Documentos de Académico
Documentos de Profesional
Documentos de Cultura
NotasobretdeStudent 20060804 PDF
NotasobretdeStudent 20060804 PDF
EN LA ESTIMACIN DE LA
INCERTIDUMBRE DE LA MEDICIN
NOTA
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.
f (x)
p = Pr [ x p x x p ] = f ( x )dx
xp
rea =
xp
x
-xp xp
Para el caso comn de variables con distribucin normal, el rea bajo esta curva puede
obtenerse a partir de los valores tabulados para una variable con media cero y desviacin
estndar igual a uno. La relacin de estos valores con los que corresponden a variables con
media y desviacin estndar diferentes se explica a continuacin.
Sea x una variable aleatoria con distribucin normal, media x y desviacin estndar x.
Definamos una variable auxiliar
donde ci = f / xi
La incertidumbre de medicin puede entenderse como una aproximacin de la varianza de
la media de y. En el caso de mediciones donde nicamente existen contribuciones de tipo A
y el modelo es lineal, la incertidumbre y la varianza estadstica de la media de y son
idnticas.
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
x x
z=
x
resulta en otra variable normal pues x y x son constantes conocidas en forma
determinstica. Tpicamente, durante un proceso de medicin no se conoce exactamente x,
y se emplea su aproximacin s ( y ) . Es conveniente entonces escribir la variable
yy
t= (2)
s( y )
la cual se conoce como la variable t de Student, con = n-1 grados de libertad.
Recordemos que y representa el resultado de la medicin y se asume que su distribucin es
normal, centrada en y y con desviacin estndar estimada por s ( y ) . Entonces, la
distribucin de la variable t se aproxima a una distribucin normal, con media cero y
varianza uno en tanto s ( y ) mejor se aproxime a la desviacin estndar y de y .
Esto es, si s ( y ) se ha obtenido de pocos datos, el conocimiento que se tiene de ella es
pobre, el nmero de grados de libertad es pequeo y la distribucin que sigue la variable t
se aleja de la normal. De hecho, la distribucin exacta de t fue obtenida por W. S. Gosset,
quien escriba con el seudnimo de Student, encontrando la siguiente expresin [2]:
( n +1) / 2
[(n + 1) / 2] t 2
f (t ) = 1 + (3)
n(n / 2 ) n
Nota sobre t de Student / CENAM / Diciembre 2002
5/7
cuya media y variancia son:
E [t ] = t = 0 para n > 1
[ ]
E (t t ) = t2 =
2 n
n2
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
y Y
t=
uc ( y )
y, sustituyendo en (4), obtenemos
Pr [ t p ( ) ( y Y ) / u c ( y ) t p ( )] = p
la cual es equivalente a
Pr [y t p ( )uc ( y ) Y y + t p ( )uc ( y )] = p
En otras palabras, la probabilidad de que t tome valores entre tp y tp, es igual a la de
encontrar el mensurando Y entre y t p ( )uc ( y ) y y + t p ( )uc ( y ) . Sin embargo, podemos
encontrar esa probabilidad a partir de la tabla normalizada de reas bajo la curva (3),
independientemente de los parmetros de y.
Esta solucin supone que las variables y y, consecuentemente, y , tienen una distribucin
normal. En metrologa, esta restriccin en ocasiones no se cumple por lo que es necesario
tomar en cuenta que la presencia de distribuciones diferentes disminuye la confianza en las
aproximaciones que se obtienen con la distribucin t.
1
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.
Referencias
[1] Guide for the expression of uncertainty in measurement, ISO, 1995.
[2] Bendat, J.S. and Piersol, A.G., Random Data: Analysis and Measurement
Procedures, Wiley-Interscience, 1971.