Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tema 6. GER-CAL
Tema 6. GER-CAL
Introducción
Se presentarán algunos conceptos esenciales para
comprender el significado estadístico de lo que
conocemos como incertidumbre.
Cabe destacar la importancia de la estadística para el
metrólogo.
www.metrocaribe.com 2
Análisis de incertidumbre
Definición de probabilidad
Definición clásica
Si un experimento que está sujeto al azar puede tener cualquiera de N
resultados diferentes igualmente factibles, y si exactamente n de estos
resultados corresponde al evento A, entonces la probabilidad de este
último es:
n
P ( A)
N
Probabilidad como frecuencia relativa
Si un experimento se repite N veces bajo las mismas condiciones y nB
de los resultados son favorables a un atributo B, el límite nB/N,
conforme N se vuelve grande, se define como la probabilidad del
atributo B
La probabilidad es un número real entre 0 a 1, asociado a un evento
aleatorio
Variable aleatoria
Variable aleatoria
Una variable aleatoria es aquella que puede tomar cualquiera de los
valores pertenecientes a un conjunto de valores especificados.
Tenemos variables aleatorias discretas y continuas
Distribución de probabilidades
Fig 1
Cada valor pueda tomar una variable aleatoria siempre se asocia a una
determinada probabilidad. La regla que expresa la relación entre los
valores que puede tomar una variable aleatoria y su probabilidad, se
denomina Ley de distribución de probabilidades
Distribución normal
La distribución normal o gaussiana es, indudablemente, la más importante
y la de mayor uso de todas las distribuciones continuas de probabilidad.
Es la piedra angular de la inferencia estadística en el análisis de datos.
Las magnitudes físicas observables determinadas en condiciones de
repetibilidad se distribuyen normalmente.
Definición
Si una variable x se distribuye normalmente, entences f(x) está dada:
1 x
2
1
f ( x, , ) e 2
2
Donde: y , Son parámetros de la
ddistribución medido
: Media poblacional
: Desviación estandar poblacional
X: Un valor poblacional
Distribuciones muestrales
La inferencia estadística se formula basada en una muestra de
objetos de la población de interés. El proceso por del cual se obtiene
será aquel que asegure la selección de una buena muestra .
Se hará un muestreo aleatorio simple. El término aleatorio sugiere
una absoluta imparcialidad en la selección de la muestra
X1 , X 2 , X n
a. La media muestral
1 n
X Xi
n i 1
( X i X )
sn 1 i 1
n 1
Teorema del límite central
La variablea Z: X
Z
n
Cuando no se conoce (desviación estándar poblacional), entonces
el estadístico Z, se reemplaza por estadístico T
x
T
sn 1
n
Intervalo de confianza para la media
A partir de la distribución muestral de X se puede construir un intervalo
de confianza para (media poblacional).El intervalo tiene el siguiente
significado: el valor de la media poblacional no se conoce, pero está en
ese intervalo con una probabilidad dada
P Z Z Z 1
2 2
s s
x t x t
2 n 2 n
s
Límites de confianza: x t
2 n
Expresión de la incertidumbre de medición en calibración
Donde:
Y y U
Y:valor real del mensurado
y: valor estimado
U: incertidumbre estimada
Cuando se establece el valor estimado, se supone que se han
corregido los errores sistemáticos
Definición
Incertidumbre de medición
Parámetro asociado con el resultado de una medición, que
caracteriza la dispersión de los valores que pueden ser atribuidos
razonablemente a un mensurado
Incertidumbre
Definición
Mensurado: es la magnitud sujeta a medición. En calibración se
trata, usualmente, sólo con un mensurado.
Y f ( X1 , X 2 ,..., X n )
Para la estimación tenemos:
y f ( x1 , x2 ,..., xn )
Se supone que los valores de entrada son estimaciones óptimas en
la que se han corregido todos los efectos significativos para el
modelo
Incertidumbre tipo B
Es aquella que se evalua por métodos distintos a los estadísticos.
La información puede provenir de certificados de calibración,
especificaciones del fabricante, datos tomados de manuales,etc
Evaluación de la incertidumbre tipo A
Para determinar la incertidumbre tipo se deben hacer observaciones
repetidas bajo condiciones de repetibilidad. Cuando hay suficiente
resolución del instrumento de medición se presenta dispersión.
Pasos:
a. Se calcula la media
1 n
x xi
n i 1
b. Se calcula la desviación estandar experimental
1
1 n 2
2
sn 1 ( xi x)
n 1 i 1
c.
Se calcula la desviación estandar de la media, experimental
sn 1
s (x )
n
Evaluación de la incertidumbre tipo A
uA r
Evaluación de la incertidumbre estándar tipo B
El uso apropiado de la información disponible para una evaluación de
la incertidumbre estándar tipo B, exige un juicio basado en la
experiencia y en conocimientos generales. Es una destreza que puede
adquirirse con la práctica. Deben distinguirse los siguientes casos:
1
b a
a1 a1
2a
La distribución rectangular es una descripción razonable en términos de
probabilidad del conocimiento que se tenga sobre la magnitud de
entrada Xi cuando no existe ninguna otra información más que sus
límites de variabilidad. Pero si se sabe que los valores de la magnitud en
cuestión próximos al centro del intervalo de variabilidad son más
probables que los valores próximos a los extremos, un modelo más
adecuado sería una distribución rectangular
a
Desviación estándar
6
Ejemplos
1. Un certificado de calibración establece que la masa ms de un patrón
de masa, hecho de acero inoxidable y de clase de exactitud E2, cuyo
valor nominal es de un kilogramo, tiene una masa de 1000,000325 g
y que la incertidumbre de este valor es de 240 µg al nivel de tres
desviaciones estándar.
240 g
En este caso: u (ms ) uB (ms ) 80 g
3
0, 03
uB 0.017 oC
3
Ejemplos
x
uB
2 3
Incertidumbre de los estimados de salida
La incertidumbre de la magnitud de salida (el mensurado), se le
conoce como incertidumbre combinada Uc.
Se obtiene combinando apropiadamente las incertidumbre tipo A y
tipo B de las magnitudes de entrada.
La función que relaciona la incertidumbre estándar combinada de
la magnitud de salida con las incertidumbre, con las incertidumbres
de las magnitudes de entrada, se deriva de Ley de Propagación de
los incertidumbre
Ley de propagación de las incertidumbres
y f ( x1 , x2 ,..., xn )
La función f no sólo expresa una ley física sino también un proceso de
medición y por eso debe contener todas las magnitudes que contribuyen
significativamente a la incertidumbre del resultado de la medición. Si se
hace un desarrollo en serie de Taylor de primer orden, alrededor de los
estimados de las magnitudes de entrada, se obtiene la ecuación que
relaciona las variaciones de Y, alrededor de los estimados y, producida por
pequeñas variaciones de las magnitudes de entrada:
n
f
(Y y ) ( X i xi )
i 1 xi
i 1 x
Desarrollando se tiene:
2
f f f
X i xi X j x j
n n n
(Y y )
2
( X x ) 2
2
i i
i 1 xi i 1 i 1 xi x j
Como la esperanza de la desviación cuadrática es la varianza, y esta
también es el cuadrado de la incertidumbre. Tenemos:
2
n
f 2 n n
f f
U C ( y)
2
u ( xi ) 2 u ( xi , x j )
i 1 xi i 1 i 1 xi x j
Coeficiente de sensibilidad f
x i
Magnitudes de entrada no correlacionadas
u c ( y)
2
u ( xi ) uc ( y ) u ( xi )
i 1 xi i 1 x
Las u(xi) pueden ser de tipo A o tipo B. Esta expresión las incluye todas
Si el modelo de función f es una suma o diferencia de cantidades
n
de entrada xi
f ( x1 , x2 ,..., xn ) pi xi
i 1
n
u c ( y ) pi2u 2 ( xi )
2
i 1
Tabla esquemática para presentar el análisis de incertidumbre
Incertidu
mbre
C. Grados de
Fuente de incertidumbre Estimado estandar distribución Inc ci u(xi)
sensibilidad libertad
u(xi) )
K=
Incertidumbre expandida
U k uc ( y )
k, se le conoce como el factor de cobertura, el cual depende de la
confiabilidad con la que se estime la incertidumbre
Otro enfoque del teorema del límite central
Establece que la distribución de los valores de la magnitud de salida puede
ser considerada aproximadamente normal si su varianza u2(y) es mucho
mayor que cualquiera de las contribuciones individuales ci u(xi ) de las
magnitudes de entrada
68,27 1
90 1,65
95 1,96
95,45 2
99 2,576
99,73 3
El factor de Student
Para obtener una mejor aproximación en la definición de los intervalos de
confianza en lugar de emplearse la distribución normal se requiere emplear la
distribución de Student y el factor de cobertura se determina a partir del
coeficiente de t de Student, evaluado de acuerdo al número de grados de
libertad
k t ( ef )
u 4c ( y)
ef n
ci 4u 4 ( xi )
i 1 i