veces la salida de una galga axial. Las celdas de carga comerciales estan
disponibles con rangos de onzas hasta varios cientos de miles de libras. Debido a su
diseo simple, cualquier rango puede ser prontamente fabricado.
A diferencia de los acelerometros, no es til especicar la respuesta en frecuencia de las
celdas de carga comerciales. Esto es porque la masa y exibilidad del sistema instrumentado controla la respuesta dinmica. Adems, una celda de carga instalada aadir
exibilidad al sistema y tambin afectar la respuesta dinmica. Si la exibilidad de las
celdas de carga con galgas es muy alta, estn disponibles comercialmente celdas de carga
180
que usan sensores piezoelctricos, que son ms rgidas
11.3.4 Caso de estudio: procedimiento de calibracin de un

ujmetro de turbina axial.
La calibracin de un instrumento se realiza para garantizar las cualidades del mismo en
cuanto su rango, precisin y exactitud de medida, y de esta manera atribuirle al sistema
de medicin una correcta aplicacin.
Para este caso, la calibracin de un instrumento de medicin de ujo, empleando un ujmetro de turbina axial, es necesario realizar una prueba experimental de toma de datos
y gracar dichos valores, de esta manera se comprobar el comportamiento estndar del
sistema.
Segn los captulos desarrollados anteriormente, siendo estos la herramienta terica que
facilit la ptima ejecucin de este experimento, se estableci un procedimiento que
permiti demostrar y entender las caractersticas de como se calibra un ujmetro de
turbina axial modelo HO (Fabricante: HOFFER). Este procedimiento se observa en la
gura 208. Tambien se visualiz el apoyo de los criterios probabilsticos que simplicaron
el anlisis de la datos adquiridos.
180 WHEELER,
Op. Cit., p. 248.
460
Figura 208: Proceso para la caracterizacin de un sensor

11.3.4.1 Objetivo y campo de aplicacin

La experimentacin, para este caso de estudio ingenierl, es una rea de estudio practica,
que implica estar en contacto y a la vanguardia con el mundo actual para comprender
mejor el funcionamiento de los dispositivos de medicin.
Es justamente esta, una de las razones por la cual se llev a cabo realizar el montaje e
instalacin de un sistema de medicin de caudal para poder conocer el procedimiento de
calibracin de un ujmetro, ya que sirve de ayuda para aterrizar los conceptos tericos
expuestos a lo largo del pregrado. Sin dejar a un lado la estadstica y la probabilidad que
son la base fundamental para hacer el anlisis de los datos de esta tesis de grado para
optar al titulo de Ingeniero Mecnico.
11.3.4.2 Procedimiento
11.3.4.3 Patrones
Para el procedimiento de calibracin del ujmetro se debi utilizar como patrn una
balanza de resolucin adecuada para observar el volumen que pasa por este.
461
La balanza esta constituida por un celda de carga, que es la que sensa los cambios de
masa a medida que el ujo circule por el ujmetro. Dicho instrumento, no cuenta con
un certicado de calibracin, puesto que la Escuela Ingeniera Mecnica de la Universidad
Industrial de Santander, no tiene un instrumento patrn certicado por algn laboratorio
o instituto nacional de metrologia y es por esto, que es importante resaltar que para este
caso de estudio lo que se desea es conocer el procedimiento de calibracin, y emplear
las herramientas estadsticas y mtodos probabilsticos para analizar y concluir cual es el
rango de linealidad del instrumento (Flujmetro de turbina axial).
11.3.4.4 Condiciones ambientales

Dedi evitarse situaciones ambientales extremas, procurando que el procedimiento de
calibracin que se realiz estuvo bajo condiciones similares a las de uso del ujmetro de
turbina axial. Evitar ruidos y vibraciones que perturbaran a la hora de aquirir los datos,
para hacer su respectivo anlisis, y poder concluir y recomendar en base al objetivo.
11.3.4.5 Sistema de adquisicin de datos
Figura 209: SAD para el procedimiento de calibracin de un ujmetro de turbina axial.
La gura 209 ilustra el sistema de adquisicin de datos para la ejecucin de este experimento. Aqui se observa cada instrumento y su funcin dentro de la experimentacin,
para la optima adquisicin y anlisis de los datos.

1. Variable independiente controlada: Caudal[GP M ]
462
2. Variable dependiente de la calibracin: Voltaje de salida medido por el sensor del

ujmetro
[V ]

El montaje adecuado para la toma de datos, en la cual la variable independiente ser
el caudal; y la variable dependiente, es el valor de la seal enviada por el sensor, en
este caso la frecuencia o el voltaje. Se recomienda para el caso de un ujmetro, que
la instalacin conste de una adecuada tubera, ltro, vlvulas de estrangulacin para la
variacin del ujo, regulador de ujo laminar y el ujmetro como se muestra en la gura
210.
Figura 210: Instalacin tpica de un ujmetro
Debido al principio de funcionamiento del ujmetro de turbina es necesario evitar en

la corriente remolinos o perles de velocidad complejos, ya que esto ocasionara que
el uido no hiciese el debido trabajo en las aspas del rotor manteniendo la estabilidad
del mismo o un ujo controlado, lo que incurrira en errores de medicin; para ello, se
debe habilitar una longitud de tubera de diez (10) veces el dimetro aguas arriba del
dispositivo de medicin y cinco (5) veces de dimetro de tubera aguas abajo del mismo,
en caso de no contar con un regulador de ujo lamina.
Para una correcta instalacin, se recomienda:
- Vericar el tamao, tipo de material y el rango de presin que soporta el sensor a
calibrar
- Escoger los accesorios adecuados como juntas y pernos.
- La posicin del sensor sera horizontal o vertical, segn el tipo de ujo en servicio.
- No instalar cerca a dispositivos elctricos que enven seales y causen interferencia en
los datos de salida del sensor, como motores, solenoides, transformadores, entre otros.
463
- Las lneas de ujo deben ser purgadas antes de colocar el sensor, la tubera debe ser
limpia y libre de partculas.
11.3.4.8 Especicaciones Tcnicas

Flujmetro de turbina axial (Fabricante: TURBINE FLOWMETERS BY HOFFER).
Rango Lineal: 0.35 - 3.5 [GPM]

Rango de repetitivilidad: 0.25 - 4.5 [GPM]
Rango de mxima capacidad: 1.5 de ujo mximo.
11.3.4.9 Anlisis probabilstico

Este anlisis inicialmente muestra el procedimiento pasos a paso de cmo se tratan los
datos estadisticamente para el sistema de medicin sin optimizacin del mismo. Lo que se
espera de este anlisis es determinar el rango de comportamiento lineal del instrumento
para as compararlo con el rango dado por el fabricante.
11.3.4.10 Mtodo emprico.

Este mtodo se realiz mediante el uso de un medidor de volumen con capacidad de
hasta 4000 ml, y medicin de tiempo de forma manual. Dicho procedimiento arrojo
errores debido a factores que afectaban el proceso de medicin, para resaltar el error
humano debido a la falta de sincronizacin para calcular el ujo volumtrico.
Planteamiento de la hiptesis
Se desea comprobar la linealidad del ujmetro
empleando la regresin lineal y la hiptesis a probar inicialmente permitir determinar

si existe una relacin matemtica entre las variables independiente y dependiente de la
curva de regresin. Si la pendiente de la curva de regresin es igual a cero, quiere decir
que no existe ninguna relacin entre las variables, y la hiptesis nula no se rechaza.
Hiptesis Nula:1
=0
Hiptesis Nula:1
=0
La hiptesis completa es asumir que los errores estn distribuidos de manera normal e
independiente con media cero y varianza
2,
para aplicar el mtodo de minimos cuadra-
dos.
464
Curva de regresin
Esta permite observar el comportamiento de las variables como
se observa en la gura 211.
Figura 211: Curva de Regresin del Flujmetro
Ecuacin de Regresin
Se us el mtodo de mnimos cuadrados para determinar la
ecuacin caracteristica de la curva.
y0 = 0,9473 x 0,5347
Coeciente de Determinacin
(369)
En particular, interesa cuanticar la intensidad de
la relacin lineal entre las variables. El parmetro que nos da tal cuanticacin es el
coeciente de correlacin lineal, dado por la ecuacin ??:
r=
SSxy
=
SSxx SSyy
(370)
Ahora bien, para calcular el coeciente de determinacin se debe conocer la suma de los
cuadrados de la regresin y la suma total de los cuadrados corregidos, expresado esto en
la ecuacin ?? es:
R2 =
SSR
= 0,9974
Syy
(371)
Lo cual indica que una relacin lineal no es sucientemente adecuada, y observando

la graca 211, el rango lineal no es el recomendado segn las especicaciones tcnicas
dadas por el fabricante, entonces se procede a optimizar el sistema y montaje de la
experimentacin.
465
Proceso de Optimizacin
El anlisis estadstico realizado con anterioridad ilustra
el comportamiento del instrumento en condiciones no ables en la obtencin de datos

precisos que conlleven a cumplir con los requerimientos de uso del ujmetro establecidos por el fabricante. Debido a esto, se propone la optimizacin del procedimiento de
calibracin mediante la implementacin de la celda de carga tipo S como se observa en
la gura que permite medir el diferencial de voltaje con el cambio de peso que llega el
medidor de ujo ubicado en la estructura que se le adhiere a la celda de carga asegurando
datos mas limpios y conables, permitiendo as, un anlisis estadistico claro y sencillo.
Figura 212: Balanza con celda de carga tipo S. Capacidad de 0 a 10 Kg.
Las gura 213 muestra las curva de la regresin lineal del instrumento en ambos procesos.
En base a las gracas de las regresiones a) y b) se observa que el rango lineal del
ujmetro en el proceso b) cumple con los requerimientos del fabricante, entonces, para
comparar dichos procesos el diseo de experimentos estadistico que mas se ajusta es el
Diseo de Bloques Completamente Aleatorios .

Figura 213: Sin celda de carga y con celda de carga
Al incorporar una celda de carga en el desarrollo del diseo experimental, se necesita caracterizar dicho sensor para concoer cual es la ecuacin que representa el comportamiento
y asi asegurar una respuesta lineal por parte del instrumento.
La caracterizacin de la balanza se realizo con el uso de pesas calibradas desde 1 gr a
2000 gr. La tabla 80 permite observar la caracterizacin de la balanza, observando una
respuesta lineal estable.
466
Tabla 80: Caracterizacin de la balanza con celda de carga
Las pesas usadas para dicha calibracin son las existentes en el Laboratorio de Mecnica
de Fluidos de la Escuela de Ingenieria Mecnica, las cuales estan calibradas, garantizando
a su vez el proceso de calibracin. En la gura 214 se observan dichos pesas que van
desde 1 gr a 2000 gr.
Figura 214: Pesas calibradas
Prueba de Hiptesis
Este tipo de diseo estdistico ofrece a esta experimentacin
un solo anlisis matematicos para ambos procesos, siendo estos, factores que inuyen
en los resultados y por ende en las conclusiones. Para poder plantear la hiptesis es
necesario crear una matriz con el valor de las pendientes con las posibles combinaciones
entre las medias muestrales para cada proceso. En la tabla 81 se encuentra la matriz de
las pendientes.
467
Tabla 81: Pendientes de las posibles combinaciones entre las medias muestrales.
(a) Sin Celda de Carga
(b) Con celda de Carga

La hiptesis a plantear es:
La hiptesis nula:
H0 : 1 = 2 = 3 = = 8 = cte,
lo que signica que
las medias de la matriz de las pendientes para ambos procesos en donde el rango
lineal parte 0.35 hasta 4.5 [GPM]. La tabla 82 muestra estos valores, para probar
dicha hiptesis.
La hiptesis alternativa:
H0 : 1 = 2 .
Tabla 82: Tabla de las medias de la matriz de las pendientes.

Para probar la hiptesis se calcul lo siguiente (ver tabla 83):
468
Tabla 83: ANOVA para el Diseo de Bloques.

Entonces, como
FCalculado > Ftabla
la hiptesis se rechaza, por consiguiente se emplean
el mtodo de Duncan siendo este mtodo es el ms utlizado para comparar todos los
pares de medias. Para realizar estas comparaciones se debe conocer las medias de cada
tratamiento, y estas son:

Ahora bien, de la tabla de Duncan y calculando la desviacin estndar del error, se ajusta
el valor de Duncan.
De tabla
r0,05,7, = 3,344
M SE
N o.de bloques
0,0237
8
El valor ajusta de Duncan es:
Resultados
= 0,0172
R = 3,344 = 0,06
Entonces, en la tabla 84 se resumen los rangos mnimos de signicancia.
Estos rangos se comparan con las diferencias de medias para cada tratamiento.
Tabla 84: Anlisis de Duncan para la comparacin entre los procesos.

469
Tabla 85: Caracterizacin del Flujmetro

Ecuacin de Regresin
y0 = 0,9136x 0,4474
Coeciente de determinacin
0.9988
Mximo error
0.046
Mximo intervalo
4,5587x104
Mximo incertidumbre
0.0059
Rango de linealidad
0.5 - 4.2 GPM
470
CONCLUSIONES
CONCLUSIONES EXPERIMENTALES
Se conocieron y desarrollaron los procedimientos de calibracin para los dos instrumentos (manmetro anlogo y transductor de presin).
Se determin el intervalo de linealidad comprobando la hiptesis establecidas de
regresin del transductor de presin MSP 300 en un nuevo rango de operacin de
27 a 210 Psi.
El Modulo de Young calculado con datos experimentales fue de 6.25 x 1010 [Pa] y
en comparacin con un valor de 6.3 x 1010 [Pa] segn la bibliografa, el porcentaje
de error fue de 0.65 %, lo cual indica que se obtuvieron datos precisos, dando un
coeciente de correlacin igual a 1.
El porcentaje de error en la determinacin del coeciente de sensibilidad es de
4.0274 % de un valor experimental de 1.53 respecto a 1.6; Esto se debe a que el
strain gage no se encuentra ubicado exactamente en forma tangencial al agujero
que genera el mximo esfuerzo.
Los valores calculados de la relacin de Poisson con los datos experimentales
presentan un porcentaje de error de 2.06 %, con valor medio de 0.3232 respecto
a 0.33; ste valor de porcentaje de error es debido a la ubicacin del punto de
medicin.
Por medio de ANOVA se comprob el grado de signicancia en la diferencia de
los dos mtodos experimentales, debido a la optimizacin del sistema de medicin,
hallando un ujo msico en forma diferencial, mediante la incorporacin de una
celda de carga.
Se comprob el rango de linealidad dado por el fabricante (0.35 - 3.5 GPM) con
un factor de seguridad de 1.5, es decir, el ujo alcanza un rango de linealidad de
4.5 GPM.
CONCLUSIONES Y RECOMENDACIONES
Se desarroll un Seminario de Investigacin en Mtodos Probabilsticos Aplicados al
diseo de Experimentos para Ingenieros donde se trataron temticas de inters como lo

471
es la probabilidad y estadstica dndole un enfoque prctico con aplicaciones al diseo

de experimentos.
Se realiz un estudio sobre temticas propuestas con anterioridad en el plan de proyec-
to de grado como lo son: exploracin en el mtodo cientco y el diseo experimental,

calibracin y caractersticas dinmicas de seales, anlisis de incertidumbre, probabilidad
y estadstica de experimentos, diseo de experimentos y aplicacin de mtodos probabilsticos al diseo experimental para ingenieros, mediante mediciones de parmetros
fsicos como: presin, ujo, esfuerzo y deformacin.
Se elabor un documento sntesis que servir como base para el grupo de Investigacin
DIcBOT con el objetivo de continuar con estudios avanzados a nivel de Maestra y

Doctorado sobre la temtica tratada en el Seminario de Investigacin desarrollado.
Se desarrollaron pruebas experimentales como complemento y aplicacin de la funda-
mentacin terica estudiada a lo largo del Seminario de Investigacin, obteniendo datos

reales para su posterior anlisis mediante el uso de mtodos probabilsticos.
Se realizaron presentaciones en Power Point para la socializacin de los temas tratados
en cada sesin del Seminario de Investigacin.
Se elaboraron documentos que respaldan el desarrollo de talleres prcticos como pro-
fundizacin, aplicacin de conceptos y objetos de investigacin.
Se utilizaron diferentes herramientas computacionales como: Latex para la elaboracin
del documento sntesis, LabVIEW como software para la adquisicin de datos, y Matlab como software facilitador en el anlisis estadstico y probabilstico de datos reales
obtenidos de forma experimental.
La experimentacin necesita del mtodo cientco y de un diseo experimental para
obtener datos reales de inters en particular, y poderlos entender, analizar e interpretar

mediante el uso de herramientas como la estadstica y los mtodos probabilsticos, con
el n de sacar conclusiones acerca de un sistema o proceso ya sea para optimizarlo o
para vericar teoras ya existentes.
472
BIBLIOGRAFIA

ARTIGAS, M. Filosofa de la ciencia experimental: la objetividad y la verdad en las
ciencias. 2 ed. Editorial EUNSA, Espaa 1992.

BELLIDO, J. Sistemas de medicin del ozono: Instrumentacin asociada y Calibracin.
Revista ACAM - Associacin Catalana de Meteorologia. Tethys, 3, 5962, 2006.

BENTLEY, Jhon P. Sisitemas de Medicin. Principios y Aplicaciones. 2 ed. CECSA.
1999.

BOLTON, Bill. Mediciones y Pruebas Elctricas y Electrnicas .Alfaomega, 1995.

CASTILLO,I. & GUIJARRRO, M. Estadstica Descriptiva y clculo de la probabilidades.
Pearson,Espaa, 2006.

CREUS, Antonio. Instrumentacin Industrial, 7a ed., Edit. Alfaomega, Espaa, 2006.

CREUS, Antonio. Instrumentos Industriales su ajuste y Calibracin. 3 ed. Mxico.: Alfaomega, 2009.

DOEBELIN, Ernest. Sistemas de Medicin e Instrumentacin: Diseo y Aplicacin. 5 ed.
Mxico.: McGraw-Hill. 2005.

DONALD, R. Process systems analysis and control. 2 ed. McGraw-Hill, 1991.

DORF R.; Bishop R., Sistemas de control moderno, Decima edicin. Editorial Pearson,
2005.

473
DUNN, Patrick. Measurement & Data Analysis for Engineering & Science. 1 ed. University of Notre Dame, Indiana, USA.: McGraw-Hill, 2005.

FIGLIOLA, Richard. y BEASLEY, Donald. Mediciones mecnicas: Teora y Diseo. 4 ed.
Mxico.: Alfaomega, 2008.

GUTIERREZ, Humberto. Anlisis y diseo de experimentos. 2 ed. Universidad de Guadalajara, Mxico.: Mc Graw Hill. 2008.

KUO, B., Sistemas de control automtico, 7 ed. Editorial Prentice hall, 1996.

KUHN,T. La Estructura de las Revoluciones Cientcas. Santa fe de Bogot.: Fondo de
Cultura Econmico, 1992.

HINES, William y MONTGOMERY, Douglas. Probabilidad y Estadstica para Ingeniera.
4 ed. Mxico.: Cecsa, 2006.

HOLMAN, Jack P. Experimental methods for engineers. 6 ed. USA.: McGraw-Hill, 1994.

INSTITUTO COLOMBIANO DE NORMAS TCNICAS Y CERTIFICACIN. Sistema
de gestin de Calidad. Requisitos. NTC-ISO 9001. Bogota.: El Instituto, 2000.

MENDENHALL, William. y SINCICH, Terry. Statistics for Engineering and the Sciences.
5 ed. New York, USA.: Pearson Prentice-Hall, Inc, 2007.

MONTGOMERY, Douglas. & RUNGER, George. Probabilidad y Estadstica aplicadas a
la Ingeniera. 2 ed.: McGraw-Hill, 1996.

MCGHEE, J & I. A. Henderson & P. H. Sydenham. Sensor Science-essentials for Instrumentation and Measurement Technology. En: Elsevier. 1998.

474
NAVIDI, William. Estadstica para ingenieros y cientcos. 4 ed. Mxico.: McGraw-Hill,

2006.

NISE N. S., Control Systems engineering, Quinta edicin. Editorial John Wiley & Sons,
2008.

NORMA TCNICA COLOMBIANA NTC-ISO 14001.

NTC-ISO/IEC 17025 : Requisitos generales para la competencia de los laboratorios y
ensayos de calibracin.



OGATA, Katsuhiko. Ingeniera de Control Moderna. 3 Ed. Mxico.: Pearson Prentice
Hall, 1995.

PEACH, Robert. MANUAL DE ISO 9000. 3 ed. Mc Graw Hill.

PREZ, Csar. Tcnicas de muestreo estadstico: Teora prctica y aplicaciones informticas. 1 ed. Mxico.: Alfaomega, 2000.

RAMIREZ, Alberto. Metodologa de la investigacin cientca. Ponticia Universidad
Javeriana.

ROSS,S. Probabilidad Y Estadstica Para Ingenieros. 2da Ed, Mc Graw Hill,Mxico,2002.

RUIZ, R. El Mtodo cientco y sus etapas. Mxico.2007.

475
SOISSON, Harold. Instrumentacin Industrial. 6 ed. Mxico.: Limusa Noriega Editores,

2007.

SILVA, Fredy Alberto. Manual de Pasanta de Presin Y Manometra-Laboratorio de
presin de PROGEN S.A. 2002.

SMITH C.; CORRIPIO A., Control automtico de procesos, teora y prctica, 1 ed.
Editorial John Wiley & Sons, 1991.

SPIEGEL, M. & SCILLER ,J. Probabilidad y Estadstica. 2 ed.: Mc Graw-Hill, Colombia.
2006.

WHEELER, Anthony J. y GANJI, Ahmad R. Introduction to Engineering Experimentation. 2 ed. New Jersey, USA.: Pearson Education, Inc, 2004.
476
Parte III
ANEXOS
477
A. SEMINARIO ALEMAN
Es una actividad acadmica que tuvo origen a nales del siglo XVIII, surge como una
propuesta pedaggica para complementar la investigacin y la docencia. Su metodologa
est basada en el encuentro de personas para discutir y compartir sobre la investigacin de
un tema especco, contribuyendo al desarrollo de cualidades como percibir y reconocer
lo esencial, comparar, valorar, ordenar, denir, fundamentar, probar, refutar, concluir,
aplicar, analizar, sintetizar, incluir, deducir e identicar problemas.
Bajo la direccin de alguien, se desarrolla el seminario en torno a un tema escogido,
mediante la exposicin, complementacin, aporte de todos los participantes, sacando
conclusiones y nuevos interrogantes que quedaran plasmados en la memoria escrita denominada protocolo.
Las ventajas del Seminario de Investigacin son:
Reexin didctica. Es el nico medio de asegurare de que los participantes van

directamente a leer en las fuentes.
Es un instrumento aplicable a todas las reas del conocimiento humano y no slo
a algunas como equivocadamente pudiera pensarse.
Proporciona una experiencia de aprendizaje en grupo a travs de la comunicacin,
la cual posibilita un mayor aprendizaje de cada miembro en particular y a una
retroalimentacin durante el ejercicio.
Ofrece un control abierto de la realizacin en base a lo planicado, del rendimiento
y capacidades de los participantes; as como una amplitud de exigencias y posibilidades con respecto a grcos, uso de diapositivas, materiales y diversas clases de
medios.
Por lo anterior, puede decirse que aunque el Seminario de Investigacin permite una
mayor profundizacin en los temas elegidos, no es este su principal objetivo, su verdadera
meta es que los estudiantes entren en contacto con los marcos tericos existente y luego
sobre esa base realicen sus propias producciones de saber.
478
B. PROCEDIMIENTO DE CALIBRACIN.
MANMETRO TUBO BURDON TIPO C.
Pasos para la determinacin del rango o clase en

el que se encuentra el instrumento comparndolo
con un patrn de un laboratorio certicado. Prueba
preliminar.
a. Instalar los manmetros patrn y a calibrar en el equipo de calibracin.
Figura 215: Descripcin de un manmetro digital-patrn.
Fuente:Empresa REYMOM LTDA.
Figura 216: Manmetros anlogos-calibrar.
479
Figura 217: Calibradores de presin de precisin porttil.
b. Llenar de agua el sistema cilindro-pistn.

Figura 218: Cilindro-piston
c. Inicializamos el manmetro patrn a cero.

d. Determinar la incertidumbre por apreciacin en el manmetro a calibrar.
480

Para el manmetro de tubo Bourdon al que se le est realizando el procedimiento que
mide presiones hasta de 600 psi, en la escala ms pequea cabe 4 veces la aguja.
e. Toma de datos llenando el Registro de calibracin de Manmetros tabla 86,

este formato es propio de cada laboratorio.
Tabla 86: Registro de calibracin expedido por REYMOM LTDA.
Es muy importante tener en cuenta que a los instrumentos, en este caso a los manmetros, les afecta la presin atmosfrica, entonces segn la norma ICONTEC ISO 9001-NTC
1420 que establece deniciones, condiciones generales, escalas, dimensiones, tolerancias,
plan de muestreo, ensayos y rotulado para Manmetros de Tubo Bourdon para Uso Industrial, se debe esperar 20 min como mnimo para que se estabilice las propiedades
mecnicas de los materiales del tubo Bourdon cuando se han tomado muestras de forma
ascendente y se pasa a tomar datos de forma descendente.
f. Determinar el mximo error que se da en las lecturas y se procede a calcular

el % de error.
481
%error=frac(mxerror )(rango)*100
Donde el rango es la mxima presin a la que puede llegar el manmetro a calibrar.
Segn la norma ICONTEC ISO 9001- NTC 2263 que establece deniciones, unidades de
medicin, caractersticas metrolgicas, requisitos de los dispositivos, inscripcin, designaciones y controles metrolgicos, dice que en los procesos industriales se deben trabajar
con manmetros del doble de la presin de operacin del proceso. Ejemplo: si se realiza
una prueba de hermeticidad en una vlvula de compuerta que maneja una presin de
300 Psi, el manmetro instalado para tomar las lecturas de ser de 600 Psi.
g. Segn el manual de PROGEN S.A.
181
se dene la clase (CL) en la que se
encuentra el instrumento segn l % de error, y se dene la CL que est por

encima de este % de error ver tabla 87.
Donde la clase (CL) est denida por el Centro de Control y Calidad de la Superintendencia de Industria y Comercio, y la dene como el grupo de instrumentos de medida
que satisfacen determinadas exigencias metrolgicas destinadas a conservar los errores
dentro de los limites especicados.
h. Ya denido la clase y el instrumentista da sus observaciones al cliente, este

decide si se ajusta aun ms el manmetro.
181 SILVA,
Fredy Alberto. Manual de Pasanta de Presin Y Manometra-Laboratorio de presin de

PROGEN S.A. 2002.
482
Tabla 87: Registro de calibracin expedido por REYMOM LTDA.
Registro de calibracin expedido por REYMOM LTDA.
Determinar el tipo de error y realizar la respectiva

correccin o ajuste del instrumento
En la prctica, los instrumentos de medicin y control indican unos valores inexactos
que se apartan en mayor o menor grado del valor real de la seal de entrada, debido
a las condiciones del proceso. Las causas de estas variaciones pueden ser causadas por
vibraciones, temperatura, golpes, derivadas elctricas, cambios en el proceso con variables
fuera de los lmites especicados, etc., de modo que ser necesario establecer unos
intervalos de calibracin que vuelvan a poner al instrumento en mejores condiciones.
En condiciones de funcionamiento esttico, las desviaciones de la curva variable reallectura de un instrumento tpico gura 219 con relacin a la recta ideal representan los
errores de medida. Esta curva puede descomponerse en tres que representan individualmente los tres tipos de errores que pueden hallarse en forma aislada o combinada
182 CREUS,
Antonio. Instrumentacin Industrial, 7a ed., Edit. Alfaomega, Espaa, 2006.
483
182
Figura 219: Curva variable real-lectura
Fuente. Instrumentos Industriales. CREUS, Antonio. Edit. Alfaomega. Pg. 41
Con base a los errores denidos en el Captulo 6 y con todos los conceptos denidos, se
procede a ajustar el instrumento segn el o los errores que presente este. Los pasos son
los siguientes:
1. Situar la aguja en el valor mnimo del campo de medida, es decir, en la posicin

inicial de la aguja, y en este valor ajustar el tornillo cero del instrumento hasta que
el ndice seale el punto base (cero).
2. Situar la aguja en el valor mximo del campo de medida, en este caso a la

presin mxima, y en este valor ajustar el tornillo de multiplicacin hasta que el
ndice seale justo el valor mximo del instrumento.
3. Repetir los pasos (1) y (2) hasta que las lecturas sean las correctas en sus
valores mximos y mnimos.
4. Si el instrumento tiene un error de angularidad, ajustar el tornillo de angularidad

hasta mover el ndice en la direccin del error unas cinco veces.
5. Reajustar nuevamente los tornillos cero y de multiplicacin hasta conseguir la

exactitud deseada.
Figura 220: Esquema de Manmetro Bourdon con los tipos de Ajuste para cada Error
Fuente. Instrumentos Industriales. CREUS, Antonio. Edit. Alfaomega. Pg. 44.
484
C. NORMA TCNICA COLOMBIANA-RESUME
Tabla 88: Requisitos Generales para la Competencia de los Laboratorios de Ensayo y

Calibracin
REQUISITOS
CARACTERSTICA
Esta norma internacional es una herramienta para los
laboratorios que estn desarrollando sus sistemas tcnicos de
calidad y de gestin que regulan sus operaciones. Los clientes
de los laboratorios, las autoridades reguladoras y los organismos
de acreditacin tambin pueden utilizarla para conrmar o
1. Alcance
reconocer la competencia de los laboratorios.

Los siguientes documentos normativos contienen condiciones
2.
Referencias
Normativas
que, mediante su referencia en este texto, constituyen las

disposiciones de esta norma internacional:
ISO 9001:1994, Quality systemsModel for quality assurance
in design, development, production, installation and servicing.
ISO 9002:1994, Quality systems Model for quality assurance
in production, installation and servicing.
ISO/IEC Guide 2, General terms and their denitions
concerning standardization and related activities
VIM, International vocabulary of basic and general terms in
metrology.
La gua 2 ISO/IEC se relacionan especcamente con la
3. Trminos y
normalizacin, certicacin y acreditacin de laboratorios, por
Deniciones
lo que se preere usar estas deniciones y las del VIM.

1. Organizacin: Es responsabilidad del laboratorio llevar a cabo
sus actividades de ensayo y calibracin de tal manera que
cumpla con los requisitos de esta norma internacional y que
4.
Requisitos
de gestin
Contina
satisfaga las necesidades del cliente, de las autoridades

reguladoras u organizaciones que otorgan el reconocimiento.
Pg
siguiente
485
REQUISITOS
CARACTERSTICA
2. Sistema de calidad: El laboratorio debe establecer, aplicar y
mantener un sistema de calidad apropiado al alcance de sus
actividades. De igual forma debe documentar sus polticas,
sistemas, programas, procedimientos e instrucciones en el nivel
necesario para asegurar la calidad de los resultados de los
ensayos y calibraciones. La documentacin del sistema debe
estar a disposicin del personal apropiado para su
correspondiente comprensin y aplicacin.
3. Control de documentos: El laboratorio debe establecer y
mantener procedimientos para controlar toda la documentacin
(generada internamente o proveniente de fuentes externas) que
forme parte de su sistema de calidad, como reglamentos,
normas, otros documentos normativos, mtodos de ensayo y
calibracin, as como tambin dibujos, software,
especicaciones, instrucciones y manuales.
4. Subcontratacin de ensayos y calibraciones: El laboratorio
debe mantener un registro de todos los subcontratistas que
utiliza para los ensayos y calibraciones, as como un registro de
las pruebas del cumplimiento de esta norma internacional.
5. Compra de servicios y suministros: El laboratorio debe
disponer de una poltica y procedimiento(s) para la seleccin y
adquisicin de servicios y suministros que utiliza y que afectan
la calidad de los ensayos y calibraciones. De igual forma, deber
establecer procedimientos para la compra, recepcin y
almacenamiento de reactivos y materiales consumibles
relevantes para los ensayos y calibraciones.
6. Servicio al cliente: El laboratorio deber cooperar con los
clientes o sus representantes para aclarar sus solicitudes y para
que puedan monitorear el desempeo del laboratorio en relacin
con el trabajo efectuado, siempre que el laboratorio asegure
condencialidad hacia otros clientes.
Contina
Pg
siguiente
486
REQUISITOS
CARACTERSTICA
7. Reclamos: El laboratorio deber disponer de una poltica y
procedimientos para la resolucin de reclamos de los clientes u
otras partes. Se deber mantener registros de todos los
reclamos, investigaciones y acciones correctivas tomadas por el
laboratorio.
8. Control de no conformidades en los ensayos y calibraciones:
El laboratorio debe establecer una poltica y procedimientos que
se apliquen cuando algn aspecto de su trabajo de ensayo y
calibracin, o los resultados de este, no se ajustan a sus propios
procedimientos o a los requisitos acordados con el cliente.
9. Acciones correctivas: El laboratorio debe establecer una
poltica y procedimiento y debe designar las autoridades
apropiadas para implantar las acciones correctivas cuando se
identiquen no conformidades en los ensayos y calibraciones o
desviaciones de las polticas y procedimientos del sistema de
calidad o de las operaciones tcnicas.
10. Acciones preventivas: Se deben identicar las mejoras
necesarias y las fuentes potenciales de no conformidades, ya
sean tcnicas o concernientes al sistema de calidad. Si se
requiere de accin preventiva, se deber desarrollar,
implementar y monitorear los planes de accin para reducir la
probabilidad de ocurrencia de dichas no conformidades y
aprovechar las opciones de mejora.
11.Control de registros: El laboratorio deber establecer y
mantener procedimientos para la identicacin, recoleccin,
indicacin, acceso, archivo, almacenamiento, mantenimiento y
descarte de registros tcnicos y de calidad. Los registros de
calidad debern incluir informes de auditoras internas,
revisiones de la direccin, as como registros de las acciones
correctivas y preventivas.
Contina
Pg
siguiente
487
REQUISITOS
CARACTERSTICA
12. Auditoras internas: El laboratorio debe conducir auditoras
internas de sus actividades, peridicamente y de acuerdo con un
calendario y procedimiento predeterminado, a n de vericar
que sus operaciones cumplan los requisitos del sistema de
calidad y de esta norma internacional. El programa de auditoras
internas debe abordar todos los elementos del sistema de
calidad, incluidas las actividades de ensayo y calibracin. Es
responsabilidad del gerente de calidad planear y organizar
auditoras segn lo requiera el programa y segn lo solicite la
direccin. Tales auditoras debern ser conducidas por personal
capacitado y calicado, el cual siempre que los recursos lo
permitan, ser independiente de la actividad que se va auditar.
13. Revisiones de la direccin: La direccin administrativa del
laboratorio debe conducir peridicamente una revisin del
sistema de calidad del laboratorio y de las actividades de ensayo
y calibracin para asegurar su idoneidad y efectividad continua
y para introducir los cambios o mejoras necesarias.
1. Generalidades. Factores que inuyen en la determinacin de
la exactitud y abilidad de los ensayos y calibraciones
efectuadas por un laboratorio: factores humanos, instalaciones y
condiciones ambientales, mtodos de ensayo y calibracin y
validacin de mtodos, equipo, trazabilidad de la medicin,
muestreo y manejo de los elementos de ensayo y calibracin.
El laboratorio deber considerar estos factores al desarrollar los
mtodos y procedimientos de ensayo y calibracin, en la
5.
Requisitos
tcnicos
capacitacin y calicacin del personal y en la seleccin y

calibracin del equipo que utiliza.
2. Personal: La direccin del laboratorio deber asegurar la
competencia de todos aquellos que operen equipos especcos,
realicen ensayos y calibraciones, evalen resultados y rmen
informes de ensayos y certicados de calibracin. Cuando el
laboratorio contrate personal que est bajo capacitacin, debe
proporcionar la supervisin adecuada.
Contina
Pg
siguiente
488
REQUISITOS
CARACTERSTICA
3. Instalaciones y condiciones ambientales: Las instalaciones del
laboratorio para ensayo y calibracin, incluidas pero no
limitadas a las fuentes de energa, iluminacin y condiciones
ambientales, deben facilitar la correcta ejecucin de los ensayos
y calibraciones. El laboratorio deber asegurar que las
condiciones ambientales no invaliden los resultados o afecten
negativamente la calidad requerida de cualquier medicin.
4. Mtodos de ensayo y calibracin y validacin del mtodo.
5. Equipo: El equipo y el software empleados para el ensayo,
calibracin y muestreo deben estar en capacidad de lograr la
exactitud requerida y deben cumplir con las especicaciones
pertinentes para los ensayos y calibraciones.
6. Trazabilidad de la medicin: Todo equipo usado para ensayos
y calibraciones, incluido el equipo para mediciones secundarias,
que tenga un efecto signicativo sobre la exactitud o validez del
resultado del ensayo, calibracin o muestreo, deber calibrarse
antes de ponerse en servicio. El laboratorio debe contar con un
procedimiento y programa establecido para la calibracin de su
equipo.
7. Muestreo: El laboratorio debe contar con un plan de
muestreo y procedimientos cuando realiza el muestreo de
sustancias, materiales o productos para subsecuentes ensayos y
calibraciones. El plan y procedimientos para el muestreo debern
estar disponibles en el lugar donde se lleve a cabo el muestreo.
8. Manejo de las muestras de ensayo y calibracin: El
laboratorio deber disponer de un sistema para la identicacin
de las muestras de ensayo y calibracin. La identicacin se
retendr durante la permanencia de la muestra en el
laboratorio. El sistema debe ser diseado y operado de tal
manera que las muestras no se confundan fsicamente o cuando
se haga referencia a ellas en los registros u otros documentos.
Contina
Pg
siguiente
489
REQUISITOS
CARACTERSTICA
9. Aseguramiento de la calidad de los resultados del ensayo y
calibracin: El laboratorio deber establecer procedimientos de
control de calidad para monitorear la validez de los ensayos y
calibraciones. Los datos resultantes deben registrarse de tal
manera que se detecten las tendencias y, cuando sea factible, se
deben aplicar tcnicas estadsticas para revisar los resultados.
10. Informe de resultados: Los resultados de cada ensayo,
calibracin o series de ensayos o calibraciones realizadas por el
laboratorio se deben reportar de manera precisa, clara, objetiva,
sin ambigedad y de acuerdo con cualquier instruccin
especicada en los mtodos de ensayo o calibracin.
490
D. ANLISIS DE LA RESPUESTA TRANSITORIA Y ESTACIONARIA EN EL DOMINIO DE LA FRECUENCIA
La respuesta en frecuencia de un sistema se dene como la respuesta del sistema en

estado estacionario a una seal sinusoidal de entrada. La sinusoidal es una seal de
entrada nica, y la seal de salida resultante para un sistema lineal, al igual que las
seales a travs del sistema, es sinusoidal en el estado estacionario, diere de la forma
de onda de entrada solamente en amplitud y ngulo de fase
183
Para un sistema lineal invariante en el tiempo que tiene una entrada senoidal, su salida, en
estado estable ser tambin una funcin senoidal con la misma frecuencia pero diferente
amplitud y fase, es decir, el sistema produce cambios en la amplitud y fase de la funcin
de entrada segn gura 221.
Seal de entrada:
Seal de salida:
x(t) = Xcos(wt + i )
y(t) = Y cos(wt + 0 )
Figura 221: Seal de entrada y salida sinusoidal
Con base en lo establecido se tienen la ecuacin 183.

183 DORF,
R. y BISHOP, R. Sistemas de Control Moderno. 10 ed. Pearson, 2005.

491
Y(jw)
= |G(jw)|
X(jw)
(372)
= tan1 [(parte imaginaria de G(jw))/(P arte real de G(jw))]

Donde:
|G(jw)| :
Amplitud del cociente entre la seal de salida y la seal de entrada.
:ngulo
de fase de la respuesta en frecuencia.
La amplitud de la seal de salida es el producto de la amplitud de la seal de entrada y
(|G(jw)|).
la amplitud de la funcin del sistema
El ngulo de fase que representa el corrimiento de la funcin de salida con respecto a

la funcin de entrada esta dado por
Un valor negativo de este ngulo representa un
atraso de fase y uno positivo es un adelanto de fase.

En sntesis, la respuesta en frecuencia es esencialmente el estudio de la manera en que
se comportan la razn de la amplitud de la seal de salida respecto a la amplitud de la
seal de entrada y el ngulo de fase de diferentes componentes o sistemas cuando se
cambia la frecuencia de entrada .
Especicaciones en el dominio de la frecuencia.
Es importante denir algunas especicaciones que permitir identicar el desempeo de
un sistema.
Pico de Resonancia: Se dene como el valor mximo de
|G(jw)|.
Esta magnitud
permite tener una idea de la estabilidad relativa de un sistema. En la mayora de

los sistemas de control un valor deseado de esta magnitud est entre 1.1 y 1.5.
Frecuencia de resonancia: Es la frecuencia en la cual se presente el pico de resonancia.
Ancho de banda: Es la frecuencia para la cual
|G(jw)| cae al 70.7 % o 3 dB debajo
de su valor inicial que es el correspondiente cuando la frecuencia es cero. Un ancho

de banda grande permite que las seales de alta frecuencia pasen ms fcilmente
por el sistema lo que ocasiona un tiempo de levantamiento pequeo y la respuesta
en el tiempo es ms rpida, lo contrario sucede con un ancho de banda pequeo.
Cabe mencionar que el ancho de banda permite tener caractersticas de ltrado de
ruido y la robustez del sistema.
En la gura 222 se especican grcamente las caractersticas de un sistema de control,

lo que permitir identicar y calcular dichos valores a partir del diagrama de Bode.
492
Figura 222: Caractersticas Tpicas de un Sistema en el dominio de la Frecuencia.
Fuente: Kuo, Benjamn. Sistemas de Control Automtico. p.543.
Este tipo de anlisis hace referencia a la respuesta de un sistema en estado estable cuando
su entrada es senoidal. Su mayor ventaja es que generalmente es sencillo y pueden llegar
a ser muy preciso debido a que se puede disear un sistema en el que se desprecien
efectos que pueden causar inconvenientes en el momento del anlisis como lo es el ruido.
Por medio de este mtodo se puede obtener la funcin de transferencia que representa
el comportamiento sinusoidal en estado estable de un sistema. La mayor desventaja de
este mtodo es la inexistencia de un vnculo directo con el dominio del tiempo.
Aproximaciones Asintticas: Trazas o Diagrama de

Bode
La funcin de transferencia se puede representar mediante dos grcas: magnitud (dB)
vs frecuencia (rad/s), y ngulo de fase (grados) vs frecuencia (rad/s), cuando solo se
necesita una informacin general sobre la caracterstica de la respuesta en frecuencia, es
suciente usar las aproximaciones asintticas.
Las aproximaciones asintticas son una aproximacin mediante lneas rectas a la curva
real del sistema. Generalmente en la prctica, el inters est en la caracterstica de
seales de baja frecuencia es por ello que se recomienda ampliar el rango de frecuencia
baja, y aunque no es posible gracar hasta una frecuencia cero, debido a la frecuencia
logartmica, es decir,
log(0) = ,
lo cual no representa un serio problema.
En la Figura 223 se muestran grcamente la curva de magnitud logartmica con las

asntotas y la grca de fase. El punto de unin de las dos asntotas se denomina
493
frecuencia de esquina o corte y es la que divide la curva en dos regiones, una de baja y
otra de alta frecuencia.
Figura 223: Aproximacin Asinttica del Diagrama de Bode.
Fuente, Katsuhiko. Ogata. Ingeniera de control moderna. p.477.
Sistemas De Orden Cero

El diagrama de Bode que representa un sistema de orden cero esta dado por la gura
224, la cual presenta un valor de fase igual a cero ya que la seal de respuesta es
completamente proporcional con la seal de entrada de forma ideal.
Figura 224: Respuesta De Un Sistema De Orden Cero En Funcin De La Frecuencia.
Fuente. OGATA. Katsuhiko.. Ingeniera de control moderna. p.477.
Sistemas De Primer Orden

La grca 43 es el diagrama de Bode para un sistema de primer orden, donde se grca
magnitud en unidades de decibeles vs frecuencia en rad/seg, y ngulo de fase en grados
vs la frecuencia en rad/seg.
494
Figura 225: Diagrama de Bode Para Sistemas de Primer Orden
Los sistemas ms comunes de primer orden son los sistemas masa resorte y los circuitos
RC.
Sistemas De Segundo Orden

Partiendo de la ecuacin 373 y observando la gura 226.
1 2
(d y)/dt2 + 2/wn dy/dt + y = kx
2
wn
Donde:
k = b/ao :
wn =
Es la ganancia de estado establea ganancia simple del sistema.
(a0 /a2 ):
= a0 /(2
Es la frecuencia natural del sistema
(a0 /a2 )):
Es el factor de amortiguamiento
Figura 226: Sistema de Segundo Orden
Reemplazando
por
jw,
se obtiene:
495
(373)
G(jw) = (kwn 2 )/((jw2 + 2wn jw + wn 2 ))

A diferencia del sistema de primer orden, la inuencia de los tres parmetros
(k, , wn )
en la respuesta representada en la gura 25 no es directa, sino que se obtienen a travs

de las siguientes expresiones:
Mr = 1/(2
wr = wn
(1 2 2 ))
(1 2 2 )
Para valores de0
< < 0,707
Donde:
Mr :
Pico de resonancia
wr :
Frecuencia de resonancia.
Figura 227: Diagrama de Bode de Sistemas de Segundo Orden.(k=1, Wn=3,162,

z=0,3162)
Los sistemas masa resorte amortiguador y los circuitos RLC, son algunos de los sistemas
ms representativos de segundo orden.
Sistemas De Orden Superior

Un sistema de orden n esta dado por la ecuacin 374, como se puede observar no
existe una caracterizacin de la ecuacin, es decir no se pueden denir variables como
se observaba en el caso de los sistemas de primer y segundo orden.
496
dn y
dm u
dn1 y
dy
dm1 y
+ a1 n1 + + an1 + an y = b0 m + b1 m1 + + bm u
dtn
dt
dt
dt
dt
(374)
Para un sistema de tercer orden se tiene la gura 228, y la ecuacin 375 permite mostrar
el diagrama de bode para un sistema de tercer orden.
Figura 228: Diagrama de Bloque Para Sistemas de Tercer Orden
G(jw) =
jw + 2
((jw)3 + 4(jw)2 + 5(jw) + 9)
(375)
Usando como herramienta computacional Matlab, se crea el diagrama de bode para la

ecuacin 375, y el resultado es un sitema de tercer orden como se observa en la gura
229.
Figura 229: Diagrama de Bode de Orden Superior
497
E. MTODOS DE MODELADO MATEMTICO
Funcin de Transferencia
La funcin de transferencia se puede denir como la relacin de la funcin de salida y
la funcin de entrada en forma de su transformada de Laplace para analizar el comportamiento de un sistema que vara dependiendo la excitacin aplicada.
ste modelo no depende de la naturaleza de la excitacin, y aunque contienen los elementos necesarios para hacer la relacin no lo describe fsicamente, lo que conlleva a
que sistemas completamente diferentes, pueden ser descritos por modelos muy similares
o idnticos. La ecuacin de transferencia se caracteriza porque al multiplicarla por la
transformada de la funcin entrada se halla la transformada de la funcin de salida.
Para denir la funcin de transferencia se parte de la ecuacin diferencial 376:
ao
dn r
dn1 r
dr
dm c
dm1 c
dc
+a1 n1 +.....+an1 +an c = bo m +b1 m1 +.....+bm1 +bm c
dtn
dt
dt
dt
dt
dt
Sabiendo que la funcin
c(t)
r(t)
mn
(376)
describen funcionalmente la seal salida y entra-
da correspondientemente, las cuales son funcin del tiempo, se aplica la transformada

de Laplace en ambos miembros de la ecuacin, bajo la suposicin que las condiciones
iniciales son cero; despejando se obtiene la ecuacin 377, donde
G(s)
es la funcin de
transferencia
Condiciones iniciales cero
ao sn + a1 sn1 + ..... + an1 s + an

C(s)
=
R(s)
bo sm + b1 sm1 + ..... + bm1 s + bm
(377)
L[salida]
G(s) = L[entrada]
De esta manera se podrn representar las ecuaciones diferenciales de un sistema dinmico
en ecuaciones algebraicas relativamente ms simples. Se debe tener en cuenta que si la
potencia ms alta de s en el denominador es n entonces el sistema se denomina de
n-simo orden; y a su vez, si la potencia mxima m en el numerador es menor que n,
entonces la ecuacin es estrictamente propia, lo cual es necesario.
En la actualidad los sistemas dinmicos a realizarles control se estn describiendo no
con la funcin de transferencia que es funcin de la variable compleja s por la aplicacin
de la transformada de Laplace, sino por el modelado de ecuaciones en diferencias que
utilizan la transformada Z, siendo esta ultima la variable independiente.
498
Diagrama De Bloques
Representacin grca donde se puede visualizar de forma un poco ms realista el ujo
de las seales y las relaciones entre los componentes del sistema comprendiendo su funcionamiento. Cualquier sistema lineal puede ser representado por diagramas de bloques.
Los parmetros que describen el sistema que son variables se enlazan mediante bloques
funcionales. Los bloques son smbolos que representan la operacin que se ejecuta en
una seal para producir una salida. Estos bloques son comunicados mediante echas
que ineren en la direccin del ujo de la seal. La representacin mediante el diagrama
de bloques se realiza de acuerdo al ujo de las seales siendo posible el anlisis de la
contribucin de cada componente al desempeo general del sistema a diferencia de otros
mtodos. En el diagrama de bloques se puede encontrar informacin de la dinmica del
sistema pero no deduce informacin de la construccin fsica del mismo, por ello un
mismo diagrama puede representar a varios sistemas sin existir relacin entre ellos. La
forma del diagrama de bloques depende del punto de vista del anlisis que se aplica, por
ello diferentes diagramas pueden representar un mismo sistema. Algunos elementos que
se utilizan para la construccin de un diagrama de bloques son los siguientes:
Punto suma:
Es representado por un circulo con una cruz en el centro y los signos que se coloquen en
los compartimientos representan si la seal que llega all es sumada o restada; se debe
vericar que las unidades sean compatibles. En la gura 230 se puede observar el punto
suma.
Figura 230: Punto Suma
Fuente: Ingeniera de Control Moderna, Ogata, Pg. 64.
Punto de ramicacin:
A partir de ste, la seal de un bloque va a otros bloques o puntos suma de modo
concurrente.
Las anteriores herramientas son necesarias para construir un diagrama de bloques junto
con echas y bloques, el cual puede adquirir la forma en lazo cerrado, donde la salida
se realimenta al punto suma, all se compara con la entrada de referencia
puede interpretar en la gura 231, se nota que la salida
la entrada
E(s)
por la funcin de transferencia

499
G(s).
C(s)
C(s)
R(s), como se
se obtiene multiplicando
Como en el lazo cerrado las seales de salida son comparadas con las de entrada (o
iniciales) es necesario convertir sus unidades para que sean compatibles entre s, para
ello es til que a la salida se le aplique una funcin de transferencia
H(s)
llamado
elemento de realimentacin que en la mayora de los casos es un sensor.
Figura 231: Diagrama de Bloques de Lazo Cerrado
Fuente:
Ingeniera de Control Moderna, Ogata, Pg. 65..
Cuando la funcin de transferencia
H(s)
sea la unidad, la funcin de transferencia en
lazo abierto y de la trayectoria directa llegar al mismo resultado.

Observando el sistema en forma global el objetivo es encontrar la respuesta
diendo de la entrada
C(s) depen-
R(s), por esto es necesario encontrar una relacin entre ellos como
se nota en el diagrama, de forma algebraica se puede interpretar como se observa en las

ecuaciones 378 y 379.
C(s) = G(s)E(s)
E(s) = R(s) B(s) = H(s)C(s)
Si se elimina
E(s)
(378)
(379)
de las ecuaciones 378 y 379, obtenemos la ecuacin 380.
C(s) = G(s) {R(s) H(s)C(s)}
(380)
G(s)
C(s)
=
R(s)
1 + G(s) H(s)
(381)
O bien la ecuacin 381,
La ecuacin 381 se denomina de transferencia de lazo cerrado, relacionando la ecuacin

de trayectoria directa y realimentacin que hace parte de la dinmica del sistema en general. Se nota la dependencia de la respuesta de la trayectoria directa como del elemento
de realimentacin y por supuesto de la entrada del sistema, se debe observar la ubicacin
de los diferentes elementos en la ecuacin, ya que sern implementados posteriormente.
Cuando el sistema est sujeto a una perturbacin estando de la forma en lazo cerrado
puede presentarse dos entradas: una de referencia y la otra de perturbacin, en estos
500
casos las entradas deben llegar a un punto suma que comunique con la respectiva funcin
de transferencia como se muestra en la gura 232. stas entradas se tratan de forma
independiente y sus respuestas sern sumadas para hallar la total del sistema en general
y completa.
Figura 232: Sistema de Lazo Cerrado sujeto a Perturbacin
Fuente:
Ingeniera de Control Moderna, Ogata, Pg. 66.
Se dene la salida total del sistema segn la ecuacin 382.
C(s) = CD (s) + CR (s)

Para el anlisis de la respuesta a la perturbacin
CD (s),
(382)
se supone que el sistema se
encuentra inicialmente relajado, recordando la ecuacin 13 se inere la relacin de la

siguiente forma:
CD (s)
G2 (s)
=
D(s)
1 + G1 (s) G2 (s) H(s)
(383)
Por otro lado, suponiendo que la perturbacin es cero y denotando la respuesta de la

entrada de referencia como
CR (s), la relacin estar dada por

CR (s)
G1 (s) G2 (s)
=
R(s)
1 + G1 (s) G2 (s) H(s)
la ecuacin 384 :
(384)
Por consiguiente encontramos la ecuacin 385 :
C(s) = CD (s) + CR (s) =
G2 (s)
{G1 (s)R(s) + D(s)}
1 + G1 (s) G2 (s) H(s)
(385)
El procedimiento que se debe llevar para dibujar el diagrama de bloques de un sistema

dinmico puede ser:
1. Escribir la ecuacin que describe el comportamiento dinmico de cada componente
que lo amerita.
2. Sacar la transformada de Laplace, asumiendo condiciones iniciales igual a cero y
relacionar en el diagrama de bloques.
En el uso de ste tipo de procedimiento, para hallar un modelo matemtico del comportamiento de un sistema, existen unas reglas para simplicar aquellos diagramas que
501
pueden ser extensos, conllevando una mayor complejidad en la ecuacin de transferencia.

Estas simplicaciones son llamadas reduccin de diagrama de bloques y se puede llevar
a cabo por medio del algebra de los diagramas de bloques mostrados en la tabla 90:
Tabla 90: lgebra de Bloques

Condicin
Diagrama de Bloques
Y =ABC
Y = G1 G2 A
Y = G1 (A B)
Y = (G1 + G2 )A
Y = G1 A + G2 B
Y =
AG1
1+G1 G2
La reduccin completa se lleva a cabo cuando toda una cadena de elementos relacionados
entre s, son representados por un solo bloque con una funcin de transferencia compleja. Se debe tener en cuenta en la simplicacin, que el producto de las funciones de
transferencia en la direccin de la trayectoria directa, debe ser el mismo que el producto
184
de las funciones de transferencia alrededor del lazo
Partiendo de la idea que en un sistema de medicin la seal de entrada es el valor

verdadero de la variable y la seal de salida es el valor medido, se puede identicar
cuatro tipos de elementos o bloques que componen ste sistema, aunque frecuentemente
se presente la ausencia de uno de ellos como se observa en la gura 233.
184 Ogata,
K. Ingenieria de Control moderna, Tercera edicin. Editorial Pearson, 1995.
502
Figura 233: Estructura General de un Sistema de Medicin Representada En un Diagrama

de Bloques
En la gura 233 se puede identicar el elemento sensor, el cual est en contacto con el
proceso y genera una salida que depende de la variable por medir; el elemento acondicionador de seales, que convierte la seal proveniente del sensor en una forma ms
adecuada para un procesamiento adicional; el elemento procesado de seales, toma la
seal del elemento acondicionador y la convierte en una seal factible de presentacin;
y, el elemento presentador de datos, que muestra el valor medido de tal forma que un
observador lo reconozca.
Modelado en el Espacio de Estados

sta forma de modelado matemtico se vuelve til con herramientas computacionales,
ya que en su uso en ocasiones es necesario la solucin de sistemas de ecuaciones que lo
convierte en un proceso matemtico ms exacto para hallar la respuesta dinmica de un
sistema.
Las ecuaciones del sistema son analizadas en el dominio del tiempo lo que no se lograba
con los anteriores mtodos, que son desarrollados en el dominio frecuencia; pero la
funcin de transferencia se utiliza en modelos ms sencillos, que lo convierte en una
mejor interpretacin del anlisis ya que el modelo matemtico podra ser ms simple. La
ventaja de utilizar este mtodo es que se puede aplicar a sistemas lineales y no lineales,
y en los cuales las entradas dependan de la variable independiente. Por otro lado es
conveniente utilizar la funcin de transferencia en el diseo de un sistema dinmico, ya
que permite variar los parmetros fcilmente para vericar la respuesta requerida.
El estado de un sistema dinmico es el conjunto de variables (de estado) mas pequeo,
que hacen determinar el comportamiento del sistema (en
ciones iniciales
t = to,
t > to)
junto con las condi-
sin importar la naturaleza del sistema.
Las variables de estado, hacen parte de un conjunto de ecuaciones elementales que

determinan el estado del sistema dinmico. No es reglamentario que las variables de
estado sean cantidades fsicas o aquellas que no se puedan observar, pero en la prctica
es ventajoso la utilizacin de cantidades fcilmente medibles para llevar a cabo una
retroalimentacin y de esa manera un control sobre el sistema dinmico, si es el caso.
Como forma de conjunto para compilar las n variables de estado, se crea un vector que
503
sea de n componentes, el cual es el nico que puede describir el sistema en su totalidad,

teniendo en cuenta las condiciones iniciales de susodicho sistema.
Es llamado espacio de estados porque al existir n variables de estado, existen para el
mismo espacio n ejes, los cuales representan la variable independiente de un mismo
eje, que es o esta relacionado con la respuesta, por ello cada estado o combinacin de
valores que pueden tomar el vector de variables de estado puede representarse en este
espacio. La ecuacin de estado est dada por n ecuaciones diferenciales de primer orden,
que corresponden a n variables de estado, con el objetivo de resolverlas; la ecuacin
de salida, corresponde a una ecuacin algebraica que despeja las variables de salida
relacionndolas con las variables de estado y las condiciones de entrada.
La forma de analizar un sistema dinmico, o de medicin en este caso parte de la
conformacin de la ecuacin 386 de estado y la ecuacin 387de salida:
X(t) = f (x, u, t)
Y (t) = g(x, u, t)
Donde
(386)
(387)
corresponde a la variable dependiente del tiempo,
iniciales y
representa las condiciones
el tiempo. Para el anlisis y encontrar la relacin entre estas ecuaciones se
debe linealizar sus estructuras de la siguiente manera:
X(t) = A(t)x(t) + B(t)u(t)
(388)
Y (t) = C(t)x(t) + D(t)u(t)
(389)
Los nuevos elementos incorporados para la linealizacin de las ecuaciones 388 y 389 se
denominan de acuerdo a la posicin en donde se encuentran:
B(t) :
Matriz de entrada,
C(t) :
Matriz de salida,
D(t):
A(t) :
Matriz de estado,
Matriz de transmisin directa.
La relacin de la ecuacin de estado y la ecuacin de salida se puede representar mediante

un diagrama de bloques, como se observa en la gura 234.
Figura 234: Diagrama de bloques para la relacin de ecuacin de estado y ecuacin de

salida.
504
En general para la representacin en el espacio de estados en los sistemas que son

representados por ecuaciones diferenciales de n-simo orden, el nmero de las variables
que determinan el estado corresponde a la variable dependiente y sus derivadas:
ao
dn c
dn1 c
dc
+ a1 n1 + ..... + an1 + an c = u
n
dt
dt
dt
(390)
Entonces las variables de estado quedan denidas de la siguiente manera:
X1 = c
X2 = c
.
.
.
.
nc
Xn = d n
dt
(391)
X1 = X 2
X2 = X 3
.
.
.
Xn1 = Xn
Xn = an X1 ... a1 Xn + u
(392)
Expresando en forma general como:
X = [A] [X] + [B] u
(393)
Donde:
X=
A=
X1
X2
.
.
.
Xn
0
1
0
0
0
1
.
.
.
.
.
.
.
.
.
an an1 an2
505
(394)
.
.
.
.
.
.
.
.
.
.
.
.
. 0
. 0
.
.
.
.
.
.
. a1
(395)
B=
506
0
0
.
.
.
1
(396)
F. APLICACIN DE MODELADO MATEMTICO A SISTEMAS DINMICOS
SISTEMAS ELCTRICOS
Como se ha explicado anteriormente las ecuaciones diferenciales que describen la respuesta dinmica de los sistemas fsicos con respecto a la excitacin son originadas por
la formulacin de leyes, por ello en el caso de los sistemas elctricos es muy utilizado la
aplicacin de las leyes de Kirchho, que conlleva al mtodo de mallas (conservacin del
voltaje en una malla) o de nodos (sumatoria de la corriente que entra es igual a la que
sale en un nodo).
Lo anterior se aplica a un circuito RLC como se observa en la gura , que contiene los
elementos bsicos en esta rea, y que son fundamento de analoga para otros tipos de
sistemas dinmicos (mecnico, hidrulico, neumtico, trmico, entre otros):
Figura 235: Sistemas Elctricos
Las ecuaciones diferenciales que identican a los elementos de capacitancia (C) e inductancia (L):
Corriente en la capacitancia ecuacin 397:
deC (t)
= i(t)
dt
(397)
di(t)
= eL (t)
dt
(398)
Voltaje en L segn ecuacin :
Aplicando las leyes de Kircho:
ei = eR + eL + eC
Donde
ei
(399)
corresponde al potencial de la fuente, reemplazando las ecuaciones en la
ecuacin , teniendo en cuenta que en un circuito en serie la corriente es igual para

todos los elementos, se obtiene:
507
La ecuacin 400 para analizar la corriente i de respuesta para el sistema con un tipo de
entrada de voltaje
ei :
1
di
ei = iR + L +
dt C
Ecuacin para analizar voltaje de salida
eo
idt
(400)
en el condensador, con un voltaje de entrada
ei :
d(C deo )
deo
dt
ei = C
R+L
+ eo
dt
dt
ei = CL
d2 e o
deo
+ eo
+ CR
2
dt
dt
(401)
(402)
Aplicando la transformada de Laplace:
Ei (s) = RI(s) + LsI(s) +
11
I(s)
Cs
Ei (s) = CLs2 Eo (s) + CRsEo (s) + Eo (s)
(403)
(404)
Se halla la funcin de transferencia para conocer la corriente y voltaje de respuesta:
I(s)
Cs
=
Ei (s)
CLs2 + CRs + 1
(405)
SISTEMAS DE NIVEL DE LIQUIDO

En el anlisis del ujo de lquidos es necesario tener en cuenta que el comportamiento de
los uidos en dos rangos de velocidad cambia, pasando de rgimen laminar a turbulento,
y en la fase de cambio existe un rango donde el ujo no tiene las caractersticas necesarias
para ubicarse en alguno de los dos estados. Para realizar una ubicacin aproximada se
implemento la valoracin del nmero de Reynolds, del cual inere:
Re<2000 Flujo Laminar
Re>3000-4000 Flujo Turbulento
En general el ujo laminar se puede describir con ecuaciones diferenciales lineales y el
ujo turbulento con ecuaciones diferenciales no lineales; en la prctica, en los procesos
industriales los ujos se transportan a travs de tuberas y tanques que a menudo es
ujo turbulento.
Para el estudio del comportamiento del nivel de lquido es necesario hacer analoga con
los conceptos de resistencia y capacitancia elctricos que simplican el anlisis de estos
tipos de sistemas 236.
508
Figura 236: Visualizacin de Componentes para la Analogia de Distintos Tipos de Sistemas Dinmicos.
Fuente: Sistemas de control moderno, Dorf. Pag. 39

Resistencia y capacitancia de sistemas de nivel de lquido
En los sistemas hidrulicos el ujo pasa a travs de canales cerrados llamados tubos, los
cuales condicionan su movimiento, en ellos se presenta una resistencia equivalente, que
es denida como el cambio en la diferencia de nivel (H(t), de dos tanques conectados
por susodicho tubo, que equivale a una diferencia de presin entre dos puntos) necesaria
para producir un cambio de una unidad en velocidad del ujo:
R=
H [m]
q [m3 /s]
(406)
Flujo laminar: Una representacin fsica de un tipo de resistencia se puede representar

as:
Figura 237: Sistema De Nivel De Flujo
509
La relacin de la velocidad del ujo (Q(t)) y la altura de nivel (H(t)) es totalmente

proporcional y representa la restriccin en ujo laminar, por ello:
H
dH
=
dQ
Q
RL =
(407)
Flujo turbulento: la velocidad de ujo en estado estable se obtiene mediante,
Q=k H
(408)
Entonces la resistencia (RT ) resolviendo la ecuacin , se obtiene:
RT =
2H
Q
(409)
Esta linealizacin es vlida siempre y cuando los cambios en la altura y el ujo, a partir
de sus valores respectivos en estado estable, sean pequeos.
En muchos casos se desconoce el valor de
k,
que depende del coeciente de ujo y del
rea de restriccin. En estos casos, la resistencia se determina mediante la graca de

la curva de la altura vs. ujo, que est basada en datos experimentales y se mide la
pendiente de la curva en condicin de operacin, como se puede ver en la graca de la
gura 238:
Figura 238: Linealidad En Sistemas De Nivel De Flujo.
Fuente: Ingeniera de Control Moderna, Ogata. Pag. 66.

La lnea tangente a la curva en el punto P, es el punto de operacin en estado estable; e
interseca la ordenada en el punto (-H,0). Por tanto, la pendiente de esta lnea tangente
es
2H/Q.
510
De esta manera se hace una aproximacin lineal que se basa en el hecho que la curva
real no diere mucho de su lnea tangente si la condicin de operacin no vara a una
taza muy alta.
La denicin de capacitancia en un sistema hidrulico se puede aplicar en el potencial que
almacena un tanque, el cual es representado en forma de nivel del lquido almacenado,
por lo tanto:
C=
V olumenentanque[m3 ]
H[m]
(410)
Tomando como referencia la gura 11, y en resumen de lo anterior si un ujo es laminar se puede describir por medio de un sistema lineal, pero si es turbulento el modelo
matemtico ser no lineal teniendo la posibilidad de linealizar con la condicin de presentarse pequeas variaciones en las variables.
Aplicando la ley de continuidad se obtiene:
V olumen en el tanque
= qi q0
t
(411)
H
H A
= qi
t
R
(412)
Con la denicin de resistencia y la analoga de la capacitancia en un circuito elctrico,

en un circuito hidrulico la capacitancia es el rea:
RC
dh
+ H = Rqi
dt
(413)
Aplicando la transformada de Laplace y suponiendo condiciones iniciales de cero a ambos

miembros de la ecuacin se obtiene:
H(s)
R
=
Q(s)
RCs + 1
Sistema de nivel de lquido con interaccin, la gura representa este sistema es:
Figura 239: Sistema De Dos Tanques Con Interaccin.
511
(414)
Suponiendo variaciones pequeas en las variables a partir de los valores en estado estable,
se obtiene la siguiente ecuacin:
h1 h2
R1
C1
= q1
(415)
dh1
= q q1
dt
(416)
h2
= q2
R2
C2
Si
q1 es
la entrada y
q2
(417)
dh2
= q1 q2
dt
(418)
la salida:
Q2 (s)
1
=
2 + (C R + R C + R C )s + 1
Qi (s)
R1 C1 R2 C2 s
1 1
2 2
2 1
(419)
SISTEMAS TERMICOS
En estos sistemas existe la presencia de transmisin de energa en forma de calor a travs
de cuerpos slidos, lquidos o gaseosos; al igual que lo descrito anteriormente, para el
anlisis de estos sistemas se realiza la analoga con la resistencia o capacitancia en este
caso trmica, aunque los elementos que presenten el comportamiento no sern elementos
fsicos concentrados, ya que la caracterstica estar distribuida en toda la sustancia
denindose el elemento caracterstico como resistencia trmica con una capacitancia
insignicante y viceversa [?].
La forma de uir el calor puede presentarse en dos formas principalmente, conduccin y
conveccin.
q = K
(420)
Donde:
q:
Flujo de calor
:
K:
[Julios/seg]
Diferencia de temperatura
Coeciente
[ C]
[Julios/seg. C]
La resistencia trmica se dene como:
R=
Cambio en la dif erencia de temperatura [ C]

Cambio de f lujo de calor [Julio/seg.]
512
(421)
Por lo tanto para la transferencia de calor por conduccin o por conveccin se obtiene
mediante:
R=
d()
1
=
dq
K
(422)
Sabiendo que los coecientes de conductividad y conveccin trmica son casi constantes,
la resistencia trmica tambin lo ser.
Por otro lado la capacitancia se dene como:
C=
Cambiodecaloralmacenado[Julios
Cambiodetemperatura[ C]
(423)
Si:
C = mc
(424)
Donde c, representa el calor especico de una sustancia y m la masa de la sustancia a

considerar. Un ejemplo del sistema trmico est representado en la g. 14.
Figura 240: Sistema Trmico
Fuente: Ingeniera de Control Moderna, Ogata. Pag. 99.

Contribuir consideraciones como el aislamiento total del sistema; inexistencia de prdida
de calor hacia el exterior; mezclado perfecto del lquido que se encuentra en el tanque
generando una temperatura estable en todo el liquido, de ello la denicin de una temperatura para el liquido en el tanque, el que entra y el que sale, son necesarias para el
anlisis del sistema trmico.
Suponiendo que la temperatura del lquido que entra se mantiene constante, el ujo de
calor que proporciona el calefactor cambia en
cambia en
ho ;
hi .
Entonces el ujo de calor de salida
por lo tanto la temperatura del lquido que sale cambiara de
o + ,
en este caso:
ho = Gc
513
(425)
R=
=
ho
Gc
(426)
Donde G, representa el ujo msico en estado estable [Kg/s], por lo tanto haciendo los
cambios algebraicos convenientes la ecuacin diferencial que determina este sistema por
conservacin de energa es
d
= hi ho
dt
RC
Relacionando las variables de
con
d
+ = Rhi
dt
hi ,
(427)
(428)
los cuales corresponden a la temperatura de
salida con el ujo de calor de entrada, se obtiene:
(s)
R
=
Hi (s)
RCs + 1
(429)
En la industria es necesario controlar la temperatura de salida, por ello se necesita sensar

la temperatura de entrada para restringir el ujo y de esta manera la transferencia de
calor, aumentando o disminuyendo la temperatura de salida. Se obtiene la siguiente
ecuacin:
d
d
= Gci ho = RC + = i
dt
dt
(430)
Se deduce la siguiente funcin de transferencia:
(s)
1
=
i (s)
RCs + 1
(431)
Como en los anteriores sistemas fsicos se puede hacer analoga con los componentes de
los sistemas elctricos, por ello en la tabla adjunta en el apndice se puede visualizar que
se deben tener en cuenta para realizar un modelo matemtico.
G. PROPIEDADES DE LA MEDIA
514
Tabla 91: Propiedades de la Media Aritmtica

Propiedad

1. La suma algebraica de las desviaciones de un conjunto de nmeros
respecto de su media aritmtica es cero.

2. La suma de los cuadrados de las desviaciones de un conjunto de
nmeros con respecto a cualquier otro nmero es mnima cuando ese
otro nmero es la media aritmtica.

3. Si suponemos, antes de calcularla, que la media de un conjunto de
nmeros es cualquier nmero A, resulta que la media aritmtica es :
X =A+
d
n
(432)

A=Media Supuesta.

d=suma de desviacin respecto A.

n=nmero de elementos

4. Si N1 nmeros tienen una media m1, N2 nmeros una media
m2,. . . ,Nn nmeros una media mn, la media de todos ellos es:

(N1 m1 + N2 m2 + ... + Nn mn )
X=
(N1 + N2 + ... + Nn )
515
(433)
H. TABLAS DE DATOS
TABLA DE DATOS TRANSDUCTOR DE PRESION

Tabla 92: Datos Transductor de presin
TABLA DE DATOS: CASOS DE ESTUDIO MODULO DE ELASTICIDAD DE YOUNG

Tabla 93: Datos modulo de elasticidad
516
I. CATALOGOS
517
518
519

PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

PDF

Cargado por

Copyright:

Formatos disponibles

SEMINARIO DE INVESTIGACIN EN MTODOS PROBABILSTICOS

APLICADOS AL DISEO DE EXPERIMENTOS PARA INGENIEROS

JOHANA ANDREA ARIZA MORENO

UNIVERSIDAD INDUSTRIAL DE SANTANDER

SEMINARIO DE INVESTIGACIN EN MTODOS PROBABILSTICOS

JOHANA ANDREA ARIZA MORENO

UNIVERSIDAD INDUSTRIAL DE SANTANDER

ENTREGA DE TRABAJOS DE GRADO, TRABAJOS DE INVESTIGACIN

Johana Andrea Ariza Moreno.

Nydia Andrea Rueda Ramirez.

Nohora Stella Mayorga Garca.

Laidy Esperanza Hernandez Mena.

ARTCULO 2 . Derogar el Acuerdo Acadmico No. 080 del 27 de abril de 1999.

Las autoras expresan sus agradecimientos:

A Dios por acompaarme en esta tan importante de mi vida.

1. GENERALIDADES DEL SEMINARIO DE INVESTIGACIN

1.2 OBJETIVO DEL SEMINARIO DE INVESTIGACIN . . . . . . . . . . . .

1.3 VENTAJAS DEL SEMINARIO DE INVESTIGACIN . . . . . . . . . . . .

1.4 CARACTERSTICAS DEL SEMINARIO DE INVESTIGACIN . . . . . . .

1.5 ORGANIZACIN DEL SEMINARIO DE INVESTIGACIN . . . . . . . . .

1.6 TEMA DEL SEMINARIO DE INVESTIGACIN

1.7 DIRECCIN DEL SEMINARIO DE INVESTIGACIN EN MTODOS

1.9 RESULTADOS DEL SEMINARIO DE INVESTIGACIN . . . . . . . . . .

2.1 ESTUDIO Y SELECCIN DEL MATERIAL BIBLIOGRFICO . . . . . . .

2.1.4 Subtemas de Investigacin . . . . . . . . . . . . . . . . . . . . . .

2.2 DESCRIPCIN DE LOS SUBTEMAS

2.2.1 Desarrollo y Estudio de los Mtodos de Experimentacin . . . . . .

2.2.1 Estudio de calibracin

2.2.3 Caractersticas dinmicas de seales con fundamentacin matemtica. 73

2.2.5 Estudio y anlisis de diseo de experimentos. . . . . . . . . . . . .

2.2.6 Estudio de un sistema de Medicin. . . . . . . . . . . . . . . . . .

3.1 DOCUMENTACIN PARA LOS SUBTEMAS

3.2 DESARROLLO DE UNA SESIN . . . . . . . . . . . . . . . . . . . . . .

II DESARROLLO DEL SEMINARIO DE INVESTIGACIN

5.1 EL MTODO CIENTFICO . . . . . . . . . . . . . . . . . . . . . . . . .

5.1.1 Etapas del mtodo cientco . . . . . . . . . . . . . . . . . . . . .

5.3 EL MTODO CIENTFICO Y LA EXPERIMENTACIN . . . . . . . . . .

6.1 LA MEDICIN EN INGENIERA

6.1.1 El Sistema General de Medicin. . . . . . . . . . . . . . . . . . . .

6.1.2 Error de medida y conceptos relacionados

Clasicacin de los Errores . . . . . . . . . . . . . . . . . . . . .

6.2 INSTRUMENTOS DE MEDICIN

6.2.1 Caractersticas De los Instrumentos de Medicin

6.2.2 Clasicacin de los Instrumento . . . . . . . . . . . . . . . . . . . 104

6.2.4 Instrumento de Comprobacin.

6.3 PROCEDIMIENTO GENERAL DE CALIBRACIN . . . . . . . . . . . . . 110

6.3.3 Calibracin de Instrumentos de Presin

6.3.4 Calibracin de Instrumentos de Flujo. . . . . . . . . . . . . . . . . 115

6.4.2 Inspeccin y prueba.

6.4.3 Control del equipo de inspeccin, medicin y prueba. . . . . . . . . 120

6.4.7 Norma Tcnica Colombiana NTC-ISO 14001 (Sistemas de Gestin

6.5 CASO DE ESTUDIO: CALIBRACIN DE UN MANMETRO TUBO

7. CARACTERSTICAS DINMICAS DE SEALES CON FUNDAMENTACIN

7.1 MODELADO MATEMTICO DE SISTEMAS DE MEDICIN . . . . . . . 126

7.1.1.2 Sistemas No Lineales

7.2 ANLISIS DE LA RESPUESTA TRANSITORIA ESTACIONARIA EN EL

7.2.1 Sistemas de Orden Cero . . . . . . . . . . . . . . . . . . . . . . . 133

7.3.1 Criterio de estabilidad de Routh-Hurwitz

7.4 CASO DE ESTUDIO: ANLISIS DE LA RESPUESTA EN EL ESTADO

5. DESARROLLO Y ESTUDIO DEL MTODO CIENTFICO EN LA EXPERIMENTACIN

8.1 INTRODUCCIN A LA ESTADSTICA

8.1.2 Clasicacin de La Estadstica . . . . . . . . . . . . . . . . . . . . 157

8.2 MEDIDAS DE DISTRIBUCIN

5.1.1 Etapas del mtodo cientco . . . . . . . . . . . . . . . . . . . . .

Clasicacin de los Errores . . . . . . . . . . . . . . . . . . . . .

6.2.2 Clasicacin de los Instrumento . . . . . . . . . . . . . . . . . . . 104

8.1.2 Clasicacin de La Estadstica . . . . . . . . . . . . . . . . . . . . 157

8.3.1.1 Frecuencia Absoluta fl :

8.3.1.2 Frecuencia Relativa f r :

8.3.1.3 Frecuencia Porcentual pi :

8.3.1.4 Frecuencia Absoluta Acumulada f a:

8.3.3 Representacin Grca de los Datos.

8.8.1.3 Estimacin del intervalo de conanza de una sola muestra 227

8.11.1 Conguracin de los equipos . . . . . . . . . . . . . . . . . . . . 298