Mediciones en Alta Frecuencia

Prof. Martı́n Hurtado

mediciones@ing.unlp.edu.ar
http://www.ing.unlp.edu.ar/catedras/E0217/

Facultad de Ingenierı́a
Universidad Nacional de La Plata

1 / 28
 Introducción

Objetivos
• Repasar conceptos de teorı́a de mediciones
• Herramientas
- Probabilidades y estadı́stica

Motivación
• Procesamiento óptimo de las mediciones
• Caracterización del error

2 / 28
 Teorı́a de Medición

Medición
• Representar propiedades de un fenómeno fı́sico.
• Cuantitativas o cualitativas.

Objetivos
• Asignar un valor a una constante fundamental.
• Obtener información de un fenómeno fı́sico.
• Correlacionar el comportamiento de un fenómeno con algún parámetro.
• Controlar un proceso.

Patrón o estándar
• Sistema Métrico Legal Argentino (SIMELA): 1972, ley 19511, Sistema
Internacional de medidas.
• National Institute of Standards and Technology (NIST): 1901, EEUU,
metodologı́as y patrones de medición.
• Instituto Nacional de Tecnologı́a Industrial (INTI): servicios de calibración y
medición.

3 / 28
 Teorı́a de Medición

Categorı́as
• Medición directa
• Medición de frecuencia con contadores
• Medición indirecta
• Medición de potencia con métodos bolómetricos
• Medición de cero
• Medición de resistencias con puente de Wheatstone

Calidad
Mediciones
Exactitud
• Error Valor estimado
Valor verdadero

• Repetibilidad
• Exactitud
• Precisión
• Resolución
Precision

4 / 28
 Errores de Medición

Categorı́as
• Errores teóricos
• Errores estáticos
• De lectura
• Ambiental
• De repetitibilidad
• De resolución

• Errores dinámicos
• Errores de inserción

Acciones para considerar el error

• Modelar
• Procesar
• Errores sistemáticos: corregir o reducir mejorando el método.
• Errores aleatoreos: procesar por métodos estadı́sticos.
• Acotar
• Determinar grado de confianza en la medición.

5 / 28
 Errores de Medición

Problemas
• Múltiples observaciones con un mismo instrumento
• Observaciones con múltiples instrumentos
• Observaciones con incertidumbres en el sistema

Notación
• Error absoluto
x = xo ± ∆x
• Error relativo
∆x
εx =
xo
• Error porcentual
ε = 100εx

6 / 28
 Modelado

Modelo de medición
• Diversos factores de ruido contribuyen al resultado

K
X
X =µ+ ek = µ + e,
k=1

donde
• µ: valor nominal (desconocido)
• e: error total

Teorema del Lı́mite Central

• La suma de varias variables independientes tiende a una distribución Gaussiana

K
X
e= ek ∼ N (0, σ2 )
k=1

Modelo estadı́stico
2 2
e −(x−µ) /2σ
X ∼ N (µ, σ2 ), p(x) = √
2πσ2

7 / 28
 Modelado

Notación
• X : método de medición, variable aleatoria
• x: valor medido
• p(x; θ): función de densidad de probabilidades
• L(θ): función de verosimilitud

Ejemplo
• Considerar múltiples mediciones independientes

X1 , X2 , . . . , XK ∼ N (µ, σ2 )

• Observaciones
1 2
/2σ 2
p(xk ; µ, σ2 ) = √ e −(xk −µ)
2πσ2
• Función de verosimilitud

1 PK 2 2
L(µ, σ2 ) = e − k=1 (xk −µ) /2σ
(2πσ2 )K /2

8 / 28
 Procesamiento

Estimador de máxima verosimilitud

• Elegir el parámetro que maximiza la probabilidad the observar los datos
recolectados
θ̂ = arg max L(θ)
θ

• Conocido θ, se define p(x) • Conocido x, se define L(θ)

Funcion de Densidad de Probabilidades Funcion de Verosimilitud L(θ)

ln[L(θ)]
p(x)

L(θ)

x Parametro θ

9 / 28
 Procesamiento

Estimación de la media
• Considerar X1 , X2 , . . . , XK ∼ N (µ, σ2 )
• σ2 : conocido
• µ: desconocido
• Maximizar la función L
∂L(µ)
=0
∂µ
• Estimador de µ
K
1 X
µ̂ = xk = µ̄
K k=1

donde
• µ̄: media muestral

10 / 28
 Procesamiento

Ejemplo
• Generar K = 10 observaciones de Xk ∼ N (4, 2) y estimar µ.
Solución
• Valores observados x = [5.25, 2.37, 2.48, 2.85, −0.16, 6.03, 4.45, 2.93, 5.93, 1.57]
• Valor estimado µ̂ = 3.37

−10

−20
Funcion de Verosimilitud ln[L(µ)]

−30

−40

−50

−60

−70

−80

−90

−100
−5 0 5 10
Valor medio µ

• Por qué µ̂ 6= 4?

11 / 28
 Procesamiento

Propiedades de la media muestral

• Variable aleatoria µ̄
• El estimador µ̄ es una combinación lineal de las variables aleatorias X1 , X2 , . . . , XK

• Valor medio
E[µ̄] = µ

• Estimador insesgado

• Varianza
σ2
V[µ̄] =
K

• La precisión mejora con la cantidad de observaciones

12 / 28
 Cota del Error
Variable aleatoria
• Si Z es v.a. con densidad p(z), no se puede predecir una realización puntual
• Se puede predecir un intervalo donde se encontrará, con cierto grado de
probabilidad γ

Intervalo de confianza
• Buscar el intervalo (a, b) más corto con coeficiente de confianza γ
Z b
Pr {a < Z < b} = p(z)dz = γ
a

13 / 28
 Cota del Error

Intervalo de confianza de la media

• Media muestral
µ̄ ∼ N (µ, σ2 /K )
• Variable aleatoria normalizada

µ̄ − E[µ̄]
Z = p ∼ N (0, 1)
V[µ̄]

• El intervalo de confianza de probabilidad γ es

γ = Pr {−a < Z < a}

 q q 
= Pr µ̄ − a σ2 /K < µ < µ̄ + a σ2 /K

• Error absoluto s
σ2
µ ∈ µ̂ ± a
K

14 / 28
 Cota del Error
Intervalo de confianza de la media
• Matlab
a=1; gamma=normcdf(a,0,1)-normcdf(-a,0,1)=0.6827
a=2; gamma=normcdf(a,0,1)-normcdf(-a,0,1)=0.9545
a=3; gamma=normcdf(a,0,1)-normcdf(-a,0,1)=0.9973
gamma=0.997; a=norminv((1+gamma)/2,0,1)=2.9677

0.5
Distr N(0,1)
0.45

0.4

0.35

0.3
p(z)

0.25

0.2

0.15
(1 − γ)/2 (1 − γ)/2
0.1
γ
0.05

0
−5 −4 −3 −2
−a −1 0 1
+a
2 3 4 5
z

15 / 28
 Cota del Error
Intervalo de confianza de la media
• Para determinar µ, se hacen K mediciones, se calcula µ̂ y su cota.
• El procedimiento se repite 20 veces.

a=1, γ=0.68

a=2, γ=0.95

16 / 28
 Procesamiento

Estimación de la varianza
• Considerar X1 , X2 , . . . , XK ∼ N (µ, σ2 )
• µ: conocido
• σ2 : desconocido
• Maximizar la función L
∂L(σ2 )
=0
∂σ2
• Estimador de σ2
K
1 X
σ̂2 = (xk − µ)2
K k=1

• Propiedades
2σ4
E [σ̂2 ] = σ2 , V [σ̂2 ] =
K

17 / 28
 Cota del Error

Intervalo de confianza de la varianza

• Variable aleatoria normalizada

K σ̂2 1
Y = ∼ χ2K , p(y ) = y K /2−1 e −y/2 , y ≥0
σ2 2K /2 Γ(K /2)

• El intervalo de confianza de probabilidad γ es

γ = Pr {a < Y < b}
K σ̂2 K σ̂2
 
= Pr < σ2 <
b a
• Con probabilidad γ se cumple

K σ̂2 K σ̂2
 
σ2 ∈ ,
b a

18 / 28
 Cota del Error
Intervalo de confianza de la varianza
• Matlab
a=chi2inv((1-gamma)/2,K)
b=chi2inv((1+gamma)/2,K)

0.12 2
Distr χK

0.1

0.08
p(y)

0.06

(1−γ)/2 (1−γ)/2
0.04

γ
0.02

0
0 5a 10 b 15 20 25 30
y

19 / 28
 Cota del Error
Intervalo de confianza de la varianza
• Para determinar σ2 , se hacen K mediciones, se calcula σ̂2 y su cota.
• El procedimiento se repite 20 veces.

γ=0.70

σ2

γ=0.95

σ2

20 / 28
 Procesamiento

Estimación de media y varianza

• Considerar X1 , X2 , . . . , XK ∼ N (µ, σ2 )
• µ: desconocido
• σ2 : desconocido
• Maximizar la función L

∂L(µ, σ2 ) ∂L(µ, σ2 )
= 0, =0
∂µ ∂σ2
• Solución

K
1 X
µ̂ = xk = µ̄
K k=1
K
1 X
σ̂2 = (xk − µ̄)2 = s 2
K k=1

donde
• µ̄: media muestral
• s 2 : varianza muestral

21 / 28
 Cota del Error

Intervalo de confianza de la media

• Variable aleatoria normalizada

√µ̄−µ
σ 2 /K µ̄ − µ
T = q 2
= p ∼ tK −1
KS S 2 /(K − 1)
σ 2 (K −1)

• El intervalo de confianza de probabilidad γ es

γ = Pr {−a < T < a}

 q q 
= Pr µ̄ − a s 2 /(K − 1) < µ < µ̄ + a s 2 /(K − 1)

• Con probabilidad γ se cumple

s
s2
µ ∈ µ̂ ± a
K −1

22 / 28
 Cota del Error

Intervalo de confianza de la media

• Matlab
a=tinv((1+gamma)/2,K-1)

0.5
Distr t
K−1
0.45

0.4

0.35

0.3
p(t)

0.25

0.2

0.15
(1−γ)/2 (1−γ)/2
0.1 γ
0.05

0
−5 0 5
t

23 / 28
 Cota del Error

Intervalo de confianza de la media

• Determinar µ a partir de K = 10 observaciones.
• Si σ2 no se conoce, se tiene mayor incertidumbre.

3 1.6
σ2 conocido σ2 conocido
2
σ desconocido 1.4 σ2 desconocido
2.5

1.2

Error Absoluto
2
Intervalo a

0.8
1.5

0.6

1
0.4

0.5 0.2
0.5 0.6 0.7 0.8 0.9 1 0.5 0.6 0.7 0.8 0.9 1
Coeficiente de Confianza γ Coeficiente de Confianza γ

24 / 28
 Independencia de los Datos

Instrumentos
• Todo sistema real es un pasa-bajos o pasa-banda
• Introduce correlación temporal entre observaciones

1.2
Filtro 2do Orden
Filtro Equivalente
1

0.8

0.6

0.4

0.2

0
−B 0 B

25 / 28
 Independencia de los Datos
Condiciones
• Señal a la salida
 
η f
S(f ) = ⊓ R(τ ) = ηBSinc(2Bτ )
2 2B
• Tiempo mı́nimo entre observaciones

1
τmin =
2πBεr
R(τ)

Sinc(2Bτ)

(2Bτπ)−1

26 / 28
 Otras Distribuciones
Medición de potencia
• Existe incertidumbre en la adaptacion de la carga y el generador
• Error de desadaptación
1
e ∼ p(e) = √
π a2 − e 2
donde a = 8.686|ΓG ||ΓL |

Distr U

2
p(e)

0
−a e +a

27 / 28
 Error de Medición

Referencias
- J. Carr, Practical Radio Frequency Test and Measurement: A Technician’s
Handbook, Cap. 1. Burlington, USA: Elsevier, 1999.
- J. Hurll, “Uncertainty and confidence in measurements,” Microwave
Measurements, IET, 2007.
- R.V. Hogg and A.T. Craig, Introduction to Mathematical Statistics, Cap. 6. NY,
USA: Mcmillan Publishing, 1978.
- A. Papoulis and S.U. Pillai, Probability, Random Variables, and Stochastic
Processes, Cap. 8. New York, USA: McGraw Hill, 2002.

28 / 28