Documentos de Académico
Documentos de Profesional
Documentos de Cultura
EN LA ESTIMACIN DE LA
INCERTIDUMBRE DE LA MEDICIN
NOTA
1/7
2/7
USO DE LA DISTRIBUCIN t
EN LA ESTIMACIN DE LA INCERTIDUMBRE DE LA MEDICIN
Ismael Castelazo
Diciembre 18, 2002
Resumen: Se aclara el uso de la distribucin t en la expresin de la incertidumbre
de las mediciones.
1. Intervalos de confianza
De acuerdo a su definicin, la incertidumbre es un parmetro que caracteriza la dispersin
de los valores razonablemente atribuidos al mensurando, por lo que se expresa como un
intervalo de valores con un nivel de confianza dado. En estadstica estos intervalos son
llamados intervalos de confianza.
Si conocemos la funcin de densidad de probabilidad f(x) de una variable aleatoria x,
podemos expresar la probabilidad p de que sta tome un valor dentro de cierto intervalo
como el rea que cubre la funcin f(x) en este intervalo, como se muestra en la figura 1.
Esta probabilidad p es llamada el nivel de confianza.
f(x)
] f (x )dx
rea = p = Pr x p x x p =
-xp
xp
xp
xp
3/7
z=
x x
(1)
la cual tiene media cero y desviacin estndar uno. La probabilidad de que z tome valores
en un cierto intervalo [ k z k ] es
p = Pr[ k z k ] .
Sustituyendo (1), obtenemos
x x
p = Pr k
k
x
la cual es equivalente a
p = Pr [ x k x x x + k x ]
En otras palabras, la probabilidad, p, de que x se encuentre en el intervalo x k x es
igual a la probabilidad de que z se encuentre en el intervalo [ k z k ] . De esta manera
podemos seleccionar k a partir de valores tabulados, de tal manera que z se encuentre dentro
del intervalo [ k z k ] con una probabilidad p deseada. Este mismo valor de k nos
asegurar que x se encontrar en el intervalo x k x con el mismo nivel de confianza p.
1 n
1 n
y k = f k ( x1k , x 2 k , L, x Nk )
n k =1
n k =1
uc2 ( y ) = ci2 u 2 ( xi )
i =1
donde
ci = f / xi
4/7
Consideremos que existen n valores de y, que son muestras de una variable con distribucin
normal y cuyas media y varianza pueden estimarse como
y y =
y2 s 2 ( y k ) =
1 n
yk
n k =1
1 n
( yk y ) 2
n 1 k =1
s2 (y) =
s 2 ( yk )
n
3. Uso de la variable t
En el caso de un proceso de medicin, es deseable conocer la probabilidad de que el valor
verdadero del mensurando est dentro de un cierto intervalo y kuc . Si suponemos que el
mensurando est distribuido normalmente, sera natural emplear el mtodo descrito en la
seccin 1 para estimar el factor de cobertura k. Sin embargo, este mtodo se basa en el
hecho de que la transformacin
z=
x x
t=
yy
(2)
s( y )
( n +1) / 2
5/7
(3)
E (t t ) = t2 =
2
n
n2
para n > 1
para n > 2
Se puede demostrar que esta distribucin tiende a una normal conforme aumenta el nmero
de grados de libertad = n-1, donde n, en nuestro caso de inters, es el nmero de
mediciones. Debe notarse que esta condicin, en un proceso estacionario, es la misma que
mejora la estimacin de la variancia de y por medio de s ( y ) .
Al igual que para la distribucin normal, existen valores tabulados de la probabilidad, p
(rea bajo la curva f(t)), de que t se encuentre alrededor de un cierto intervalo:
Pr [ t p ( ) t t p ( )] = p
(4)
Los valores de t para coberturas, p, entre 68,27% y 99,73% del rea bajo la funcin (3), se
encuentran tabulados en la referencia [1] para valores de desde 1 hasta 100, adems del
valor para = .
La ecuacin (2) se puede rescribir, empleando la incertidumbre estndar combinada como
estimador de s ( y ) 1, como
t=
y Y
uc ( y )
Pr [ t p ( ) ( y Y ) / uc ( y ) t p ( )] = p
la cual es equivalente a
Pr [y t p ( )uc ( y ) Y y + t p ( )uc ( y )] = p
Esta estimacin es exacta slo para las condiciones ideales descritas en la seccin 2
Nota sobre t de Student / CENAM / Diciembre 2002
6/7
Conclusiones
1. Se usa la distribucin t cuando se puede suponer que la distribucin subyacente es
normal.
2. Se usa la distribucin t porque no se conoce a ciencia cierta la desviacin estndar
de la distribucin normal.
3. La distribucin t se aproxima a la normal cuando el nmero de grados de libertad
tiende a infinito.
Agradecimiento
El autor agradece a Rubn Lazos Martnez por su revisin y valiosos comentarios a este
documento.
Referencias
[1]
[2]
Bendat, J.S. and Piersol, A.G., Random Data: Analysis and Measurement
Procedures, Wiley-Interscience, 1971.
Autor:
7/7