Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Director
Ing. CARLOS BORRS PINILLA
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)
AGRADECIMIENTOS
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 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
56
. . . . .
56
56
57
58
59
60
. . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
60
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
61
61
1.8 METODOLOGA
2. PLANEACIN
62
63
2.1.1 Libros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
63
2.1.2 Normas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
68
2.1.3 Artculos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
68
69
10
. . . . . . . . . . . . . . . . . . .
72
72
73
. . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . .
74
75
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
. . . . . . . . . . . . . . .
81
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
88
88
89
5.2 LA EXPERIMENTACIN . . . . . . . . . . . . . . . . . . . . . . . . . .
92
94
11
6. ESTUDIO DE CALIBRACIN
96
. . . . . . . . . . . . . . . . . . . . . .
96
97
. . . . . . . . . . . . .
98
99
. . . . . . . . . . . . . . . . . . . . . 102
. . . . . . . . . . 102
. . . . . . . . . . . . . . . . . . . . . 105
. . . . . . . . . . . . . . . . . . . 109
. . . . . . . . . . . . . . . . . . . . . . . . . 112
. . . . . . . . . . . . . . . . . . . . . . . . 113
. . . . . . . . . . . . . . . 113
. . . . . . . . . . . . . . . . . . . . . . . . . 120
. . . . . . . . . . . . . . . . . . . . . . . . 120
. . . . . . . . . . . . . . . . . . . . . . . 122
. . . . . . . 122
12
126
. . . . . . . . . . . . . . . . . . . . . 127
. . . . . . . . . . . . . . . . . . . 129
. . . . . . . . . . . . . . . . . . . . . . . . . 132
. . . . . . . . . . . . . . . . . . 143
. . . . . . . . . . . . . . . . . . . . . . . 143
. . . . . . . . . . . . . . 143
. . . . . . . . . . . . . . . . . 147
. . . . . . . . . . . . . . . . . 149
154
. . . . . . . . . . . . . . . . . . 154
. . . . . . . . . . . . . . . . . . . . . . . . . 154
. . . . . . . . . . . . . . . . . . . . . . 159
. . . . . . . . . . . . . . . . . . . . . . 160
. . . . . . . . . . . . . . 160
. . . . . . . . . . . . . . . . . . . . . . . . . . . 161
. . . . . . . . . . . . . . . . . . . . . . . . . . 162
13
8.2.1.3 Moda:
. . . . . . . . . . . . . . . . . . . . . . . . . . . 162
8.2.1.4 Cuantiles:
. . . . . . . . . . . . . . . . . . . . . . . . . 163
. . . . . . . . . . . . . . . . . . . 164
. . . . . . . . . . . . . . . . . . . . 164
. . . . . . . . . . . . . . . . . . . . . . . 166
. . . . . . . . . . . . . . . . . . . . . 167
. . . . . . . . . . . . . . . . . 167
. . . . . . . . . . . . . . . . . 167
. . . . . . . . . . . . . . . . 168
fra :
. . . . . . . . . . 168
. . . . . . . . . . 168
. . . . . . . . . . . . . . . . . . . . . . . . . . 170
. . . . . . . . . . . . . . . . 171
. . . . . . . . . . 173
. . . . . . . . . . . . . . . . . . . . . . . . 174
. . . . . . . . . . . . . . . . . . . 176
8.3.3.5Diagrama de Dispersin:
8.3.3.6 Diagrama de Caja
. . . . . . . . . . . . . . . . . . 177
. . . . . . . . . . . . . . . . . . . . . 179
. . . . . . . . . . . . . . . . . . . . . . 182
. . . . . . . . . . . . . . . . . . . . . . 185
. . . . . . . . . . . . . 186
. . . . . . . . . . . . . . . . . . 187
. . . . . . . . . . 187
. 188
. . . . . . . . . . . . . . . . . . . . 189
. . . . . 194
. . . . . . . . . . . . . . . . . 195
. . . . . . . . . . 203
. . . . . . . . . . . . . . . . . . . . . . . . 204
. . . . . . . . . 206
15
. 207
. . . . . . . . . . . . . . . . . . . . . . . 208
. . . . . . . 209
. . . . . . . . . . . . . . . 210
. . . . . . . . . . . 211
. . . . . . . . . . . . . . . . . . . . 212
. . . . . . . . . . . . . . . . . . . . . 214
. . . . . . . . . . . . . . . . . 218
222
. . . . . . . . . . . . . . . . . . . . . . . 223
. . . . . . . . . . . . . . . . . . . . 223
. . . . . . . . . . . . . . 226
. . . . 233
. . . . . . . . . . . . . . . . . . . . 235
. . . . . . . . . . 237
. . . . . . . . . . . . . . 242
. . . . . . . . . . . . . . . . . . . . . . . . . 255
. . . . . . . 256
. . . . . . . 259
. . . . . . . . . . . . . . . . . . 259
. . . . . . . . . 261
. . . . . . . . . . . . . . . . 272
. . . . . . . . . . . 273
. . . . . . . . . . . . . . . . . . 273
. . . . . . . . . . . . . . . 277
. . . . . . . . . . . . 280
. . . . . . 284
. . . . . . . . . . . . . . . . . . . . . . . . . 286
. . . . . . . . . . . . . . . . . . . . . . . . . 286
8.10.6.2 La calidad
. . . . . . . . . . . . . . . . . . . . . . . . 287
. . . . . . . . . . . . . . . . . . . . . . . . 288
8.10.6.4 Implementacin
. . . . . . . . . . . . . . . . . . . . . 289
. . . . . . . . . . . . . . . . . . . . 295
. . . . . . . . . . . . . . . . . . . . . . 300
. . . . . . . . . . . . . . . . . . . 301
. . 303
. . . . . . . . . . . . . . 304
. . . . . . . . . . . . . 304
305
. . . . . . . 306
. . . . . . . . . . . . . . . . . . . . . . 307
. . . . . . 307
. . . . . . . . . . . . . . . . . . 308
. . . . . . . . . . . . . . . 308
. . . . . . . . . . . . . . . . . 309
. . . . . . . . . . . . . . . . . . . . . 309
. . . . . . . . . 309
. . . . . . . . . . . . . . . . . . . 310
. . . . . . . 310
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 312
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 312
. . . . . . . . . . 313
. . . . . . . . . . . . . . . . . . 313
. . . . . . . . . . . . . . . . . . . . . . 316
. . . . . . . . . . . . . . . . . . . . . . . 319
. . . . . . . . . . . . . . . . . . . . . . . . . 321
2k .
. . . . . . . . . . . . . . . . 325
. . . . . . . . . . . . 327
. . . . . . . . . . . . . . . . . . . . . . . . . . 328
331
. . . . . . 331
. . . . . . . . . . . . . . . . . . . . . . . . 332
. . . . . . . . . . . . . . . . . . . . . . . 334
. . . . . . . . . . . . . . . . . 335
. . . . . . . . . . . . . . . . . . . 335
. . . . . . . . . . . . . . . . 336
. . . . . . . . . . . . . . . . 338
. . . . . . . . . . . . . . . 342
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 344
. . . . . . . . . . . 344
. . . . . . . . . . . . . . . . . . . . 346
. . . . 354
. 359
. . 359
. . . . . . . . . . . . . . . . . . . 361
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 361
19
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 362
. . . . . . . . . . . . . . . . . 365
. . . . . . . . . . . . . . . . . . . . . 368
. . . . . . . . . . . . . . . . . . 374
. . . . . . . . . . . . . . . . . . . . . 375
. . . . . . . . . . 379
. . . . . . . . . . . . . 380
. . . . . . . . . . . . . . . . . . . . . . . 391
. . . . . . . . . . . . . . . . . . . 393
396
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 397
. . . . . . . . . . . . . . . . . . . . . . . . . 400
. . . . . . . . . . . . . . . 401
. . . . . . . . . . . . . . . . . . . . . . . 401
. . . 402
. . . . . . . . . . . . . . 404
. . . . . . . . . . . . . . . . . . . 404
. . . . . . . . . . . . . . . . . . . . . . . . . . . 411
Tabla de conclusiones
. . . . . . . . . . . . . . . . . . . . . . . 412
11.2 ANALISIS DE UNA VIGA EN VOLADIZO PORTATIL INSTRUMENTADA CON STRAIN GAGE
. . . . . . . . . . . . . . . . . . . . . . . . . 412
. . . . . . . . . . . . . . . . . . . . . . 412
. . . . . . . . . . . . . . . 416
. . . . . . . . . . . . . . . . . 417
11.2.4.1Longitud . . . . . . . . . . . . . . . . . . . . . . . . . . 417
11.2.4.2 Autocompensacin de temperatura
. . . . . . . . . . . 418
. . . . . . 419
. . . . . . . . 422
. . . . . . . . . . . . . . . . . 424
. . . . . . . . . 423
. . . . . . . . . . . 424
. . . . . . . . . . . . . . . . . . 424
. . . . . . . . . . . . . . . . . . . . . . . . . . 425
. . . . . . . . . . . . . . 426
. . . . . . . . . 426
. . . . . . . . . 430
. . . . . . . . . . . . . . . . . . . 431
11.2.8 Caso de estudio: Analisis de esfuerzo en una viga con un concentrador de esfuerzo. . . . . . . . . . . . . . . . . . . . . . . . . . 433
11.2.8.1 Objetivo de experimento
. . . . . . . . . . . . . . . . . 434
. . . . . . . . . . . 434
. . . . . . . . . . . . . . . . . . . . . . . . . . 434
. . . . . . . . . 434
. . . . . . . . . . . . . . . . . . . . . . 438
. . . . . . . . . . . . . . . . . . . 439
. . . . . . . . . . . . . . . . . 439
. . . . . . . . . . . 440
. . . . . . . . . . . . . . . . . . . . . . . . . . 440
. . . . . . . . . . . . . . 440
. . . . . . . . . . . . . . . . . 444
. . . . . . . . . 440
. . . . . . . . . . . 444
. . . . . . . . . 444
. . . . . . . . . . . . . 444
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 450
. . . . . 450
. . . . . . . . . . . . . . . . . 454
. . . . . . . . . . . . . . . . . . . . . . . . 455
. . . . . . . . . . . . . . . . . . . . . . . . . . 459
. . . . . . . . . . . . . 461
. . . . . . . . . . . . . . . . . . . . . . 461
. . . . . . . . . . . . . . . . . . . . 464
CONCLUSIONES
471
BIBLIOGRAFIA
473
III ANEXOS
477
A.SEMINARIO ALEMAN
478
479
485
491
498
507
H. TABLAS
516
24
LISTA DE TABLAS
2.
Subtemas de investigacin . . . . . . . . . . . . . . . . . . . . . . . . .
69
4.
Temas y Subtemas
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
77
6.
82
8.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
9.
. . . . . . 133
10.
Media
11.
Desviacin Estndar
12.
13.
14.
Distribucin de Frecuencia
. . . . . . . . . . . . . . . . . . . . . . . . 170
15.
. . . . . . . . . . . . . . . . . . . . . . . . 171
16.
17.
18.
Espacio muestral
19.
20.
21.
22.
23.
24.
25.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
. . . . . . . . . . . . . . . . . . . . . . . . 168
. . . . . . . . . . . . . . 175
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
25
. . . . . . . . . . . . 196
. . . . . . . . . . . . . . . . . 203
P.
. . . . . . . . . . . . . . . 213
26.
. . . . . . . . . . . . . . . . . . . . . . . 232
27.
28.
29.
Tipo de Hiptesis
30.
Intervalo de aceptacin
. . . . . . . . . . . . . . . . . . . . . . . . . . 237
31.
. . . . . . . . . . . . . . . . . . . . . . . . . . 247
32.
33.
34.
35.
36.
37.
38.
39.
40.
41.
Datos de defectos
42.
43.
Limites de conanaza
44.
45.
46.
47.
48.
49.
51.
52.
53.
54.
55.
Palabra
. . . . . 233
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 236
. . . . . . . . . . . 249
. . . . . . . . . . . 258
. . . . . . . . . . . . . . . . . . . . . 263
. . . . . . . . . . . . . . . . . . . . . . 267
. . . . . . . . . . . . . . 276
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 281
. . . . . . . . . . . . . . . . . . . . . . . . . . . 300
. . . . . . . . . . . . . . . . . . 301
. . . . . . . . . . . 314
. . . . . . . . . . . . . . . . . . . 317
. . . . . . . . . 320
. . . . . . . . . . . . . . . . 321
. . . . . . . . . . . . . . . . . . . 336
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 347
26
56.
57.
58.
59.
60.
61.
62.
Intervalos de conanza
63.
64.
65.
66.
67.
Intervalos de conanza
68.
69.
70.
71.
72.
73.
. . . . . . . . . . . . . . . . . . . . . . . . . . 442
74.
. . . . . . . . . . . . . . . . . . . . . . . . . . 446
75.
76.
Resultados
77.
Relacin de poisson
78.
Tabla de anova
79.
80.
81.
82.
83.
84.
. . . . . . . . . . . . . . . . . . . . 389
. . . . . . . . . . . . . . . . . . . . . . . . . . 406
. . . . . . . . . . . . . . . . . . . . . . . . . 409
. . . . . . . . . . . . . . . . . . . . . . . . . . 411
. . . . . . . . . . . . . . . . . . . . . . . . 417
. . . . . . . . . . . . . . . . . . . . . . . . . . 428
. . . . . . . . . . . . . . . . . . . . . . . . . . 431
. . . . . . . . . . . . . . . . . . . . . . . . . . 436
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 448
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 449
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 449
27
. . . . . . . . . . . . . 467
. . . . . . . 469
85.
86.
87.
88.
90.
lgebra de Bloques
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 502
91.
92.
93.
. . . . . . . . . . . . . . . . . . . . . . . 516
28
LISTA DE FIGURAS
1.
Formato actas
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
84
2.
Formato de presentacin
. . . . . . . . . . . . . . . . . . . . . . . . .
85
3.
El mtodo Cientco . . . . . . . . . . . . . . . . . . . . . . . . . . . .
89
4.
. . . . . . . . . . . . . . . . . . . . . . .
91
5.
95
6.
Clases de Medicin . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
97
7.
. . . . . . . . . . . . . . . . . . . . . . .
97
8.
99
9.
10.
Cadena de trazabilida
11.
12.
13.
Error de multiplicidad
. . . . . . . . . . . . . . . . . . . . . . . . . . . 106
14.
Error de Angularidad
. . . . . . . . . . . . . . . . . . . . . . . . . . . 106
15.
16.
Error de linealidad
17.
Error de Repetibilidad
18.
Escalera de rastreabilidad
19.
20.
21.
22.
. . . . . . . . . 101
. . . . . . . . . . . . . . . . . . . . . . . . . . . 103
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
. . . . . . . . . . . . . . . . . . . . . . . . . . . 108
. . . . . . . . . . . . . . . . . . . . . . . . . 110
29
. . . . . . . . . . . . . . . 115
23.
24.
. . . . . . . . . . . . . . . . 117
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
25.
Sistema de Medicin-Manmetro
. . . . . . . . . . . . . . . . . . . . . 123
26.
27.
28.
29.
30.
31.
. . . . . . . . . . . . . . . . . . . 131
32.
. . . . . . . . . . . . . . . . . . . 134
33.
34.
35.
36.
37.
38.
39.
40.
41.
42.
43.
44.
Divisin de La Estadstica
45.
46.
47.
48.
Cuantiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
49.
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.
55.
Histograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
56.
Diagrama de lneas
57.
58.
Diagrama de Dispersin
59.
Diagrama de Caja
60.
61.
62.
63.
64.
Probabilidad Total
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
65.
Variables aleatorias
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
66.
67.
68.
69.
70.
71.
72.
73.
Punto porcentual
74.
Funcin F
75.
Distribuciones Muestrales
76.
77.
78.
Estimadores puntuales
79.
. . . . . . . . . . . . . . . . . . . . . . . . . . . 172
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
. . . . . . . . . . . . . . . . . . . . 178
. . . . . . . . . . . . . . . . . . . . . . . . . . 179
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
2 ,k
[X, Y ]
tabuladas
. . . . . . . 205
. . . . . . . . . . . . . . . . . . . . 206
. . . . . . . . . . . . . . . . . . . . . . . . 215
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
. . . . . . . . . . . . . . . . . . . . . . . . . 218
. . . . . . . . . . . . . . . . . . . . . . . . . . 224
31
225
80.
81.
B)
. . . . . . . . . . . . . . 225
B . (A
con
. . . . . . . . . . . . . . . . . . . . . . . . . . 226
82.
83.
84.
Prueba de Hiptesis
85.
Distribucin de muestreo
86.
87.
Distribucin de muestreo
88.
Curvas de aproximacin
89.
90.
91.
92.
93.
La Hiptesis Ho:1
94.
La Hiptesis
95.
96.
Anlisis de Varianza
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 248
97.
Anlisis de residuos
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 250
98.
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
. . . . . . . . . . . . . . . . . . . . . . 252
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 264
y
y
R
R
. . . . . . . . . 265
Diagrama de tolerancias
. . . . . . . . . . . . . . . . . . . . . . . . 269
32
. . . . . . . . . . . . . . . . . . 277
. . . . . . . . . . . . . . . . . . . . . . . . 280
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 285
. . . . . . . . . . . . . . . . . . . . . . . . . 285
. . . . . . . . . . . 286
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 289
. . . . . . . . . . . . . . . . . . . . . . . . . . 289
. . . . . . . . . . . . . . . . . . . 290
. . . . . . . . . . 294
. . . . . . . . . . 294
. . . . . . . . . . 296
. . . . . . . . . . . . . . . . . . . . . 297
. . . . . . . . . . . . . . . . . . . . . . . 307
. . . . . . . . . . 311
. . . . . . . . . . . . . . . . . 313
. . . . . . . . . . . . . . . . . . . . . . 327
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 331
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 332
. . . . . . . . . . . . . . . . . . . . . 338
33
. . . . . . . . . . . . . . . . . . . . . . . . 339
. . . . . . . . . . . . . . . . . . . . . 346
. . . . . . . 352
. . . . . . . . . . . . . . . . . . . 354
. . . . . . . . . . . . . . . 355
. . . . . . . . . . . 357
. . . 358
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 366
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 367
. . . . . . . . . . 369
. . . . . . 370
. . . . . . . . . . . . . . . . . . . 370
. . . . . . . . . . . . . . . . . . . . . . . . . . 373
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 374
34
. . . . . . . . . . . . . . . . 375
. . . . . . . . . . . . . . . . 378
. . . . . . . . 379
. . . . . . . . . . . . . 385
. . . . . . . 388
. . . . . . . . . . . . . . . . . . . . . . . . . 398
. . . . . . . . . . . . . . . 402
. . . . . . . . . . . . . . . . . . . . . 403
. . . . . . . . . . . . . . . . . . . . . 403
. . . . . . . . . . . . . . . . . . . 407
. . . . . . . . . . . . . 405
. . . . . . . . . . . . . 408
. . . . . . . . . . . . . . . . . . . 410
. . . . . . . . . . . . . . . . . . . . . . . . . 410
. . . . . . . . . . . . . . 419
. . . . . . . . . . . . . . . . 422
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 425
. . . . . . . . . . . . . . . . . . . . . 426
. . . . . . . . . . . . . . . . . . . 428
. . . . . . . . . . . . . . . . . . . . . . . . . 429
35
. . . . . . . . . . . . . . . . . . . 437
. . . . . . . . . . . . . . . . . . . . . . . . . 437
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 438
. . . . . . . . . . . . . . . . . . . 443
. . . . . . . . . . . . . . . . . . . . . . . . . 443
. . . . . . . . . . . . . . . . . . . 447
. . . . . . . . . . . . . . . . . . . . . . . . . 447
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 449
. . . . . . . . . . . . . . . . . . . . 450
. . . 453
. . . . . . . . . . . . . . . . . . . . 459
. . . . . . . . . . . . . . . 461
. . . . . . . . . . . . . . . . . . . . 465
. . . . . . . . . . . . . . . . . 466
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 467
. . . . . . . . . . . . . . . . . . . . . . 479
. . . . . . . . . . . . . . . 480
. . 493
. . . . . . . . . . . . . 494
494
. . . . . . . . . . . . . . . . . . . . . . . . 495
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 496
. . . . . . . . . . . . . . . . . . 497
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 499
. . . . . . . . . . . . . . . . . . 500
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 503
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 507
. . . . . . . . . . . . . . . . 510
. . . . . . . . . . . . . . . . 511
37
LISTA DE ANEXOS
A. SEMINARIO ALEMAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
477
478
BURDON TIPO C.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
484
490
EN EL DOMINIO DE LA FRECUENCIA . . . . . . . . . . . . . . . . . . . . . . .
E. MTODO DE MODELADO MATEMTICO . . . . . . . . . . . . . . . . . .
497
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:
1 Proyecto
2 Facultad
de Grado.
ABSTRACT
TITLE: RESEARCH SEMINAR IN PROBABILITY METHODS APPLIED TO
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
40
GLOSARIO
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.
Carga elctrica. Es la cantidad de electricidad que posee un cuerpo. Hay dos tipos de
carga elctrica negativa y positiva.
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.
Correlacin Lineal Simple. Son los mtodos estadsticos que nos permiten determinar
la posible relacin o asociacin entre dos variables.
42
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.
Diseo. Plan o estrategia que se desarrolla para obtener la informacin que se requiere
en una investigacin.
43
Dominio. Conjunto de valores que la variable puede tomar dentro del fenmeno estudiado.
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 Total. Raz cuadrada de la suma de los cuadrados (RSS) de todos los errores
que pueden afectar un sistema de medicin.
44
Espacio de Muestra. Es el conjunto de todos resultados elementales que pueden obtenerse en un experimento.
Estadstico de Prueba. Nmero calculado a partir de los datos, cuya magnitud permite
discernir si se rechaza o se acepta la hiptesis nula.
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.
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 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.
46
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.
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.
Histograma. Es una serie de rectngulos con bases iguales al rango de los intervalos y
con rea proporcional a sus frecuencias.
Instrumentacin. Es la aplicacin de tcnicas y conocimientos de ingeniera, de dispositivos de mecanismos para detectar, medir, registrar y controlar un variable o
47
Interfaz
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.
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.
Mtodo. Procedimiento que se sigue en las ciencias para hallar la verdad y ensearla.
48
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.
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.
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.
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.
Repeticin. Es una rplica de la aplicacin de un tratamiento en otra unidad experimental bajo las mismas condiciones.
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.
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.
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:
- 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.
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.
54
Parte I
SEMINARIO DE
INVESTIGACIN
55
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).
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.
57
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
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.
1.7 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.
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:
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
la frecuencia de un sonido.
62
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
HINES, William y MONTGOMERY, Douglas. Probabilidad y Estadstica para Ingeniera. 4 ed. Mxico.: Cecsa, 2006.
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
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.
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.
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 .
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.
Subtemas de Investigacin
69
Subtemas de Investigacin
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
de
estudio:
Anlisis
amortiguador (acelermetro).
70
de
un
sistema
masa-resorte-
Subtemas de Investigacin
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
71
Subtemas de Investigacin
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.
72
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.
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.
TEMAS
RELATOR
Laidy
Nohora
Hernndez
Mayorga
El mtodo cientco.
Estado del arte de la experimentacin..
Mtodo cientco en la experimentacin.
contina en la pgina siguiente
77
Johana
Nydia Rueda
Ariza
RELATOR
TEMAS
Johana
2. Estudio de calibracin
Laidy
Nohora
Nydia
Ariza
Hernndez
Mayorga
Rueda
Laidy
Nohora
Hernndez
Mayorga
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
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
Laidy
Hernndez
Introduccin a la estadstica.
contina en la pgina siguiente
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
Mayorga
Johana Ariza
Hernndez
Nohora
Laidy
Nydia Rueda
Johana
Hernndez
Nydia Rueda
Mayorga
Ariza
Johana
Nohora
Laidy
Nydia
Ariza
Mayorga
Hernndez
Rueda
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
6. Estudio de un sistema
de medicin .
Anlisis
de
Laidy
Nydia Rueda
Johana
Nohora
Ariza
mediciones
Hernndez
Mayorga
con
de
Incertidumbre:
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-
Laidy
Hernndez
Nohora
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.
81
DURACIN
ACTIVIDAD
DESCRIPCIN
RESPONSABLE
(Minutos)
1. Apertura de
Profesor
la sesin
(Director)
10
2. Lectura del
Preguntas aclaratorias
Protocolante
10
Relator
45
Correlator
15
protocolo.
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
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:
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
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
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
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
83
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.
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:
85
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:
a 30 bar.
86
Parte II
DESARROLLO DEL SEMINARIO
DE INVESTIGACIN
87
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.
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:
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:
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.
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.
curiosidad de saber o de comprobar algo en aras del cambio, por ello estn en todo mo89
Cuestionamiento
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
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
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.
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.
Conclusin
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
10 KUHN,Thomas.
Econmico, 1992.
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.
, 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,
92
12
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,
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.
96
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.
en dicho sistema
14 FIGLIOLA,
97
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.
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.
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
Errores Sistemticos
Errores Sistemticos
puesto que son el mismo en cada lectura y, como consecuencia, se pueden eliminar
16
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:
(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
16 DOEBELIN,
Hill, 2005.
17 BOLTON. Op.cit.,p.15.
99
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 envejecimiento: Estos se presentan cuando los instrumentos se hacen viejos, se deterioran y como consecuencia necesitan, en repetidas ocasiones,
mantenimiento.
Errores Aleatorios
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.
(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:
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.
ri = xmx xmn
a
ro = ymx ymn
a
19 CREUS
p. 7.
(3)
(4)
101
variables
Sensar
Acondicionar
Transmitir
Controlar
Indicar
Registrar
Convertir
21
Sensibilidad =
Se al Salida
n
Se al Entrada
n
(5)
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.
103
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.
22
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
eL (x)
y(x)
es
(8)
eLmx
a
x100
ro
(9)
%eLmx =
a
23 FIGLIOLA.
Op. cit.,p.21.
107
Error Repetibilida( %) =
2 Sx
x100
ro
(10)
Donde:
Sx :Desviacin
ro :
estndar.
Rango de salida.
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.
(11)
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
Fuente: BENTLY. Jhon P.Sistemas de medicin Principios y aplicaciones. 2 ed. Compaa Editorial Continental. p. 23.
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.
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 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
Op. cit.,p.15.
Op. cit.,p.30.
27 DOEBELIN.
112
27
. En las
y = f (x),
28
Op. cit.,p.15.
113
2%
0,2 %.
2. Vericar que el soporte haya sido instalado teniendo en cuenta el servicio del
instrumento.
NOTA: En manmetros que operen con OXIGENO no debe ponerse en contacto con
aceite o grasa incompatibles, ya que existe RIESGO DE EXPLOSIN.
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
aplicacin industrial
Los ujmetros son generalmente bastante fciles de calibrar. Existen diversos procedimientos de calibracin, algunos ms precisos que otros.
29 WHEELER,
115
Fuente. www.asisucede.com.mx
Calibracin:
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:
Fuente. www.euromotores.net
116
Bidireccionales: Como se ve en la gura 23, son los que permiten al ujo viajar en
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.
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.
117
Fuente. www.siaujo.com
31
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 :
119
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.
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
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
35
122
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.
. En la gura 25
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.
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
125
7. CARACTERSTICAS DINMICAS DE
SEALES CON FUNDAMENTACIN
MATEMTICA.
39 BENTLEY,
126
idea del resultado y despus agregarle pormenores y detalles que particularizan el modelo
40
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
r rmin =
rmax rmin
(c cmin )
cmax cmin
(12)
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=
42
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
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,
f (x) = f (x) +
f (x)
x
1
(x x) +
2!
x
2 f (x)
x2
(x x)2 + . . .
(16)
f (x) = f (x) +
f (x)
x
(x x)
(17)
f (x1 , x2 , . . . xn )
xi
f (x1 , x2 , . . . xn ) = f (x1 , x2 , . . . , xn ) +
(xi xi )
(18)
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)
creal = kr + a + N (r)
(20)
(dc/dr),
Op. cit., p. 9.
130
c = kr + a + N (r) + kM rM r + kI rI
Donde
rM
(21)
k + kM rM
rI
es la desviacin en una
entrada ambiental interferente respecto del valor en condiciones estndar, que produce
un cambio de
a + kI rI
kM
kI
son de acoplamiento
131
45
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:
Inestable: Implica que diverge del equilibrio del sistema con el tiempo.
45 DOEBELIN.
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 .
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
bm ,
an
22.
an r = b m c
(22)
an
c
=
=K
r
bm
(23)
46
Hill, 2005.
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.
R(s) = 1,
C(s) =
1
Ts + 1
(25)
c(t) =
1 t
e T
T
para t 0
(26)
R(s) = 1/s
y deduciendo de
C(s) =
1
T
S Ts + 1
(27)
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)
En el tiempo
t = 0,
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
|c(t)c()|/|c(0)c()|,
en la gura 33.
47 Ibid.,p.
60.
135
Rampa Unitario: La ecuacin de transferencia que describe sta seal de entrada est
dada por
1/s2 ,
ecuacin 31:
C(s) =
1
s2
1
Ts + 1
(31)
T2
T
+
s
Ts + 1
(32)
C(s) =
1
s2
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
(34)
La respuesta se evidencia en la grca de rampa 32 junto con la funcin rampa, observando el error que existe entre ellas.
Y (s)
1
C(s)
=
=
2 + bs + k
F (s)
ms
R(s)
(35)
s=
(b2 4mk)
2m
136
(36)
b2 > 4mk ,
b2 = 4mk ,
b2 < 4mk ,
valores de s imaginarios.
48
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
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,
137
C(s) =
ms2
1
1
+ bs + k
(37)
Se llama la funcin de transferencia del sistema por medio de Matlab con el siguiente
cdigo:
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
139
C(s) =
ms2
1/s2,
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,
as:
140
y(t=0) = yo , ,
dy
=0
dt (t=0)
(39)
Y (s) =
C(s)
(ms + b)yo
=
ms2 + bs + k
R(s)
(40)
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)
49
, tales como:
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 =
a
c(tp ) c()
100
c()
(45)
Mp = 1 + e
1 2
(46)
ts = 4T =
4
wn
(47)
142
50
a0 sn + a1 sn1 + + an1 s + an = 0
En donde los coecientes son cantidades reales.
50 DORF,
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
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.
q(s) = a0 s2 + a1 s + a2
(50)
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
imaginarias. Si por el otro lado, dichos signos son opuestos, quiere decir que hay un
cambio de signo. Por ejemplo:
(51)
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)
lo cual quiere decir que hay dos races en el semiplano derecho, haciendo el sistema
inestable.
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)
s1
s2 :
dp(s)/ds = 4s
s3
s2
s1
s0
1 4
2 8
4 0
8
(57)
p(s) = 0:
jw,
146
(58)
jw
jw.
jw estn repetidas
(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
L(s)
s.
o
147
G(s)H(s)
(s) con
que L(s) es
(s)).
L(s)
que corresponda a la
L(s).
L(s)
en el plano
L(s).
(s)
(1, j0)
en el plano
corresponde al punto
(1, j0)
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:
2. Se construye la traza de
L(s)
s.
(1, j0)
= 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
P= nmero de polos de
1 + L(s)que
(1, j0)
L(s)
L(s)
que se
148
s est denida
en s=0) y w
Debido a que
o sobre el
N=0
(1, j0).
L(s)
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,
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
xi
a medir
xi ;
xi .
xo
xo
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
Op.cit., p.80.
150
m + bx + kx = ma
x
(59)
1
Y (s)
=
2 + bs + k
F (s)
ms
(60)
151
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
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)
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 .
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
x0 () =
a0
1
2
( n ) 1
152
4 2
la
la
(65)
( n )
x0
x0
es lo sucientemente grande,
c .
x0 ( c ))
1
= ,
x0 (0)
2
c = n
(66)
Donde
1 2 2 +
(1 2 2 )2 + 1
(67)
153
8. PROBABILIDAD Y ESTADSTICA EN
LA INGENIERA DE DISEO DE
EXPERIMENTOS.
53
UNAM, 2006.
154
54
quien escribi la
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,
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
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.
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.
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.
56
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.
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.
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.
Media Poblacional
n
xi
i=1 n
X=
N xi
i=1 N
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
N
i=1
Donde:
=Media
Poblacional
161
xi
(69)
xi =Valor
de la Variable X
N =Nmero
de observaciones de la poblacin
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
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
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
59
x = x( n+1 )
n+1
:
2
(70)
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.
La desviacin estndar
163
La varianza muestral
El rango.
Coeciente de Variacin
. La desviacin
s=
1
n1
n
i=1
(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
s2 =
60 NAVIDI.
1
n1
(xi X)2
i=1
(72)
Donde:
s2 =Varianza
xi =Valor
de la variable X
X =Media
n =Nmero
de datos
2:
N
i=1
(xi )2
N
(73)
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
(74)
n 10,
la prdida de infor-
cv =
s
X
Donde:
cv =
Coeciente de Variacin
61 MONTGOMERY.
165
61
(75)
s=
Desviacin estndar
X=
Media
166
(n
30),
Para realizar una adecuada distribucin de frecuencias es necesario conocer las diferentes
frecuencias.
toma la variable
Sea
Ai
0 ni n
(76)
ni = n
(77)
fr =
fi
n
(78)
Donde:
f i =frecuencia
n =nmero
62 SPIEGEL,
de cada clase
de individuos
63 CASTILLO,
Espaa, 2006.
167
fra :
Es la suma de las frecuencias relativas de todos los valores inferiores o iguales al valor
considerado.
Ejemplo 8.1
n:
xi :La
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
N clase =
N clase =
(79)
n = 70.
70 = 8, 36
1890
= 210
9
169
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
64
170
Caractersticas
Ejemplos
Nmero de habitantes de
estudiado se le asigna
Estadsticas
Series Simples
el valor extrado de la
observacin.
Series Agrupadas
Variables estadsticas
continuas o discretas
un muestra o poblacin.
Comportamiento de los
Cronolgicas
tiempo.
tiempo.
Cuadros
Tablas estadsticas
Distribucin de la estatura
Estadsticos
resultantes de agrupar
varias series
estadsticas.
171
Caractersticas
172
Los diagramas de barras se dividen en; diagramas de barras simples, mltiples y compuestas.
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.
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
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
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
176
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
Caractersticas:
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.
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.
67
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,
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
69 Ibid.,
p.52.
183
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.
184
el espacio muestral
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,.
(81)
0 P (A) 1.
70 Ibid.,
71 Ibid.,
p.65.
p.65.
185
P (A) = 1.
P (A) = 0.
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.
A
se llama probabilidad condicional y se denota por que porP ( ) que por lo general se lee
B
como probabilidad de que "ocurra
B ".
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
como se observa en la ecuacin 83.
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)
P(A1A2...An)=P(A1)*P(A2/A1)*P(A1)*P(A2/A2A1)...P(An/A1A2...An-1)
siguientes circunstancias
{S}
mediante eventos
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
espacio muestral S como el que se observa en la gura 64, la probabilidad total esta
dada por la ecuacin 84.
(84)
Regla de Bayes:
P (Br/A) =
P (Br/A) =
P (Br)P (A/Br)
k
i=1
P (Bi)P (A/Bi)
(85)
P (BrA)
P (A)
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.
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.
x1 , x2 ,
...,
xn ;
para un
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).
ecuacin 88.
(xi )2 P (xi )
(88)
i=1
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.
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)]
ilustrada en la gura 66, en el cual se dibuja una recta vertical para cada uno de los
valores posibles de la variable aleatoria.
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)]
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)
F (x)
x.
Al escribir
F (x = P (X x)
sea menor o
X.
Y la funcin matemtica que la dene es:
F (x) = P (X x) =
(92)
tx
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).
F (1,5)
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.
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 .
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
o simplemente por
y =
Ejemplo 8.5 (Fuente:
2
y
(93)
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
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
195
122 )
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.
y la varianza son
p y r, entonces la media
X = E(x) =
Varianza
r
p
2
X
196
P (Y = 8)
ensayo)
Ahora el nmero de xitos en los primeros siete ensayos tiene una distribucin Bin(7,
0.2), por lo que
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
P (Y = 8) = 0,05505
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
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
p1 = 0,7,
Y1 , Y2 , Y3 MN(4,
0.7, 0.2,
0.1).
Para mostrar cmo se calculan las probabilidades de variables aleatorias multinominales,
se calcular
se denieron anteriormente.
P (CCDR) = (0,7)(0,7)(0,2)(0,1)
Puesto que cada uno de los 12 arreglos tiene la misma probabilidad,
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
Ejemplo 8.
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
n
k
n
k
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
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
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.
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
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)
Ejemplo 8.
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
en la hojalata, entonces:
= 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!
en la hojalata, entonces:
= 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!
^ _
Ejemplo 8.
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
Y,
cuanto a la probabilidad de los valores que sta tomara y de las cuales dependern el
203
P (X, Y ),
P x,y ,
.
se listan en
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
8.6.1.1 Propiedades
Las distribuciones bivariadas tienen algunas propiedades que se listan a continuacin.
204
(96)
de
p(x,y)
Y:
0 p(x,y) 1
x
p(x,y) = 1
por separado:
y, la ecuacin
Y:
P1(X=x) = p(x) =
p(x,y)
(97)
p(x,y)
(98)
x=1
n
P1
al cual se
y,
P2
es la probabilidad de la
76
205
[X, Y ]
tabuladas
p1 (x y) =
p(x, y)
p2 (y)
(99)
p2 (x y) =
p(x, y)
p1 (x)
(100)
f (x, y),
f (x, y) 0
(101)
f (x, y) = 1
(102)
P (a X b, c Y d) =
f (x, y)dxdy
c
206
(103)
respectiva-
f1 (x) =
f (x, y)dy
(104)
f (x, y)dx
(105)
y,
f2 (y) =
respectivamente.
f1 (x y) =
f (x, y)
f2 (y)
(106)
f2 (y x) =
f (x, y)
f1 (y)
(107)
aleatoria.
E[H(X)] =
(108)
H(x)fx (x)
(109)
i
Para
E[H(X)]
Para
Si
g(X, Y )
(media) de
g(x, y)
Y.
variables.
E[g(X, Y )] =
g(x, y)p(x, y)
Y
donde
son discretas.
(110)
E[g(X, Y )] =
207
(111)
donde
son continuas.
Theorem 1. Si
Si
es una constante, y
g(x, y)
77
E(c) = c.
Y,
se
E[cg(X, Y )] = cE[g(X, Y )]
Theorem 2. S i
rias
(112)
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
P (A
B) = P (A)P (B),
conjunto
p(x, y)
p1 (x)
p2 (y).
Luego
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
E(XY ) = E(X)E(Y )
Ibid., p. 221.
208
(x x )
(y y )
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
(114)
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)
tiende a
por ello se dene una versin estandarizada de la covarianza conocida como coeciente
de correlacin.
El coeciente de correlacin
lineal entre dos variables
78
aleatorias.
=
Donde
(Cov(X, Y ))
( x y )
(117)
respectivamente.
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)
210
Y,
es aleatoria
variables aleatorias.
Y = c1 X1 + c2 X2 + ... + cp Xp
El valor esperado y la varianza para la la variable,
Y,
(119)
y 121, teniendo en cuenta para sta para el clculo de la varianza se requiere que las
79
(120)
(121)
80
Siendo n mediciones en un muestreo que pueden ser vista como observaciones sobre
variables aleatorias,
s2 ,
Y1 , Y2 , . . . , Yn
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
p. 270.
81 Ibid.,
p. 300.
80 MONTGOMERY.
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.
es muy pequeo.
[ v+1
2
p(t, v) =
v v
2
t2
1+
v
v+1
2
(122)
Donde:
v:
Grados de libertad
(n) = (n 1)!
para
n:integrador
completo,
(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:
x:
x.
Media real.
s2 :Varianza
x
2 :Varianza
2.
real.
t1 = (x1 x)/sx
(127)
xi ,
en un muestreo
xi = x tv,p sx ( %P )
Donde,
tv,p sx
(128)
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)
de estudiante, tiende a
Ejemplo 8.21
P = 95 %,
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
segn la tabla 2.
muestras con
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 ,
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
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
una muestra del mismo tamao partiendo de una poblacin normalmente distribuida,
2
2 = ( vs2x )
Si
N , 2 v :
2 0
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
(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)
83
Al denirse
con
83
2 ,
215
, lo cual
p(2 , v)d(2 ) =
(136)
2 ,k
Theorem 5. Sea
v1 , v2 , . . . , vp
2 , 2 , . . . , 2
1
2
p
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
La funcin F est relacionada con el cociente de las varianzas cada una dividida en sus
s2
n1
n2
con
Y,
respectiva-
mente.
f (x) =
(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)
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
8.7.4
Para un muestreo de
x,
de la poblacin
y la desviacin estndar
sx ,
xij ;
mediciones. Un valor
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,
1
x=
N
xj
(144)
j=1
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
219
(146)
(147)
x'
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'.
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'.
85
N n mediciones , para el
77, si n no es constante para
8.7.6
Y1 , Y2 , . . . ., Yn
85 Ibid.,
p. 240.
220
observa-
y varianza
2,
luego, cuando
muestral
86
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
Theorem 6. Si
a1 , a2 , . . . ., an
son constantes y
Y1 , Y2 , . . . ., Yn
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
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
y varianza
n mediciones Y1 , Y2 , . . . ., Yn ,
n
i=1
densidad normal con media y varianza dada por las ecuaciones 154 y 153.
E(
Yi ) = n
(155)
V(
Yi ) = n 2
(156)
con parmetros
Y =
n
i=1
Yi
donde
Yi=1
si sucede y
Yi=0
si falla
p = 0,5,
crezca
quiere decir
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)
np 4
nq 4.
n observaciones, Y1 , Y2 , . . . ., Yn , es selecciona2
una media y varianza , luego la distribucin
muestreada de:
2 = ((n 1)s2 )/ 2
222
grados de libertad.
Theorem 8. Si
v2
v = (n 1)
2
1
2
2
chi-cuadrada con
v1 + v2
2 + 2
1
2
v1
grados de libertad.
Denicin: Sea Z una variable aleatoria normal estndar y 2 una variable aleatoria chicuadrado con
v grados de libertad. Si Z
2
.
v
grados de libertad.
F =
2 /v1
1
2 /v2
2
v1
v2 en
el
de
f (x),
si
la estadstica
la tabla 78
Estimador
La varianza
=x Media muestral
=s Varianza muestral
p= n proporcin muestral
x
La proporcin
donde, x es el
1 2 =X1 X2 ,
Diferencia entre
medias,1
p1 p2
p 1 p2 = p1 p2 ,
30,
con media
, con una
2
2y = n .
por ms de
p.288
224
y error estndar
probabilidad aproximadamente
Figura 79: Distribucin de muestreo de una media muestral para muestras grandes
es igual al parmetro
Un estimador
de
un parmetro
es imparcial si
E() = .
Si
E() = ,
se dice que el
88 .
Op.cit., p. 322.
225
Figure 81:
B . (A
con
B)
que
es el estimador
y=
Donde
(159)
k esimo : E(Y k )
mk =
n
i=1
k
yi
m1 = y .
226
E(Y ) = ,
y el
y1 , y2 , .....yn , es
la funcin de probabilidad conjunta p(y1 , y2 , .....yn ) cuando Y1 , Y2 , .....Yn son
y1 , y2 , .....yn , es
Y1 , Y2 , .....Yn son
f (y1 , y2 , .....yn ),
cuando
y1 , y2 , .....yn
est
g()
como
conocida pre-
estimador de Bayes de
f (/y1 , y2 , .....yn ).
El
posterior.
se debe encontrar dos estadsticas L y U, tales que ellas sean los limites de conanza
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
100(1 ) %
100(1 ) %
en
de cada muestra,
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
de una distribucin.
se encuentra en el intervalo
[L, U ]con
una
conanza de
de dos
P {L } = 1
(160)
89
Hay diversos casos donde se aplica los intervalos de conanza y estos se especican en
la tabla 24.
89 HINES.
229
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
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.
231
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.
Ho es verdadero
Ho es falsa
Aceptar Ho
No hay error
Error tipo II
Rechazar Ho
Error tipo I
No hay error
SMBOLO
ECUACIN
P(Error tipo I)
manera errnea
Y la
232
Ho
como una
conclusin dbil.
Las relaciones entre aceptar o rechazar la hiptesis nula con los valores de
estn
= 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 .
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.
como
234
235
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
y varianza
2 conocida.
El es-
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
z=
/ n
(161)
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, + )
237
El diagrama de dispersin es una grca que representa la regresin en la que cada par
(xi, yi)
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.
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
2
distribucin normal con varianza Sy con respecto a algn valor medio,
y.
de la variable aleatoria
est relacionada
E(Y /x) = Y /x = 0 + 1 x
(162)
239
Si bien la media de
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
x,
pero
(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
Y c = 0 + 1 x + i
93 Ibud.,
p. 472.
240
(163)
2 94
Donde:
el eje
Y.
94 GUTIERREZ,
Op.cit., p. 479.
241
2.
2 no
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.
96
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
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 ,
(y yc )2
(165)
(y 0 + 1 x)2
(166)
D=
i=1
D=
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
(yi 0 1 xi ) = 0
(167)
(yi 0 1 xi )xi = 0
(168)
i=1
n
i=1
yc = 0 + 1 X
Donde
(169)
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
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)
(175)
1 .
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
1 esta
El valor esperado de
La varianza de
1 esta
dado por
V ( ) =
1
dada por
0 esta
E( ) = 1 .
1
dado 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 )
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)
2 97
NID(0, ) .
1. Uso de pruebas t
1,0 .
H0 : 1 = 1,0
H1 : 1 = 1,0
Puesto que los errores
2
son NID(0, ), se sigue de manera directa que las observa-
= 1,0 .
To =
1 1,0
2 /Sxx
(179)
= 1,0 si:
H0 : 1 = 0
H1 : 1 = 0
97 Ibid.,
p. 490
245
El hecho de no rechazar
entre
y.
variacin en
H0 : 1 = 0
y,
para cualquier
no es lneal(gura 93b)
=0
98
es
y=y
(gura 93a) o
no se Rechaza
a)
b)
Y el rechazo de
H0 : 1 = 0
98 Hines,W;
H0 :1 = 0
se rechaza
246
H0 : 0 = 0,0
H1 : 0 = 0,0
Se utiliza el estadstico
To =
0 0,0
2
1
n
(180)
x2
Sxx
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 ).
n
i=1 (yi
y )2 ,
247
y )2
y )2 ,
n
y
i=1 (i
Y,
n
y)2 =
i=1 (yi
de Y ,considerando la
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:
cuadrados.
F0 =
ssR /1
M SR
=
ssE (n 2)
M SE
(181)
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
Fuente: MONTGOMERY, Douglas. & RUNGER, George. Probabilidad y Estadstica aplicadas
a la Ingeniera. 2 ed.: McGraw-Hill, 1996.p. 494.
Regresin
248
de conanza a partir de la respuesta media del 100(1-) por ciento para el valor de
x = x0 ,Y /xo
99
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
los supuestos 1 al 4.
Los errores
error
1 , . . . , n
i + 1 .
1 , . . . , n tienen
media 0.
1 , . . . , n tienen
Los errores
99 Ibid.,
1 , . . . , n
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.
=yy
Donde:
y =Valor
y =Valor
observado
Estimado
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
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
1,
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
Fuente: NAVIDI, William. Estadstica para ingenieros y cientcos. 4 ed. Mxico.: McGraw-Hill,
2006.
252
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
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
r2
253
r2 =
Sa = Syx
N
i=1
N
x2 (
y=y
N
i=1
x)
100
. Esta prueba se emplea para determinar la bondad del ajuste del modelo
SSP E
SSLOF :
(182)
Para calcular
SSP E
x.
nj
(yiu y1 )2
(183)
u=1
Existen
npe =
m
i=1 (ni
1) = n m
cuadrados del error puro. La suma de los cuadrados de la falta de ajuste esta dado
por la ecuacin 184.
n 2 npe = m 2
(184)
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 .
recibe el nombre de regresin mltiple. En este podemos buscar una ecuacin que
y = 0 + 1 X1 + 2 X2 +
sta se llama una ecuacin de regresin de
en
X1
(186)
y en
X2 ,
se representa en un
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
se desconocen,
101
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
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 .
xij
xj .
observaciones, y sea
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
y . Y permite
x1, . . . , xk .
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
0
= 1
k
1
= 2
n
es
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.
caracterstica matemtica
2
NID(0, )
estadsticamente
independientes de media 0 y
2
varianza
Los estimadores de mnimos
cuadrados de
E() = .
1 son
1 .
El estimador no sesgado de
2 esta dado por el error o
2 =
SSE
np
257
variable de respuesta
Ho = 1 = 2 = ... = k = 0
H1 = j = 0al
(189)
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
Fuente: MONTGOMERY, Douglas. & RUNGER, George. Probabilidad y Estadstica aplicadas
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:
R2 :
El Coeciente de determinacin
Estadstico
F.
Ecuacin
S2
R2
F
S 2 = i=1 i i
np1
R2 = SSR
SST
SSR/p
F = SSE/(np1)
258
(y y )2
8.10.1.1Diagrama de control
102
, 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,
259
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.
X ):
promedio.
Diagrama de control de rango (Diagrama
.
Diagrama de desviacin estndar (Diagrama
s):
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
Se podra estimar
R,
n.
261
es una variable
W = R/
d2 ,
n.
R=
M
=
Ri
(191)
i=1
R
d2
(192)
X,
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)
R;
105
, para diversas
n. Para el diagrama R, la
de
R, R ;
y su desviacin estndar
W ,
n,
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)
n106 .
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
X.
LCS = 36, 70
R,
(202)
LCI = 29, 96
(203)
LCI = D3 R = (0)(5, 067) = 0
Figura 103: Diagramas de Control
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
s,
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)
s=
1
n1
n107 .
(Xi X)2
(206)
i=1
n = 1,
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.
(207)
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 ;
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.
266
RM :
Linea central
Ejemplo 8.23
x = 0, 757. El
de control para los diagramas individuales con rangos m 0viles de tamao 2 usados en
los lmites de la ecuacin son:
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:
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
de pureza.
como en
R.
110
, ya que no
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)
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
= 2, 06
Por lo tanto,
RCP =
LESLEI
6
(4020)
(6(2,06))
= 1, 62
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
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.
(213)
RCP = RCPk
RCP = 1,33
mnimo, y
RCP = 1,66
Cp = RCP
Cpk = RCPk .
112
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.
272
(214)
113
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.
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
273
p = D/n
(215)
2
p = (p(1 p))/n
(216)
p = ((1 p))/n
2
p
(217)
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)
115
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.
275
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
en este valor.
los lmites de control estan en
unidades y
ci
i,
, =
se dispone de k
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
c > 10,
(222)
(223)
para fabricar latas. La tabla presenta el nmero de grietas que hay en 40 muestras de
100
m2
278
para el diagrama
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
c=12,275
279
12,275 3 12, 275
. En consecuencia
defectos
totales, un numero promedio de defectos por unidad est dado por la ecuacin 224.
u = c/n
Con
(224)
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
116
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.
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
u=
1
20
20
i=1
32
20
= 1,6
LCS = u + 3
= 1,6 + 3
1,6
5
= 3,3
LCI = u 3
= 1,6 3
1,6
5
< 0,
determinado en 0.
281
1,5 ,
Ci
xj
es la media de la j-sima
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
= 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+
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.
1 , K =
(230)
1 ,
o sea
0 ,
acumula las desviaciones respecto del objetivo que son tan grandes como
K,
0 a
Ci ,
y reajusta
Ci+
Ci para cada muestra. En el caso que cualquier estadstica se ubica fuera del intervalo
de decisin,
H = 5
117
H,
calidad para detectar un proceso que est cambiando la media objetivo del proceso.
Si son seleccionadas correctamente
K,
118
zi = xi + (1 )zi1
Donde
cedimiento
z0 = 0 ,
0 < 1,
(231)
x,
del PMEP. Segn la interpretacin de la ecuacin anterior la informacin de las observaciones pasadas se incorpora al valor actual
zi ,
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)
mostrados en la ecuacin
(234)
(235)
284
285
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.
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
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:
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
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
Fuente:KUMAR, Dhirendra. SIX SIGMAS Las mejores prcticas. 1 ed. Colombia.: 3R editores,
2009. p. 24.
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.
Fuente:KUMAR, Dhirendra. SIX SIGMAS Las mejores prcticas. 1 ed. Colombia.: 3R editores,
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
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
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.
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
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
Fuente:KUMAR, Dhirendra. SIX SIGMAS Las mejores prcticas. 1 ed. Colombia.: 3R editores,
2009. p. 204.
Fuente:KUMAR, Dhirendra. SIX SIGMAS Las mejores prcticas. 1 ed. Colombia.: 3R editores,
2009. p. 204.
Cambio en 1.5 sigma
294
Fuente:KUMAR, Dhirendra. SIX SIGMAS Las mejores prcticas. 1 ed. Colombia.: 3R editores,
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.
295
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
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
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:
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.
Tj ,
T,
describe en la tabla .
o mas componentes (k
n).
Cj (t) = r(t); j = 1, 2, . . . , n,
120
T = T1 + T2 + . . . + Tn
Donde
Ti ,
(242)
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
p = r/n,
r,
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
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
de la probabilidad para un evento futuro del historial del mismo, solo teniendo en cuenta
el actual.
121
(n)
P {Xo = i}.
(0)
(0)
(0)
(246)
(0)
A = [a0 , a1 , a2 , ..., am , ],
donde
(0)
ai
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,
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
122
H0 : = 0
H1 : = 0
El procedimiento de prueba es el siguiente:
Suponga que
X1 , X2 , ..., X3
de inters.
verdadera,
cualquier diferencia
que de ser
negativa.
R+
(Xi 0 )
(Xi 0 )
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
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
, de tal manera
H1 : 0
,Se rechaza
H1 : = 0
si
R R
H1 : 0
,Se rechaza
H0 : = 0
si
R+ R
La aproximacin normal
122 MONTGOMERY.
302
0 ,
debe
Z0 =
R0,5n
0,5 n
H0 : = 0 .
.entre
= )
ms pequeo que la
para la prueba
de signo.
H0 : = 0
X1, X2, ..., Xn es una muestra aleatoria de una distribucin continua y simtrica con
media y mediana
(Xi 0 ) , i = 1, 2, ..., n.
Se clasican
R+
R = mn(R+ .R )
R,
y si
debe rechazarse.
303
R R ,
la hiptesis nula
H0 : = 0
en
X 1 y X2
X1 y X2 con
medias
2 .
Las
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
x1 ,
R1 la
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
123
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.
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:
307
de inters. Es necesario suministrar la forma como se mide esta variable y de ser posible
la probabilidad de ocurrencia de estas medidas.
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.
e xperimento
factorial completo es aquel en el que los tratamientos consisten en todas las combinaciones de nivel de factor.
y se asocia a un modelo
309
Y = X +
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.
tivas
126 HERNNDEZ
Hill, 2003.
310
que involucre datos sujetos a errores experimentales. As hay dos aspectos en cualquier
problema experimental:
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.
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
128 Ibd.p.16
Op. cit. p. 14
312
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.
313
129
Observaciones
Totales
Promedios
y1n
y2n
y1.
y2.
y 1.
y 2.
y12
y22
y11
y21
yk1
yk2
ykn
yk.
y..
y k.
y..
Donde
yij ,
i.
i = 1, 2, . . . , k
yij = + i + ij
j = 1, 2, . . . , b
Donde
yij
(248)
es un parmetro comn
i -simo
tratamiento, y
ij
es un
130
129 MONTGOMERY.
130 Ibid.,
p.630.
314
varianza
1 , 2 ,
...,
de los
H0 : 1 = 2 = = k =
H1 : i = j iparaialgnii = j
u
(249)
es una sntesis del desarrollo adecuado para comprobar las hiptesis planteadas
131 MONTGOMERY,
132 GUITIRREZ
2004.
315
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
CM E ,
CM T RAT
F =
CM T RAT
CM E
(250)
Entonces cuando
del mismo
ser mayor,
133
1. Proximidad.
2. Caractersticas fsicas.
3. Tiempo.
4. Administracin de tareas en el experimento.
10
10
10
16
13
11
11
11
Operador
14
317
yij = + i + j + ij ;
Donde
yij es
(251)
i es
i = 1, 2, ..., k
j = 1, 2, ..., b
ij es
yij .
es
la me-
es el efecto debido el
2,
y que son
independientes entre s.
H0 : 1 = 2 = 3 = = k =
HA : i = j
para algn
(252)
i = j,
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
. 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
318
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
Fuente. GUTIERREZ, Humberto. Anlisis y diseo de experimentos. 2 ed. Universidad de
Guadalajara, Mxico.: Mc Graw Hill. 2008. p. 126.
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
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.
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
k 10
yijl = + i + j + l + ijl
donde
yijl
(255)
ijl
(256)
k 2 1 = (k 1) + (k 1) + (k 1) + (k 2)(k 1)
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
Fuente. GUTIERREZ, Humberto. Anlisis y diseo de experimentos. 2 ed. Universidad de
Guadalajara, Mxico.: Mc Graw Hill. 2008. p. 132.
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.
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:
b. Optimizar la respuesta o variable independiente, es decir, encontrar la combinacin de niveles de los factores que optimizan esa respuesta.
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.
tos
axb
323
(257)
i = 1, 2, . . . , a; j = 1, 2, . . . , b; k = 1, 2, . . . , an;
Donde
es la media general;
( )ij
en la combinacin ij y
cero y varianza
con media
H0 :
Efecto A = 0
HA :
Efecto A=0,
H0 :
Efecto B = 0
HA :
Efecto B=0,
H0 :
Efecto AB = 0
HA :
Efecto AB=0,
total como
(n 1)
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
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 )
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 .
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 ,
modelo sera:
(SCT )
2k .
n2k
2
yi
SCT =
i=1
y tiene
n2k 1
y.2
n2k
(259)
SCE
grados de libertad.
135 GUITIRREZ.
(258)
2k (n 1)
Las tres metas de la losoa Taguchi se expresan en tres etapas en el desarrollo del
producto.
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.
t,
Op.cit. p. 363.
326
(260)
Aqu
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
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:
i j
i j = 0137 .
H0 : i j = 0,
y i. y j.
CM E
137 NAVIDI.
1
Ji
(261)
1
Jj
Si
H0
N 1grados
de libertad.
| y i. y j. |> tN I,/2
CM E
CM E
1
Ji
1
Jj
1
1
+
Ji Jj
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
tN I,/2
2CM E /J
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.
N I.
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)
.
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
studentizado
N 1
grados de libertad.
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
H0 : i j = 0,
los estadsticos de
y i. y j.
CM E
1
Ji
(266)
1
Jj
N 1
| y i. y j. |> tN I,/(2C)
139 Montgomery.
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.
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
nAR =
k
i=1
(269)
1
ni
n1 = n2 = . . . = nk = n,
ocurre que
141
r (p, l), p = 2, 3, . . . , k ,
donde
nAR = n.
De la tabla
k1
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 .
el rango
Rk1 .
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
140 MONTGOMERY,
141 GUITIRREZ
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
332
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.
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.
142
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.
Op.cit., p. 407.
335
336
337
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,
144
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.
Puente de Wheatstone:
VA0 = Vp
R4
R3 + R4
(271)
VB0 = Vp
RX
R1 + RX
(272)
340
R4
RX
=
R3 + R4
R1 + RX
RX =
(273)
R1 R4
R3
En que consiste:
341
Mtodo de deexin:
145
Este requiere un medidor capaz de indicar con exactitud el voltaje de salida, asi como
de entrada conocido y estable.
Ventajas:
Potenciometro:
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-
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.
C=K
A
d
(275)
Donde
K=
A=
d=
ac.
sensor inicial y las dos resistencias son iguales, el voltaje de salida ser una funcin del
147 Ibid.,
p. 233.
343
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.
p. 238.
344
ALVAREZ, Ana Luis. Analgico y Digital Bsicos - Gua del Estudiante. PARALLAX.
345
22 o
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 ,
M 1
M 1
2
2M 1
Con este esquema, el bit
M 1
Bit 3
Bit 2
Bit 1
Bit 0
20
150
20 . Por tanto para tener el decimal equivalente, simplemente hace que aadir
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.
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
cada muestra
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
fs > 2fmx
a
(276)
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
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
Q = EF SR /2M
donde
(277)
EF SR
2M esta
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
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.
156
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
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.
10.2.2.2 No Integradores
Tambin llamados convertidores A/D de muestreo y estos proporcionan el valor digital
158
y son:
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:
Estos conversores en general no superan los 8 bits de resolucin. Para una conversin de
N bits, se utilizan
2N 1
pueden tener un tiempo de conversin del orden de 10 ns. La gura 140 muestra el
circuito que implementa este mtodo de conversin.
1995.
0, 05 %.
353
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)
Va
Vref
es la
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.
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.
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,
161
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.
161 BOLTON, Bill. MEDICIONES Y PRUEBAS ELCTRICAS Y ELECTRNICAS. ALFAOMEGA,
1995.
357
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.
10.4
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.
Fuente. FLIGLIOLA, Beasly. Mediciones Mecnicas Teoria y Diseo. Tercera edicin. Editorial
Alfaomega. Pag. 310.
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
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
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
AV =
Vsal
Vent
(279)
Zent
Zsal ,
encuentran al medir
(280)
(281)
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
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
cia de corte determinada hacia arriba, sin que exista un lmite superior especicado.
Presentan ceros a bajas frecuencias y polos a altas frecuencias.
Filtro multibanda
comportamiento diferente.
Filtro variable
Filtros activos:
cionales y sus ventajas de operacin permiten la construccin de ltros con muy buenas
calidades.
Filtros digitales:
364
163
Filtro Butterworth:
Kpb
w = 0,
|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
Atenuacin = 20 n log
o
w
wc
n = 1, 2, 3, ...
Figura 151: Filtro Butterworth.
365
(283)
Filtro Chebyshev:
164
KP b
|H(jw)| =
2
1 + E 2 Cn
(284)
w
wc
n = 1, 2, 3, ...
0<E1
Donde
Kpb:
wc:
es la frecuencia de corte
E :Constante
Cn:
Polinomio de Chebyshev
(285)
E=
164 Gonzales,J;
10P R/10 1
(286)
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.
Fuente.
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
165 TOVAR,
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.
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.
W AV P LAY (Y, F S)
Y
sptool
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.
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
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.
166
(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
373
Figura 161:
tales
167
374
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.
Errores de Calibracin.
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.
Fuente de error
Tcnica de calibracin
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
Bx
Bx .
x es denotada por Bx .
Bx . El valor de
unidades de Bx . Por
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)
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
vBx
Bx menor
= . Esto
(291)
Bx .
Mayor
vBx .
necesita un nmero innito de mediciones para asumir una certeza del 100 % en el valor
declarado de
Bx .
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
es:
Px = tvP x ,C .SPx
(292)
SP
Px = tvP x ,C .SPx = tvP x ,C . x
N
Usualmente la ecuacin para
Px
(293)
Px para
x son:
vPx = N 1
378
(294)
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.
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
Voltaje de entrada:
Resolucin
despreciable.
Consideracin: Valores representativos del instrumento a la probabilidad del 95 %
Solucin:
(u0 )V = 1/2 10 = 5V
(uc )V = (3V 0,00001) = 30V
(ud )V =
u2 + u2 = 30,4V = 0,030mV
0
c
9,61mV
La incertidumbre en la etapa de diseo esta dado por:
ud =
(ud )2 + (ud )t 2 =
V
380
x,
xnext = x ux ( %C)
(295)
xtrue = x ux
En donde
total,
Ux ,
(296)
ux = k uc
Donde
es el factor de cobertura y
uc
(297)
ux = tv uc
(298)
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
vpx
vBx
respectivamente.
381
vef f
es de-
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.
382
u2 + u2
0
c
ud =
(299)
Donde:
ud =
u0 =
uc =
u0
u0 ,
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
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 =
(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,
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)
eZ =
(304)
x.
eR =
2Sx
F SO
(305)
eS,max ,
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
eS =
eS,max .t
F SO
(306)
eT,max ,
eT =
uI ,
eT,max
F SO
(307)
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
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.
(i uxi )2
u2
r
(309)
i=1
Donde:
uxi :
i :
incertidumbre absoluta.
r = Bx
donde
ur =| B | ux
(310)
2. Si
Si
entonces:
(311)
incertidumbre en
magnitudes.
386
r = (x....z = /(u....w),
3. Si
ur
=
|r|
Si
entonces
ux
x
+ ...... +
uz
z
uu
u
+ .....
uw
w
2
(312)
incertidumbre en
4. Si
r = xn ,
entonces:
ur
ux
=| n |
|r|
|x|
10.6.9
(313)
Pij ,y
de sesgo
Bij ,
x,
i=1
Error de calibracin
i=2
i=3
El subindice
que toma valores desde 1 hasta K, hace referencia a cada uno de los K
387
v=
3
i=1
3
i=1
K
j=1
2
Pij
K
4
j=1 (Pij /vij )
Donde
(314)
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.
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
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.
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
P2j =
=
SF
N 1/2
3,2
= 1,01N
101/2
389
b
f (x) =
ba
[f (b) f (a)] + E
2
(315)
a
Donde
E = (x)3f /24,
con
f
N
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
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
(318)
Ei
+
i=1
q/xi ,
q
q
q|xi +xi q|xi
=
xi
xi
xi
(319)
xf (x).
q
ux
xi 1
uq
q
ux
x2 2
+ ... +
q
ux
xk k
2
(320)
10.6.13
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
x1 , x2 , ...., xL ,
R = f1 {x1 , x2 , ...., xL }
Donde
(321)
alguna medida de incertidumbre que afecta el resultado. La mejor estimacin del valor
medio verdadero,
R = R uR
donde la media de la muestra de
R = f1 {1 , x2 , ..., xL }
x
y la incertidumbre en
(322)
(323)
391
(324)
El valor
uR
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 ,
dada por
i =
Donde:
R
xix=
x
(325)
i = 1, 2, ..., L
xi
afecta
R.
Es necesario el
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
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.
u0
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.
u1 = tv,C Sx
Slo cuando
u1 = u0
(328)
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
uN = ud las
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-
> 30)
Solucin:
Anlisis de orden cero: incertidumbre del sistema de medicin
= 0,4C
B0 = 0,5 C
P0
= 1 C ).
Para
n > 30
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.
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
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 ,
395
396
Medidor de McLeod
Barmetro
Manmetro
Probador de Pesos Muertos
171
7x107 N/m2
239.
Jack Philips . Experimental Methods for Engineers. Mc Graw Hill, Mxico, 1994. p.
397
Caractersticas
Ae,
172
del pistn
El peso del pistn ms el peso adicional de la masa calibrada se usa para proporcionar
una fuerza externa,
F.
p=
F
+
Ae
errores
(330)
Funcionamiento
173
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)
(332)
(333)
Efectos de la otabilidad del aire: Podemos hallar el error de otabilidad del aire
con:
e2 = (aire /masa )
(334)
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.
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
Tubo bourdon
Fuelles
Cpsula
Diafragma
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,
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.
[V ]
3. Area Pistn =
2cm2 .
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
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
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
403
2cm2 .
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,
cuadrados.
2. Curva de caracterizacin:
Permite observar el comportamiento de las variables glicamente como se observa
en la gura 174.
404
yo = 0, 0095x + 0, 6454
El coeciente de correlacin
R2 = 0, 9568
(335)
405
1 = 0
F1,n2 ,
debe rechazarsa si
con lo que
Ho
f0 > f,1,n2
donde
f0
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
2
Coeciente de determinacin (R ).
Prueba de falta de ajuste
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
407
(336)
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
H : 1 = 0
se probara nuevamente.
a continuacin:
yo = 0, 0116x + 0, 295
El coeciente de correlacin
(337)
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
la ecuacin 181. Usando como herramienta matlab y con una signicancia del
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
2
Coeciente de determinacin (R ).
Prueba de falta de ajuste
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
(338)
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.
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.
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
106 .
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
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.
414
pieza es transferido directamente al strain gage, el cual responde con cambios lineales
de resistencia elctrica.
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
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.
Precisin
Durabilidad
Estabilidad
Temperatura
Facilidad de instalacin
Elongacin
11.2.3
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
TIPO
COMPONENTES
VENTAJAS
ALEACIN A
cobre y niquel,
de coecientes de expansin
autocompensado por
de materiales.
temperatura.
ALEACIN P
Constantan templado
ALEACIN D
y niquel
3.2).
Mediciones de esfuerzo
puramente dinmicas.
ALEACIN K
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
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.
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.
A y aleacin
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)
K ),
ppm/ F
una mnima salida trmica. En la gura 181 se ilustra las caractersticas trmicas tpicas
de salida para aleaciones de tipo
A, K
esfuerzo.
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
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:
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
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
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=
R2
R3
R3 + R4 R1 + R2
421
(342)
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.
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.
(343)
R2 y R3 . La resistencia de R2 y R3 cambiar la
R3
R2
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
E=
423
(344)
Donde:
:Presin
:Deformacin
E :Modulo
de elasticidad
V i=Voltaje
f g =Factor
[V ]
de entrada=10 voltios
de Galga=2,3
424
El puente de Wheatstone que se uso fue medio puente como se observa en la gura.
Figura 185: Medio puente
425
=0
Hiptesis Nula:
=0
La hiptesis completa es asumir que los errores estn distribuidos de manera normal
e independiente con media cero y varianza
cuadrados.
426
2,
yo = 4, 2589e 4 x + 5, 1368e 5
El coeciente de correlacin
R2 = 1,
(345)
427
1 = 0
F1,n2 ,
debe rechazarsa si
con lo que
Ho
f0 > f,1,n2
donde
f0
la ecuacin 181. Usando como herramienta matlab y con una signicancia del
=0,05
hallamos el valor de
De donde
f,1,n2 =
Y probamos que
f,1,n2
4,18
f0 > f,1,n2
2
Coeciente de determinacin (R ).
Prueba de falta de ajuste
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.
Figura 188: Graca de probabilida de los residuos
428
F0 =-1.056e3
(346)
De donde
Y probamos que
f0 < f,m2,nm
incertidumbre = z
Donde:
z=
S =desviacin
n=tamao
estandar
muestral
430
S
n
(347)
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
0,0002942,
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
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)
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
%Error =
6, 3x1010 6, 1258x1010
x100
6, 3x1010
(350)
%Error = 0, 6562
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
[V ]
11.2.8.5Comprobacin de parametros
1. Planteamiento de la hiptesis.
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
434
=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,
cuadrados.
2. Curva de caracterizacin: Permite observar el comportamiento de las variables
glicamente como se observa en la gura 190.
Figura 190: Curva de caracterizacin Straing
yo = 0, 0002 x + 0, 0076
El coeciente de correlacin
R2 = 0, 999,
(351)
435
1 = 0
F1,n2 ,
debe rechazarsa si
con lo que
Ho
f0 > f,1,n2
donde
f0
la ecuacin 181. Usando como herramienta matlab y con una signicancia del
=0,05
hallamos el valor de
De donde
f,1,n2 =
Y probamos que
f,1,n2
4,20
f0 > f,1,n2
2
Coeciente de determinacin (R ).
Prueba de falta de ajuste
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 191.
436
437
(352)
De donde
F0 =0
Y probamos que
f0 < f,m2,nm
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
yo = 0, 0002 x + 0, 0076
R2 =0,99
determinacin
promedio de los errores
2,574 e -3
1,0091e-6
Media de la
0,0033
incertidumbre
l (transversal)
a ,
vp
y por
vp =
L
a
(353)
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
[V ]
=0
Hiptesis Nula:
=0
La hiptesis completa es asumir que los errores estn distribuidos de manera normal
e independiente con media cero y varianza
cuadrados.
440
2,
yo = 1, 7317e 4 x 0, 2229
El coeciente de correlacin
R2 = 0, 999,
(354)
441
1 = 0
F1,n2 ,
debe rechazarsa si
con lo que
Ho
f0 > f,1,n2
donde
f0
la ecuacin 181. Usando como herramienta matlab y con una signicancia del
=0,05
hallamos el valor de
De donde
f,1,n2 =
Y probamos que
f,1,n2
5,32
f0 > f,1,n2
2
Coeciente de determinacin (R ).
Prueba de falta de ajuste
a) Anlisis 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 196.
442
443
De donde
f,m2,mn =
(355)
F0
1,5018
Y probamos que
f0 < f,m2,nm
2, 5 > 1, 5018
l (longitudinal)
[V ]
444
=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,
cuadrados.
2. Curva de caracterizacin: Permite observar el comportamiento de las variables
glicamente como se observa en la gura 198.
Figura 198: Curva de caracterizacin Straing
yo = 1, 7317e 4 x 0, 2229
El coeciente de correlacin
R2 = 0, 999,
(356)
445
1 = 0
F1,n2 ,
debe rechazarsa si
con lo que
Ho
f0 > f,1,n2
donde
f0
la ecuacin 181. Usando como herramienta matlab y con una signicancia del
=0,05
hallamos el valor de
De donde
f,1,n2 =
Y probamos que
f,1,n2
5,32
f0 > f,1,n2
2
Coeciente de determinacin (R ).
Prueba de falta de ajuste
a) Anlisis 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 199.
446
447
(357)
De donde
f,m2,mn =
Y probamos que
F0 =-2,4954
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
449
175
. La velocidad en un punto
U = U (x, r, ) = ux + vr + w
e
e
e
(358)
u, v , w
son magnitudes y
FIGLIOLA, Richard. Mediciones Mecnicas: Teora y Diseo. 4 ed. Mxico.: Alfaomega, 2008. p. 458.
450
U ndA = 0
dV +
(359)
CS
CV
Donde:
(360)
Donde:
U ndA
m=
(361)
A
En trminos de ujo de masa promedio,
U ,
donde
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
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, ):
U,
normal a la
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:
d1 :
rH :
4rH .
Flujo turbulento,
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.
452
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
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)
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
454
ujmetros .
177
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
456
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
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:
rm :
:
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.
457
179
(368)
Donde:
A:
B/Q:
C/Q2 :
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
458
0,3 %,
()
()
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
460
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).
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.
[V ]
- Las lneas de ujo deben ser purgadas antes de colocar el sensor, la tubera debe ser
limpia y libre de partculas.
Planteamiento de la hiptesis
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,
dos.
464
Curva de regresin
Ecuacin de Regresin
y0 = 0,9473 x 0,5347
Coeciente de Determinacin
(369)
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)
465
Proceso de Optimizacin
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
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
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
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.
La hiptesis a plantear es:
La hiptesis nula:
H0 : 1 = 2 = 3 = = 8 = cte,
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 .
Para probar la hiptesis se calcul lo siguiente (ver tabla 83):
468
Entonces, como
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
Resultados
= 0,0172
R = 3,344 = 0,06
Estos rangos se comparan con las diferencias de medias para cada tratamiento.
Tabla 84: Anlisis de Duncan para la comparacin entre los procesos.
469
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
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 elabor un documento sntesis que servir como base para el grupo de Investigacin
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.
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
475
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:
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.
479
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.
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.
%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.
181
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.
181 SILVA,
482
483
182
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:
3. Repetir los pasos (1) y (2) hasta que las lecturas sean las correctas en sus
valores mximos y mnimos.
Figura 220: Esquema de Manmetro Bourdon con los tipos de Ajuste para cada Error
484
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
2.
Referencias
Normativas
3. Trminos y
Deniciones
4.
Requisitos
de gestin
Contina
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
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
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
Y(jw)
= |G(jw)|
X(jw)
(372)
|G(jw)| :
:ngulo
(|G(jw)|).
|G(jw)|.
Esta magnitud
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.
log(0) = ,
493
frecuencia de esquina o corte y es la que divide la curva en dos regiones, una de baja y
otra de alta frecuencia.
494
Los sistemas ms comunes de primer orden son los sistemas masa resorte y los circuitos
RC.
1 2
(d y)/dt2 + 2/wn dy/dt + y = kx
2
wn
Donde:
k = b/ao :
wn =
(a0 /a2 ):
= a0 /(2
Es el factor de amortiguamiento
Reemplazando
por
jw,
se obtiene:
495
(373)
(k, , wn )
Mr = 1/(2
wr = wn
(1 2 2 ))
(1 2 2 )
Donde:
Mr :
Pico de resonancia
wr :
Frecuencia de resonancia.
Los sistemas masa resorte amortiguador y los circuitos RLC, son algunos de los sistemas
ms representativos de 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.
G(jw) =
jw + 2
((jw)3 + 4(jw)2 + 5(jw) + 9)
(375)
497
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
c(t)
r(t)
mn
(376)
G(s)
es la funcin de
transferencia
(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.
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)
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
Fuente:
H(s)
C(s) depen-
R(s), por esto es necesario encontrar una relacin entre ellos como
C(s) = G(s)E(s)
E(s) = R(s) B(s) = H(s)C(s)
Si se elimina
E(s)
(378)
(379)
(380)
G(s)
C(s)
=
R(s)
1 + G(s) H(s)
(381)
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.
Fuente:
CD (s),
(382)
CD (s)
G2 (s)
=
D(s)
1 + G1 (s) G2 (s) H(s)
(383)
la ecuacin 384 :
(384)
G2 (s)
{G1 (s)R(s) + D(s)}
1 + G1 (s) G2 (s) H(s)
(385)
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
502
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.
t = to,
t > to)
503
X(t) = f (x, u, t)
Y (t) = g(x, u, t)
Donde
(386)
(387)
iniciales y
(388)
(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,
504
ao
dn c
dn1 c
dc
+ a1 n1 + ..... + an1 + an c = u
n
dt
dt
dt
(390)
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)
(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)
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):
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)
ei = eR + eL + eC
Donde
ei
(399)
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
eo
idt
(400)
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)
11
I(s)
Cs
(403)
(404)
I(s)
Cs
=
Ei (s)
CLs2 + CRs + 1
(405)
508
Figura 236: Visualizacin de Componentes para la Analogia de Distintos Tipos de Sistemas Dinmicos.
R=
H [m]
q [m3 /s]
(406)
509
H
dH
=
dQ
Q
RL =
(407)
Q=k H
(408)
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,
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)
RC
dh
+ H = Rqi
dt
(413)
H(s)
R
=
Q(s)
RCs + 1
Sistema de nivel de lquido con interaccin, la gura representa este sistema es:
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]
R=
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)
ho ;
hi .
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)
(s)
R
=
Hi (s)
RCs + 1
(429)
d
d
= Gci ho = RC + = i
dt
dt
(430)
(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
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
516
I. CATALOGOS
517
518
519