1

Machine Translated by Google
Errores de medición
e incertidumbres
Tercera edicion
Semión G. Rabinovich
Errores de medición
e incertidumbres
Teoría y práctica
Tercera edicion
Semyon G. Rabinovich
142 Manchester Drive
Basking Ridge, NJ 07920
EE. UU.
Número de control de la Biblioteca del Congreso: 2005923501
ISBN-10: 0-387-25358-0 Impreso en papel sin ácido.

ISBN-13: 978-0387-25368-9
Segunda edición traducida por ME Alferieff.
C 2005, 2000, 1995 Springer Science and Media, Inc.

AIP Press es un sello de Springer Science and Media, Inc.
Reservados todos los derechos. Este trabajo no puede traducirse ni copiarse en su totalidad o en parte sin el permiso por
escrito del editor (Springer Science+Business Media, Inc., 233 Spring Street, Nueva York, NY 10013, EE. UU.), a excepción
de breves extractos en relación con revisiones o análisis académicos. Está prohibido el uso en relación con cualquier forma
de almacenamiento y recuperación de información, adaptación electrónica, software de computadora o metodología similar
o diferente ahora conocida o desarrollada en el futuro.
El uso en esta publicación de nombres comerciales, marcas registradas, marcas de servicio y términos similares, incluso
si no están identificados como tales, no debe tomarse como una expresión de opinión sobre si están o no sujetos a
derechos de propiedad.
Impreso en los Estados Unidos de América. (TB/MVY)
987654321 GIRAR 10994696
springeronline.com
Prefacio
El objetivo principal de este libro es brindar métodos para estimar errores e incertidumbres de
mediciones reales: mediciones que se realizan en la industria, el comercio y la investigación
experimental.
Este libro es necesario porque la teoría existente de los errores de medición se desarrolló
históricamente como una disciplina matemática abstracta. Como resultado, esta teoría permite estimar
las incertidumbres de algunas medidas ideales únicamente y no es aplicable a la mayoría de los casos
prácticos. En particular, no es aplicable a mediciones individuales. Esta situación no preocupó a los
matemáticos, mientras que los ingenieros, sin atreverse a afirmar que la teoría matemática de los
errores no puede satisfacer sus necesidades, resolvieron sus problemas particulares de una u otra
manera ad hoc.
En realidad, cualquier medición de una cantidad física no es abstracta, sino que implica un
procedimiento completamente concreto que siempre se implementa con dispositivos técnicos concretos,
instrumentos de medición, en condiciones concretas. Por lo tanto, para obtener estimaciones realistas
de las incertidumbres de medición, los métodos matemáticos deben complementarse con métodos que
permitan tener en cuenta datos sobre las propiedades de los instrumentos de medición, las condiciones
en las que se realizan las mediciones, el procedimiento de medición y otras características de la
medición. mentos.
Difícilmente puede exagerarse la importancia de los métodos de estimación de las imprecisiones de

medición para la práctica. De hecho, en otra etapa de la planificación de una medición o del uso de un
resultado de medición, se deben conocer sus límites de error o incertidumbre. La inexactitud de una
medición determina su calidad y está relacionada con su costo.
La confiabilidad del control de calidad del producto también depende de la precisión de las mediciones.
Sin estimar las imprecisiones de medición, no se pueden comparar los resultados de medición
obtenidos por diferentes autores. Finalmente, ahora se reconoce universalmente que la precisión con
la que se realiza cualquier cálculo que utilice datos experimentales debe ser consistente con la
exactitud de estos datos.
En este libro, se estudia toda la jerarquía de preguntas relacionadas con los errores de medición y
las incertidumbres, se desarrolla una teoría de la inexactitud de la medición y se hacen recomendaciones
específicas para resolver los problemas básicos que surgen en la práctica. Además, se presentan
métodos para calcular los errores de los instrumentos de medición. La atención dedicada a las
propiedades de los instrumentos de medida,
nosotros Prefacio
teniendo en cuenta sus relaciones con las imprecisiones de medición, es un punto a destacar
de este libro
Este libro es producto de mi experiencia científica profesional acumulada
durante muchos años de trabajo en instrumentación y metrología. De 1948 a 1964,
Participé en la investigación y el desarrollo de varios instrumentos de medición eléctrica, incluida la
calibración de potenciómetros y estabilizadores, extremadamente
amplificadores sensibles de voltaje y corriente de CC, trazadores automáticos, etc. Esta experiencia
me ayudó a comprender los problemas que surgen en las mediciones reales.
Luego, en 1965 organicé y hasta 1980 dirigí un laboratorio de teoría
metrología. Me enfoqué en el análisis y generalización de problemas teóricos en
metrología. En particular, porque descubrí que existe una brecha entre la teoría y
práctica (como se mencionó anteriormente), me concentré en el problema de estimar los errores de
medición y las incertidumbres. Los resultados alcanzados durante estos años formaron
la base de mi libro Errores de medición[44]. Más trabajo y nuevos resultados.
condujo a la redacción de este libro.
Este libro se publicó inicialmente con el título Errores de medición: teoría
and Practice y desde entonces ha pasado por varias ediciones, cada una de las cuales refleja nuevos
resultados que he obtenido. La edición de hardware inicial recomendaba una manera
para calcular la inexactitud de mediciones individuales. La edición de bolsillo que
siguió un nuevo tratamiento agregado de las mediciones indirectas, en particular, una forma de
contabilizar las dependencias entre los componentes de la incertidumbre de las mediciones indirectas.
mediciones. La segunda edición ofreció un análisis completo del método de reducción para procesar
datos de medición indirecta. El análisis muestra la gran
ventaja de este método sobre el tradicional basado en la serie de Taylor. En
en particular, el método de reducción evita la necesidad de calcular los coeficientes de correlación.
Este desarrollo es importante porque el cálculo de la
coeficiente de correlación es uno de los obstáculos más notorios en la estimación
la inexactitud de los resultados de la medición.
Sin embargo, el método de reducción sólo es aplicable a mediciones indirectas dependientes,
como la medición de la resistencia eléctrica con un voltímetro y
amperímetro. Para mediciones indirectas independientes, como la medición de
la densidad de un cuerpo sólido, el método tradicional con sus defectos todavía era
inevitable. Solo recientemente encontré una mejor solución para el procesamiento independiente
datos de medición indirecta. Lo llamé el método de transformación. Este método
complementa el método de reducción y así completa la creación de la nueva
teoría de las medidas indirectas. Además de eliminar la necesidad de calcular el
coeficiente de correlación, la nueva teoría permite la construcción de los intervalos de confianza y
produce estimaciones bien fundamentadas de la incertidumbre de ambos tipos de medidas directas.
Esta nueva teoría se presenta en esta tercera edición del libro.
Esta edición tiene 12 capítulos. El capítulo 1 contiene información general sobre mediciones y
metrología. Aunque es una introducción, el capítulo incluye algunas preguntas
que se resuelven o se presentan de nuevo. También parcialmente introductorio es el Capítulo 2,
dedicado a los instrumentos de medición. Sin embargo, una gran parte del mismo presenta análisis de
métodos de normalización de las características metrológicas de los instrumentos de medida, que
son importantes para la práctica y necesarios para estimar la medida
Prefacio viii
errores e incertidumbres. Se proporciona un análisis estadístico de errores de varios lotes de

varios instrumentos de medición obtenidos por laboratorios de estándares. El análisis muestra
que tales datos son estadísticamente inestables y, por lo tanto, no pueden ser la base para
obtener una función de distribución de errores de los instrumentos de medición. Este
importante resultado ha influido en la forma en que se abordan muchos problemas en este libro.
La inexactitud de las mediciones siempre debe estimarse en base a datos indirectos al
encontrar y luego sumar los componentes elementales de la inexactitud.
En el Capítulo 3, se da un análisis general de los errores elementales de las medidas.
Asimismo, se presenta la clasificación de los errores elementales y se introducen sus modelos
matemáticos. Se presentan dos métodos importantes para construir una convolución de
funciones de distribución. Estos métodos son necesarios para sumar errores elementales.
El capítulo 4 contiene métodos de estadística matemática aplicados a mediciones múltiples

idealizadas. En esencia, estos métodos constituyen la teoría clásica de los errores de
medición. Lo nuevo en la tercera edición es la revisión de métodos modernos robustos y no
paramétricos de procesamiento de datos de medición.
En el Capítulo 5, se consideran las mediciones directas reales. Se muestra que las
mediciones individuales deben considerarse como la forma básica de medición. Se consideran
varios métodos para estimar y combinar errores sistemáticos y aleatorios, y se proporciona
un análisis comparativo de estos métodos. Se presta especial atención a tener en cuenta los
errores de los instrumentos de medida. Por ejemplo, se muestra cómo disminuye la
incertidumbre del resultado de una medición cuando se utiliza información más precisa sobre
las propiedades de los instrumentos de medición. Este capítulo concluye con un procedimiento
paso a paso para estimar los errores y las incertidumbres de las mediciones directas.
El Capítulo 6 presenta la nueva teoría de las medidas indirectas, incluido el método de

transformación que se agrega en esta edición. La edición actual también amplía los ejemplos
de mediciones indirectas para ilustrar el nuevo método. Estos ejemplos se tomaron del
Capítulo 6 y se organizaron en un Capítulo 7 separado.
En el Capítulo 8, se consideran las mediciones combinadas. El conocido algoritmo de
mínimos cuadrados se describe en detalle. La nueva teoría de las medidas indirectas nos
permitió eliminar aquí la categoría de medidas simultáneas.
El Capítulo 9 contiene métodos para combinar los resultados de las mediciones. Dichos
métodos son necesarios en los casos en que el mismo mensurando se mide en múltiples
etapas o en diferentes laboratorios. Junto con la solución tradicional, que solo tiene en cuenta
los errores aleatorios, el Capítulo 9 incluye un método que también tiene en cuenta los errores
sistemáticos.
En los capítulos 10 y 11, vuelvo a considerar los instrumentos de medición. El Capítulo 10
proporciona métodos generales para calcular sus errores totales que son útiles durante el
desarrollo de los instrumentos. En el Capítulo 11, se consideran los métodos de calibración
que vinculan los instrumentos de medición con los estándares correspondientes.
La edición actual también agrega el Capítulo 12 con comentarios finales. Este capítulo
repasa brevemente la historia del procesamiento de datos de medición y describe algunos
problemas abiertos actuales en la teoría y la práctica de las mediciones. El capítulo también
analiza dos documentos recientes elaborados por organismos internacionales de normalización,
viii Prefacio
los cuales son de fundamental importancia para la metrología: El “Vocabulario Internacional

de Términos Básicos y Generales en Metrología” [2] y la “Guía para la Expresión de la
Incertidumbre en la Medida” [1].
Además de la nueva teoría de las medidas indirectas, la tercera edición contiene
muchas aclaraciones y correcciones al texto de la segunda edición. Además, se actualiza
la lista de referencias.
El libro está destinado al uso práctico y, con este fin, incluye muchos ejemplos concretos,
muchos de los cuales ilustran problemas típicos que surgen en la práctica de las mediciones.
Este libro está destinado a cualquiera que se preocupe por las mediciones en cualquier
campo de la ciencia o la tecnología, que diseñe procesos tecnológicos y elija para ellos
instrumentos que tengan la precisión adecuada, y que diseñe y pruebe nuevos dispositivos
de medición. También creo que este libro resultará útil para muchos estudiantes
universitarios y universitarios. De hecho, las mediciones son de una importancia tan
fundamental para la ciencia y la ingeniería modernas que todo ingeniero y todo científico
que realiza investigaciones experimentales debe conocer los conceptos básicos de la
teoría de las mediciones y, especialmente, cómo estimar su precisión.
En conclusión, me gustaría agradecer al Dr. E. Richard Cohen por leer detenidamente
el manuscrito de la segunda edición de este libro y por sus muchos comentarios útiles.
También me gustaría agradecer al Dr. Abram Kagan, ahora profesor de la Universidad
de Maryland, College Park, por los muchos años de colaboración y amistad.
Este libro se benefició de nuestras discusiones sobre varios problemas matemáticos en
metrología.
La edición inicial de tapa dura del libro fue traducida por ME Alferieff.
Las adiciones y cambios a las ediciones posteriores fueron traducidas o editadas por mi
hijo, el Dr. Michael Rabinovich. Más allá de eso, Michael me brindó apoyo y asistencia a lo
largo de mi trabajo en este libro, desde la edición de la propuesta del libro a los editores
hasta la discusión de nuevos resultados y la presentación. Este libro no sería posible sin
su ayuda.
Basking Ridge, Nueva Jersey Semión G. Rabinovich

Contenido
Prefacio .................................................... .. en
CAPÍTULO 1
Información general sobre medidas ......................... 1
1.1. Conceptos y Términos .................................... 1

Básicos 1.2. La Metrología y los Problemas Metrológicos Básicos .................. 3
1.3. Puntos Iniciales de la Teoría de las Medidas . . . . . . . . . . . . . . . . . . . . . . 10
1.4. Clasificación de Medidas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.5. Clasificación de errores de medición ........................... 20
1.6. Principios de Estimación de Errores de Medida e Incertidumbres. . . . . . . 22
1.7. Presentación de Resultados de Mediciones; Reglas para el redondeo 1.8. Notaciones . . . . . . . 24
convencionales básicas ................................. 28
CAPITULO 2
Instrumentos de medida y sus propiedades. . . . . . . . . . . . . . . . . . . . . . . 29
2.1. Tipos de Instrumentos de Medida 2.2. El ............................... 29

concepto de instrumento ideal: características metrológicas
de Instrumentos de Medida. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3. Estandarización de las Características Metrológicas
de Instrumentos de Medida. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.4. Algunas sugerencias para cambiar los métodos de estandarización de errores
de Instrumentos de Medida y su Análisis . . . . . . . . . . . . . . . . . . . . . 48
2.5. Características dinámicas de los instrumentos de medición y sus
Estandarización ........................... ................ 52
2.6. Análisis Estadístico de los Errores de Instrumentos de Medida Basados
sobre datos proporcionados por laboratorios de calibración ..................... 57
CAPÍTULO 3
Requisitos previos para el Análisis de la Inexactitud de las Medidas y para

Síntesis de sus componentes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.1. Relación entre error e incertidumbre . . . . . . . . . . . . . . . . . . . . . . 61

Contenido x
3.2. Clasificación de los Errores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62

Elementales
3.3. Modelos Matemáticos de Errores . . . . . . . . . . . . . . . . . . . . . . . 64
Elementales
3.4. Métodos para describir cantidades aleatorias. . . . . . . . . . . . . . . . . . . . . . . 66
3.5. Construcción de la Composición de Distribuciones Uniformes 3.6. Método . . . . . . . . . . . . 70
universal para construir la composición
de Distribuciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
3.7. Límites naturales de medidas 81 ...............................
CAPÍTULO 4
Métodos Estadísticos para el Procesamiento Experimental de Datos. . . . . . . . . . . . . . . . 91
4.1. Requisitos para estimaciones estadísticas 91 . . . . . . . . . . . . . . . . . . . . . . . . .

4.2. Estimación de los Parámetros de la Distribución Normal . . . . . . . . . . . . . . 92
..........................................
4.3. Resultados atípicos 95
4.4. Construcción de Intervalos de Confianza. . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
4.5. Métodos para probar hipótesis sobre la forma de la distribución
Función de una cantidad aleatoria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
4.6. Métodos para probar la homogeneidad de la muestra . . . . . . . . . . . . . . . . . . . . . . . . 103
4.7. Tendencias en Estadística Aplicada y Tratamiento Experimental de Datos. . . . . . . . . . 109
4.8. Ejemplo: análisis de resultados de medición en comparaciones
de Medidas de Masa ....................................... 112
CAPÍTULO 5
Mediciones Directas ......................................... 115
5.1. Relación entre mediciones únicas y múltiples 118 . . . . . . . . . . . . . . . . 115

5.2. Identificación y Eliminación de Errores Sistemáticos 124 . . . . . . . . . . . . . . . . .
5.3. Estimación de Errores Elementales 5.4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Método para el Cálculo de los Errores e Incertidumbres
de Medidas Únicas 5.5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
Ejemplo: Cálculo de Incertidumbre en Medidas de Tensión
Realizado con un voltímetro tipo puntero 5.6. . . . . . . . . . . . . . . . . . . . . . . . . 132
Métodos para el Cálculo de la Incertidumbre en Mediciones Múltiples. . . . . . 138
5.7. Comparación de diferentes métodos para combinar métodos sistemáticos y
Errores aleatorios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
5.8. Aspectos Esenciales de la Estimación de Errores de Medición cuando
el número de medidas es pequeño .......................... 153
5.9. Plan General de Estimación de la Incertidumbre de Medida . . . . . . . . . . . . . . . 155
CAPÍTULO 6
Mediciones indirectas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
6.1. Términos básicos y . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159

6.2. Coeficiente de Correlación y su Cálculo
clasificación . . . . . . . . . . . . . . . . . . . . . . . . 160
6.3. El Método Tradicional de Procesamiento Experimental de Datos . . . . . . . . . . . . . 162
6.4. Deficiencias del Método Tradicional 6.5. El . . . . . . . . . . . . . . . . . . . . . . . . . 166
método de reducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
6.6. El método de transformación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
6.7. Errores e Incertidumbre de los Resultados de la Medición Indirecta . . . . . . . . . . . . . . 174
Contenido xi
CAPÍTULO 7
Ejemplos de Mediciones y Procesamiento de Datos de Mediciones. . . . . . . . 179
7.1. Una medida indirecta de la resistencia eléctrica de una resistencia . . . . . . 179

7.2. La medida de la densidad de un cuerpo sólido . . . . . . . . . . . . . . . . . . . 182
7.3. La medición de la corriente de ionización por el método de compensación 192 . . . . 189
7.4. La medida de potencia a alta frecuencia . . . . . . . . . . . . . . . . . . . .
7.5. La Medición de Voltaje con la Ayuda de un Potenciómetro
y un divisor de tensión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
7.6. Cálculo de la Incertidumbre197
del Valor de una Resistencia Compuesta .....
CAPÍTULO 8
Medidas combinadas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
8.1. Observaciones generales sobre el método de los mínimos cuadrados. . . . . . . . . . . . . . . . 201

8.2. Mediciones con ecuaciones condicionales lineales igualmente precisas . . . . . 203
8.3. Reducción de ecuaciones condicionales lineales desigualmente precisas a
Ecuaciones condicionales igualmente precisas . . . . . . . . . . . . . . . . . . . . . . . . . 205
8.4. Linealización de Ecuaciones Condicionales No Lineales . . . . . . . . . . . . . . . . . . 206
8.5. Ejemplos de las Aplicaciones del Método de los Mínimos Cuadrados . . . . . . . . . . 208
8.6. Determinación de los parámetros en fórmulas a partir de datos empíricos
y Construcción de Curvas de Calibración . . . . . . . . . . . . . . . . . . . . . . . . . . 213
CAPÍTULO 9
Combinación de los resultados de las mediciones. . . . . . . . . . . . . . . . . . . . . . . . . . 219
9.1. Observaciones introductorias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219

9.2. Principios teóricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
9.3. Efecto del error de los pesos sobre el error de la media ponderada . . . . . 223
9.4. Combinando los resultados de mediciones en las que el azar
Predominan los errores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
9.5. Combinación de los resultados de las mediciones que contienen ambos
y errores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226
aleatorios
9.6. Ejemplo: Medición de la. Actividad
. . . . . . . .de
233
Nucleidos en una Fuente
CAPÍTULO 10
Cálculo de los Errores de los Instrumentos de Medida. . . . . . . . . . . . . . . . . . 237
10.1. Los problemas de calcular los errores de los instrumentos de . . . . . . . . . . . . 237

10.2. Métodos de Cálculo de Errores Instrumentales medida . . . . . . . . . . . . . . . . . . . . . . . 238
10.3. Cálculo de los Errores de Balances Eléctricos (Instrumento Único) . . . . . . 249
10.4. Cálculo del error de voltímetros ca (instrumento producido en masa) . . . . 251
10.5. Cálculo del Error de Termómetros Digitales (Producidos en Masa)
instrumento) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 258
CAPÍTULO 11
Problemas en la Teoría de la Calibración. . . . . . . . . . . . . . . . . . . . . . . . . . . . 263
11.1. Tipos de Calibración . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 263

xi Contenido
11.2. Estimación de los Errores de los Instrumentos de Medida en la . . . . . . . 265

11.3. Rechazos de Verificación y Formas de Reducir su Verificación . . . . . . . . . . . . 269
11.4. Cálculo de un Número Necesario de Estándares Número . . . . . . . . . . . . . . . . . . . 275
CAPÍTULO 12
Conclusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 283
12.1. Procesamiento de datos de medición: pasado, presente y futuro . . . . . . . . . . . . . . 283

12.2. Comentarios sobre el “Vocabulario internacional de términos básicos y generales
en Metrología” . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 285
12.3. Inconvenientes de la “Guía para la Expresión de la Incertidumbre
en la Medida” . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 286
Apéndice. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 289
glosario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 295
Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 299
Índice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 303
1
Información general sobre
Mediciones
1.1. Términos y conceptos básicos
La teoría de los errores de medición es una rama de la metrología, la ciencia de las mediciones. Al
presentar la teoría, nos apegaremos, siempre que sea posible, a la terminología dada en el
Vocabulario internacional de términos básicos y generales de metrología [2]. Discutiremos los
términos que son más importantes para este libro.
Una cantidad medible (brevemente, mensurando) es una propiedad de fenómenos, cuerpos o
sustancias que se puede definir cualitativamente y expresar cuantitativamente.
Las primeras cantidades medibles fueron probablemente la longitud, la masa y el tiempo, es
decir, cantidades que la gente empleaba en la vida cotidiana, y estos conceptos aparecieron de
forma inconsciente. Más tarde, con el desarrollo de la ciencia, se introdujeron conscientemente
cantidades mensurables para estudiar las leyes correspondientes en física, química y biología.
Las cantidades medibles también se llaman cantidades físicas. La característica principal

de las cantidades físicas es que se pueden medir.
El término cantidad se usa tanto en sentido general como particular. Se usa en el sentido general
cuando se refiere a las propiedades generales de los objetos, por ejemplo, longitud, masa,
temperatura o resistencia eléctrica. Se usa en el sentido particular cuando se refiere a las propiedades
de un objeto específico: la longitud de una barra dada, la resistencia eléctrica de un segmento de
alambre dado, etc.
La medición es el proceso de determinar el valor de una cantidad física experimentalmente con la
ayuda de medios técnicos especiales llamados instrumentos de medición.
mentos.
El valor de una cantidad física es el producto de un número y una unidad adecuada para estas
cantidades. Se encuentra como resultado de una medición.
Las definiciones presentadas anteriormente subrayan tres características de la medición:
(1) El resultado de una medición debe ser siempre un número concreto denominado expresado en
unidades de medida sancionadas. El propósito de la medición es esencialmente representar
una propiedad de un objeto mediante un número.
(2) Una medición siempre se realiza con la ayuda de algún instrumento de medición; la medición es
imposible sin instrumentos de medición.
(3) La medición es siempre un procedimiento experimental.
2 1. Información general sobre medidas
El verdadero valor de un mensurando es el valor de la cantidad física medida que, siendo

conocida, idealmente reflejaría, tanto cualitativa como cuantitativamente, la propiedad
correspondiente del objeto.
Los instrumentos de medición son creados por humanos, y cada medición en conjunto
es un procedimiento experimental. Por lo tanto, los resultados de las mediciones no pueden
ser absolutamente exactos. Esta inevitable imperfección de las medidas se expresa en su
inexactitud. Cuantitativamente, la imprecisión de la medición se caracteriza por la noción
de límites de error o incertidumbre.
Usaremos el término incertidumbre para caracterizar la imprecisión de un resultado de
medición, mientras que el término error se usa para caracterizar los componentes de la
incertidumbre. Volveremos a estos términos muchas veces más adelante en este libro.
El error de medición es la desviación del resultado de la medición del
valor verdadero de la cantidad medible, expresado en forma absoluta o relativa.
Si A es el valor verdadero de la cantidad medible y A˜ es el resultado de la medición,
entonces el error absoluto de medición es ÿ = A˜ ÿ A. Esta ecuación se usa a menudo como
definición de este término, pero al hacerlo , se estrecha la esencia de este término.
El error expresado en forma absoluta se denomina error absoluto de medida.

El error expresado en forma relativa se denomina error de medida relativo.
El error absoluto suele identificarse por el hecho de que se expresa de la misma
unidades como la cantidad medible.
El error absoluto es una cantidad física y su valor puede ser positivo, negativo o incluso
dado por un intervalo que contiene ese valor. No se debe confundir el error absoluto con el
valor absoluto de ese error. Por ejemplo, el error absoluto ÿ0,3 mm tiene el valor absoluto
0,3.
El error relativo es el error expresado como una fracción del valor verdadero de la
cantidad medible ÿ = (A˜ ÿ A)/A. Los errores relativos normalmente se dan como porcentaje
y, a veces, por mil (indicados por ‰). Los errores muy pequeños, que se encuentran en las
mediciones más precisas, se suelen expresar directamente como fracciones de la cantidad
medida.
La incertidumbre de medida es un intervalo dentro del cual se encuentra un valor
verdadero de una medida con una probabilidad dada. La incertidumbre se define con sus
límites que se leen a partir de un resultado de medición de conformidad con la probabilidad
mencionada. Al igual que un error, la incertidumbre se puede especificar en forma absoluta
o relativa. La relación entre los términos "error" e "incertidumbre" se analiza con más detalle
en la Sección 3.1.
La inexactitud de las medidas caracteriza la imperfección de las medidas.
Una característica positiva de las mediciones es su precisión. La precisión de una medida
refleja qué tan cerca está el resultado del valor real de la cantidad medida.
Una medida es tanto más precisa cuanto menor es su error. Los errores absolutos, sin
embargo, dependen en general del valor de la cantidad medida y, por esta razón, no son
una característica cuantitativa adecuada de la precisión de la medición.
Los errores relativos no tienen este inconveniente. Por esta razón, la precisión se puede
caracterizar cuantitativamente por un número igual al inverso del error relativo
1.2. Metrología y los Problemas Metrológicos Básicos 3
expresado como una fracción de la cantidad medida. Por ejemplo, si los límites de error
de una medición son ±2 × 10ÿ3% = ±2 × 10ÿ5, entonces la precisión de esta medición será 5 ×
104. La precisión se expresa solo como un número positivo; que
el cálculo se basa en el valor absoluto de los límites del error de medición.
Aunque es posible introducir de esta manera la característica cuantitativa
de precisión, en la práctica, la precisión normalmente no se estima cuantitativamente y
generalmente se caracteriza indirectamente con la ayuda del error de medición o el
incertidumbre de medida.
Otros conceptos y términos se explicarán a medida que se introduzcan y se
dado en el Glosario.
1.2. Metrología y los Problemas Metrológicos Básicos

La comparación es un elemento milenario del pensamiento humano, y el proceso de hacer
las comparaciones se encuentran en el corazón de la medición: las cantidades homogéneas que
caracterizan diferentes objetos se identifican y luego se comparan; se toma una cantidad
ser la unidad de medida, y todas las demás cantidades se comparan con ella. Este
proceso es cómo el primero mide, es decir, objetos del tamaño de cuyo correspondiente
cantidad física se toma como la unidad o un número conocido de unidades, surgió.
Hubo un tiempo en que incluso diferentes ciudades tenían sus propias unidades y medidas. Después
era necesario saber cómo se relacionaban las medidas. Este problema dio origen a
la ciencia de las medidas: metrología.
Pero el contenido de la metrología, como el de la mayoría de las ciencias, no es inmutable.
Cambios especialmente profundos se iniciaron en la segunda mitad del siglo XIX, cuando
la industria y la ciencia se desarrollaron rápidamente y, en particular, la tecnología eléctrica
y comenzó la construcción de instrumentos. Las mediciones ya no formaban parte de la producción.
procesos y el comercio, y se convirtieron en un medio poderoso para obtener conocimiento: se
convirtieron en una herramienta de la ciencia. El papel de las mediciones ha aumentado
especialmente hoy, en relación con el rápido desarrollo de la ciencia y la tecnología en los campos
de la energía nuclear, el espacio, la electrónica, los sistemas de información, etc.
El desarrollo de la ciencia y la tecnología, las relaciones entre los pueblos y el comercio
internacional han llevado a muchos países a adoptar las mismas unidades físicas
cantidades. El paso más importante en esta dirección fue la firma de la Convención Métrica
[(Tratado del Metro), 1875]. Este acto tuvo una enorme trascendencia
no sólo en lo que respecta a la unificación de cantidades físicas y la difusión de
el sistema métrico, sino también con respecto a la unificación de medidas en todo el
mundo. La Convención Métrica y las instituciones creadas por ella: la Conferencia General de
Pesos y Medidas (CIPM), el Comité Internacional y la
Oficina Internacional de Pesas y Medidas (BIPM)—continúan su importante
trabajar incluso ahora. En 1960, la Conferencia General adoptó el sistema internacional
de unidades (SI) [10]. La mayoría de los países ahora utilizan este sistema.
El contenido de la metrología también cambió junto con el cambio en los problemas de
mediciones. La metrología se ha convertido en la ciencia de las medidas. Los diagramas de
bloques de la figura 1.1 muestran la variedad de cuestiones que abarca la metrología moderna.
4 1. Información general sobre las medidas
Figura 1.1. Cuadro esquemático de los problemas básicos de la metrología: (a) metrología, (b) metrología
aplicada, (c) metrología particular, y (d) metrología general.
Figura 1.1. (continuado)

Figura 1.1. (continuado)

Las preguntas se incorporan en apartados y subapartados, cuyos nombres dan una

idea de su contenido. No obstante, debe explicarse el contenido de algunos de ellos.
(1) El estudio de cantidades físicas, es decir, medibles.

y sus Unidades [Fig. 1.1 (d)]
Las magnitudes físicas se introducen en diferentes campos del conocimiento, en la física,

la química, la biología, etc. Las reglas para introducirlos y clasificarlos y para formar
sistemas de unidades y para optimizar estos sistemas no pueden abordarse en ninguna
de estas ciencias, y ya por ello deben incluirse entre los problemas que aborda la
metrología. Además, el tamaño de una cantidad que se utilizará como unidad de medida y
su determinación también son importantes para la precisión de la medida. Basta recordar
que cuando se adoptó para el metro la distancia entre dos marcas en una varilla de platino
e iridio, para la medida de longitud más precisa, la imprecisión no era inferior a 10ÿ6.
Cuando más tarde se definió el metro como un número definido (1.650.763,73) de
longitudes de onda de radiación de criptón-86 en el vacío, esta imprecisión se redujo a
10ÿ7 ÿ 10ÿ8. Ahora, cuando la definición del metro se basa en la velocidad de la luz en el
vacío, la imprecisión en la medición de la longitud se ha reducido en otro orden de magnitud
y se puede reducir aún más.
(2) Teoría General de los Estándares de Referencia y

Dispositivos de medición iniciales
Las unidades de cantidades físicas se materializan; es decir, se reproducen con la ayuda

de patrones de referencia y dispositivos de medida iniciales, por lo que estos dispositivos
de medida juegan un papel excepcionalmente importante en la unidad de medidas. El
estándar de referencia de cada unidad es único y se crea físicamente en función de las
leyes de campos específicos de la física y la tecnología. Por esta razón, la metrología
general no puede responder a la pregunta de cómo debe construirse un patrón de
referencia. Pero la metrología debe determinar cuándo debe crearse un patrón de
referencia y debe establecer los criterios para determinar cuándo dicho patrón de referencia
debe ser un patrón de referencia único o de grupo. En metrología, también se deben
estudiar la teoría y los métodos para comparar patrones de referencia y controlar su
estabilidad, así como los métodos para expresar errores. La práctica plantea muchas de
estas cuestiones puramente metrológicas.
(3) Teoría de la transferencia del tamaño de las unidades a

Práctica de medición
Para que los resultados de todas las medidas se expresen en unidades establecidas,
todos los medios de medida (medidas, instrumentos, transductores de medida, sistemas
de medida) deben estar calibrados con respecto a patrones de referencia. Sin embargo,
este problema no puede resolverse directamente basándose en patrones de referencia primarios,
es decir, patrones de referencia que reproducen unidades. Se resuelve con la ayuda de un

sistema de patrones de referencia secundarios, es decir, patrones de referencia que se calibran
con respecto al patrón de referencia primario, y patrones de referencia de trabajo, es decir,
patrones de referencia que se calibran con respecto a los patrones de referencia secundarios.
Así, el sistema de normas de referencia tiene una estructura jerárquica.
Todo el procedimiento de calibración de los patrones de referencia y, con su ayuda, los
instrumentos de medición en funcionamiento se denomina transferencia de los tamaños de las
unidades a la práctica de medición. Las etapas finales de la transferencia de los tamaños de las
unidades consisten en la calibración de las escalas de los instrumentos de medición, el ajuste de
las medidas y la determinación de los valores reales de las cantidades que reproducen, después
de lo cual se verifican todos los instrumentos de medición en el momento en que se ejecutan. se
emiten y luego periódicamente durante el uso.
Al resolver estos problemas, surge una serie de interrogantes. Por ejemplo, ¿cuántas
gradaciones de precisión de los estándares de referencia se requieren? ¿Cuántos estándares de
referencia secundarios y de trabajo se requieren para cada nivel de precisión? ¿Cómo aumenta
el error cuando el tamaño de una unidad se transfiere de un estándar de referencia a otro?
¿Cómo aumenta este error desde el patrón de referencia hasta el instrumento de medición en
funcionamiento? ¿Cuál debe ser la relación entre la precisión del patrón de referencia y el
instrumento de medida que se calibra (verifica) con respecto a él? ¿Cómo se deben comprobar
los sistemas de medición complicados? La metrología debería responder a estas preguntas.
Los otros bloques en el diagrama de la Fig. 1.1 (d) no requieren ninguna explicación.
Pasaremos ahora a la Fig. 1.1 (a) y nos concentraremos en la sección de metrología particular,
que comprenden los campos de medición. Algunos ejemplos son las medidas angulares lineales,
las medidas de cantidades mecánicas, las medidas de cantidades eléctricas y magnéticas, etc.
El problema central que surge en cada campo de medición es el problema de crear condiciones
bajo las cuales se unifiquen las mediciones de las cantidades físicas correspondientes. Para este
propósito, en cada campo de medición, se crea un sistema de dispositivos de medición iniciales
(estándares de referencia y medidas estándar) y se desarrollan métodos para calibrar y verificar
los instrumentos de medición en funcionamiento. La naturaleza específica de cada campo de
medición engendra una gran cantidad de problemas que le son propios. Sin embargo, se
encuentran muchos problemas que son comunes a varios campos de medición.
El análisis de tales problemas y el desarrollo de métodos para resolverlos son ahora problemas
de metrología general.
La metrología aplicada, que incorpora el servicio de metrología y la metrología legislativa, es
de gran importancia para lograr los objetivos finales de la metrología como ciencia. El servicio de
metrología revisa y calibra instrumentos de medición y certifica patrones de propiedades y
composición; es decir, mantiene la uniformidad de los instrumentos de medida empleados en el
país. Las funciones de la metrología legislativa son promulgar leyes que garanticen la uniformidad
de los instrumentos de medición y la unidad de las medidas. Así, un sistema de magnitudes
físicas y de unidades, empleadas en un país, sólo puede establecerse por medio de la legislación.
Las normas que dan derecho a fabricar instrumentos de medida y a comprobar la

El estado de estos instrumentos cuando están en uso también se establecen por medio de la legislación.
Definiremos ahora con mayor precisión algunas de las expresiones y términos antes mencionados.
La uniformidad de los instrumentos de medición se refiere al estado de estos instrumentos en el que

todos son portadores de las unidades establecidas y sus errores y otras propiedades, que son importantes
para que los instrumentos se utilicen según lo previsto, se encuentran dentro de los límites establecidos.
La unidad de medida se refiere a una cualidad común de todas las medidas realizadas en una región
(en un país, en un grupo de países o en el mundo) de modo que los resultados de las medidas se
expresan en unidades establecidas y concuerdan entre sí dentro del límites de error estimado o
incertidumbres.
La uniformidad de los instrumentos de medida es un requisito previo necesario para la unidad de

medida. Pero el resultado de una medición depende no solo de la calidad del instrumento de medición
empleado, sino también de muchos otros factores, incluido el factor humano (si la medición no es
automática). Por eso, la unidad de medida en general es el estado límite por el que hay que luchar, pero
que, como todo ideal, es inalcanzable.
Este es un buen momento para discutir el desarrollo de estándares de referencia.

Un patrón de referencia es siempre un dispositivo de medición particular: una medida, instrumento o
aparato de medición. Dichos dispositivos de medición se emplearon inicialmente como patrones de
referencia de manera arbitraria por simple voluntad de la institución responsable de la exactitud de las
mediciones en el país. Sin embargo, siempre existe el peligro de que se arruine un estándar de referencia,
lo que puede suceder debido a un desastre natural, un incendio, etc. Un estándar de referencia
establecido arbitrariamente, es decir, un estándar de referencia prototipo, no se puede reproducir.
Como resultado, los científicos se han esforzado durante mucho tiempo por definir unidades de
medida para que los estándares de referencia que las incorporan puedan ser reproducibles. Para ello se
definieron las unidades de las magnitudes en base a fenómenos naturales. Así, el segundo se definió en
función del período de revolución de la Tierra alrededor del sol: el metro se definió en función de la
longitud del meridiano de París, y así sucesivamente.
Los científicos esperaban que estas unidades sirvieran “para todos los tiempos y para todos los pueblos”.
Históricamente, esta etapa de desarrollo de la metrología coincidió con la creación del sistema métrico.
Investigaciones posteriores revelaron, sin embargo, que los fenómenos naturales elegidos no son lo
suficientemente únicos o no son lo suficientemente estables. Sin embargo, no se cuestionó la idea de
definir unidades a partir de fenómenos naturales. Sólo era necesario buscar otros fenómenos naturales
correspondientes a un nivel superior de conocimiento de la naturaleza.
Se encontró que los fenómenos más estables o incluso absolutamente estables son característicos
de los fenómenos estudiados en física cuántica, y que las constantes físicas pueden emplearse con éxito
para definir unidades, y los efectos correspondientes pueden emplearse para realizar patrones de
referencia. El metro, el segundo y el voltio ahora se han definido de esta manera. Se puede conjeturar
que en el
futuro próximo, el voltio, definido y reproducido en base al efecto Josephson,

reemplazar el amperio como unidad eléctrica básica.
Los valores numéricos de las constantes físicas básicas se utilizan ampliamente en varios
cálculos, y por lo tanto, estos valores deben estar en concordancia entre sí.
Para alcanzar este objetivo, se deben ajustar todos los valores de las constantes físicas fundamentales
obtenidos mediante experimentos. El ajuste más reciente se llevó a cabo en 1998,
y los resultados se publicaron en 1999 [40].
Como se puede ver por los problemas de los que se ocupa, la metrología es una
ciencia aplicada. Sin embargo, el tema de la metrología, la medición, es una herramienta de
tanto en ciencias fundamentales (física, química y biología) como en disciplinas aplicadas, y se emplea
ampliamente en todas las esferas de la industria, en la vida cotidiana y en
comercio. Ninguna otra ciencia aplicada tiene una gama de aplicaciones tan amplia como la
metrología.
Volveremos una vez más a la metrología particular. Una lista simple de los campos.
de medición muestra que las cantidades medibles y por lo tanto la medición
Los métodos e instrumentos de medición son extremadamente diversos. ¿Qué tienen entonces en
común los diferentes campos de medición? Los une la metrología general o teórica y, principalmente, la
metodología general de medida y la
teoría general de la inexactitud de las medidas. Por esta razón, el desarrollo
de estas ramas de la metrología es importante para todos los campos de la ciencia y para todos
esferas de la industria que emplean mediciones. La importancia de estas ramas.
de metrología también está indicado por el hecho obvio de que un especialista en un campo de
la medición puede adaptarse fácilmente y trabajar en un campo de medición diferente.
1.3. Puntos Iniciales de la Teoría de las Medidas

Las mediciones son tan comunes e intuitivamente comprensibles que uno pensaría
no es necesario identificar los requisitos previos en los que se basan las mediciones.
Sin embargo, una clara comprensión de las premisas iniciales es necesaria para el desarrollo de
cualquier ciencia y, por esta razón, es deseable examinar los requisitos previos de la teoría de las
medidas.
Cuando se mide alguna cantidad que caracteriza a un objeto específico, se hace que este objeto
interactúe con un instrumento de medición. Así para medir el diámetro
de una varilla, la varilla se aprieta entre las mordazas de un pie de rey; para medir el
voltaje de un circuito eléctrico, se le conecta un voltímetro; y así. La indicación del instrumento de
medición (los calibradores deslizantes, el voltímetro, etc.) da
una estimación de la cantidad medible, es decir, el resultado de la medición. Cuando
necesario, el número de divisiones leído en la escala del instrumento se multiplica por un
cierto factor. En muchos casos, el resultado de la medición se encuentra mediante métodos matemáticos.
análisis de las indicaciones de un instrumento o de varios instrumentos. Por ejemplo,
la densidad de los cuerpos sólidos, los coeficientes de temperatura de la resistencia eléctrica
de resistencias, y muchas otras cantidades físicas se miden de esta manera.
La imperfección de los instrumentos de medición, la inexactitud con la que los tamaños
de las unidades se trasladan a ellos, así como algunos otros factores que estudiaremos
1.3. Puntos Iniciales de la Teoría de las Medidas 11
a continuación, dan lugar a la aparición de errores de medición. Los errores de medición

son, en principio, inevitables, porque una medición es un procedimiento experimental y el
valor real de la cantidad medible es un concepto abstracto. Sin embargo, a medida que
mejoran los métodos de medición y los instrumentos de medición, los errores de medición
disminuyen.
La introducción de cantidades mensurables y el establecimiento de sus unidades es un
requisito previo necesario de las mediciones. Cualquier medida, sin embargo, siempre se
realiza sobre un objeto específico, y la definición general de la cantidad medible debe
especificarse teniendo en cuenta las propiedades del objeto y el objetivo de la medida. El
verdadero valor de la cantidad medible se introduce y define esencialmente de esta
manera. Desafortunadamente, esta importante etapa preparatoria de las mediciones
generalmente no se formula ni se destaca.
Para aclarar esta pregunta, estudiaremos un problema de medición simple: la medición
del diámetro de un disco. Primero formularemos el problema. El hecho de que se quiera
medir el diámetro de un disco significa que el disco, es decir, el objeto de estudio, es un
círculo. Observamos que los conceptos "círculo" y "diámetro de un círculo" son conceptos
matemáticos, es decir, abstractos. El círculo es una representación o modelo del cuerpo
dado. El diámetro del círculo es el parámetro del modelo y es una definición
matemáticamente rigurosa de la cantidad medible. Ahora bien, de acuerdo con la definición
general del verdadero valor de la cantidad medible, se puede afirmar que el verdadero
valor del diámetro del disco es el valor del parámetro del modelo (diámetro del disco) que
refleja, en el respeto cuantitativo, la propiedad del objeto que nos interesa; la
correspondencia cualitativa ideal debe estar predeterminada por el modelo.
Volvamos a nuestro ejemplo. El propósito del disco permite determinar el error de

medición permisible y elegir un instrumento de medición apropiado.
Poniendo el objeto en contacto con el instrumento de medición, obtenemos el resultado
de la medición. Pero el diámetro del círculo es, por definición, invariable bajo rotación. Por
esta razón, la medición debe realizarse en varias direcciones diferentes. Si la diferencia
de los resultados de las mediciones es menor que el error de medición permisible,
cualquiera de los resultados obtenidos puede tomarse como resultado de la medición.
Una vez que se ha encontrado el valor de la cantidad medible, un número concreto, que
es una estimación del verdadero valor del mensurando, se puede considerar que la
medición se ha completado.
Pero puede suceder que la diferencia de las medidas en diferentes direcciones exceda
el error permisible de una medida dada. Ante esta situación, debemos afirmar que dentro
de la precisión de medida requerida, nuestro disco no tiene un diámetro único, como sí lo
tiene un círculo. Por lo tanto, no se puede tomar ningún número concreto, con la precisión
prescrita, como estimación del verdadero valor de la cantidad medible.
Por lo tanto, el modelo adoptado no se corresponde con las propiedades del objeto real y
el problema de medición no se ha formulado correctamente.
Si el objeto es un artículo manufacturado y el modelo es un dibujo del artículo, cualquier
disparidad entre ellos significa que el artículo es defectuoso. Sin embargo, si el objeto es
un objeto natural, entonces la disparidad significa que el modelo no es aplicable y debe
ser reexaminado.
Por supuesto, incluso cuando se supone que es posible medir el diámetro del disco, en
realidad, el diámetro del disco no es absolutamente idéntico en diferentes direcciones. Pero
mientras esta inconstancia sea insignificantemente pequeña, podemos suponer que el círculo
como modelo corresponde al objeto y, por lo tanto, existe un valor verdadero constante y fijo de
la cantidad medible, y se puede encontrar una estimación de la cantidad como resultado de
medición. Además, si se ha realizado la medición, podemos suponer que el verdadero valor de
la cantidad medible se encuentra cerca de la estimación obtenida y difiere de ella en no más
que el error de medición.
Así, la idealización necesaria para construir un modelo da lugar a una inevitable discrepancia
entre el parámetro del modelo y la propiedad real del objeto. A esta discrepancia la llamaremos
discrepancia umbral.
Como vimos anteriormente, el error causado por la discrepancia del umbral entre el modelo
y el objeto debe ser menor que el error de medición total. Sin embargo, si este componente del
error excede el límite de error de medición permisible, entonces es imposible realizar una
medición con la precisión requerida. Este resultado indica que el modelo es inadecuado. Para
continuar con el experimento, si esto es permisible para el objetivo de la medición, se debe
redefinir el modelo.
Así, en el ejemplo de la medida del diámetro de un disco, un modelo diferente podría ser un
círculo circunscribiendo al disco.
El caso estudiado anteriormente es sencillo, pero las características demostradas para él
están presentes en cualquier medida, aunque no siempre se perciben tan fácil y claramente
como cuando se miden dimensiones lineales.
Las consideraciones anteriores se reducen esencialmente a tres requisitos previos:
(a) Algún parámetro del modelo del objeto debe corresponder a una propiedad medible del
objeto. (b) El modelo del objeto debe permitir la suposición de que durante el tiempo
requerido para realizar la medición, el parámetro del objeto, correspondiente a la propiedad del
objeto que se mide, es constante. (c) El error causado por la discrepancia del umbral entre
el modelo y el objeto debe ser menor que el error de medición permisible.
Generalizando los tres supuestos, formulamos los siguientes principios de metrología: Una
medición con precisión fija solo se puede realizar si a una propiedad medible del objeto, es
posible asociar con no menos precisión un parámetro determinado de su modelo.
Cualquier parámetro constante es, por supuesto, un parámetro determinado. El valor

instantáneo de una cantidad variable (variante) también puede considerarse como un parámetro
determinado.
Notamos que el parámetro de un modelo de un objeto introducido de esta manera es el
verdadero valor de la cantidad medible.
Las consideraciones anteriores son fundamentales, y se pueden representar en forma de
postulados de la teoría de la medida [44], [50]:
(ÿ) El verdadero valor de la cantidad medible existe. (ÿ) El

verdadero valor de la cantidad medible es constante. (ÿ) No se
puede encontrar el valor verdadero.
1.3. Puntos Iniciales de la Teoría de las Medidas 13
La discrepancia del umbral entre el modelo y el objeto se empleó anteriormente como

justificación del postulado (ÿ). Sin embargo, también existen otras restricciones inevitables
en la aproximación del valor verdadero de una cantidad medible.
Por ejemplo, la precisión de los instrumentos de medición está inevitablemente limitada. Por
esta razón, es posible formular la declaración simple: El resultado de cualquier medición
siempre contiene un error.
Se mencionó anteriormente que un requisito previo necesario de las mediciones es la
introducción de cantidades físicas y sus unidades. Estas cuestiones no están directamente
relacionadas con el problema de la estimación de los errores de medida, por lo que no se
estudian aquí. Estas cuestiones son investigadas en varios trabajos.
Llamamos la atención sobre el libro de BD Ellis [24] y el trabajo de KP Shirokov [48].
En este punto discutiremos algunos ejemplos de modelos que se emplean para

problemas de medición específicos.
Medición de los Parámetros de Corriente Alterna

El objeto de estudio es una corriente alterna. El modelo del objeto es una sinusoide.
i = Im sen(ÿt + ÿ),
donde t es el tiempo e Im, ÿ y ÿ son la amplitud, la frecuencia angular y la fase inicial, y son
los parámetros del modelo.
Cada parámetro del modelo corresponde a alguna propiedad real del objeto y puede ser
una cantidad medible. Pero, además de estas cantidades (argumentos), también se
introducen varios otros parámetros que están funcionalmente relacionados con ellos.
Estos parámetros también pueden ser cantidades medibles. Algunos parámetros pueden
introducirse de manera que por definición no estén relacionados con los “detalles” del
fenómeno. Un ejemplo es la corriente efectiva
1 T
yo = yo 2dt,
T
0
donde T = 2ÿ/ÿ es el período de la sinusoide.

Una corriente no sinusoidal también se caracteriza por una corriente efectiva. Sin
embargo, al desarrollar instrumentos de medición y describir sus propiedades, se debe tener
en cuenta la forma de la corriente, es decir, el modelo del objeto de estudio.
La discrepancia entre el modelo y el objeto en este caso se expresa como una
discrepancia entre la sinusoide y la curva de dependencia temporal de la intensidad actual.
En este caso, sin embargo, rara vez es posible descubrir la discrepancia entre el modelo y
el proceso en estudio mediante la simple repetición de mediciones de algunos parámetros.
Por este motivo, la correspondencia entre el modelo y el objeto se comprueba de forma
diferente, por ejemplo, midiendo el factor de distorsión de forma.
El modelo generalmente se redefine reemplazando una sinusoide por una suma de cierto
número de sinusoides.
Medida de los Parámetros de Procesos Aleatorios

El modelo estándar es un proceso aleatorio ergódico estacionario en el intervalo de tiempo
T . Los parámetros constantes del proceso son la esperanza matemática E[X] y la varianza
V[X]. Supongamos que estamos interesados en E[X]. La expectativa E[X] se puede
estimar, por ejemplo, con la ayuda de la fórmula
norte
ÿ x ÿ
i=1
x¯ = ÿ
ÿ
ÿ
ÿ
,
norte
ÿ ÿ T
donde T es el intervalo de tiempo observacional, xi son las estimaciones de realización de

la cantidad aleatoria, cuya variación en el tiempo forma un proceso aleatorio en los tiempos
ti T y n, es el número total de realizaciones obtenidas.
Las mediciones repetidas en otras realizaciones del proceso pueden dar algunos
valores diferentes de x¯. Se puede considerar que el modelo adoptado corresponde al
fenómeno físico en estudio, si las diferencias entre las estimaciones obtenidas de la
expectativa matemática del proceso no se acercan al error de medición permisible. Sin
embargo, si la diferencia de las estimaciones de la cantidad medida está cerca del error o
lo excede, entonces se debe redefinir el modelo, lo que se hace más simplemente
aumentando el intervalo de observación T .
Es interesante notar que las definiciones de algunos parámetros parecen, a primera
vista, permitir una precisión de medición arbitraria (si se ignoran los errores del instrumento
de medición). Ejemplos de tales parámetros son los parámetros de procesos aleatorios
estacionarios, los parámetros de distribuciones de cantidades aleatorias y el valor promedio
de la cantidad. Cabría pensar que para conseguir la precisión requerida en estos casos
basta con aumentar el número de observaciones a la hora de realizar las medidas. En
realidad, sin embargo, la precisión de la medida está siempre limitada y, en particular, está
limitada por la correspondencia entre el modelo y el fenómeno, es decir, por la posibilidad
de suponer que al fenómeno dado corresponde un proceso aleatorio estacionario o una
cantidad aleatoria con una distribución conocida.
En los últimos años se ha escrito mucho sobre medidas de cantidades variables y

aleatorias, pero estas cantidades, como tales, no tienen un valor real, y por ello no se
pueden medir.
Para una cantidad aleatoria, es posible medir los parámetros de su función de
distribución, que no son aleatorios; es posible medir la realización de una cantidad
aleatoria. Para una cantidad variable, es posible medir sus parámetros que no son
variables; también es posible medir los valores instantáneos de una cantidad variable.
Ahora discutiremos con algo más de detalle la medición de valores instantáneos de

cantidades. Supongamos que estamos estudiando una corriente alterna, cuyo modelo es
una sinusoide con amplitud Im, frecuencia angular ÿ y fase inicial ÿ. En el tiempo t1 a la
corriente instantánea, corresponde en el modelo el valor instantáneo i1 = Im sin(ÿt1 + ÿ).
En otro momento, habrá
1.4. Clasificación de medidas 15
ser un valor instantáneo diferente, pero en cada momento, tiene algún valor definido.
Así, a la propiedad medible del objeto, siempre corresponde un parámetro fijo de su
modelo.
La medición, sin embargo, requiere tiempo. La cantidad medible cambiará durante el
tiempo de medición, y esto generará un error específico de la medición dada. El objetivo
de la medida permite establecer un nivel que el error de medida, así como su componente
provocado por el cambio de la cantidad medible a lo largo del tiempo de medida, no
debe superar.
Si se cumple esta condición, entonces se puede despreciar el efecto del tiempo de
medición y se puede suponer que como resultado obtenemos una estimación de la
corriente instantánea medida, es decir, la intensidad de la corriente en un momento dado.
En la literatura, el término medición de cantidades variables generalmente se refiere

a la medición de valores instantáneos, y la expresión medición de una cantidad variable
es imprecisa. En el caso de la medición de una cantidad aleatoria, el escritor
generalmente tiene en mente la medición de la realización de una cantidad aleatoria.
Las magnitudes físicas se dividen en activas y pasivas. Las cantidades activas son
cantidades que pueden generar señales de medición sin ninguna fuente auxiliar de
energía; es decir, actúan sobre los instrumentos de medida. Tales cantidades son la
fem, la fuerza de una corriente eléctrica, la fuerza mecánica, etc. Las magnitudes pasivas
no pueden actuar sobre los instrumentos de medida, y para las medidas deben estar
activadas. Ejemplos de cantidades pasivas son la masa, la inductancia y la resistencia
eléctrica. La masa generalmente se mide en base al hecho de que en un campo
gravitatorio, una fuerza proporcional a la masa actúa sobre el cuerpo. La resistencia
eléctrica se activa al pasar una corriente eléctrica a través de una resistencia.
Al medir cantidades físicas pasivas que caracterizan algunos objetos, los modelos de
los objetos se construyen para las cantidades activas que se forman por la activación de
cantidades pasivas.
1.4. Clasificación de medidas

En metrología ha habido una larga tradición de distinguir medidas directas, indirectas y
combinadas. En los últimos años, los metrólogos han comenzado a dividir las medidas
combinadas en medidas estrictamente combinadas y medidas simultáneas [4]. Esta
clasificación está relacionada con un método definido utilizado para procesar datos
experimentales para encontrar el resultado de una medición y estimar su incertidumbre.
En el caso de las medidas directas, el objeto de estudio se hace interactuar con el

instrumento de medida, y el valor del mensurando se lee a partir de las indicaciones de
este último. A veces, las lecturas instrumentales se multiplican por algún factor, se hacen
las correcciones correspondientes, etc.
En el caso de mediciones indirectas, el valor de la cantidad medible se encuentra en
base a una dependencia conocida entre esta cantidad y sus argumentos. los
dieciséis 1. Información general sobre medidas
los argumentos se encuentran por medio de medidas directas ya veces indirectas o

simultáneas o combinadas. Por ejemplo, la densidad de un cuerpo sólido homogéneo
se encuentra como la relación entre la masa del cuerpo y su volumen, y la masa y el
volumen del cuerpo se miden directamente.
A veces, las medidas directas e indirectas no se distinguen tan fácilmente.
Por ejemplo, un vatímetro de CA tiene cuatro terminales. El voltaje aplicado a la carga
está conectado a un par de terminales, mientras que el otro par de terminales está
conectado en serie con la carga. Como es bien sabido, las indicaciones de un vatímetro
son proporcionales a la potencia consumida por la carga. Sin embargo, el vatímetro no
responde directamente a la potencia medida. Según el principio de funcionamiento del
instrumento, la medición de potencia con la ayuda de un vatímetro debería considerarse
indirecta. En nuestro caso, es importante, sin embargo, que el valor de la cantidad
medible se pueda leer directamente del instrumento (en este caso, el vatímetro). En
este sentido, un vatímetro no se diferencia en nada de un amperímetro. Por esta razón,
en este libro no es necesario distinguir la medida de potencia con la ayuda de un
vatímetro y la medida de la intensidad de la corriente con la ayuda de un amperímetro:
clasificaremos ambos casos como medidas directas. En otras palabras, al referir una
determinada medida a una u otra categoría, ignoraremos la disposición del instrumento
de medida empleado.
Las mediciones simultáneas y combinadas emplean métodos cercanos para

encontrar las cantidades medibles: en ambos casos, se encuentran resolviendo un
sistema de ecuaciones, cuyos coeficientes y términos separados se obtienen como
resultado de mediciones (generalmente directas). En ambos casos, se suele emplear
el método de mínimos cuadrados. Pero la diferencia radica en que en el caso de
medidas combinadas, se miden simultáneamente varias cantidades del mismo tipo,
mientras que en el caso de medidas simultáneas, se miden simultáneamente cantidades
de diferentes tipos. Por ejemplo, una medida en la que se encuentra la resistencia
eléctrica de una resistencia a una temperatura de +20 ÿC y sus coeficientes de
temperatura en base a medidas directas de la resistencia y temperatura realizadas a
diferentes temperaturas es una medida simultánea. Una medida en la que las masas
de pesos separados en un conjunto se encuentran en base a la masa conocida de uno
de ellos y comparando las masas de diferentes combinaciones de pesos del mismo
conjunto es una medida combinada.
Dependiendo de las propiedades del objeto de estudio, el modelo adoptado para el
objeto y la definición de la cantidad medible dada en el modelo, así como del método
de medición y las propiedades de los instrumentos de medición, las mediciones en
cada uno de los Las categorías mencionadas anteriormente se realizan con
observaciones únicas o repetidas. El método empleado para procesar los datos
experimentales depende del número de observaciones: ¿se requieren muchas
mediciones o son suficientes una o dos observaciones para obtener una medición? Si
una medición se realiza con observaciones repetidas, entonces, para obtener un
resultado, las observaciones deben analizarse estadísticamente. Estos métodos no son
necesarios en el caso de mediciones con observaciones únicas. Por ello, para nosotros,
el número de observaciones es un criterio de clasificación importante.
Llamaremos medidas realizadas con observaciones únicas medidas únicas y

medidas realizadas con observaciones repetidas medidas múltiples. Una medida
indirecta, en la que el valor de cada uno de los argumentos se encuentra como resultado
de una sola medida, debe considerarse como una sola medida.
Las mediciones combinadas se pueden considerar como mediciones únicas, si el

número de mediciones es igual al número de incógnitas cuando se realizan las
mediciones, de modo que cada incógnita se determine únicamente a partir del sistema
de ecuaciones obtenido.
Entre las medidas combinadas, es útil destacar las medidas para las cuales las
cantidades medibles están relacionadas por ecuaciones conocidas. Por ejemplo, al
medir los ángulos de un triángulo plano, es bien sabido que la suma de los tres ángulos
es igual a 180°. Esta relación permite medir sólo dos ángulos, y se trata de una medida
única y, además, directa. Sin embargo, si se miden los tres ángulos, entonces la relación
mencionada permite correlacionar sus estimaciones, utilizando, por ejemplo, el método
de mínimos cuadrados. En este último caso, se trata de una medida combinada y múltiple.
Las mediciones también se dividen en mediciones estáticas y dinámicas. Siguiendo

el concepto presentado en [49], clasificaremos como estáticas aquellas medidas en las
que, de acuerdo con el problema planteado, los instrumentos de medida se emplean en
régimen estático y como dinámicas aquellas medidas en las que los instrumentos de
medida se emplean en régimen régimen dinámico.
El régimen estático de un instrumento de medida es un régimen en el que, en función
de la función del instrumento, la señal de salida puede considerarse constante. Por
ejemplo, para un instrumento indicador, la señal es constante durante un tiempo
suficiente para leer el instrumento. Un régimen dinámico es un régimen en el que la
señal de salida cambia en el tiempo, por lo que para obtener un resultado o estimar su
precisión, se debe tener en cuenta este cambio.
De acuerdo con estas definiciones, las mediciones estáticas incluyen, además de las
mediciones triviales de longitud, masa, etc., mediciones de los valores promedio y
efectivo (cuadrado medio) de corriente alterna mediante instrumentos indicadores.
Las mediciones dinámicas se refieren a mediciones de valores sucesivos de una
cantidad que varía en el tiempo (incluso estocásticamente). Un ejemplo típico de tales
medidas es registrar el valor de una cantidad en función del tiempo. En este caso, es
lógico considerar que la medida consiste no en una sola medida sino en muchas medidas.
Otros ejemplos de medidas dinámicas son la medida del flujo magnético por el método
balístico y la medida de la alta temperatura de un objeto basado en la sección inicial de
la función de transferencia de un termopar puesto en contacto con el objeto por un corto
tiempo (el termopar se ser destruido si el tiempo de contacto fue largo).
Las mediciones estáticas también incluyen mediciones realizadas con la ayuda de

instrumentos indicadores digitales. De acuerdo con la definición de mediciones estáticas,
para esta conclusión, no es importante que durante la medición cambie el estado de los
elementos en el dispositivo. La medida también permanecerá estática cuando
las indicaciones del instrumento cambian de vez en cuando, pero cada indicación
permanece constante durante un período de tiempo suficiente para que la indicación se
lea o registre automáticamente.
Una propiedad característica de las mediciones dinámicas es que para obtener
resultados y estimar su precisión en tales mediciones, es necesario conocer una
característica dinámica completa del instrumento de medición: una ecuación diferencial,
una función de transferencia, etc. (Las características dinámicas de los instrumentos de
medición se examinarán en el Capítulo 2.)
La clasificación de las medidas en estáticas y dinámicas se justifica por la diferencia en
los métodos empleados para procesar los datos experimentales. En la actualidad, sin
embargo, las mediciones dinámicas como rama de la metrología se encuentran todavía
en una etapa formativa.
La característica más importante de la calidad de una medición es la precisión. La
base material, que asegura la precisión de numerosas mediciones realizadas en la
economía, consiste en patrones de referencia. La precisión de cualquier medida en
particular está determinada por la precisión de los instrumentos de medición empleados,
el método de medición empleado y, a veces, por la habilidad del experimentador. Sin
embargo, como el verdadero valor de una cantidad medible siempre se desconoce, los
errores de medición deben estimarse computacionalmente (teóricamente). Este problema
se resuelve por diferentes métodos y con diferente precisión.
En relación con la precisión de la estimación de un error de medida, distinguiremos las

medidas cuyos errores se estiman antes y después de la medida. Nos referiremos a ellas
como medidas con antemedida o estimación a priori de errores y medidas con posmedida
o estimación a posteriori de errores.
Las estimaciones con estimación de errores antes de la medición deben realizarse de

acuerdo con un procedimiento establecido, incluido en el cálculo de los errores. Las
mediciones de este tipo incluyen todas las mediciones de masa. Por esta razón, las
llamaremos medidas de masa. A veces se les llama medidas técnicas.
Las mediciones de masa son comunes. Su precisión está predeterminada por los tipos
(marcas) de instrumentos de medición indicados en el procedimiento, las técnicas para
usarlos, así como las condiciones estipuladas bajo las cuales se realizarán las mediciones.
Por esta razón, la persona que realiza la medición solo está interesada en el resultado de
la medición y no sabe nada de antemano sobre la precisión, es decir, si es adecuada.
La estimación de errores a posteriori es característica de las mediciones realizadas con

un objetivo en mente, cuando es importante conocer la precisión de cada resultado.
Por esta razón, llamaremos a tales medidas medidas individuales.
Dividiremos, a su vez, las medidas individuales en dos grupos: medidas con estimación
exacta de errores y medidas con estimación aproximada de errores.
Las mediciones con estimación exacta de errores son mediciones en las que se tienen
en cuenta las propiedades de los instrumentos de medición específicos empleados.
cuenta. Las mediciones con estimación aproximada de errores son mediciones en las que se
tienen en cuenta las especificaciones de los instrumentos de medición empleados.
En ambos casos, se tienen en cuenta las condiciones en las que se realizan las mediciones.
Por esta razón, a menudo se miden las cantidades de influencia o algunas de ellas; en otros
casos, se estiman.
Aquí debemos llamar la atención sobre un hecho cuya validez se hará evidente a partir de
una discusión posterior. Suponga que las mediciones cuyos errores se estiman con diferente
precisión se realizan con los mismos instrumentos de medición. A pesar de que se emplean
los mismos instrumentos, la precisión de las medidas en este caso es diferente. El resultado
más exacto será el resultado obtenido con la estimación exacta de los errores. En la mayoría
de los casos, las mediciones cuyos errores se estiman aproximadamente serán más precisas
que las mediciones cuyos errores se estiman de antemano. Los resultados de las mediciones
con estimación de errores antes y después de la medición rara vez serán igualmente precisos.
Pero cuando se emplean instrumentos de medición que tienen diferente precisión, este
resultado ya no será el caso. Por ejemplo, la medición de tensión con la ayuda de un
potenciómetro de clase de precisión 0,005, realizada como una medición de masa, es decir,
con preestimación de errores, será más precisa que la medición con la ayuda de un voltímetro
indicador de clase 0,5, realizada como una medición individual con estimación exacta de los
errores.
En todos los casos estudiados anteriormente, el objetivo de las mediciones era obtener una
estimación del verdadero valor de la cantidad medible, que, en rigor, es el problema de
cualquier medición. Sin embargo, las mediciones a menudo se realizan durante el estudio
preliminar de un fenómeno. A tales medidas las llamaremos medidas preliminares.
El propósito de las mediciones preliminares es determinar las condiciones bajo las cuales
se puede observar repetidamente algún indicador del fenómeno y se pueden estudiar sus
relaciones regulares con otras propiedades del objeto, sistemas de objetos o con un medio
externo. Como el objeto de la investigación científica del mundo es establecer y estudiar
relaciones regulares entre objetos y fenómenos, las mediciones preliminares son importantes.
Así, se sabe que la primera tarea de un científico que está estudiando algún fenómeno es
determinar las condiciones bajo las cuales un determinado fenómeno puede ser observado
repetidamente en otros laboratorios y puede ser comprobado y confirmado.
Se requieren medidas preliminares, como se puede ver a partir de los conceptos presentados
anteriormente, para construir un modelo de un objeto. Por esta razón, las mediciones
preliminares también son importantes para la metrología.
Aparte de las mediciones preliminares, con fines metrológicos también es posible distinguir
mediciones suplementarias. Las mediciones complementarias son mediciones de cantidades
de influencia que se realizan para determinar y hacer correcciones en los resultados de las
mediciones.
Existe una enorme literatura sobre diferentes aspectos de las mediciones. Massey [38]
da una idea de la amplia gama de preguntas relacionadas con las mediciones reales.
1.5. Clasificación de errores de medición

Una medida de una cantidad cuyo verdadero valor es A da una estimación A˜ de esa cantidad.
El error de medida absoluto ÿ expresa la diferencia entre A˜ y A : ÿ = A˜ ÿ A.
Sin embargo, esta ecuación no se puede utilizar para encontrar el error de una medida por
la sencilla razón de que siempre se desconoce el verdadero valor de la cantidad medible.
Si se conociera el valor real, entonces no habría necesidad de una medición.
Las mediciones realizadas para la calibración de instrumentos de medición son una
excepción. En este caso, el valor de la cantidad medible debe conocerse con suficiente
precisión para que pueda utilizarse para este propósito en lugar del valor real de la cantidad.
Por esta razón, los errores de medición deben estimarse con datos indirectos.
Los componentes necesarios de cualquier medición son el método de medición y el
instrumento de medición; las mediciones a menudo se realizan con la participación de una
persona. La imperfección de cada componente de la medición contribuye al error de medición.
Por esta razón, en la forma general,
ÿ = ÿm + ÿi + ÿp,
donde ÿ es el error de medida, ÿm es el error metodológico, ÿi es el error instrumental y ÿp

es el error personal.
Cada componente del error de medición puede a su vez ser causado por varios factores.
Así, los errores metodológicos pueden surgir como resultado de una teoría inadecuada de los
fenómenos en los que se basa la medición y la inexactitud de las relaciones que se emplean
para encontrar una estimación de la cantidad medible. En particular, el error causado por la
discrepancia del umbral entre el modelo de un objeto específico y el objeto mismo es también
un error metodológico.
Los errores de medición instrumentales son causados por la imperfección de los
instrumentos de medición. Normalmente, el error intrínseco de los instrumentos de medida,
es decir, el error obtenido en condiciones de referencia considerado como normal, se distingue
de los errores adicionales, es decir, los errores causados por la desviación de las magnitudes
de influencia de sus valores en condiciones de referencia. Las propiedades de los instrumentos
de medición que causan los errores instrumentales se examinarán en detalle en el Capítulo 2.
Errores personales: las mediciones suelen ser realizadas por personas. Alguien lee las
indicaciones de los instrumentos, y registra el momento en que la imagen de un filamento se
desvanece en la pantalla de un pirómetro óptico. Las características individuales de la persona
que realiza la medición dan lugar a errores individuales que son característicos de esa
persona. Incluyen errores causados por la lectura incorrecta de la graduación en décimas de
la escala de un instrumento, la colocación asimétrica de la marca de un indicador óptico entre
dos líneas de graduación, etc.
La mejora de los mecanismos de lectura y regulación de los instrumentos de medida ha
llevado al hecho de que para los instrumentos de medida modernos, los errores personales
suelen ser insignificantes; por ejemplo, para los instrumentos digitales, son prácticamente
inexistentes.
1.5. Clasificación de errores de medición 21
La clasificación anterior de errores de medición se basa en la causa de la

errores
Otra clasificación importante de los errores de medición se basa en su prop
erties. En este sentido, se distinguen los errores sistemáticos y aleatorios.
Se dice que un error de medición es sistemático si permanece constante o cambia de manera
regular en mediciones repetidas de una misma cantidad. El error sistemático observado y estimado
se elimina de las mediciones introduciendo correcciones. Sin embargo, es imposible eliminar
completamente el error sistemático de esta manera. Permanecerá una parte del error, y luego este
error residual será el componente sistemático del error de medición.
Para definir un error de medición aleatorio, imagine que una cantidad se mide varias veces. Si hay
diferencias entre los resultados de mediciones separadas, y estas diferencias no se pueden predecir
individualmente y las regularidades inherentes a ellas se manifiestan solo en muchos resultados,
entonces el error de esta dispersión de los resultados se denomina error aleatorio.
La división de los errores de medición en sistemáticos y aleatorios es importante, porque estos

componentes se manifiestan de manera diferente y se requieren diferentes enfoques para estimarlos.
Los errores aleatorios se descubren realizando mediciones de una misma cantidad repetidamente
bajo las mismas condiciones, mientras que los errores sistemáticos se pueden descubrir
experimentalmente comparando un resultado dado con una medición de la misma cantidad realizada
por un método diferente o usando un método más preciso. instrumento de medición. Sin embargo, los
errores sistemáticos normalmente se estiman mediante el análisis teórico de las condiciones de
medición, con base en las propiedades conocidas de un mensurando y de los instrumentos de
medición. Otros aspectos específicos de los términos errores sistemáticos y aleatorios se analizan en
la Sección 3.2.
La calidad de las mediciones que refleja la proximidad de los resultados de las mediciones de la
misma cantidad realizadas en las mismas condiciones se denomina repetibilidad de las mediciones.
Una buena repetibilidad indica que los errores aleatorios son pequeños.
La calidad de las mediciones que refleja la proximidad de los resultados de las mediciones de la
misma cantidad realizadas en diferentes condiciones, es decir, en diferentes laboratorios (en diferentes
lugares) y utilizando diferentes equipos, se denomina reproducibilidad de las mediciones. Una buena
reproducibilidad indica que tanto los errores aleatorios como los sistemáticos son pequeños.
Al hablar de errores, también distinguiremos entre errores groseros o atípicos y meteduras de pata.
Llamaremos error bruto (outlying) si excede significativamente el error justificado por las condiciones
de las mediciones, las propiedades del instrumento de medición empleado, el método de medición y
las calificaciones del experimentador. Tales mediciones pueden surgir, por ejemplo, como resultado
de un cambio breve y brusco en el voltaje de la red (si el voltaje de la red en principio afecta las
mediciones).
Los errores atípicos o gruesos en múltiples mediciones se descubren mediante análisis estadístico.
métodos y generalmente se eliminan del análisis.
Los errores garrafales ocurren como resultado de errores cometidos por el experimentador.
Ejemplos son un desliz de la pluma al escribir los resultados de las observaciones, una lectura incorrecta del
indicaciones de un instrumento, etc. Los errores se descubren mediante métodos no

estadísticos y siempre deben eliminarse del análisis.
Los errores de medición también se dividen en estáticos y dinámicos. Los errores estáticos se
mencionaron anteriormente. Los errores dinámicos son causados por las propiedades inerciales de los
instrumentos de medición.
Si se registra una cantidad variable con la ayuda de un dispositivo de registro,

entonces la diferencia entre la función obtenida y el proceso real de cambio de la
cantidad registrada en el tiempo (teniendo en cuenta las transformaciones de escala
necesarias) es el error dinámico de la dinámica dada. medición. En este caso, también
es una función del tiempo, y el error dinámico instantáneo se puede determinar para
cada momento en el tiempo.
Estudiaremos ahora el caso en que el proceso se registra midiendo valores
instantáneos individuales. Está claro que si dentro del tiempo de una sola medición, la
cantidad medible no cambia significativamente y los valores instantáneos del proceso
se obtienen en momentos conocidos y con suficiente frecuencia, entonces la colección
de puntos finalmente obtenidos da una imagen del cambio. de la medición en el tiempo
con un error insignificantemente pequeño. Por lo tanto, no habrá ningún error dinámico aquí.
Sin embargo, las propiedades inerciales de un instrumento pueden ser tales que los
cambios en la cantidad medible durante el tiempo de medición darán lugar a un error
definitivo en los resultados de las mediciones de los valores instantáneos. En este
caso, la colección de valores instantáneos obtenidos no coincidirá con el proceso de
cambio de la cantidad medible en el tiempo, y su diferencia, exactamente como en el
caso de un instrumento analógico de trazado automático, dará el error dinámico.
Correspondientemente, es natural llamar error dinámico instantáneo al error que surge
en la medición de una cantidad instantánea separada como resultado de la tasa de
cambio de la cantidad medible y las propiedades inerciales del instrumento.
Si se mide alguna cantidad instantánea aislada, por ejemplo, la amplitud de un

pulso, y la medición se realiza con un dispositivo indicador especial, entonces la
diferencia entre la forma del pulso y la forma obtenida con un instrumento calibrado
dará lugar a una error suplementario como resultado de la medición. Según lo que
hemos dicho anteriormente, se podría llamar a este error un error dinámico. Sin
embargo, el término general "error dinámico" normalmente se evita en tales situaciones,
y dicho error recibe un nombre que indica su causa. En este ejemplo, es natural llamar
al error error de forma de pulso. En la práctica, la forma del pulso se caracteriza por
varios parámetros, ya cada parámetro se le asocia un componente separado del error.
1.6. Principios de estimación de errores de

medición e incertidumbres
Las medidas se consideran metrológicamente mejores cuanto menor sea su

incertidumbre. Sin embargo, las mediciones deben ser reproducibles, porque de lo
contrario pierden su carácter objetivo y, por lo tanto, pierden sentido.
1.6. Principios de estimación de errores de medición e incertidumbres 23
Una medida de la irreproducibilidad de una medida permitida por el experimentador son los
límites de error de medida o incertidumbre estimados por el experimentador.
La incertidumbre de medida correctamente estimada permite comparar el resultado obtenido

con los resultados obtenidos por otros experimentadores. El hecho de que la corrección de una
estimación dada se confirme más tarde en una medición más precisa da fe de la gran habilidad
del experimentador.
La validez de la incertidumbre calculada para cada resultado de medición se basa en la
validez de las estimaciones de errores de esta medición. Por lo tanto, prestaremos atención a
la práctica de estimar los errores de medición.
Los errores se estiman habitualmente en función de las siguientes consideraciones:
(1) La medida se considera más precisa y, en este sentido, mejor, la

menor su error relativo es
gramo
mi = ÿ
,
A A
donde A˜ es una estimación del valor verdadero del mensurando A y es una estimación de los
límites del error de medición ÿ. El error relativo se estudia porque su valor, por regla
general, no depende del valor de la cantidad medible. Esta condición no se cumple para el
error absoluto.
(2) La estimación del error de medida debe satisfacer la desigualdad
|g |ÿ| |.
El significado de esta desigualdad es el siguiente. Para cualquier medida es, en principio,

deseable que no exista ningún error. Pero a pesar de todos los esfuerzos A˜ = A y
correspondientemente ÿ = 0, y en nuestro caso, el error puede ser tanto mayor como menor
que cero. En la estimación primaria de cualquier error, se establecendecir,
los límites
1en
y 2,
losde
para
cálculos,
modo
ÿ, esque
el
valor de | 1| o | 2|, cualquiera
de que
ÿ. sea 1 ÿ ÿ ÿ 2. mayor, se usa a menudo como la estimación
Muy a menudo, | 1|=| 2|=| |. Así llegamos a la
desigualdad |ÿ |ÿ| |.
Si un error de medición es principalmente aleatorio, sus límites deben estimarse con
una probabilidad tan alta de que la desigualdad anterior se satisfaga prácticamente siempre.
La segunda suposición significa que la estimación del error de medición debe ser una
estimación superior. Este requisito debe considerarse como un principio de estimación del error.
Tiene mucho sentido utilizar los valores límite de un error como estimaciones del error.
Primero, los humanos naturalmente hacen comparaciones y establecen relaciones del tipo
mayor que, igual que y menor que. Por esta razón, los errores límite se perciben fácilmente.
Además, los resultados de las mediciones se comparan más fácilmente cuando se conocen
los errores límite.
No debe olvidarse, sin embargo, que el error de medida caracteriza la incertidumbre del
resultado de una medida y la dispersión y no reproducibilidad de la medida. Por esta razón, la
estimación del error no puede ser precisa y no se requiere que sea precisa. Pero su
incertidumbre, si se puede decir así, debe inclinarse hacia la sobreestimación y no hacia la
subestimación. De acuerdo con esto
principio, todavía diremos que es mejor sobrestimar que subestimar

un error: En el primer caso, la calidad de la medida se reduce, mientras que en
En el segundo caso, toda la medida puede quedar sin valor. Por supuesto, el
la sobreestimación debe mantenerse al mínimo.
También debe tenerse en cuenta que la exactitud de las estimaciones de medición
los errores o la incertidumbre no pueden verificarse en función de los datos obtenidos en un determinado
medición. Con respecto a una medida dada, todos los datos experimentales obtenidos
y otra información confiable, por ejemplo, correcciones a las indicaciones de los instrumentos,
se emplean para encontrar el resultado de la medición, y el error debe ser
estimado con información adicional sobre las propiedades de los instrumentos de medición,
las condiciones de las mediciones y la teoría. no tiene sentido
en la realización de un experimento especial para comprobar o estimar el error de medición
o incertidumbre. Entonces sería necesario organizar en paralelo con el dado
medición una medida más precisa de la misma cantidad medible. Después
la medida dada no tendría sentido: Su resultado sería reemplazado por el
resultado de la medición más precisa. El problema de estimar el error en
una medida dada sería reemplazada por el problema de estimar el error de
la medida más precisa; es decir, el problema básico quedaría sin resolver.
No obstante, se comprueba la exactitud de las estimaciones de errores e incertidumbre. Eso
se confirma ya sea por el uso exitoso del resultado de la medición para el propósito
pretendido o por el hecho de que la medida concuerda con los resultados obtenidos por
otros experimentadores. Como en el caso de la medición de constantes físicas, la
la corrección de las estimaciones de incertidumbres a veces se comprueba con el tiempo como
como resultado de mejoras en los instrumentos de medición y métodos de medición
y mayor precisión de medición.
1.7. Presentación de Resultados de Mediciones;

Reglas para el redondeo
Si A˜ es el resultado de una medición y EN
y L son la parte superior e inferior
límites del error en la medición, entonces el resultado de la medición y el
error de medición se puede escribir en la forma
A, en , L, y A˜U _ .
L
En el primer caso conviene conservar la notación convencional, por ejemplo = ÿ0,001 cm.
ejemplo, A˜ = 1,153 cm, U = +0,002 cm, y es L
el segundo caso
conveniente para la documentación técnica. Por ejemplo, 1,153+0,002 ÿ0.001
cm. Con frecuencia
| tu | = | L | = . Entonces el resultado y el error se escriben en la forma A˜ ± .

En los casos anteriores, la imprecisión de los resultados de la medición se expresa como
errores permisibles. Pero por lo general, la inexactitud se expresa como incertidumbre. En este caso,
se debe dar la probabilidad correspondiente. Para uniformidad, se recomienda
que la probabilidad se dé entre paréntesis después del valor de la incertidumbre o una
símbolo de un mensurando.
1.7. Presentación de Resultados de Mediciones; Reglas para Redondeo 25
Por ejemplo, si una medición da el valor del voltaje, 2,62 V, y la incertidumbre de

este resultado, u = ±2%, se calculó para la probabilidad de 0,95, entonces el resultado
se escribirá de la forma
U˜ = 2,62 V, u = ±2%(0,95),
o en la forma más compacta
U(0,95) = (2,62 ± 0,05)V.
La observación sobre la compacidad se refiere al método para indicar el valor de

la probabilidad y no tiene relación con el hecho de que el error relativo se da en el
primer caso y el error absoluto en el segundo caso.
Si la probabilidad de confianza no se indica en el resultado de la medición, se debe
suponer que la imprecisión se estimó sin el uso de métodos de probabilidad. Por
ejemplo,
U = (2,1 ± 0,1)V.
Aunque una estimación del error obtenida sin el uso de métodos de probabilidad
puede ser confiable, no puede asociarse con una probabilidad de uno u otro valor.
Como no se empleó un modelo probabilístico, la probabilidad no se puede estimar y
no se debe indicar. Entonces, en este caso nuevamente, tenemos los límites de un
error de una medición.
La forma, examinada anteriormente, para representar los errores de medición es
deseable para el resultado final, destinado a la aplicación práctica directa, por ejemplo,
en problemas de control de calidad. En este caso, suele ser conveniente expresar el
error en forma de errores absolutos. En muchos casos, sin embargo, es deseable
conocer no los valores límite del error de medición total, sino las características de
los componentes aleatorios y sistemáticos por separado. Tal representación del error
facilita el análisis y la determinación de las razones de cualquier discrepancia entre
los resultados de las mediciones de una misma cantidad realizadas en diferentes
condiciones. Dicho análisis suele ser necesario en el caso de mediciones realizadas
con fines científicos, por ejemplo, mediciones de constantes físicas. También es
deseable registrar los componentes por separado en aquellos casos en que el
resultado de una medición se va a utilizar para cálculos junto con otros datos que no
son absolutamente precisos. Por ejemplo, para errores de medición de cantidades
medidas directamente en mediciones indirectas, registrar el error de esta forma
permite estimar con mayor precisión la incertidumbre del resultado de la medición indirecta.
Cuando los componentes de error se registran por separado, el componente
sistemático se caracteriza, por regla general, por los valores
=|ÿL límite
| = ÿ. Si
ÿUestos
, ÿL ylímites
ÿ, si |ÿU
se|
calculan por métodos probabilísticos, la probabilidad empleada debe indicarse entre
paréntesis inmediatamente después del valor del error. Para un error aleatorio, se
suele indicar la desviación estándar Sx¯ , determinada a partir
experimentales y eldenúmero
los datos
de
observaciones n . A veces se dan la incertidumbre y la probabilidad correspondiente
en lugar de Sx¯ .
Para mediciones científicas, además de los parámetros de error indicados
anteriormente, es útil describir las fuentes básicas de error junto con una estimación.
de su contribución a la incertidumbre total de medida. Para el error aleatorio, es de interés presentar

la forma y los parámetros de la función de distribución de las observaciones y cómo se determinó (el
método empleado para probar la hipótesis sobre la forma de la función de distribución, el nivel de
significancia utilizado en esta prueba , etc.).
Los errores en los resultados de las medidas de masa no suelen indicarse en absoluto, porque se
estiman y se conocen de antemano.
El número de cifras significativas empleadas en el número que expresa el resultado de una medida
debe corresponder a la precisión de la medida, lo que significa que la incertidumbre de una medida
puede ser igual a 1 o 2 unidades en la última cifra del número que expresa el resultado de la medida
En cualquier caso, esta incertidumbre no debe superar las 5 unidades en la última cifra.
Dado que la incertidumbre de la medición determina únicamente la vaguedad de los resultados, no

es necesario conocerla con precisión. Por esta razón, en su forma final, la incertidumbre suele
expresarse mediante un número con una o dos cifras significativas. Se retienen dos cifras para las
mediciones más precisas y si el dígito más significativo del número que expresa la incertidumbre es
igual o menor que 3.
Debe notarse, sin embargo, que en los cálculos y cómputos intermedios, dependiendo de las
operaciones de cómputo realizadas, se deben retener una o dos cifras significativas más que las
sugeridas por el resultado para que el error de redondeo no distorsione demasiado los resultados.
El valor numérico del resultado de una medición debe representarse de manera que el último dígito
decimal sea del mismo rango que su incertidumbre. No tiene sentido incluir más dígitos, porque esto
no reducirá la incertidumbre del resultado. Pero menos dígitos, que se pueden obtener redondeando
aún más el número, aumentaría la incertidumbre y haría que el resultado fuera menos preciso, y por
lo tanto haría inútiles las medidas empleadas en la medición.
Al analizar los resultados de las observaciones y registrar los resultados de mea

seguros, el redondeo debe hacerse de acuerdo con las siguientes reglas:
(1) El último dígito retenido no cambia si el dígito adyacente que se descarta es menor que 5. Los
dígitos adicionales en los números enteros se reemplazan por 0, mientras que los dígitos adicionales
en las fracciones decimales se eliminan.
Ejemplos. El valor numérico del resultado de una medición 85,6342 con un error en los límites de
±0,04 debe redondearse a 85,63. Si los límites de error son ±0,012, el mismo número debe redondearse
a 85,634.
Conservando cuatro cifras significativas, el número 165.245 debe redondearse a 165,2.
(2) El último dígito retenido se incrementa en 1 si el dígito adyacente se descarta

es mayor que 5 o si es 5 y hay dígitos distintos de 0 a su derecha.
Ejemplos. Si se conservan tres dígitos significativos, el número 18.598 se redondea a 18,6 y el
número 152,56 se redondea a 153.
(3) Si el dígito que se descarta es igual a 5 y los dígitos a su derecha son desconocidos o iguales
a 0, entonces el último dígito retenido no se cambia si es par y se aumenta en 1 si es impar.
1.8. Notaciones Convencionales Básicas 27
Ejemplos. Si se retienen dos dígitos significativos, el número 10.5 se redondea

a 10 y el número 11.5 se redondea a 12.
(4) Si la fracción decimal en el valor numérico del resultado de una medición termina en 0,
entonces los 0 se eliminan solo hasta el dígito que corresponde al rango del valor numérico del
error.
Las reglas anteriores fueron establecidas por convención, y para cálculos realizados por
humanos, son enteramente satisfactorias. Sin embargo, en el caso de cálculos realizados con
la ayuda de computadoras, el redondeo dependiendo de la paridad o imparidad del último
dígito retenido [regla (3)] es inconveniente porque complica el algoritmo. Se ha sugerido que
se elimine esta regla y que no se cambie la última cifra retenida, independientemente de si es
par o impar. Esta sugerencia, sin embargo, no ha sido adoptada. La principal objeción es que
muchos de estos redondeos de resultados intermedios pueden distorsionar significativamente
el resultado final.
Si se utilizan las reglas presentadas anteriormente, entonces el número de cifras
significativas en el valor numérico del resultado de una medición permite juzgar aproximadamente
la precisión de una medición. Por esta razón, se debe tener en cuenta que el error límite,
causado por el redondeo, es igual a la mitad del último dígito en el valor numérico del resultado
de la medición, y el error de medición puede llegar a dos unidades en el siguiente. último y
varias unidades en el último dígito.
Ahora estimaremos el error de redondeo relativo. Supongamos, por ejemplo, que el resultado
de una medición se expresa mediante un número con dos cifras significativas.
Entonces el número mínimo será igual a 10 y el número máximo será igual a 99. Por lo tanto,
el error de redondeo relativo será 0.5% < ÿ2 ÿ 5%.
Si el resultado de una medida se expresa mediante un número con tres
cifras, este error caerá en el rango 0.05% < ÿ3 ÿ 0.5%, y así sucesivamente.
Los límites de error obtenidos anteriormente muestran el efecto del redondeo en la medición
error. Además, estos datos permiten centrarse en el número mínimo de cifras significativas
necesarias para registrar el resultado de una medición con la precisión prescrita.
Al analizar los resultados de las observaciones y, especialmente, al estimar los errores, es

útil emplear métodos y fórmulas de cálculo aproximado.
1.8. Notaciones convencionales básicas
Emplearemos letras latinas para las medidas. Se emplearán letras griegas para los errores.
Las notaciones empleadas para los errores, sus límites e incertidumbres se presentan en la
Tabla 1.1.
Las notaciones para los límites de confianza de los errores se construyen sumando a los
símbolo del error correspondiente un subíndice ÿ.
Distinguiremos las estimaciones de cantidades de los valores verdaderos agregando una
tilde al símbolo correspondiente. Por ejemplo, A˜ es la estimación del verdadero valor de A.
Tabla 1.1. Designaciones de medida

errores e incertidumbres.
Incertidumbre en
Incertidumbre combinada uc
Incertidumbre total afuera
Error gramo
Límites de error
Error al azar pags
Límites de error aleatorio
Error condicionalmente constante ÿ
Límites de error condicionalmente constante i

Error absolutamente constante la
Límites de error absolutamente constante H
Denotaremos la media aritmética con la ayuda de una barra sobre el símbolo correspondiente.
Por ejemplo, x¯ es la media aritmética de los valores obtenidos de
xi(i = 1,..., n).
Además, utilizaremos los siguientes símbolos matemáticos: E[X] es el
expectativa matemática, y V[X] es la varianza de una cantidad aleatoria X.
De la notación utilizada para conceptos específicos, presentamos la siguiente: p es la
probabilidad en la que ocurre un evento por primera vez, ÿ es la probabilidad de confianza, q es la
nivel de significación, ÿ2 es la varianza de una cantidad aleatoria, ÿ es el rms o estándar
desviación, y S2 y S son las estimaciones de ÿ2 y ÿ.
2
Instrumentos de medida y
Sus Propiedades
2.1. Tipos de instrumentos de medición

Los instrumentos de medida son los objetos técnicos que se desarrollan especialmente con el
propósito de medir cantidades físicas específicas. Una propiedad general de los instrumentos de
medición es que su precisión está estandarizada.
Los instrumentos de medición se dividen en medidas materiales, transductores de medición.
ers, instrumentos indicadores, configuraciones de medición y sistemas de medición.
Una medida material es un instrumento de medida que reproduce uno o más valores conocidos
de una cantidad física dada. Ejemplos de medidas son contrapesos, resistencias de medición y
condensadores de medición.
Se distinguen las medidas de valor único, las medidas de valor múltiple y las colecciones de
medidas. Ejemplos de medidas de valores múltiples son reglas graduadas, cintas métricas, cajas
de resistencia, etc.
Además de las medidas de valores múltiples, que reproducen valores discretos de cantidades,
existen medidas de valores múltiples que reproducen continuamente cantidades en algún rango,
por ejemplo, un capacitor de medición con capacitancia variable.
Las medidas continuas suelen ser menos precisas que las medidas discretas.
Cuando se utilizan medidas para realizar mediciones, los mensurandos se comparan con las
cantidades conocidas reproducidas por las medidas. La comparación se realiza por diferentes
métodos, pero los llamados comparadores son un medio específico que se utiliza para comparar
cantidades. El comparador más simple es la balanza de plato estándar de brazos iguales.
Un comparador es un dispositivo de medición que permite comparar elementos similares

cantidades físicas y tiene una sensibilidad conocida.
En algunos casos, los experimentadores comparan las cantidades sin comparadores, con la
ayuda de sus percepciones visuales o auditivas.
Así, al medir la longitud de un cuerpo con la ayuda de una regla, se coloca la regla sobre el
cuerpo y el observador fija visualmente las graduaciones de la regla (o fracciones de una
graduación) en los puntos correspondientes del cuerpo.
Un transductor de medición es un instrumento de medición que convierte las señales de
medición en una forma adecuada para la transmisión, el procesamiento o el almacenamiento. los
30 2. Instrumentos de medida y sus propiedades
la información de medición a la salida de un transductor de medición no puede, por regla general,

ser observada directamente por el observador.
Es necesario distinguir los transductores de medida y los elementos transformadores de un
instrumento complicado. Los primeros son instrumentos de medición y, como tales, tienen
propiedades metrológicas estándar (ver más abajo). Estos últimos, por otro lado, no tienen un
significado metrológico independiente y no se usan por separado del instrumento del que forman
parte.
Los transductores de medición son diversos. Algunos ejemplos son los termopares, los
termómetros de resistencia, los shunts de medición, los electrodos de medición de los medidores de pH, etc.
Los transformadores de medida de corriente o de tensión y los amplificadores de medida también
son transductores de medida. Pero este grupo de transductores se caracteriza por el hecho de que
las señales en sus entradas y salidas son una cantidad física de la misma forma, y solo cambia la
dimensión de la cantidad. Por este motivo, estos transductores de medición se denominan
transductores de medición de escala.
Los transductores de medición que convierten una cantidad analógica en la entrada (la medida)
en una señal discreta en la salida se denominan convertidores de analógico a digital.
Dichos convertidores se fabrican en forma de instrumentos de medida autónomos, es decir,
independientes, y en forma de unidades integradas en otros instrumentos, en particular, en forma
de microcircuitos integrados. Los convertidores de analógico a digital son un componente necesario
de los dispositivos digitales, pero también se emplean en sistemas de monitoreo, regulación y control.
Un instrumento indicador es un instrumento de medida que se utiliza para convertir

señales de medición en una forma que puede ser percibida directamente por el observador.
Con base en el diseño de los circuitos de entrada, los instrumentos indicadores son tan diversos
como los transductores de medición, y es difícil inspeccionarlos a todos. Además, tal revisión e
incluso clasificación son más importantes para diseñar instrumentos que para describir sus
propiedades generales.
Una característica común de todos los instrumentos indicadores es que todos tienen dispositivos
de lectura. Si estos dispositivos se implementan en forma de escala y aguja indicadora, entonces
las indicaciones del instrumento son una función continua del mensurando. Dichos instrumentos se
denominan instrumentos analógicos. Si las indicaciones de los instrumentos están en forma digital,
dichos instrumentos se denominan instrumentos digitales.
La definición de instrumentos digitales presentada anteriormente incluye formalmente tanto

voltímetros digitales automáticos, puentes e instrumentos similares como medidores de inducción
para medir energía eléctrica. En estos instrumentos, sin embargo, las transformaciones de medida
se realizan en forma discreta, y en el caso de los medidores de inducción, todas las transformaciones
de medida de las señales ocurren en forma analógica y solo la señal de salida asume una forma
discreta. Las conversiones de información de medición en una forma discreta tienen varias
características específicas. Por lo tanto, solo los instrumentos en los que las conversiones de
medición ocurren en forma discreta se consideran instrumentos digitales.
Las indicaciones de los instrumentos digitales se registran fácilmente y son convenientes para
ingresar a una computadora. Además, su diseño suele permitir obtener una precisión
significativamente mayor que los instrumentos analógicos. Además, cuando
2.1. Tipos de instrumentos de medición 31
se emplean instrumentos digitales, no se produce ningún error de lectura. Sin embargo, cuando se
utilizan instrumentos analógicos, es más fácil juzgar las tendencias en la variación de los mensurandos.
Además de los instrumentos analógicos y digitales, también existen instrumentos de medición
discretos analógicos. En estos instrumentos, las conversiones de medición se realizan en forma
analógica, pero el dispositivo de lectura es una unidad discreta. El dispositivo de lectura tiene una
escala y una tira brillante, cuya longitud cambia discretamente, que desempeña el papel de indicador.
A veces, el indicador es un punto brillante que se mueve a lo largo de una escala.
Los instrumentos analógico-discretos combinan las ventajas de los instrumentos analógicos y
digitales. Los medidores de inducción para medir la energía eléctrica son ejemplos de tales
instrumentos híbridos.
En muchos casos, los instrumentos de medición están diseñados para que sus indicaciones
queden registradas. Se dice que tales instrumentos son instrumentos de grabación. Los datos se
pueden registrar en forma de un registro continuo de la variación del mensurando en
tiempo o en forma de una serie de puntos de esta dependencia.
Los instrumentos del primer tipo se denominan instrumentos de trazado automático y los
instrumentos del segundo tipo se denominan instrumentos de impresión. Los instrumentos de
impresión pueden registrar los valores de un mensurando en forma digital. Los instrumentos de
impresión dan una serie discreta de valores del mensurando en algún intervalo de tiempo. El registro
continuo proporcionado por los instrumentos de trazado automático puede considerarse como una
serie infinita de valores del mensurando.
A veces, los instrumentos de medición están equipados con dispositivos y relés de inducción,
fotoópticos o de contacto con fines de control o regulación. Dichos instrumentos se denominan
instrumentos reguladores. Los diseñadores se esfuerzan por diseñar unidades de regulación para no
reducir la precisión del instrumento de medición. Sin embargo, esto rara vez es posible.
Los instrumentos de medición también suelen incluir comparadores, mencionados anteriormente,

para comparar medidas e indicadores nulos, por ejemplo, galvanómetros. La razón es que un
comparador con una colección de medidas se convierte en un instrumento de medición de
comparación, mientras que un galvanómetro puede usarse como un instrumento indicador de alta
sensibilidad.
Una configuración de medición es una colección de instrumentos de medición y dispositivos
auxiliares funcional y estructuralmente integrados que proporciona una organización eficiente de las
mediciones. Un ejemplo es la configuración potenciométrica para la calibración de instrumentos de
medición eléctricos.
Un sistema de medición es una colección de medios de medición, computación y auxiliares
funcionalmente unificados para obtener información de medición y convertirla y procesarla para
proporcionar al usuario información en la forma requerida, introducirla en el sistema de control o
realizar funciones lógicas. automáticamente.
Los sistemas de medición modernos incluyen microprocesadores e incluso computadoras completas
y, además de procesar y proporcionar resultados de la información de medición, pueden controlar el
proceso de medición.
Finalmente, los sistemas cuyas unidades deben, de acuerdo con el propósito del sistema, operar
bajo las mismas condiciones pueden distinguirse de los sistemas cuyas unidades operan bajo
condiciones diferentes. Llamaremos a los primeros sistemas de medida uniformes ya los segundos
sistemas de medida no uniformes. Esta clasificación hace que
más fácil estudiar cuestiones relativas al apoyo metrológico de los sistemas de medición y el cálculo
de los errores de tales sistemas.
2.2. El concepto de instrumento ideal: características

metrológicas de los instrumentos de medida
Cualquier objeto técnico puede ser descrito por una colección de características. Los instrumentos
de medida no son una excepción a este respecto. Dividiremos todas las características de los
instrumentos de medida en dos grupos: metrológicos, que es necesario para utilizar un instrumento
de medida en la forma prevista, y secundarios. Incluiremos en este último características tales como
masa, dimensiones y grado de protección contra la humedad y el polvo. No discutiremos las
características del grupo secundario, aunque en ocasiones determinan la selección y aplicación de
un instrumento, porque no están directamente relacionadas con la precisión de la medida.
Por características metrológicas de un instrumento de medición, entendemos las características

que hacen posible juzgar la idoneidad del instrumento para realizar mediciones en un rango conocido
con precisión conocida, obtener un valor del mensurando y estimar su inexactitud.
Para ordenar las características metrológicas, es útil introducir el concepto de instrumento ideal.
El ideal de cualquier objeto técnico es su diseño, es decir, su modelo. Para los instrumentos de
medición, esto no es suficiente, porque dicho dispositivo debe contener también una “impresión” de
la unidad de medida correspondiente. La impresión de la unidad no se puede preparar; debe
obtenerse de un estándar.
Daremos varios ejemplos.
Bloque de calibración. Lo ideal es un paralelepípedo completamente regular, uno de cuyos lados

está determinado exactamente por las unidades de longitud establecidas.
Medida de tensión constante. Lo ideal es una fuente de voltaje constante con un valor que se conoce
exactamente y que está libre de ruido en la salida.
Transformador de medida. Lo ideal es un transformador de tensión o corriente con un factor de

conversión que se conozca exactamente y que no tenga pérdidas ni ruidos parásitos en los circuitos
de entrada y salida.
Convertidor integrador de voltaje analógico a digital. Lo ideal es un instrumento con un voltaje de

salida U0 que esté relacionado con el voltaje de entrada Ux por la dependencia
t2
U0 = K1 uxdt,
t1
donde K1 = constante y t = t2 ÿ t1 = constante.

Como resultado, obtenemos U0 = K2Ux . El voltaje U0 se puede cuantificar y se obtiene un
código que refleja el voltaje en la entrada sin distorsiones (con la excepción del error de cuantificación,
que se puede hacer pequeño), a la salida del convertidor.
2.2. El concepto de un instrumento ideal 33
Amperímetro de bobina móvil. En este instrumento, una corriente constante fluye a través de un
bobina móvil y forma con la ayuda de un imán permanente un momento mecánico,
que tuerce un resorte hasta un punto de equilibrio. En el proceso, una aguja indicadora es
desviado por una cantidad a lo largo de una escala que es proporcional a la fuerza actual.
Cada valor de la fuerza actual corresponde a una indicación definida, que es
se fija calibrando el instrumento.
Por lo tanto, el instrumento ideal realiza (teóricamente) una serie de acciones de un solo valor.
transformaciones y después de la calibración adquiere una escala precisa en las unidades de la
mensurando
Se forma una representación ideal de cada tipo de instrumentos de medición para una
modelo específico de los objetos—portadores de la cantidad física correspondiente.
A las características metrológicas establecidas para instrumentos de medida ideales de un
tipo específico las llamaremos características metrológicas nominales. Un ejemplo
de tal característica es el valor nominal de la medida (10 , 1 kG, etc.), el
rango de medición del instrumento (0–300 V, 0–1200 ÿC, etc.), la conversión
rango del transductor, el valor del factor de escala de la escala del instrumento, y
pronto.
La relación entre las señales de entrada y salida de instrumentos y transductores está

determinada por la función de transferencia. Para los instrumentos, está fijado por el
escala, mientras que para medir transductores, está determinada por un gráfico o una ecuación.
El gráfico o la ecuación representan la característica metrológica nominal si el gráfico o la
ecuación se determinaron (indicaron) antes de estas mediciones.
se desarrollaron instrumentos.
Las características reales de los instrumentos de medida difieren de las características
nominales debido a errores de fabricación y cambios que ocurren en los correspondientes
propiedades en el tiempo.
Un instrumento de medición ideal (transductor) reaccionaría solo a la medida
cantidad física o al parámetro de la señal de entrada de interés, y su indicación
no dependería de las condiciones externas, del régimen de suministro eléctrico, etc.
Para un transductor de medida real, como para otros tipos de instrumentos de medida, estos
ocurren fenómenos indeseables.
Las cantidades que caracterizan las condiciones externas se llaman cantidades de influencia.
Para algunos tipos de instrumentos de medición, la dependencia de la señal de salida,

las indicaciones, o el error de una u otra cantidad de influencia, pueden representarse como una
dependencia funcional, llamada función de influencia. La influencia
función puede expresarse en forma de ecuación (por ejemplo, la temperatura
dependencia de la fem de las celdas estándar) o un gráfico. En el caso de una dependencia
lineal, es suficiente dar el coeficiente de proporcionalidad entre la salida
cantidad y la cantidad de influencia. Llamaremos a este coeficiente la influencia
coeficiente.
Los coeficientes de influencia y las funciones permiten tener en cuenta la
condiciones en las que se utilizan los instrumentos de medida introduciendo las correcciones
correspondientes. La imperfección de los instrumentos de medición también se manifiesta porque
cuando una y la misma cantidad se mide repetidamente bajo
condiciones idénticas, los resultados pueden diferir un poco entre sí. En este caso, se
dice que las indicaciones son irrepetibles.
La imprecisión de un instrumento de medida suele caracterizarse por su error.
Explicaremos este concepto para el ejemplo de un instrumento de medición de
indicación. Sea At el verdadero valor de una cantidad a la entrada del instrumento .
El instrumento indica el valor Ar. El error absoluto del instrumento será
ÿ = Ar ÿ En .
La irrepetibilidad de las indicaciones del instrumento se manifiesta por el hecho de que

cuando At se mide repetidamente, las indicaciones del instrumento serán algo diferentes.
Por esta razón, se puede hablar de un componente aleatorio del error del instrumento.
Este componente se conoce como el error de repetibilidad de un instrumento de medición.
El componente aleatorio del error del instrumento normalmente es causado por la

fricción en los soportes de una parte móvil del instrumento y los fenómenos de histéresis,
y sus límites son definidos. Los límites se pueden encontrar experimentalmente si la
cantidad medida por el instrumento varía continuamente. La fuerza de la corriente
eléctrica, el voltaje y otras cantidades pueden variar continuamente. En consecuencia,
las indicaciones de los amperímetros y voltímetros pueden variar continuamente. Las
indicaciones de balanzas y varios otros instrumentos no se pueden variar continuamente.
Para instrumentos cuyas indicaciones pueden variar continuamente, los límites del
error aleatorio se encuentran moviendo continuamente el indicador del instrumento
hasta el mismo marcador de escala, primero desde abajo y luego desde arriba (o
viceversa) un marcador. Llamaremos banda muerta al valor absoluto de la diferencia de
los valores del mensurando que se obtienen en tal prueba y que corresponden a un
marcador de escala dado del instrumento.
La banda muerta es la longitud del rango de valores posibles del componente
aleatorio del error del instrumento, y la mitad de esta longitud es el valor límite del azar.
La figura 2.1 muestra gráficos de la “entrada-salida” en presencia de (a) solo fricción,

(b) solo histéresis y (c) fricción junto con histéresis. Estos ejemplos de procesos revelan
bandas muertas.
El error aleatorio de las balanzas se suele caracterizar por la desviación estándar
[12]. Esta característica de un instrumento se calcula a partir de los cambios producidos
en las indicaciones de la balanza por una carga de masa conocida; la prueba se realiza
en varios marcadores de escala, incluidos los límites del rango de medición. En [12] se
presenta un método para realizar las pruebas y la fórmula computacional para calcular
la desviación estándar de las balanzas.
Los instrumentos de medición se crean para introducir certeza en los fenómenos

estudiados y establecer relaciones regulares entre los fenómenos, y la incertidumbre
creada por el hecho de que las indicaciones de los instrumentos no tienen un solo valor
interfiere con el uso de un instrumento de la manera prevista. Por esta razón, el primer
problema que debe resolverse al desarrollar un nuevo dispositivo de medición es hacer que su
2.2. El concepto de un instrumento ideal 35
Figura 2.1. Dependencias entre la entrada y la salida del instrumento con banda
muerta. (a) En presencia de fricción, (b) en presencia de histéresis (dos tipos, por
ejemplo), y (c) en presencia de fricción e histéresis (dos tipos mencionados
anteriormente).
error aleatorio insignificante, es decir, insignificantemente pequeño en comparación con otros

errores o que cae dentro de los límites prescritos como los límites de errores admisibles para
dispositivos de medición del tipo dado.
Si el error aleatorio es insignificante y los elementos que determinan la precisión del instrumento
son estables, entonces mediante la calibración, el dispositivo de medición siempre se puede
"vincular" a un estándar correspondiente y se puede realizar la precisión potencial del instrumento.
El valor de una división de escala o el valor de una cifra significativa es el valor del mensurando
correspondiente al intervalo entre dos marcadores vecinos en la escala del instrumento o una cifra
de algún dígito de un dispositivo de lectura digital.
La sensibilidad es la relación entre el cambio en el valor de salida de los instrumentos de
medición y el valor de entrada de la cantidad que hace que cambie el valor de salida. La
sensibilidad puede ser una característica metrológica nominal y una característica real de un
instrumento real.
El umbral de discriminación es el cambio mínimo en la señal de entrada que

provoca un cambio apreciable en la señal de salida.
La resolución es el intervalo más pequeño entre dos vecinos distinguibles
valores discretos de la señal de salida.
La inestabilidad (de un instrumento de medida) es un término general que expresa el cambio
en cualquier propiedad del instrumento de medida en el tiempo.
La deriva es el cambio que ocurre en la señal de salida (siempre en la misma dirección)
durante un período de tiempo que es significativamente más largo que el tiempo de medición
cuando se usa un instrumento de medición dado.
La deriva y la inestabilidad no dependen de la señal de entrada o de la carga, pero pueden
depender de las condiciones externas. La deriva generalmente se determina en ausencia de
una señal en la entrada.
Las características metrológicas de los instrumentos de medición también deben incluir sus
características dinámicas. Estas características reflejan las propiedades inerciales de los
instrumentos de medición. Es necesario conocerlos para elegir y utilizar correctamente muchos
tipos de instrumentos de medida. Las características dinámicas se examinan a continuación en
la Sección 2.5.
Las propiedades de los instrumentos de medición normalmente se pueden describir en
función de las características enumeradas anteriormente. Sin embargo, para tipos específicos
de instrumentos de medición, a menudo se requieren características adicionales. Por lo tanto,
para las varillas patrón, son importantes las denominadas planitud y capacidad de pulido. Para
los voltímetros, la resistencia de entrada es importante. No estudiaremos tales características,
porque se refieren solo a tipos individuales de instrumentos de medición.
2.3. Estandarización de las Características Metrológicas

de Instrumentos de Medida
Los instrumentos de medición solo pueden usarse según lo previsto cuando se conocen sus
propiedades metrológicas. En principio, las propiedades metrológicas se pueden establecer por
dos métodos. Un método consiste en encontrar las características reales de un instrumento
específico. En el segundo método, se dan las características metrológicas nominales y las
desviaciones permisibles de las características reales de las características nominales.
El primer método es laborioso y, por esta razón, se utiliza principalmente para los instrumentos
de medición más precisos y estables. Por lo tanto, el segundo método es el método principal.
Las características nominales y las desviaciones permisibles de ellas se dan en la documentación
técnica cuando se diseñan los instrumentos de medición, lo que predetermina las propiedades
de los instrumentos de medición y asegura que sean intercambiables.
En el proceso de uso de instrumentos de medición, se realizan controles para determinar si

las propiedades reales de los dispositivos se desvían de los estándares establecidos.
Si una propiedad inmueble se desvía de su valor nominal en una cantidad superior a la
demostrada por los estándares, entonces el instrumento de medición se ajusta, se rehace o se
desecha y ya no se usa más.
2.3. Normalización de las Características Metrológicas 37
Por lo tanto, la elección de las características nominales de los instrumentos de medición y la

designación de las desviaciones permisibles de las características reales respecto de ellas
(normalización de las características metrológicas de los instrumentos de medición) son de gran
importancia para la práctica de la medición. Examinaremos la práctica de estandarización de las
características metrológicas de los instrumentos de medición que ha evolucionado.
Tanto la producción de instrumentos de medida como la estandarización de sus características

surgieron inicialmente de forma espontánea en cada país. Posteriormente, las reglas que dieron
orden a esta estandarización se desarrollaron en todos los países en los que la construcción de
instrumentos estaba muy desarrollada. Las recomendaciones desarrolladas en esta época por
organismos internacionales, principalmente la Publicación 51 de la Comisión Electrotécnica
Internacional (IEC), fueron de gran importancia para la elaboración de estándares nacionales [8].
También debemos mencionar la Organización Internacional de Normalización (ISO) y la
Organización Internacional de Metrología Legal (OIML).
Los documentos terminológicos también son de gran valor para este trabajo [2], [4], [7].
Ahora volvamos al meollo del problema. El significado de las características metrológicas
nominales, como los límites superiores de los rangos de medición, los valores nominales de las
medidas, los factores de escala de los instrumentos, etc., se elige de una serie estandarizada de
valores de estas características. No hay nada especial aquí. Otra tarea es estandarizar las
características de precisión, errores y estabilidad.
A pesar de los esfuerzos de los diseñadores, las características reales de los instrumentos de
medición dependen en cierta medida de las condiciones externas. Por esta razón, primero se fijan
algunos rangos estrechos de valores de todas las cantidades de influencia y, de esta manera, se
determinan las condiciones bajo las cuales se calibrarán y verificarán los instrumentos de medición.
Estas condiciones se denominan condiciones de referencia. El error de los instrumentos de
medición en condiciones de referencia se denomina error intrínseco.
En el estándar en [7], esta pregunta se resuelve de manera menos formal: Las condiciones bajo
las cuales las características de los instrumentos de medición dependen de manera insignificante
de las posibles variaciones de las cantidades de influencia se denominan condiciones de referencia .
En otras palabras, estas son condiciones bajo las cuales las características metrológicas son
prácticamente constantes.
Esta definición de condiciones de referencia parece atractiva. Expuse la misma idea en [44]. Sin
embargo, también expuse allí mis dudas sobre la posibilidad de implementar la idea. Volveremos
sobre esta cuestión en el siguiente apartado.
Así, se prescriben las condiciones de referencia de los instrumentos de medida y se determinan
los errores intrínsecos de los instrumentos de medida.
Además de las condiciones de referencia, también se establecen las condiciones normales de
funcionamiento de los instrumentos de medida, es decir, las condiciones en las que las
características de los instrumentos de medida se mantienen dentro de ciertos límites y los
instrumentos de medida pueden utilizarse según lo previsto. Comprensiblemente, los errores en las
condiciones normales de funcionamiento son mayores que los errores en las condiciones de
referencia (es decir, estos errores son mayores que los errores intrínsecos).
Cuando cualquier cantidad de influencia excede el valor o rango normal para una condición de
referencia, el error del instrumento de medición cambia. Este cambio es
caracterizado y normalizado indicando el límite del error adicional permisible, indicando el valor
más alto permisible del factor de influencia de la magnitud de influencia correspondiente, o indicando
el límite del error permisible en condiciones normales de funcionamiento.
Los errores de los instrumentos de medición se expresan no solo en forma de errores absolutos
y relativos, adoptados para estimar los errores de medición, sino también en forma de errores
fiduciarios. El error fiduciario es la relación entre el error absoluto del instrumento de medición y
algún valor de estandarización: valor fiduciario. Este último valor está establecido por normas en
tipos separados de instrumentos de medición. Para los instrumentos indicadores, por ejemplo, el
valor fiduciario se establece en función de los rasgos característicos y el carácter de la escala. Los
errores fiduciarios permiten comparar la precisión de instrumentos de medición que tienen diferentes
límites de medición. Por ejemplo, la precisión de un amperímetro con un límite de medición de 1 A
se puede comparar con la de un amperímetro con un límite de medición de 100 A.
Además, también se encuentran casos en los que el error de un instrumento indicador se

expresa en fracciones de una graduación.
Para transductores de medida, los errores pueden representarse por los errores relativos a la
entrada o salida.
La figura 2.2 muestra las funciones de transferencia nominal y, supongamos, real de algún
transductor. Se supone que la dependencia nominal, como se hace en la práctica siempre que sea
posible, es lineal. Investigaremos la relación entre los errores del transductor que están escalados
a la entrada y la salida.
Denotamos la cantidad de entrada por x y la cantidad de salida por y. Están relacionados por la
relación
x = ky ,
donde K es la constante de transducción nominal.

En el punto con valores verdaderos de las cantidades xt e yt , el valor verdadero de la constante
de transducción será Kt = xt/yt . Sin embargo, los cálculos basados en la constante nominal K
tienen un error.
Deje que xa = K yt y ya = xt/K se determinen con base en yt y xt (vea la Fig. 2.2).
Entonces el error absoluto del transductor con respecto a la entrada será
x = xa - xt = (K - Kt)yt .
El error con respecto a la salida se expresa de forma análoga:
1 1
y = ya - yt = xt _
ÿ
k Kt
Notemos, primero, que x e y siempre tienen signos diferentes: Si (K ÿ Kt) > 0,
entonces (1/K ÿ 1/ Kt) < 0.
Pero esta no es la única diferencia. Las cantidades x e y también pueden tener diferentes
dimensiones; es decir, pueden ser cantidades físicamente diferentes, por lo que los errores
absolutos de entrada y salida no son comparables. Por ello, estudiaremos la
Figura 2.2. Funciones nominal (curva 1) y real (curva 2) de un transductor de medida.
errores relativos:
X yt K - Kt
ÿx = = (K ÿ Kt) = ,
xt xt Kt
y (Kt - K) xt Kt - K
y= = = .
yt k kt yt k
Como Kt = K, tenemos |ÿx | = |ÿy |.

Denotamos el error relativo en la constante de transducción en el punto (xt, yt) como
bien , donde ÿk = (K ÿ Kt)/Kt . Después
ÿx
= ÿ(1 + ÿk ).
y
Sin embargo, 1, y en la práctica errores relativos con respecto a la entrada y salida

ÿk puede considerarse de igual magnitud.
Debemos detenernos a considerar cómo se determina el error de medidas: El error de
medidas es la diferencia entre el valor nominal de la medida y el verdadero
valor de la cantidad reproducida por la medida. En efecto, en el caso de indicar
instrumentos, el valor nominal de las medidas es el análogo de la indicación del instrumento,

y la definición dada se vuelve obvia.
También es interesante que las medidas que reproducen cantidades pasivas, por ejemplo,
masa, resistencia eléctrica, etc., solo tienen errores sistemáticos. El error de medidas de
cantidades activas (voltaje eléctrico, corriente eléctrica, etc.) puede tener componentes tanto
sistemáticos como aleatorios. Las medidas de valores múltiples de cantidades pasivas pueden
tener errores aleatorios al cambiar elementos.
Entonces, cuando se estandarizan los errores de los instrumentos de medición, se
prescriben los límites permisibles de los errores intrínsecos y todos los adicionales. Al mismo
tiempo, se indican las condiciones normales y de referencia de funcionamiento.
De todas las formas enumeradas anteriormente para expresar los errores de los
instrumentos de medida, la mejor es el error relativo, porque en este caso, la indicación del
límite de error permisible da la mejor idea del nivel de precisión de medida que se puede lograr
con el instrumento de medida dado. Sin embargo, el error relativo generalmente cambia
significativamente en el rango de medición del instrumento y, por esta razón, es difícil de usar
para la estandarización.
El error absoluto es frecuentemente más conveniente que el error relativo. En el caso de un
instrumento con escala, el límite del error absoluto permisible se puede estandarizar con el
mismo valor numérico para toda la escala del instrumento. Pero entonces es difícil comparar
las precisiones de los instrumentos que tienen diferentes rangos de medición. Esta dificultad
desaparece cuando se estandarizan los errores fiduciales.
En la siguiente discusión, seguiremos principalmente [8] y [9].

El límite del error absoluto permisible se puede expresar con un solo valor
(despreciando la señal)
= ± un,
en forma de dependencia lineal
= ±(a + bx), (2.1)
donde x es el valor nominal de la medida, la indicación de un instrumento de medida, o la

señal a la entrada de un transductor de medida, y a y b son constantes, o por una ecuación
diferente,
= f (x).
Cuando esta última dependencia es complicada, se da en forma de tabla o gráfico.
El error fiduciario ÿ (en porcentaje) se define mediante la fórmula
ÿ = 100 /xN ,
donde xN es el valor fiduciario.

Se supone que el valor fiduciario es igual a lo siguiente:
(i) El valor al final de la escala del instrumento, si el marcador cero cae en el borde o fuera
de la escala.
2.3. Estandarización de las Características Metrológicas 41
(ii) El lapso que es una suma de los valores finales de la escala del instrumento (despreciando
los signos), si el marcador cero cae dentro de la escala.
(iii) El valor nominal del mensurando, si se ha establecido. (iv) La longitud de la
escala, si las graduaciones de la escala se estrechan bruscamente hacia el final de la escala.
En este caso, el error y la longitud de la escala se expresan en las mismas unidades.
Para instrumentos que tienen una escala que está calibrada en unidades de una cantidad
para la cual se adopta una escala con un cero convencional (por ejemplo, en grados Celsius),
el valor fiduciario se supone que es igual a la diferencia de los valores final e inicial de la escala
(el rango de medición o lapso).
De acuerdo con la Recomendación 34 de OIML [9], para instrumentos de medición con un
marcador cero dentro de la escala, el valor fiduciario se toma igual al mayor (despreciando el
signo) de los valores finales del rango de indicación del instrumento.
De acuerdo con la Publicación 51 de IEC [8], para instrumentos de medición eléctricos, se
puede establecer igual a la suma de los valores finales de la escala.
Una solución progresiva y correcta es la recomendada por la OIML. En efecto, considere,
por ejemplo, un amperímetro con una escala de 100–0–100 A y con un error absoluto permisible
de 1 A. En este caso, el error fiduciario del instrumento será 1% según OIML y 0.5% según
CEI. Pero al utilizar este instrumento, no se puede garantizar la posibilidad de realizar una
medición con un error de hasta el 0,5% para cualquier punto de la escala. Sin embargo, se
puede garantizar un error que no exceda el 1% al medir una corriente de 100 A en condiciones
de referencia.
La tendencia a elegir un valor fiduciario tal que el error fiduciario sea cercano al error relativo
del instrumento se observó en el proceso de mejora de la Publicación 51 de IEC. Así, en la
edición anterior de esta publicación, el valor fiduciario para instrumentos sin El marcador cero
en la escala se tomó como igual a la diferencia de los valores finales del rango de la escala, y
ahora se toma como igual al mayor de estos valores (despreciando el signo). Considere, por
ejemplo, un medidor de frecuencia con una escala de 45–50–55 Hz y un límite de error absoluto
permisible de 0,1 Hz. Anteriormente, se suponía que el error fiduciario del frecuencímetro era
igual al 1 %, y ahora es igual al 0,2 %. Pero al medir una frecuencia de 50 Hz, su error relativo
no superará el 0,2 % (en condiciones de referencia), y el error del 1 % no tiene relación con el
error de medición de frecuencia con este medidor, por lo que la nueva edición es más correcta. .
El siguiente paso en esta dirección se dio en la Recomendación 34 de la OIML.

Es de esperar que en el futuro IEC tome en cuenta la recomendación de OIML, y desaparezca
la estipulación mencionada sobre instrumentos de medición eléctrica en la recomendación de
OIML.
El error fiduciario se expresa en porcentaje, pero no es un error relativo. Como su límite es
igual al del error relativo permisible, el límite del error relativo permisible para cada valor del
mensurando debe calcularse según la fórmula
xN
ÿ=c .
X
El límite de error relativo permisible ÿ generalmente se expresa en porcentaje de acuerdo con la

fórmula
100
días = = ± c.
X
Si el límite del error absoluto está determinado por la fórmula (2.1), entonces la última expresión es
posible para a ÿ 0.
Para los instrumentos digitales, los errores a menudo se estandarizan en la forma convencional
±(b + q), donde b es el error relativo en porcentaje y q es un número de cifras del dígito menos
significativo del dispositivo de lectura digital. Por ejemplo, a un instrumento con un rango de
medición de 0–300 mV se le asignan los límites de error permisible ±(0,5 % + 2). El indicador del
instrumento tiene cuatro dígitos, por lo que el número 2 del dígito menos significativo corresponde
a 0,2 mV. Ahora el límite del error relativo del instrumento al medir, por ejemplo, un voltaje de 300
mV se puede calcular de la siguiente manera:
0,2 × 100 ÿ
= ± 0,5 + = ±0,57%.
300
Por lo tanto, para estimar el límite de error permisible de un instrumento, se deben realizar
algunos cálculos. Por esta razón, aunque la forma convencional da una representación clara de los
componentes del error del instrumento, es inconveniente
usar.
Una forma más conveniente se da en la Recomendación 34 de OIML: El límite de error relativo
permisible se expresa mediante la fórmula
coche
ÿ=±c+d ÿ1 , (2.2)
X
donde xe es el valor final del rango de medición del instrumento o la señal de entrada de un
transductor y c y d son cantidades relativas.
Con la forma adoptada de la fórmula (2.2), el primer término del lado derecho es el error relativo
del instrumento en x = xe. El segundo término de esta expresión caracteriza el aumento del error
relativo a medida que disminuyen las indicaciones del instrumento.
La fórmula (2.2) se puede obtener de ±(b + q) de la siguiente manera. A la cifra q le corresponde

el mensurando qD, donde D es el valor de una cifra en el mismo dígito que la figura q, en unidades
del mensurando. En la forma relativa, es igual a qD/x. Ahora bien, la suma de los términos b y qD/
x tiene el siguiente significado físico: Es el límite de error relativo permisible del instrumento.
Asi que
qD
ÿ=b+ .
X
Con la ayuda de la transformación de identidad, obtenemos
qD qD qD qD = b + qD coche
ÿ=b+ + ÿ
+ ÿ1 .
X coche coche coche coche X
2.3. Estandarización de las Características Metrológicas 43
Escritura
qD qD
c = segundo + , re = ,
coche coche
obtenemos la fórmula (2.2).

En aplicación al ejemplo de un milivoltímetro digital estudiado anteriormente, tenemos
coche
d = ± 0,57 + 0,07 ÿ1 .
X
Es claro que la última expresión es más conveniente de usar, y en general, es

más informativo que la expresión convencional.
Tenga en cuenta que para la estandarización, los límites de error se establecen para el error
total del instrumento y no para los componentes separados. Sin embargo, si el instrumento tiene
una componente aleatoria apreciable, entonces se establece un límite permisible por separado
para ella. Por ejemplo, aparte del límite del error intrínseco permisible,
también se establece el límite de la banda muerta o histéresis admisible. Algunas veces,
sin embargo, los límites se establecen por separado para el análisis sistemático y aleatorio.
componentes Por ejemplo, el error de los patrones de referencia se suele dar en
esta manera en Rusia.
Los errores adicionales de los instrumentos de medición se estandarizan prescribiendo el
límites para cada error adicional por separado. Los intervalos de variación de las cantidades de
influencia correspondientes se indican simultáneamente con los límites de la
errores adicionales. El conjunto de rangos previstos para todas las magnitudes de influencia
determina las condiciones normales de funcionamiento del instrumento de medida. El límite
de error adicional permisible a menudo se representa en proporción al valor de
la cantidad de influencia o su desviación de los límites del intervalo que determina
los valores estándar de estas cantidades. En este caso, los coeficientes correspondientes
están estandarizados. Lo llamaremos coeficiente de influencia.
En el caso de instrumentos de medida se utiliza el término variación de indicaciones
así como el término error adicional. El término variación de indicaciones se utiliza, en
en particular, para instrumentos de medida eléctricos [8].
Los errores adicionales que surgen cuando se fijan las cantidades de influencia son errores
sistemáticos. Sin embargo, para diferentes instrumentos del mismo tipo, pueden tener
diferentes valores y, además, diferentes signos. Por ello, en la abrumadora mayoría de las normas,
los límites de errores adicionales se establecen tanto en positivo como en positivo.
y negativo con valores numéricos iguales. Por ejemplo, el cambio en las indicaciones de un
instrumento de medición eléctrico causado por un cambio en la temperatura
del medio circundante no debe exceder los límites ±0,5% por cada 10 ÿC
cambio de temperatura en condiciones normales de funcionamiento (los números aquí son
arbitrario).
Sin embargo, si las propiedades de un dispositivo de medición son lo suficientemente uniformes,
es mejor estandarizar la función de influencia, es decir, indicar la dependencia de
las indicaciones de los instrumentos o señales de salida de los transductores sobre las cantidades
de influencia y los límites de las desviaciones permisibles de cada una de esas dependencias. Si
la función de influencia se puede estandarizar, entonces es posible introducir
correcciones a las indicaciones de los instrumentos y, por lo tanto, utilizar las capacidades de
los instrumentos más plenamente.
Debe enfatizarse que las propiedades de solo los instrumentos de medición se estandarizan
con la ayuda de las normas de los errores adicionales. El error adicional real que puede surgir
en una medición dependerá no solo de las propiedades del instrumento de medición, sino
también del valor de la magnitud de influencia correspondiente.
A menudo, un instrumento de medición tiene una señal eléctrica en su entrada. Esta señal
de entrada se puede caracterizar por varios parámetros. Uno de ellos refleja el valor de un
mensurando. Este parámetro se llama parámetro informativo: al medir su valor, podemos
encontrar el valor del mensurando. Todos los demás parámetros no tienen conexión directa
con el valor del mensurando y se denominan parámetros no informativos.
Los instrumentos de medición están construidos para hacerlos insensibles a todos los
parámetros no informativos de la señal de entrada. Sin embargo, este resultado no se puede
lograr por completo y, en el caso general, el efecto de los parámetros no informativos solo se
reduce. Además, para todos los parámetros no informativos, es posible determinar límites
tales que cuando los parámetros no informativos varíen dentro de estos límites, el error total
del instrumento de medición cambiará de manera insignificante, lo que permite establecer los
rangos de referencia de los valores de los parámetros no informativos.
Si algún parámetro no informativo cae fuera de los límites de referencia, el error que surge
se considera un error adicional. El efecto de cada parámetro no informativo se estandariza
por separado, al igual que para las cantidades de influencia.
La normalización del efecto de los parámetros no informativos y la estimación de los errores
derivados de ellos se realizan sobre la base de los mismos supuestos que se utilizan para
tener en cuenta los errores adicionales causados por las magnitudes de influencia externa.
Los errores introducidos por cambios en los parámetros no informativos de las señales de
entrada se denominan ocasionalmente errores dinámicos. En el caso de varios parámetros,
sin embargo, se proporciona poca información. Es más informativo dar a cada error un nombre
característico, como se suele hacer en las medidas eléctricas y de radio. Por ejemplo, el
cambio producido en las indicaciones de un voltímetro ca por cambios en la frecuencia de la
señal de entrada se denomina error de frecuencia. En el caso de un voltímetro, para las
medidas de los voltajes variables de pico, además de los errores de frecuencia, se toman los
errores causados por cambios en los anchos de los bordes del pulso, el decaimiento de la
parte plana del pulso, etc. en cuenta.
Los errores causados por desviaciones de los parámetros no informativos de la señal de
entrada de los valores estándar también deben incluirse entre los errores adicionales de un
instrumento de medición. Por ejemplo, para un voltímetro en un sistema electromagnético, la
frecuencia de la corriente alterna es un parámetro no informativo de la señal. De acuerdo con
la Sección 1.3, estos errores se deben a que uno o más parámetros del modelo no se
corresponden con las propiedades del objeto real.
Como estos errores son característicos de los instrumentos de medida en los que se observan,
se les suele dar el nombre del parámetro correspondiente del
Figura 2.3. Variantes de estandarización de los límites de errores adicionales de los

instrumentos de medición. El intervalo (x3 ÿ x2) corresponde a las condiciones de referencia;
el intervalo (x4 ÿ x1) corresponde a las condiciones normales de funcionamiento; d es el
límite de error intrínseco permisible; c es el límite de error permisible en condiciones normales
de funcionamiento; y (c ÿ d) es el límite de error adicional permisible.
modelo. Así, en el ejemplo anterior, el modelo de la señal es una tensión sinusoidal con un
parámetro fijo (frecuencia). El error correspondiente se denomina error de frecuencia.
Los casos básicos de estandarización de errores adicionales se muestran en la Fig. 2.3.
Estabilidad de los instrumentos de medida. La estabilidad, como la precisión, es una cualidad

positiva de un instrumento de medición. Así como la precisión se caracteriza por la imprecisión
(error, incertidumbre), la estabilidad se caracteriza por la inestabilidad.
La inestabilidad está estandarizada por los límites de variaciones permisibles del error durante
un período de tiempo definido o prescribiendo diferentes límites de error para diferentes "vidas"
del instrumento después de calibrarlo. Además, a veces se prescriben límites para la desviación
de las indicaciones del instrumento; estos límites, naturalmente, se indican junto con el tiempo. Es
deseable estandarizar la deriva para los instrumentos de trazado automático. Pero los estándares
para la deriva también son útiles para otros tipos de instrumentos de medición, porque permiten
juzgar con qué frecuencia se deben corregir las indicaciones o los ceros de los instrumentos.
Para corregir las indicaciones de los instrumentos de medición eléctricos, a menudo se les
incorporan celdas estándar o estabilizadores de voltaje electrónicos. Por ejemplo, fuentes débiles
de radiactividad estable se integran en medidores para medir los parámetros de las radiaciones radiactivas.
Es significativo que la estandarización separada de la deriva no cambia la

estándares para el error instrumental; es decir, da información adicional sobre el
propiedades de los instrumentos.
El segundo método de estandarización de la inestabilidad consiste en indicar diferentes estándares para
el error del instrumento para diferentes periodos de tiempo después de la
el instrumento está calibrado. Por ejemplo, se proporciona una tabla con los siguientes datos
en las especificaciones de algún instrumento digital:
Tiempo despues
calibración 24 horas 3 meses 1 año 2 años

La temperatura 23 ± 1 ÿC 23 ± 5 ÿC 23 ± 5 ÿC 23 ± 5 ÿC
límite de error 0,01% + 1 dígito 0,015% + 1 dígito 0,02% + 1 dígito 0,03% + 2 dígitos
Los límites de error se presentan aquí en la forma convencional.

El primer método para estandarizar la inestabilidad de los instrumentos es ampliamente utilizado en
Rusia, y el segundo método es ampliamente utilizado en los Estados Unidos. El segundo
método revela más plenamente las capacidades de los instrumentos. Por ejemplo, los límites de
error de un instrumento digital fabricado en Rusia, con los parámetros indicados
en la tabla anterior, tendría que comprobarse una vez al año ± (0,02% + 1 dígito).
La máxima precisión del instrumento que se puede realizar en un corto período de tiempo.
después de la calibración, aunque en un régimen de temperatura más restringido, permanecería
desconocido.
La estandarización predetermina las propiedades de los instrumentos de medición y es

estrechamente relacionado con el concepto de clases de precisión de los instrumentos de medida.
Las clases de precisión se introdujeron inicialmente para indicar instrumentos de medición eléctricos [8].
Más tarde, este concepto también se extendió a todos los demás tipos de medidas.
instrumentos [9]. La unificación de los requisitos de precisión de los instrumentos de medida, los métodos
para determinarlos y la notación en general son ciertamente
útil tanto para los fabricantes de instrumentos de medida como para los usuarios, porque
permite limitar, sin perjudicar a los fabricantes ni a los usuarios, la lista
de instrumentos, y facilita el uso y control de los instrumentos. Deberíamos
discutir este concepto con mayor detalle.
En [2], se da la siguiente definición para el término clase de precisión (la siguiente
definición es tan cercana a la dada en [8]): La clase de precisión es una clase de medición
instrumentos que cumplen con ciertos requisitos metrológicos que están destinados a mantener
errores dentro de los límites especificados.
Cada clase de precisión tiene una notación convencional, establecida por acuerdo: la
índice de clase, que se presenta en [8] y [9].
En general, la clase de precisión es una característica generalizada que determina
los límites para todos los errores y estándares para todas las demás características de los instrumentos de
medición que afectan la precisión de las mediciones realizadas con sus

ayuda.
Para instrumentos de medida cuyos límites permisibles de error intrínseco se expresan en

forma de errores relativos o fiduciales, la siguiente serie de números,
que determinan los límites de errores intrínsecos permisibles y se utilizan para denotar
las clases de precisión, se estableció en [9]:
(1, 1,5, 1,6, 2, 2,5, 3, 4, 5 y 6) × 10n,
donde n = +1, 0, ÿ1, ÿ2,...; se pueden usar los números 1.6 y 3, pero no
recomendado. Para cualquier valor de n, no más de cinco números de esta serie
están permitidos. El límite de error intrínseco permisible para cada tipo de medida
instrumento se establece igual a un número en la serie indicada.
Designaciones convencionales de clases de precisión, empleadas en la documentación que
acompaña a los instrumentos de medición, así como las designaciones que se les imponen,
han sido desarrollados con los números de la serie indicada. Por supuesto, este proceso se
refiere a instrumentos de medición cuyos errores están estandarizados en forma de
errores relativos y fiduciales. La Tabla 2.1 da ejemplos de las designaciones adoptadas
de las clases de precisión de estos instrumentos de medición.
En aquellos casos en que los límites de errores permisibles se expresan en la forma
de errores absolutos, las clases de precisión se designan con letras mayúsculas latinas o
números romanos.
Si se usa la fórmula (2.2) para determinar el límite de error permisible, entonces ambos
los números c y d se introducen en la designación de la clase de precisión. Estas
los números se seleccionan de la serie presentada anteriormente, y al calcular los límites
de error permisible para un valor específico de x, el resultado se redondea para que
se expresaría con no más de dos cifras significativas; el error de redondeo
no debe exceder el 5% del valor calculado.
Los límites de todos los errores adicionales y otras características metrológicas de
Los instrumentos de medición deben estar relacionados con su clase de precisión. En general,
es imposible establecer estas relaciones para todo tipo de instrumentos de medida
simultáneamente: los instrumentos de medición son demasiado diversos. Por este motivo, estos
Las relaciones deben darse en las especificaciones junto con las características de
tipos específicos de instrumentos de medición, que formulan los diseñadores.
Tabla 2.1. Designaciones de clases de precisión.
Forma de la Límite de error permisible Designación de la precisión

expresión del error. (ejemplos) clase (para el ejemplo dado)
Error fiduciario, si el valor fiduciario ÿ = ±1,5% 1.5

se expresa en unidades de
mensurando
Error fiduciario, si el valor fiduciario ÿ = ±0,5% |0.5|
corresponde al lapso
Error relativo, constante ÿ = ±0,5% 0.5
vehículo
Error relativo, que aumenta a medida que d = ± 0,02 + 0,01 ÿ1% 0,02/0,01
X
mensurando disminuye
2.4. Algunas sugerencias para cambiar los métodos

de estandarización de los errores de los
instrumentos de medición y su análisis
La estandarización, es decir, el establecimiento de normas, es básicamente un acto volitivo. Por

esta razón, en principio, se pueden hacer diferentes sugerencias para resolver esta cuestión y,
de hecho, en los últimos años se han propuesto varios métodos nuevos para expresar los errores
de los instrumentos de medida y para estandarizarlos.
Para evaluar estas sugerencias, es necesario determinar qué tan bien resuelven los problemas
por los cuales se estandarizan las propiedades de los instrumentos de medición.
De lo que hemos dicho anteriormente, se puede concluir que el propósito de la estandarización
de errores de los instrumentos de medición es resolver los siguientes problemas:
(1) Asegurar que toda la colección de instrumentos de medición del mismo tipo tenga la precisión
requerida y asegurar que sean uniformes e intercambiables.
(2) Asegurarse de que sea posible evaluar los errores de medición instrumental de acuerdo con
los estándares establecidos para las propiedades metrológicas de los instrumentos de
medición.
(3) Asegurar que los instrumentos de medición puedan compararse entre sí según su precisión.
El primer problema se resuelve en última instancia monitoreando nuevos instrumentos de

medición durante el proceso de fabricación y revisando periódicamente las unidades que están
en uso. Dado que los instrumentos de medición se emplean individualmente, los estándares
deben establecerse de modo que sea posible verificar que cada instrumento de medición de
muestras cumpla con estos estándares.
Para resolver con éxito el segundo problema, es deseable conocer con precisión las
propiedades de los instrumentos de medición. Por ello, los estándares establecidos deben
aproximarse lo más posible a las propiedades reales de los instrumentos de medida. El grado de
detalle con el que se pueden describir los errores de los instrumentos de medida está limitado
por la inestabilidad de los instrumentos, por el cambio de sus errores en el tiempo, así como por
el grado de falta de uniformidad de los instrumentos de medida introducido por su construcción y
fabricación. tecnología. Además, el proceso de calibración debe ser sencillo. Los métodos
complicados para describir y estandarizar los errores de los instrumentos de medición, que
conducen a verificaciones laboriosas y prolongadas, son inviables.
Habiendo hecho estos comentarios preliminares, ahora examinaremos los más intere- santes
sugerencias de búsqueda.
(1) El cálculo de los errores de los instrumentos de medición en condiciones reales implica la
suma de los errores y presenta varias dificultades. Por esta razón, se ha sugerido repetidamente
que las condiciones de referencia se amplíen para absorber todos los valores posibles de las
cantidades de influencia. Uno pensaría que al hacerlo
2.4. Algunas sugerencias para cambiar los métodos 49
los errores adicionales de los instrumentos de medición se desvanecerían y sólo

permanecería el error intrínseco, y todas las dificultades simplemente se resolverían.
Las propiedades reales de los instrumentos de medición, sin embargo, no dependen del
método por el cual se estandarizan y permanecen sin cambios. Supongamos que en el
método usual de estandarización, tenemos lo siguiente:
0, el límite de error intrínseco permisible; y el límite

i, de error adicional permisible, causado por el cambio en la i-ésima cantidad de
influencia desde el valor estándar hasta el límite del rango de la cantidad de
influencia dada (i = 1,..., n) para condiciones normales de operación.
Al pasar a un nuevo método de estandarización, el fabricante de los instrumentos puede

adoptar como límite de error permisible del instrumento de medición solo la suma aritmética
norte
= 0+ yo _
yo=1
El fabricante no puede proceder de otro modo, porque debe garantizar que los errores
de un determinado instrumento de medida serán menores que para cualquier combinación
de valores límite de las magnitudes de influencia. ¿Qué puede dar entonces esta sugerencia?
Desde el punto de vista de la evaluación de los errores de medición, puede simplificar

significativamente el procedimiento. Pero a cambio, el error se sobrestima significativamente
porque bajo las condiciones reales de operación del instrumento de medición en la gran
mayoría de los casos, las cantidades de influencia no alcanzan todas sus valores límite
simultáneamente y en la combinación más desfavorable. Por esta razón, incluso la suma
aritmética de los errores que se produzcan en una determinada medida será menor y más
cercana al valor real.
Con respecto a la uniformidad e intercambiabilidad de instrumentos de medida del mismo
tipo, la sugerencia empeora la situación existente, porque se puede obtener el mismo valor
de para diferentes valores de los componentes. Por lo tanto, adoptar esta sugerencia
significa dar un paso atrás con respecto a la situación actual.
El análisis anterior también muestra que la definición de condiciones de referencia dada

en [7] brinda la descripción más completa de las propiedades de un instrumento de
medición. Sin embargo, en la inmensa mayoría de los casos, antes de poder desarrollar un
instrumento de medición, es necesario establecer los requisitos técnicos que debe cumplir.
En el proceso se determinan las condiciones de referencia y los límites permisibles del error
intrínseco. Durante el proceso de diseño, los investigadores y diseñadores se esfuerzan por
satisfacer estos requisitos dentro de algún margen. Normalmente, este resultado es posible,
lo que esencialmente significa que las condiciones de referencia establecidas anteriormente
pueden definirse de manera más estricta. Pero si se sigue este camino, entonces las
condiciones de referencia tendrían que ser redeterminadas después de que se hayan
construido los instrumentos de medición de muestra, y se encontraría que son diversas
para diferentes tipos de instrumentos de medición, lo que
crean grandes dificultades para los servicios de control técnico y los laboratorios de
calibración. Por esta razón, en general, las condiciones de referencia se determinan mejor por
acuerdo entre especialistas, y estas condiciones deben unificarse tanto como sea posible
para diferentes tipos de instrumentos de medición. Sin embargo, al desarrollar instrumentos
de medición, debe tenerse en cuenta que si el error intrínseco está significativamente
correlacionado con una u otra cantidad de influencia, entonces las propiedades reales de los
instrumentos de medición no están completamente reveladas por los estándares prescritos.
(2) Se ha sugerido que el índice de precisión integral I, calculado según la fórmula
norte
yo = e2
yo ,
yo=0
donde ÿi es el límite de error adicional determinado por la i-ésima cantidad de influencia y ÿ0

es el límite de error intrínseco, estandarizado.
Es claro que se puede obtener un mismo valor de I para diferentes valores de los
componentes. Por ejemplo, un instrumento puede tener un gran error de temperatura y un
pequeño error de frecuencia, mientras que lo contrario podría ser cierto para un instrumento
diferente. En última instancia, reemplazar un instrumento por otro (del mismo tipo) da como
resultado un gran error, y este error no se puede estimar de antemano. Por lo tanto, se vuelve
más difícil estimar los errores de medición. Además, no se logra la uniformidad de los
instrumentos de medición. La conclusión es obvia: la sugerencia no es aceptable.
(3) Otra sugerencia fue caracterizar la precisión de los instrumentos por la media ponderada
del error relativo permisible, determinado de acuerdo con la fórmula
x
c= f [ÿ(x) f (x)]dx,
xi
donde xi y x f son los valores inicial y final (superior) de la escala del instrumento, ÿ(x) es el
error relativo del instrumento y f (x) es la distribución de probabilidad de las indicaciones del
instrumento.
Esta sugerencia tiene el inconveniente de que la distribución de probabilidad de las
indicaciones de los instrumentos es, en general, desconocida. Sin embargo, lo que es más
importante, esta característica de media ponderada, como cualquier otra característica
promedio, es completamente inadecuada para estandarizar las propiedades de los
instrumentos de medición, porque la uniformidad de los instrumentos de medición no se
puede lograr de esta manera. Por ejemplo, un instrumento que tiene uno o dos componentes
de error significativos y cuyos otros errores son pequeños, puede tener el mismo error de
media ponderada que un instrumento cuyos errores son aproximadamente iguales.
Además, cuando se usa un instrumento cuyos errores están estandarizados como medias
ponderadas, los experimentadores no pueden estimar el error de un resultado específico que
han obtenido, porque en este método de estandarización, el error del instrumento con una
indicación fija puede en principio ser virtualmente arbitrariamente grande.
2.4. Algunas sugerencias para cambiar los métodos 51
Por lo tanto, ninguno de los objetivos de estandarización se logra con este método de
estandarización de errores de instrumentos de medición y este método no se puede
utilizar.
(4) Se ha sugerido repetidamente que se estandarice el error adicional causado por
la acción simultánea de todas las cantidades de influencia. Se puede conjeturar que
algunos de ellos se compensarán mutuamente de manera que será posible utilizar los
instrumentos más plenamente o, viceversa, el error será mayor que en el caso en que
cada cantidad de influencia actúe por separado.
En la práctica, sin embargo, normalmente no todas las cantidades de influencia
asumen sus peores valores (para nosotros) simultáneamente, y es imposible tener en
cuenta solo algunas cantidades de influencia estandarizando de esta manera. En lugar
de reducir la estimación del error de medición o aumentar su precisión, el error de
medición aumentará y no se estimará con tanta precisión. Además, el equipo de prueba
se volvería mucho más complicado.
En realidad, algunos errores adicionales pueden correlacionarse entre sí, y sería
correcto determinar estos casos y estandarizar la correlación de los errores
correspondientes. Sin embargo, nunca me he encontrado en la práctica con tales casos
de estandarización de errores adicionales. No parece haber ninguna necesidad de
hacerlo. Sin embargo, esta cuestión merece un estudio detallado.
(5) En la antigua URSS, en 1972, se adoptó una norma que cambió decisivamente la
práctica de normalización de errores de los instrumentos de medida. Esta norma
complica enormemente la estandarización de los errores de los instrumentos de medición
y contiene requisitos totalmente irreales. Incluyen, por ejemplo, el requisito de que se
estandaricen la expectativa matemática y la desviación rms del componente sistemático
de los errores de los instrumentos de medición de cada tipo.
Estas características deben estimarse según las fórmulas
metro metro
xi (xi ÿ x¯)2
yo=1 yo=1
x¯ = , S= ,
metro metro - 1
donde m es el número de instrumentos en un lote y xi es el error sistemático del i-ésimo

instrumento.
Las estimaciones de estos parámetros se pueden calcular comprobando los
instrumentos en un lote. Supongamos que cumplen los estándares. ¿Significa esto que
el error sistemático es suficientemente pequeño para todos los instrumentos del lote?
Obviamente no. Exactamente de la misma manera, no se puede decir nada sobre un
instrumento separado, si estas estimaciones no satisfacen el estándar. De acuerdo con
esta norma, un instrumento no puede rechazarse y no puede juzgarse satisfactorio en el
caso de la verificación. Por supuesto, una vez que se han encontrado estimaciones para
un lote de instrumentos, entonces todo el lote de instrumentos puede descartarse o
aceptarse. Pero esta acción es absurda: un lote malo puede contener varios instrumentos
buenos, y no deben desecharse. Por el contrario, es absurdo pasar como satisfactorios
algunos instrumentos insatisfactorios simplemente porque están contenidos en el lote
que se ha encontrado que satisface el estándar. Cada instrumento se usa individualmente, y el estándar d
permiten determinar si el instrumento es bueno o malo. Los parámetros pertenecientes a lotes no

cumplen con este requisito, por lo que no pueden utilizarse como patrones para instrumentos de
medición.
Me opuse a la adopción de este estándar, pero se adoptó el estándar (GOST 8.009-72). En 1984
se publicó una nueva edición de esta norma. Ahora las características que estudiamos anteriormente
ya no son obligatorias, y esto facilita un poco la situación de los fabricantes de instrumentos: no
tienen que estandarizar estas características, y esto no será una violación de la norma.
En conclusión, formularemos las reglas básicas para la estandarización de los errores de

instrumentos de medición:
(i) todas las propiedades de un instrumento de medición que afectan la exactitud de los resultados
de las medidas deben ser estandarizadas;
(ii) cada propiedad que se va a normalizar debe normalizarse por separado; (iii) los métodos de
estandarización deben permitir verificar experimentalmente, y de la manera más simple posible,
qué tan bien cada muestra de un instrumento de medición corresponde a los estándares
establecidos; y
(iv) la estandarización debe realizarse para que los instrumentos de medición puedan elegirse con
base en los estándares establecidos y para que pueda estimarse el error de medición.
En algunos casos, se deben hacer excepciones a estas reglas. Esta excepción es necesaria
para las galgas extensométricas que se pueden pegar en un objeto solo una vez. Por este motivo,
las galgas extensométricas que se comprueban ya no se pueden utilizar para medir, mientras que
las galgas que se utilizan para medir normalmente no se pueden comprobar ni calibrar. En este
caso, es necesario recurrir a la regulación de las propiedades de un conjunto de galgas
extensométricas, como, por ejemplo, la desviación estándar de la sensibilidad y la expectativa
matemática de la sensibilidad. La sensibilidad de una galga extensiométrica separada, que
esencialmente no es una cantidad aleatoria, es una cantidad aleatoria en la aplicación a una
colección de galgas extensiométricas. Una vez que se ha determinado la sensibilidad xi de cada
galga extensiométrica elegida al azar de un lote (muestra), es posible construir un intervalo de
tolerancia estadística, es decir, el intervalo en el que la sensibilidad de una fracción prescrita p de
toda la colección de deformaciones los indicadores caerán con una probabilidad elegida a. Como a
= 1 y p = 1, existe la probabilidad de que la sensibilidad de cualquier galga extensométrica esté
fuera de estos límites de tolerancia.
Por tal motivo, el usuario deberá tomar medidas especiales que excluyan tal caso. En particular, se
deben utilizar varias galgas extensiométricas, en lugar de una sola.
2.5. Características dinámicas de los instrumentos de medición

y su estandarización
Las características dinámicas de los instrumentos de medida reflejan la relación entre el cambio en
la señal de salida y una u otra acción que produce este cambio.
La acción más importante es un cambio en la señal de entrada. En este caso, la característica
dinámica se denomina característica dinámica de la señal de entrada. Dinámica
2.5. Características dinámicas de los instrumentos de medición 53
También se estudian características para una u otra cantidad de influencia y para una carga
(para instrumentos de medida cuya señal de salida es una corriente eléctrica o tensión).
Se distinguen características dinámicas completas y parciales [28].
Las características dinámicas completas determinan únicamente el cambio en el tiempo
de la señal de salida causado por un cambio en la señal de entrada u otra acción. Ejemplos
de tales características son una ecuación diferencial, función de transferencia, respuesta de
frecuencia de amplitud y fase, la respuesta transitoria y la característica de impulso.
Estas características son esencialmente equivalentes, pero la ecuación diferencial sigue
siendo la característica fuente.
Una característica dinámica parcial es un parámetro de la característica dinámica
completa o un funcional de la misma. Ejemplos son el tiempo de respuesta de las
indicaciones de un instrumento y la banda de transmisión de un amplificador de medida.
Los instrumentos de medición se pueden considerar con mayor frecuencia como sistemas
inerciales de primer o segundo orden. Si x(t) es la señal a la entrada de un instrumento de
medición e y(t) es la señal correspondiente a la salida, entonces la relación entre ellos se
puede expresar con la ayuda de primer orden (2.3) o segundo orden. (2.4) ecuaciones
diferenciales, respectivamente, que reflejan las propiedades dinámicas del instrumento de
medición:
T y (t) + y(t) = K x(t), 2ÿ y (2.3)

1 (t) + y (t) + y(t) = K x(t). ÿ2
(2.4)
0 oh0
Los parámetros de estas ecuaciones tienen nombres específicos: T es la constante de tiempo

de un dispositivo de primer orden, K es el coeficiente de transducción en estado estático, ÿ0 es la
frecuencia angular de oscilaciones libres y ÿ es la relación de amortiguamiento.
Las ecuaciones (2.3) y (2.4) reflejan las propiedades de los dispositivos reales, por lo
que tienen condiciones iniciales cero: para t ÿ 0, x(t) = 0 y y(t) = 0, y (t) = 0, y y (t) = 0.
Para mayor precisión, en lo que sigue estudiaremos la ecuación de segundo orden y

supondremos que describe un galvanómetro de bobina móvil. Entonces ÿ0 = 2ÿ f0, donde
f0 es la frecuencia de oscilaciones libres de la parte móvil del galvanómetro.
Para obtener funciones de transferencia a partir de ecuaciones diferenciales, primero es

necesario transferir señales en el dominio del tiempo a sus transformadas de Laplace y luego
formar su relación. De este modo
L [x(t)] = x(s), L [y(t)] = y(s),

L [y (t)] = sy(s), L [y (t)] = s2 y(s),
donde s es el operador de Laplace.

Para el sistema de primer orden, obtenemos
y(s) = k
W(s) = ,
x(s) 1 + ST
y para el sistema de segundo orden, obtenemos
y(s) = k
W(s) = . (2.5)
x(s) 1/ÿ20s2 + (2ÿ/ÿ0)s + 1
Si en la función de transferencia se reemplaza el operador s por la frecuencia

compleja jÿ (s = jÿ), entonces obtenemos la respuesta en frecuencia compleja.
Estudiaremos la relación entre las características nombradas para el ejemplo de un
sistema de segundo orden. De (2.4) y (2.5), obtenemos
k
W(jÿ) = , (2.6)
1 ÿ ÿ2/ÿ2 0 + j2bÿ/ÿ0
donde ÿ = 2ÿ f es la frecuencia angular de funcionamiento.

La respuesta de frecuencia compleja a menudo se representa por sus partes real e
imaginaria,
W(jÿ) = P(ÿ) + j Q(w).
En nuestro caso,
K 1 ÿ ÿ2/ÿ2 1 ÿ0
P(ÿ) = 2 ,
ÿ2/ÿ2 0 + 4ÿ2 ÿ2/ÿ2 0
2ÿ(ÿ/ÿ0)K 1
Qÿ= 2
.
ÿ ÿ2/ÿ2 0 + 4ÿ2 ÿ2/ÿ2 0
La respuesta de frecuencia compleja también se puede representar en la forma
jÿ (w)
W (jÿ) = A (ÿ) mi ,
donde A(ÿ) es la respuesta de amplitud-frecuencia y ÿ(ÿ) es la respuesta de

frecuencia de fase. En el caso que nos ocupa
k
A(ÿ) = P2(ÿ) + Q2(ÿ) = ,
2
1 ÿ ÿ2/ÿ2 0 + 4ÿ2 ÿ2/ÿ2 0
(2.7)
Q(ÿ) 2ÿ(ÿ/ÿ0) 1
ÿ(ÿ) = arctan = ÿarcano .
P(ÿ) ÿ ÿ2/ÿ2 0
Las ecuaciones (2.7) tienen una interpretación gráfica bien conocida.

La respuesta transitoria es la función h(t) que representa la señal de salida producida
por una función escalón unitario 1(t) en la entrada. Recordamos que la función escalón
unitario es una función x(t) que cumple las siguientes condiciones: x(t) = 0 para t < 0 y
x(t) = 1 para t ÿ 0. Como la entrada no es periódica, h( t) se calcula con (2.3) o (2.4).
Omitiendo los cálculos simples pero, por desgracia, complicados, llegamos a la conclusión final.
2.5. Características dinámicas de los instrumentos de medición 55
Figura 2.4. La respuesta transitoria de un instrumento descrita por una ecuación diferencial de
segundo orden; ÿ es la relación de amortiguamiento.
forma de la respuesta transitoria del instrumento bajo estudio:
1 1 - segundo2
ÿ 1 ÿ eÿbt sen ÿ 1 ÿ ÿ2 + arctan 1 ÿ ÿ2 si ÿ < 1,
segundo
h(t) = 1 ÿ eÿÿ (ÿ + 1) si ÿ = 1,
ÿÿÿÿÿÿÿÿ
1 b2 - 1
1 - e-bt sinh ÿ ÿ2 ÿ 1 + arctanh ÿ2 ÿ 1 si ÿ > 1.
ÿÿÿÿÿÿÿÿ
segundo
Aquí, ÿ = ÿ0t y el valor de estado estable de la señal de salida se considera igual a la

unidad, es decir, h(t) = y(t)/K. Gracias a esta condición, las fórmulas anteriores y los
gráficos correspondientes a ellas, presentados en la Fig. 2.4, son universales en el sentido
de que no dependen de los valores específicos de ÿ0 y K.
La característica de impulso g(t) se encuentra a partir de la respuesta transitoria según
bailar con su definición:
dh(t)
g(t) = dt .
Cabe señalar que algunos tipos de instrumentos de medición no tienen características

dinámicas en absoluto: medidas de longitud, pesos, calibradores vernier, etc. Algunos
instrumentos de medición, como los capacitores de medición (medidas de capacitancia),
no tienen una característica dinámica independiente. Pero cuando se conectan a un
circuito eléctrico, que siempre tiene cierta resistencia ya veces una inductancia, el circuito
siempre adquiere, junto con una capacitancia, propiedades dinámicas definidas.
Los instrumentos de medida son diversos. En ocasiones, para describir adecuadamente

sus propiedades dinámicas, es necesario recurrir a ecuaciones lineales de orden superior,
ecuaciones no lineales o ecuaciones con parámetros distribuidos. Sin embargo, rara vez
se usan ecuaciones complicadas, lo cual no es un accidente. Después de todo, los
instrumentos de medición se crean especialmente para realizar mediciones y sus
propiedades dinámicas están hechas para garantizar la comodidad de uso. Por ejemplo,
al diseñar un instrumento de trazado automático, la respuesta transitoria se hace corta,
acercándose al nivel establecido de forma monótona u oscilando de forma insignificante. Además, la

escala del instrumento está hecha para ser lineal. Pero cuando se cumplen estos requisitos, las
propiedades dinámicas del instrumento pueden describirse mediante una característica correspondiente
a una ecuación diferencial lineal de orden no superior al segundo.
Una ecuación diferencial de alto orden se obtiene con mayor frecuencia al sintetizar las
características dinámicas de un instrumento en función de las características dinámicas de sus
subunidades. Así, por ejemplo, calculando la característica dinámica de un amplificador galvanométrico
con un convertidor fotoeléctrico que convierte el ángulo de giro de la parte móvil del galvanómetro en
un voltaje (corriente), obtenemos formalmente una ecuación de tercer orden: El galvanómetro da dos
órdenes, y el convertidor fotoeléctrico da una orden. Tal descripción de las propiedades del amplificador
es necesaria en la etapa de diseño, porque de lo contrario es imposible entender por qué a veces
surgen oscilaciones autoexcitadas en el sistema. Pero cuando se completa el diseño y se eligen
parámetros razonables de las subunidades, es deseable simplificar la descripción de las propiedades
dinámicas. Por lo tanto, el amplificador debe considerarse como una caja negra. Analizando la relación
entre la entrada y la salida, encontramos que está bien descrita por una ecuación de segundo orden.
El mismo resultado también se puede obtener de manera informal, como se hace, por ejemplo, en [42].
Al descomponer las características dinámicas de todas las subunidades del amplificador en
características de primer orden y compararlas, podemos ver que una puede despreciarse.
La estandarización de las características dinámicas de los instrumentos de medición se realiza
para un tipo específico de instrumento. El problema se resuelve en dos etapas. En primer lugar, se
debe elegir una característica dinámica adecuada, después de lo cual se deben establecer la
característica dinámica nominal y las desviaciones permisibles de la misma.
Por lo tanto, para instrumentos de registro y transductores de medición universales, se debe
estandarizar una característica dinámica completa: sin tener la característica dinámica completa, un
usuario no puede usar estos instrumentos de manera efectiva.
Para instrumentos indicadores, es suficiente estandarizar el tiempo de respuesta. A diferencia de
las características completas, esta característica es una característica dinámica parcial. El error
dinámico es otra forma de una característica dinámica parcial. La estandarización de los límites de un
error dinámico permisible es conveniente para los instrumentos de medición empleados, pero sólo se
justifica cuando la forma de las señales de entrada no cambia mucho.
Para los instrumentos de medición descritos por ecuaciones diferenciales lineales de primer y
segundo orden, los coeficientes de todos los términos de las ecuaciones pueden estandarizarse.
En los casos más simples, la constante de tiempo está estandarizada en el caso de una ecuación
diferencial de primer orden, y la frecuencia natural y la relación de amortiguamiento de las oscilaciones
están estandarizadas en el caso de una ecuación diferencial de segundo orden.
Al imponer requisitos sobre las propiedades de los instrumentos de medición, siempre es necesario
tener en cuenta cómo se verificará el cumplimiento. Para las características dinámicas, las dificultades
básicas están relacionadas con la creación de señales de prueba de forma predeterminada (con
suficiente precisión), o con el registro de la señal de entrada con un instrumento de medición
dinámicamente más preciso que el instrumento de medición cuyas propiedades dinámicas se están
comprobando.
2.6. Análisis estadístico de los errores de los instrumentos de medida 57
Si pueden crearse señales de prueba con la precisión adecuada y la característica dinámica

se encuentra con la ayuda de la señal correspondiente, es decir, una respuesta transitoria como
respuesta de una señal de función escalón unitario y una respuesta de frecuencia como respuesta
de una señal de prueba sinusoidal, entonces, en principio, los datos experimentales obtenidos
pueden procesarse sin ninguna dificultad.
Pero a veces el problema debe resolverse con una señal de prueba que no corresponde a la
señal destinada a determinar la característica dinámica completa.
Por ejemplo, uno pensaría que el problema se puede resolver dado el rastreo de señales en la
entrada y salida de un instrumento de medición. En este caso, sin embargo, surgen dificultades
especiales porque pequeños errores en el registro de la señal de prueba y la lectura de los
valores de las señales de entrada y salida a menudo conducen al hecho de que la característica
dinámica obtenida en base a ellos no se corresponde con las propiedades dinámicas del
instrumento de medición y no tienen sentido físico. Tal efecto inesperado se explica porque el
problema en cuestión es un problema mal planteado. Actualmente se está dedicando mucha
atención a tales problemas en matemáticas, automática, geofísica y otras disciplinas. Los
problemas mal planteados se resuelven mediante los métodos de regularización, que consisten
esencialmente en que se determina el grado necesario de filtrado (alisado) de la solución obtenida
a partir de información a priori sobre la solución verdadera.
En [28] se revisan los problemas de dinámica planteados incorrectamente en su aplicación a

la ingeniería de medición.
Un problema aparte, que es importante para algunos campos de medición, es la determinación
de las propiedades dinámicas de los instrumentos de medición directamente cuando se utilizan
los instrumentos. Una cuestión especialmente importante aquí es la cuestión del efecto del ruido
aleatorio sobre la precisión con la que se determinan las características dinámicas.
Esta sección, entonces, ha sido una breve revisión de los aspectos básicos del problema de
normalizar y determinar las propiedades dinámicas de los instrumentos de medida.
2.6. Análisis Estadístico de los Errores de Instrumentos

de Medida Basados en Datos Provistos por
Laboratorios de Calibración
Una característica general de los errores de toda la población de instrumentos de medida de un

tipo específico podría ser su función de distribución. Hice un intento de encontrar tales funciones
para varios tipos de instrumentos de medición. Los resultados de estas investigaciones, que se
realizaron junto con TL Yakovleva, se publicaron en [43] y [53].
Los errores de los instrumentos de medición se determinan mediante la calibración, y se

tomó la decisión de utilizar los datos proporcionados por los laboratorios de calibración. Debido
a que es imposible obtener los errores de todos los instrumentos de un tipo dado que están en
uso, el uso de un método de muestreo es inevitable.
Tabla 2.2. El ejemplo de las principales características estadísticas de errores para seis tipos de
instrumentos de medición.
Momento
Tipo de Coeficiente
instrumento Año de Tamaño de verificación de Segundo
de medición calibración punto de muestra Primero Exceso de asimetría central
59 amperímetro 1974 80 Divisiones 160 160 0,163 0,0074 ÿ0,40 0,56

1976 0,180 0,042 ÿ1,33 4,27
59 voltímetro 1974 150 Divisiones 120 108 0,050 0,063 ÿ0,47 ÿ0,29
1976 86 0,055 0,065 ÿ0,18 0,15
566 vatímetro 1974 150 divisiones 0,088 0,024 ÿ0,50 ÿ0,54
1976 83 0.062 0.021 0.05 0.81
Termómetro TH-7 1975 100 ÿC 92 ÿ0,658 0.198 0,14 ÿ0,14
1976 140 ÿ0,454 0.128 0,45 1.57
Manómetro de 1973 9,81 kPa 250 0.158 0.012 0,55 0.54
resorte estándar 1976 250 0,128 0,012 400 0,33 × 10ÿ3 0,59 ÿ0,13
Resistencia P331 1970 100 1,6 × 10ÿ2 400 0,1 × 10ÿ3 1,2 × 10ÿ2 0.82 1.08
medida 1975 0.44 2.02
Para establecer una propiedad de todo un grupo (colección general) a partir de una muestra,
las muestras deben ser representativas. La homogeneidad de la muestra es un indicador necesario
de representatividad. En el caso de dos muestras, para asegurarse de que las muestras sean
homogénea, es necesario comprobar la hipótesis H0 : F1 = F2, donde F1 y
F2 son funciones de distribución correspondientes, respectivamente, a la primera y segunda
muestras
Los resultados de la verificación, como es bien sabido, no sólo dependen del error de la
instrumento de medición que se está calibrando sino también en el error del estándar. Para
Por esta razón, los instrumentos de medición que se verifican con no menos de un quíntuple
margen de precisión fueron seleccionados para el análisis.
Además, para asegurar que las muestras sean independientes, se formaron ya sea
basado en datos proporcionados por laboratorios de calibración en diferentes regiones de la antigua
URSS o, si se utilizaron datos de un solo laboratorio, los datos se separaron
por un intervalo de tiempo significativo. El tamaño de la muestra se mantuvo aproximadamente
constante.
Discutiremos [43] primero. La Tabla 2.2 da las características estadísticas básicas de
las muestras para seis tipos de instrumentos diferentes. Para cada uno de ellos se presentan dos
muestras, obtenidas en momentos diferentes. Por brevedad, los datos se refieren a una sola
se presentan marcadores de escala numérica. La media aritmética de los valores obtenidos
acercándose continuamente al marcador verificado desde ambos lados se tomó como el
valor del error. El primer momento inicial y segundo central se dan en la misma
unidades en que se presenta el valor del punto de verificación, es decir, en fracciones de un
escala de graduación, en grados Celsius, etc. (en el poder correspondiente). errores
que excedan el doble del límite de error permisible fueron eliminados del análisis.
La prueba se realizó con la ayuda de Wilcoxon-Mann-Whitney and Siegel-
Criterio de Tukey con un nivel de significación q = 0,05. La técnica de aplicación de estos
El criterio se describe en el Capítulo 4.
2.6. Análisis estadístico de los errores de los instrumentos de medida 59
Tabla 2.3. Los resultados de probar la hipótesis de homogeneidad para muestras de seis
tipos de instrumentos de medida.
Resultado de probar la hipótesis

en base al criterio de
Tipo de
instrumento Año de punto de Wilcoxon–Mann–
de medición calibración control whitney Siegel–Tukey
59 amperímetro 1974 30 Divisiones + ÿ
1976 60 80 0 ÿ
100 0 ÿ
+ +
59 voltímetro 1974 70 Divisiones ÿ
0
1976 150 + +
566 vatímetro 1974 70 divisiones + +

1976 150 100 + +
Termómetro TH-7 1975 ÿC 150 ÿC 0 ÿ
1976 200 ÿC ÿ
+
9,81 kPa + +
Muelle estándar 1973 + +
manómetro 1976
Resistencia P331 1970 10k 0 ÿ
medida 1975 100 0 ÿ
10 0 ÿ
Los resultados del análisis se presentan en la Tabla 2.3. Rechazo de la hipótesis

se indica con un signo menos y la aceptación se indica con un signo más. El símbolo
0 significa que no se realizó una prueba basada en el criterio dado.
Los criterios de Wilcoxon-Mann-Whitney y Siegel-Tukey son sustancialmente diferentes: el
primero se basa en comparar promedios y el segundo en
comparando varianzas. Por esta razón, no es de extrañar que los casos en que la hipótesis
H0 se rechace de acuerdo con un criterio pero se acepte de acuerdo con el
se encuentran otros. La hipótesis de homogeneidad de la muestra debe rechazarse si
incluso uno de los criterios lo rechaza. Se encontró que ambas muestras eran homogéneas.
sólo para los vatímetros ÿ 566 y manómetros estándar. Para otras medidas
instrumentos, a menudo se encontró que las muestras comparadas no eran homogéneas. Eso
es interesante que en un marcador de escala, pueden ser homogéneos, en otro,
no son homogéneos (59 voltímetros y amperímetros). Los termómetros TH-7 tenían
muestras homogéneas en un rango de medición y no homogéneas en un
rango diferente Los cálculos se repitieron para niveles de significación de 0,01 y
0.1, pero en general, los resultados fueron los mismos en ambos casos.
El experimento descrito se formuló para comprobar la estabilidad de las funciones de
distribución de los errores, pero debido a que en las muestras comparadas, los instrumentos
no siempre fueron los mismos, el resultado obtenido tiene un significado diferente pero no menos importante
significado: Indica que no son homogéneos. Significa que los parámetros
de una muestra no son estadísticamente iguales a estos parámetros de otra muestra
del mismo tipo de instrumentos de medida. Así, los resultados obtenidos muestran que
Las muestras de instrumentos de medición son frecuentemente no homogéneas con respecto a
errores Por esta razón, no pueden utilizarse para determinar la función de distribución de los
errores de los instrumentos correspondientes.
Este resultado también está indicado por los resultados de [53], en el que se compararon
muestras obtenidas sobre la base de datos proporcionados para amperímetros de ø59 por cuatro
laboratorios de calibración en diferentes regiones de la antigua URSS. El número de muestras fue
igual a 150-160 en todas partes. Los errores se registraron en los marcadores numéricos de 30,
60, 80 y 100 graduaciones. A las muestras se les asignaron los números 1, 2, 3 y 4 y se
comprobaron las hipótesis H0 : F1 = F2, F2 = F3, F3 = F4 y F4 = F2 .
Las combinaciones de muestras fueron arbitrarias. La prueba de hipótesis se basó en el criterio
de Wilcoxon-Mann-Whitney con q = 0,05. El análisis mostró que podemos aceptar la hipótesis H0 :
F1 = F2 solo, y solo en el marcador 100. En todos los demás casos, la hipótesis tuvo que ser
rechazada.
Así, el método muestral no permite encontrar la función de distribución de los errores de los
instrumentos de medida. Evidentemente hay dos razones para este resultado.
La primera razón es que el stock de instrumentos de cada tipo no es constante. Por un lado, se le
añaden nuevos instrumentos que acaban de fabricarse. Por otro lado, en la verificación se
rechazan algunos instrumentos, se reemplazan algunos instrumentos y se descartan otros. La
relación entre el número de instrumentos antiguos y nuevos cambia constantemente. La segunda
razón es que los errores de los instrumentos inevitablemente cambian con el tiempo. Además,
muchos instrumentos se usan en diferentes condiciones, y las condiciones de uso afectan de
manera diferente la velocidad a la que cambian los errores instrumentales.
La inestabilidad temporal de los instrumentos de medición plantea la cuestión de si los errores

de los instrumentos de medición son, en general, lo suficientemente estables como para que una
colección de instrumentos de medición pueda describirse mediante alguna función de distribución.
En un momento fijo en el tiempo, cada tipo de instrumento sin duda puede ser descrito por la
función de distribución de errores. El otro problema es cómo encontrar esta función de distribución.
El método de muestreo simple, como vimos anteriormente, no es adecuado. Pero incluso si la
función de distribución se puede encontrar por algún método complicado, después de algún
tiempo, tendría que volver a determinarse, porque los errores y la composición del stock de
instrumentos de medición cambian. Por lo tanto, se debe concluir que la distribución de errores de
los instrumentos de medición no se puede encontrar en base a los datos experimentales.
Los resultados presentados anteriormente se obtuvieron en la antigua URSS y se estudiaron

los instrumentos fabricados en la antigua URSS. Sin embargo, no hay motivos para esperar que
los instrumentos fabricados en otros países tengan propiedades estadísticas diferentes.
3
Requisitos previos para el análisis de la
Inexactitud de las medidas y por
Síntesis de sus componentes
3.1. Relación entre error e incertidumbre

Como se mencionó, un error de medición no se puede encontrar directamente a partir de su
definición, es decir, usando la definición como un algoritmo, porque se desconoce el
verdadero valor de la cantidad medida. El problema debe resolverse realizando cálculos
basados en estimaciones de todos los componentes de la inexactitud de la medición. Esta
condición es la razón por la cual el problema del análisis, la identificación de las fuentes y
las razones de la aparición de los errores de medición y la estimación de estos errores, es
tan importante.
Llamaremos errores elementales al más pequeño de los errores de medida, en base a
cuyas estimaciones se calcula el error de medida total o la incertidumbre de medida.
Si en el análisis es posible encontrar para algunos errores elementales valores

específicos concretos, es decir, en el lenguaje de la estadística matemática, encontrar
estimaciones puntuales de estos errores, entonces estos componentes se eliminan
inmediatamente introduciendo las correcciones correspondientes. Por supuesto, esto sólo
es posible en el caso de errores sistemáticos elementales. Sin embargo, ninguna corrección
puede hacer que el resultado de la medición sea absolutamente preciso; siempre queda una
incertidumbre. En particular, las correcciones no pueden ser absolutamente precisas y, una
vez introducidas, quedan residuos de los errores correspondientes que no han sido
eliminados y que luego juegan el papel de errores elementales.
Volvamos una vez más a los términos error e incertidumbre. Durante las últimas dos
décadas o quizás un poco más, ambos se usaron en los Estados Unidos con el mismo
significado.1 Por lo tanto, eran sinónimos. Pero los sinónimos no están permitidos en un
sistema de términos adecuado, y esta situación tenía que mejorarse.
Uno pensaría que el artículo [18] proporciona la solución a este problema. La idea
principal de ese documento es que el término "error de medición" parece usarse en dos
sentidos diferentes. En un sentido, en opinión de los autores de [18], expresa que el
resultado de la medición es diferente del valor real de la cantidad medida,
1 John R. Taylor. Una introducción al análisis de errores. El estudio de la incertidumbre en las

medidas físicas. Oxford University Press, 1982. Segunda ed. 1997.
62 3. Inexactitud de las medidas y síntesis de sus componentes
mientras que en el otro sentido, refleja la incertidumbre del resultado de la medición. Por ejemplo, en el
primer caso se usaría la expresión “el error +1%”, mientras que en el segundo caso se diría “el error ±1%”.
Para distinguir el significado de la palabra “error” en estos casos, se propone que en el segundo caso se
utilice la palabra “incertidumbre” en lugar de la palabra “error”.
Para comprender el significado esencial de esta proposición, primero es necesario verificar la corrección
de los ejemplos presentados. El primer ejemplo es obvio. El segundo ejemplo requiere un poco de análisis.
Para ser precisos, la expresión “el error ±1%” significa que el error de medición es simultáneamente +1%
y ÿ1%.
Pero este resultado no puede ser, porque sólo puede haber un resultado de una medida, un valor numérico
fijo; es decir, esta expresión es incorrecta. En este caso, se debe decir "el error cae dentro del rango ±1%"
o "los límites de error son ±1%". Si se usara la expresión correcta, entonces no ocurriría la contradicción
mencionada en [18].
Así, el problema no radica en que el término error de medida tenga dos significados sino en que este
término no se utiliza correctamente. Sin embargo, se puede ver que esta propuesta elimina la sinonimia.
Pero de hecho, reemplaza el término error por el término incertidumbre porque el primer caso mencionado
anteriormente es raro; se utiliza casi únicamente en la práctica de calibración.
Una solución mucho mejor se deduce de [3] y [14]. Una inexactitud de los resultados de medición se
expresa allí con el término incertidumbre, pero cada valor numérico de incertidumbre va acompañado de
una probabilidad de confianza correspondiente. Esto último es importante y es una buena razón para tener
un término especial en este caso. Por supuesto, se podría construir un nuevo término agregando adjetivos
especiales a la raíz de la palabra error.
Por ejemplo, hay un término límites de error de confianza o simplemente error de confianza en [4]. Pero los
plazos más cortos son preferibles. Por lo tanto, utilizaremos el término incertidumbre en el presente libro
con este significado. Además, utilizaremos el término error para todos los componentes de la incertidumbre
y el término límites de error de los resultados de medición para aquellos casos en los que la causa de la
inexactitud de la medición sea el error intrínseco del instrumento de medición involucrado. En otras
palabras, el término límites de error se utilizará cuando no se pueda establecer un nivel de confianza
correspondiente. Por lo tanto, esta solución mantiene ambos términos dándoles diferentes áreas de
aplicación. Por tanto, esta solución enriquece la terminología mientras que la primera la degrada.
Me gustaría señalar que la segunda edición de Vocabulario [2] prevé ahora la

incertidumbre del término exactamente con el mismo significado que se describió anteriormente.
Por lo tanto, la imperfección de los resultados de la medición se puede describir cuantitativamente
utilizando dos términos: límites de error e incertidumbre. Se necesita otro término más para referirse a la
imperfección de las medidas. En este libro, el término inexactitud se utiliza para este propósito.
3.2. Clasificación de errores elementales

La clasificación de los errores de medición presentada en el Capítulo 1 también se aplica, por supuesto, a
los errores elementales. Continuando con el análisis, esta clasificación debe desarrollarse más.
3.2. Clasificación de errores elementales 63
La mayoría de los errores elementales se estiman mediante análisis y se encuentran límites definidos
para ellos. Dividiremos los errores elementales que tienen límites definidos en errores absolutamente
constantes y condicionalmente constantes.
Por errores elementales absolutamente constantes entendemos errores que, aunque tienen límites
definidos, permanecen iguales en mediciones repetidas realizadas en las mismas condiciones, así como
para todos los instrumentos de medición del mismo tipo.
Un ejemplo de tal error es el error causado por la inexactitud en la fórmula utilizada para determinar la
cantidad que se mide, si se han establecido los límites de este error. Otro ejemplo es el error de los
termómetros digitales, para los cuales la dependencia de la temperatura de la fem del termopar se
linealiza con la ayuda de un polinomio de grado fijo. Así, los errores elementales absolutamente
constantes son, en base a sus propiedades, errores puramente sistemáticos.
Por errores condicionalmente constantes, nos referimos a errores que tienen ciertos límites pero que
pueden variar dentro de estos límites debido tanto a la no repetibilidad como a la no reproducibilidad de
los resultados. Un ejemplo típico de tal error es el error de medición debido al error intrínseco del
instrumento de medición.
El error intrínseco, por su naturaleza, puede ser un error puramente sistemático, pero también puede
tener un componente aleatorio. Por ejemplo, para pesos, el error intrínseco no tiene un componente
aleatorio, sino que su magnitud real varía de un peso a otro. El error intrínseco de un instrumento de
medición eléctrico con aguja indicadora tiene componentes sistemáticos y aleatorios, pero en general, el
error intrínseco tiene límites definidos que son los mismos para cualquier instrumento de un tipo dado.
Un error condicionalmente constante puede incluso ser puramente aleatorio. Algunos ejemplos son el
error de redondeo en la lectura de las indicaciones de los instrumentos analógicos y el error causado por
la resolución limitada de los instrumentos digitales.
Por tanto, una propiedad fundamental de los errores elementales condicionalmente constantes es que
aunque tienen ciertos límites, pueden variar dentro de estos límites.
Un error elemental que no tiene límites estimables es el error aleatorio común
error.
Un error aleatorio, como es bien sabido, se estima después de realizar una medición.
La estimación se basa en los datos obtenidos en el curso de las mediciones. Si el error aleatorio es
significativo, la medición se realiza muchas veces. La característica principal de un error aleatorio suele
ser la desviación estándar, que se calcula a partir de los datos experimentales, y la desviación estándar
completa, y no sus componentes separados, se estima directamente. Por esta razón, no es necesario
agregar al término componente aleatorio del error de medición o, brevemente , error de medición
aleatorio, la palabra adicional elemental.
Tengamos en cuenta que el error aleatorio de una medición múltiple incluye todos los componentes
aleatorios de los errores condicionalmente constantes y, por lo tanto, puede suceder que las partes
aleatorias de los errores condicionalmente constantes en las mediciones múltiples se tengan en cuenta
dos veces.
Sin embargo, al realizar un análisis, es importante distinguir entre errores puramente aleatorios y
cuasialeatorios. Los errores puramente aleatorios pueden surgir por diferentes motivos. Por ejemplo,
pueden surgir del ruido o de pequeñas (consideradas permisibles)
variaciones en las cantidades de influencia o los componentes aleatorios de los errores del
equipo de medición.
Los errores cuasi aleatorios aparecen en mediciones de cantidades que son, por definición,
promedios cuando las cantidades que aparecen en el grupo que se está promediando son de
diferente tamaño. La diferencia no es aleatoria sino que se considera aleatoria y se caracteriza,
como en el caso de un error puramente aleatorio, por una estimación de la desviación estándar.
La clasificación de errores estudiada anteriormente recuerda a la clasificación contenida

en la Guía [1], pero esta última no separa los errores absolutamente constantes.
Hay alguna diferencia en la terminología también. La Guía evita el término error y nombra los
componentes de la incertidumbre de medición como vínculos de incertidumbre tipo A y tipo B.
La incertidumbre de tipo A se define allí como un componente de la incertidumbre de medida
que se estima mediante métodos estadísticos, mientras que la incertidumbre de tipo B se
estima mediante métodos no estadísticos. Estos términos son puramente arbitrarios y el
Vocabulario [2] no los contiene. Es importante también que el indicador de clasificación aquí
no se refiera al objeto de clasificación y sus propiedades sino al método empleado para
estimarlas y, en general, es un indicador secundario que se deriva de algo que no ha sido
identificado.
La clasificación propuesta no tiene esta deficiencia.
3.3. Modelos Matemáticos de Errores Elementales

Un error de medición y la incertidumbre se calculan en base a los datos de sus componentes;
es decir, este es un problema de síntesis, realizado matemáticamente. Correspondientemente,
los errores elementales deben ser representados por modelos matemáticos. Examinaremos
los cuatro tipos de errores elementales desde este punto de vista.
Errores absolutamente constantes. Cada uno de estos errores tiene un valor constante que es
el mismo en cualquier medida, aunque se desconoce. Sólo se conocen los límites de estos
errores. Un modelo matemático de tales errores podría ser una cantidad determinada cuya
magnitud tiene una estimación de intervalo; es decir, se encuentra dentro de un intervalo de
límites conocidos. Usaremos este modelo para errores elementales absolutamente constantes.
Podemos prever una objeción a este modelo. Algunas personas piensan que si se
desconoce el valor del error, se puede considerar como una cantidad aleatoria. Sin embargo,
esto no es correcto. Un modelo de un objeto puede construirse solo en base a lo que sabemos
sobre él y no en base a lo que no sabemos.
Hay otra objeción. Si se adopta un modelo determinado, entonces cuando se suman varios
errores absolutamente constantes, sus límites deben sumarse aritméticamente.
Este proceso es equivalente a la suposición de que todos los términos tienen valores límite y
el mismo signo, lo cual es poco probable. Esta objeción tampoco es válida. Primero, el
argumento "poco probable" no es correcto aquí, porque no estamos usando un modelo
probabilístico. En segundo lugar, el hecho de que no nos guste el resultado —la respuesta
parece exagerada— tampoco es un argumento. En matemáticas, precisamente la misma
situación se presenta en métodos de cálculos aproximados y los límites de errores se suman aritméticamente.
3.3. Modelos matemáticos de errores elementales 65
Afortunadamente, en una medición, rara vez más de uno o dos valores absolutamente constantes
existen errores, y son, por regla general, insignificantes.
Errores condicionalmente constantes. Los valores de estos errores característicamente varían de

una medición a otra y de un instrumento de medición a otro, y son diferentes bajo diferentes
condiciones. En todos los casos, sin embargo, en cada error de este tipo, los límites del intervalo
que contiene cualquier posible realización de tal error permanecen sin cambios.
Como modelo matemático de errores condicionalmente constantes, a uno le gustaría usar una
cantidad aleatoria. Por esta razón, sin embargo, es necesario conocer la función de distribución de
probabilidad correspondiente a esta cantidad aleatoria. Lo mejor de todo es que a uno le gustaría
encontrar esta función basándose en los datos experimentales. Tal intento se hizo por el error
intrínseco de los instrumentos de medición. Los resultados de tal investigación se presentaron en el
Capítulo 2. Mostraron que la función de distribución del error intrínseco y, por supuesto, la función
de distribución de los errores adicionales no se pueden encontrar a partir de datos selectivos.
Así, para adoptar un modelo de probabilidad, se debe prescribir la forma de la función de

distribución, en este caso. Es bien sabido que entre las distribuciones con límites fijos, la distribución
uniforme tiene la mayor incertidumbre (en el sentido de la teoría de la información). El error de
redondeo también tiene límites conocidos y, en matemáticas, este error se ha considerado durante
mucho tiempo como una cantidad aleatoria con una distribución de probabilidad uniforme. Por esta
razón, supondremos también que el modelo de errores condicionalmente constantes será una
cantidad aleatoria con una distribución de probabilidad uniforme dentro de los límites prescritos.
Esta sugerencia se hizo comparativamente hace mucho tiempo [41]. En la actualidad, este modelo
es ampliamente utilizado en la teoría de los errores de medida [1], [5], [6].
Errores puramente aleatorios. Dichos errores aparecen en múltiples mediciones. Se caracterizan por
la desviación estándar que se calcula a partir de los datos experimentales.
La forma de la función de distribución de errores aleatorios puede, en principio, encontrarse en

base a los datos de cada medición múltiple. En la práctica, sin embargo, el número de mediciones
realizadas en cada experimento es insuficiente para esto.
Cada vez que se realizan mediciones, se asume que la hipótesis de una distribución normal fue
verificada en el experimento anterior. Por ejemplo, cuando se comparan las medidas de masa en las
balanzas estándar del Instituto de Investigación Científica de Metrología (URSS) DI Mendeleev All-
Union, se supone que la distribución es normal, pero esto no se verifica directamente. Es cierto que
los resultados obtenidos no son incompatibles con la práctica, por lo que esta suposición está
evidentemente justificada.
En general, nunca me he encontrado con un caso en el que la normalidad de la distribución de

un error aleatorio se haya comprobado matemáticamente y esto haya dado lugar a malentendidos.
Por lo tanto, supondremos que el modelo matemático de errores aleatorios es, por regla general, una
cantidad aleatoria distribuida normal.
Errores cuasi aleatorios. Como se señaló anteriormente, estos errores ocurren cuando se miden
cantidades que son promedios por definición, y el valor de cada cantidad separada en el
grupo de cantidades que se promedian permanece constante. Esencialmente, estas cantidades
no son aleatorias, pero en conjunto pueden considerarse como una colección general.
de cantidades, que es posible de acuerdo con el objetivo de la medición,
basado en el acuerdo de los expertos. Los parámetros de la distribución que caracterizan esta
distribución deben ser determinados por acuerdo. La mayoría de las veces el estándar
desviación se elige como este parámetro.
Ahora discutiremos la cuestión de la interdependencia y correlación de errores elementales.
Matemáticamente, es preferible considerar estos errores como correlacionados
cantidades, porque este enfoque tiene una gran generalidad. Sin embargo, tal enfoque
complica el problema, y la mayoría de las veces, no se justifica. En condiciones de referencia,
todos los errores elementales son independientes y no están correlacionados.
Se pueden encontrar excepciones en las mediciones realizadas en condiciones normales de
funcionamiento, especialmente en el caso de mediciones indirectas y mediciones
realizado con la ayuda de sistemas de medición, cuando una y la misma influencia
cantidad da lugar a apreciables errores adicionales en varios instrumentos o componentes en el
canal de medida del sistema. Un ejemplo es una medida
en el que se utiliza un transductor de medida, un amplificador y un instrumento de trazado automático.
empleado. Un cambio en la temperatura del medio puede hacer que estos dispositivos
adquirir un error adicional inducido por la temperatura. Obviamente, estos errores adicionales
estarán interrelacionados.
3.4. Métodos para describir cantidades aleatorias

Las cantidades aleatorias se estudian en la teoría de la probabilidad, un campo bien desarrollado
de las matemáticas Las propiedades de una cantidad aleatoria están completamente descritas por
la función de distribución F(x), que determina la probabilidad de que una
cantidad X asumirá un valor menor que x:
F(x) = P{X < x}.
La función de distribución es una función no decreciente, definida de modo que F(ÿÿ) = 0

y F(+ÿ) = 1.
Junto con la función de distribución F(x), que se dice que es acumulativa o
integral, la función diferencial, generalmente llamada densidad de probabilidad f (x), es
también ampliamente empleado:
dF (x)
f (x) = .
dx
Llamamos la atención sobre el hecho de que la densidad de probabilidad es una función dimensional:
1
tenue f (x) = tenue .
X
3.4. Métodos para describir cantidades aleatorias 67
Figura 3.1. (a) La distribución de probabilidad y (b) la densidad de probabilidad para una
distribución normal (a la izquierda) y una distribución uniforme (a la derecha) de cantidades
aleatorias continuas.
En la práctica de las mediciones precisas, la mayoría de las veces se trata de distribuciones

normales y uniformes. La Figura 3.1(a) muestra funciones integrales de estas distribuciones, y
la Figura 3.1(b) muestra las densidades de probabilidad de las mismas distribuciones.
Para la distribución normal, tenemos
1
2/2ÿ2 f (x) = ÿ ÿ2ÿeÿ(xÿA) ,
1 X
F(x) = ÿ eÿ (xÿA) 2/2ÿ2 dx, (3.1)

ÿ2ÿ ÿÿ
El parámetro a2 es la varianza y A es la expectativa matemática de la cantidad aleatoria.
El cálculo de F(x) para algún x f fijo da la probabilidad P{X < x f } = Pf .

Cuando se usa la gráfica de f (x) para calcular esta probabilidad, es necesario encontrar el
área bajo la curva a la izquierda del punto x f en la figura 3.1(b).
La función de distribución normal obtenida al transformar a la cantidad aleatoria z = (X
ÿ A)/ÿ se emplea ampliamente en los cálculos:
1 1 Con
z2/2 f (z) = ÿ2ÿ mi ÿ , F(z) = e ÿ y2 / 2 día. (3.2)

ÿ2ÿ ÿÿ
Tablas de valores de la función (z) definida por la expresión
1 Con
(z) = e ÿ y2 / 2 día (3.3)

ÿ2ÿ 0
y llamada la función gaussiana normalizada se dan a menudo.

Es obvio que para z ÿ 0
F(z) = 0,5 + (z).
La rama para z < 0 se encuentra en base a consideraciones de simetría:
F(z) = 0,5 ÿ (z).
Una tabla de la función (z) se da en el Apéndice (Tabla A.1).

La distribución normal es notable porque de acuerdo con el teorema del límite central, una suma de un
número infinito de cantidades aleatorias infinitesimales con una distribución arbitraria tiene una distribución
normal. En la práctica, la distribución de la suma de un número comparativamente pequeño de cantidades
aleatorias ya se encuentra cerca de una distribución normal.
La distribución uniforme se define como
ÿ 0, x < re,
1
f (x) = , re ÿ x ÿ segundo,
ÿÿÿ
segundo -
ÿÿÿ
re 0, x > b,
(3.4)
ÿ 0 x < re,
x ÿ re
F(x) = , re ÿ x ÿ segundo,
ÿÿÿ
segundo -
ÿÿÿ
re 1, x > b.
También usaremos la distribución uniforme a menudo.

Además de las variables aleatorias continuas, también se encuentran variables aleatorias discretas en
metrología. Un ejemplo de una función de distribución integral y la distribución de probabilidad de una
variable aleatoria discreta se dan en la Fig. 3.2.
Las funciones de distribución son características completas de cantidades aleatorias, pero no siempre
son convenientes para usar en la práctica. Por esta razón, cantidades aleatorias
Figura 3.2. (a) La distribución de probabilidad y (b) la distribución de probabilidades de

una cantidad aleatoria discreta.
3.4. Métodos para describir cantidades aleatorias 69
también se describen por sus características numéricas, y se emplean los momentos de

cantidades aleatorias.
Los momentos iniciales mk (momentos alrededor de cero) y los momentos centrales µk (mo
mentos sobre el valor medio) de orden k se definen mediante las fórmulas
ÿ
mk = E[Xk ] = xk f (x)dx,
ÿÿ
norte
(3.5)
mk = E[Xk ] = xkyo pi .
yo=1
ÿ
µk = E[X ÿ E[X]]k = (x ÿ E[X])k f (x)dx,

ÿÿ
norte
(3.6)
µk = E[X ÿ E[X]]k = (xi - E [X]) k pi .
yo=1
En las relaciones (3.5)–(3.8), las primeras fórmulas se refieren a cantidades aleatorias continuas y la
segunda a cantidades aleatorias discretas.
De los momentos iniciales, el primer momento (k = 1) es el que se emplea con mayor frecuencia. Da
la expectativa matemática de la cantidad aleatoria
ÿ
m1 = E[X] = xf (x)dx,
ÿÿ
norte
(3.7)
m1 = E[X] = xipi . _
yo=1
norte
Se asume que i=1 pi = 1; es decir, se estudia el grupo completo de eventos.

De los momentos centrales, el segundo momento (k = 2) juega un papel especialmente importante.
papel importante. es la varianza de la cantidad aleatoria
ÿ
2 2
µ2 = V[X] = E[(X ÿ m1) ]= (x - m1) f (x) dx,
ÿÿ
norte
(3.8)
2
µ2 = V[X] = E[(X ÿ m1) ]= (xi - m1) 2pi _ _
yo=1
La raíz cuadrada positiva de la varianza se denomina desviación estándar de la cantidad

aleatoria
ÿ = + V[X]. (3.9)
En consecuencia, V[X] = ÿ2.

Los momentos centrales tercero y cuarto también se utilizan en aplicaciones. Se utilizan
para caracterizar la simetría y la nitidez de las distribuciones. La simetría se caracteriza por
el sesgo a = µ3/ÿ3, y la nitidez se caracteriza por el exceso e = µ4/ÿ4. Este último se define
algunas veces como e = µ4/ÿ4 ÿ 3.
La distribución normal está completamente caracterizada por dos parámetros: m1 = A y
ÿ. Para ello, característicamente, a = 0 y e = 0. La distribución uniforme también es
determinado por dos parámetros: m1 = A y l = d ÿ b. Es bien sabido que
2 2
re + segundo (d - b) yo
m1 = , V[X] = = (3.10)
2 12 12
En lugar de l, a menudo se usa la cantidad h = l/2. Entonces V[X] = h2/3 y ÿ(X) =

h/ ÿ3.
3.5. Construcción de la Composición

de Distribuciones Uniformes
Por tanto, hemos adoptado la distribución uniforme como modelo matemático de errores
elementales condicionalmente constantes. Al resolver el problema de la síntesis de estos
errores, hay que saber construir la composición de distribuciones uniformes.
La solución teórica de este problema es bien conocida y se presenta, por
ejemplo, en [52]. Para nuestros propósitos, es interesante aclarar la posibilidad de
construir una solución simplificada para el problema aplicado en cuestión.
Considere n cantidades aleatorias xi (i = 1,..., n), cada una de las cuales tiene un
distribución centrada en cero en el intervalo [ÿ1 ; +1 ]. Introducimos la notación
2 2
ÿ= norte
Las densidades de probabilidad de la suma de estas cantidades aleatorias tiene

i= 1xi . la
forma
1 norte nÿ1 norte nÿ1

fn (ÿ) = ÿ+ - C1 ÿ+ ÿ1
(n - 1)! 2 norte
2
norte nÿ1
+ C2 ÿ+ ÿ2 +··· ,
norte
2
donde la suma debe incluir solo aquellos términos en los que el aditivo de ÿ, es decir, n/2,
(n/2 ÿ 1), y así sucesivamente, es no negativo para un valor dado de n; por ejemplo, si n = 2,
después
ÿ 0, ÿ ÿ ÿ1,
ÿ + 1, ÿ1 < ÿ ÿ 0,
f2(ÿ) = (ÿ + 1) ÿ 2ÿ =
ÿÿÿÿ
1 - ÿ, 0 ÿ ÿ < 1,
ÿÿÿÿ 0, 1 < ÿ.
La densidad de probabilidad de la suma de dos términos tiene la forma de un triángulo. Para

n = 3, la gráfica de f3(ÿ) consta de tres segmentos de una parábola cuadrática y
se parece mucho a la curva de una distribución normal. Para n = 4, esta distribución
La función es casi indistinguible de la distribución normal.
Dada la ecuación para la densidad de probabilidad, no es difícil encontrar la
función de distribución de probabilidad
1 norte norte norte norte norte norte
Fn(ÿ) = n! ÿ+2 - C1 ÿ+2 ÿ1 + C2 ÿ+2 ÿ2 +··· .

norte norte
(3.11)
3.5. Construcción de la Composición de Distribuciones Uniformes 71
En la práctica, sin embargo, es deseable tener una forma más simple y conveniente
solución. Esta solución puede encontrarse teniendo en cuenta que, de conformidad con
con el principio de estimación del error de arriba, estamos interesados en los límites ±ÿ
para la suma de los componentes tal que la probabilidad P{|ÿ| ÿ ÿ} > 0,9.
Teniendo en cuenta la última observación, examinaremos la función de distribución
Fn(ÿ) en los intervalos extremos [ÿn/2, ÿn/2 + 1] y [n/2 ÿ 1, n/2].
Para una sección, (3.11) asume la forma
ÿ 1 norte
norte
norte norte
ÿ+ para <ÿÿ + 1,
¡norte! 2 ÿ2 2
Fn (ÿ) =
ÿÿÿ 1 norte
norte
norte norte
1- ÿÿ2 para ÿ 1 <ÿ< 2 .

ÿÿÿ ¡norte! 2
La composición de las distribuciones es simétrica con respecto al eje de ordenadas.

Discutiremos cómo calcular, dada la distribución de probabilidad, los límites
del intervalo de confianza correspondiente a un valor fijo ÿ de la confianza
probabilidad. Los límites del intervalo de confianza correspondiente a ÿ son ±ÿÿ.
Por definición, la probabilidad de que el verdadero valor de una cantidad se encuentre dentro del
intervalo de confianza [ÿÿ, +ÿ] es ÿ. Por lo tanto, la probabilidad de que la cantidad
no se encuentra en el intervalo de confianza es (1 ÿ ÿ). Si la distribución es simétrica
con respecto a 0 (y estamos estudiando una distribución simétrica), entonces la probabilidad
que la cantidad tomará un valor menor que ÿÿ será igual a la probabilidad
que tomará un valor mayor que +ÿ. Estas probabilidades son obviamente iguales
a (1 ÿ ÿ)/2.
Considere primero la rama izquierda de la función de distribución. La probabilidad
correspondiente al punto ÿÿ [los argumentos (puntos) de la función de distribución
también se denominan cuantiles de la distribución] es igual a P{ÿ ÿ ÿÿ} = (1 ÿ ÿ)/2.
Ahora consideraremos la rama de la derecha. La probabilidad de que ÿ ÿ +ÿ
obviamente ser igual a 1 ÿ [(1 ÿ ÿ)/2] = (1 + ÿ)/2.
Ahora volveremos a nuestro problema. Dados Fn(ÿ) y ÿ, debemos encontrar
los cuantiles ÿÿ y +ÿ. Sus valores absolutos son iguales. Por esta razón, vamos a
solo calculamos ÿÿ, y tenemos la condición
1 norte
norte
1 - un
P{ÿ ÿ ÿÿ} = Fn(ÿÿ) = n! ÿÿ + = , (3.12)
2 2
a partir de la cual se puede calcular ÿ. Representaremos de la siguiente forma los valores

de ÿ encontrado a partir de la fórmula (3.12):
norte
2
voluntad = k yo
yo
, (3.13)
yo=1
donde ÿi es el límite del rango de valores de xi(ÿÿi ÿ xi ÿ +ÿi), donde k es un

factor de corrección.
En el caso que nos ocupa, ÿi = 1/2 para todo i = 1,... , n; es decir,
ÿ = k ÿn/2, k = 2ÿ/ÿn. (3.14)

Tabla 3.1. Valores del coeficiente k en función del número de

términos y probabilidad de confianza.
Valores del coeficiente k para probabilidad de confianza ÿ
Número de términos n 0.90 0,95 0.99 0.9973
2 0,97 1.10 1,27 1.34

3 0,96 1.12 1,37 1.50
ÿ
4 1.12 1,41 1.58
ÿÿÿ
5 1.64
... ... ... ... ...
ÿ 0,95 1.13 1.49 1.73
ÿ
Casos para los que no se calcula el coeficiente k , porque un intervalo no es suficiente
por eso
La fórmula (3.13) es conveniente para los cálculos y, por esta razón, investigaremos la
dependencia del coeficiente k con respecto a ÿ y n. Los cálculos se realizan
como sigue. Dados ÿ y n, encontramos ÿ de (3.12). A continuación, el factor de corrección k es
encontrado para los valores dados de ÿ y n de la fórmula (3.13) o (3.14).
Por ejemplo, sea ÿ = 0,99 y n = 4. Entonces (1 ÿ ÿ)/2 = 0,005. Vamos a comprobar
si el valor de ÿ correspondiente a esta probabilidad cae dentro del extremo izquierdo
intervalo [ÿ2, ÿ1]. Por esta razón, hallaremos la probabilidad correspondiente a
el valor más alto de ÿ en este intervalo, es decir, F4(ÿ1):
1 1
F4(ÿ1) = = 0,041.
4!(ÿ1 + 2)4 = 1×2×3×4
Como 0.005 < 0.041, el valor de ÿ que nos interesa se encuentra en este intervalo.
Sustituyendo los datos iniciales en (3.12), encontramos ÿ:
1
ÿ = 1,41.
4!(ÿÿ + 2)4 = 0.005, ÿÿ + 2 = ÿ4 24 × 0.005,
Habiendo encontrado ÿ, obtenemos de la fórmula (3.14):
2 × 1,41
k= = 1,41.
ÿ4
Los valores de k para otros valores de ÿ y n se calcularon de manera análoga y son

presentado en la Tabla 3.1.
El valor de k para n ÿ ÿ se encontró usando el hecho de que en virtud de la central
teorema del límite, la distribución resultante puede considerarse normal.
Podemos escribir
norte norte norte
ÿ= xi, V[ÿ] = V V [xi], E[xi] = 0.

yo=1 yo=1 xi ! = yo=1
3.5. Construcción de la Composición de Distribuciones Uniformes 73
2
Pero, como es bien sabido, V[xi] = ÿ i /3. Por lo tanto
norte
2
yo
yo
1
norte
yo=1 2
V[ÿ] = , ÿ[ÿ] = yo
yo
. (3.15)
3 3
yo=1
Así, si n ÿ ÿ, tenemos una cantidad aleatoria con distribución normal N(0, ÿ).
Calcularemos el valor absoluto de los límites del intervalo de confianza
desde su límite superior ÿ = zpÿ, donde zp es el cuantil de la distribución normal

correspondiente a la probabilidad p = (1 + ÿ)/2 (ver arriba). Así, obtenemos
norte
zp 2
ÿ= yo ._ _ (3.16)
ÿ3 yo=1
Comparando (3.16) con (3.13), encontramos
= zp
k .
nÿÿ
ÿ3
Para ÿ = 0,9973, obtenemos zp = 3 y k = 1,73.

Mirando la tabla así obtenida (Tabla 3.1), cabe señalar que
el factor de corrección k tiene la interesante propiedad de que para ÿ ÿ 0.99, es virtualmente
independiente del número de términos. Podemos hacer uso de esta propiedad y tomar
para k los valores medios:
0,90 0,95 0,98 0,99

k 0,95 1,10 1,30 1,40
El error causado al usar los valores promedio de k, como se puede ver al comparar
ellos con los valores exactos dados en la Tabla 3.1, no excede el 10%.
El pequeño efecto del número de términos indica indirectamente que no es necesario
suponer, como se hizo anteriormente, que todos los ÿi son iguales. Así, si uno de los términos ÿl es
reducido, entonces en el límite, en lugar de n, obtenemos n ÿ 1 términos. el valor de la
factor k, sin embargo, en el proceso se mantiene prácticamente sin cambios. Si por el otro
lado, ÿl aumenta gradualmente, luego el factor k disminuirá.
La dependencia de k del cociente c = ÿl/ÿ0 para ÿ = 0,99 se muestra en la figura 3.3; ÿ0
es el valor absoluto de los términos restantes, que se suponen iguales.
El factor k también se puede calcular usando las fórmulas que aproximan las curvas
presentado en la Fig. 3.3. Para ÿ = 0,99 y n = 4, esta fórmula es
thl
k = 1,45 ÿ 0,05 . (3.17)
ÿ0
La fórmula (3.16) se puede usar en lugar de (3.13) para calcular ÿ cuando el número
de términos es grande. Sin embargo, como se desprende de la estimación presentada anteriormente de la
error de los cálculos basados en la fórmula (3.13), la precisión no se puede aumentar
en más del 10% (para ÿ = 0,99). Al mismo tiempo, la fórmula (3.13) también es útil
Figura 3.3. El coeficiente k en función del cambio en uno de los términos con respecto
a los otros términos (n = 2, 3, 4).
para sumar un pequeño número de términos. Por esta razón, para cálculos prácticos,
es preferible la relación (3.13).
3.6. Método universal para construir

la composición de distribuciones
En el caso general, para combinar cantidades aleatorias, es necesario construir la
composición de las distribuciones de los términos. Si las funciones de distribución se
dan analíticamente, entonces su composición se encuentra ya sea por integración
directa de las derivadas de las funciones o usando las funciones características, lo que
generalmente simplifica la solución.
En la práctica, sin embargo, la forma analítica de las funciones de distribución
suele ser desconocida. Sobre la base de los datos experimentales, solo es posible
construir un histograma, e inevitablemente se comete un error al pasar del histograma
a la función de distribución. Por ello estudiaremos la sumatoria de cantidades aleatorias
cuya distribución viene dada por histogramas y no por funciones de distribución [30].
Supongamos que se requiere encontrar la función de distribución de la cantidad

aleatoria ÿ = ÿ1 +···+ ÿn, donde ÿi es una cantidad aleatoria dada por un histograma
con mi intervalos en la región de valores posibles de ÿi con los límites ai y bi .
Así, el intervalo
[ai, bi] = li1 + li2 +... + limi, i = 1,..., n.

3.6. Método universal para construir la composición de las distribuciones 75
Figura 3.4. Histograma de la distribución

de alguna cantidad aleatoria.
Supondremos que la probabilidad de que la cantidad aleatoria caiga dentro de cada

intervalo del histograma es igual al área de la parte del histograma que corresponde a
este intervalo (el área de la columna correspondiente del histograma):
P{zi e lik } = pik ,
donde k = 1, ..., mi es el número del intervalo del histograma de la distribución de la

cantidad aleatoria ÿi .
La figura 3.4 muestra como ejemplo un histograma con cinco intervalos de igual longitud
li = l, de modo que bi ÿ ai = 5l. Para este histograma,
pi1 = W1l, pi2 = W2l,..., pi5 = W5l,
donde W1,..., W5 son las alturas de las columnas del histograma; por construcción,
5
el área de todo el histograma es igual a la unidad; es decir, k=1 pik = 1.
Recordamos que en la construcción de histogramas (que se construyen a partir de
datos empíricos), la altura de la columna de cada intervalo se obtiene dividiendo el
frecuencia relativa con la que los valores caen dentro del intervalo correspondiente por
la longitud de este intervalo. Esta frecuencia es una estimación obtenida empíricamente de
la probabilidad del evento correspondiente.
A continuación, representaremos cantidades aleatorias continuas por cantidades
aleatorias discretas correspondientes a ellas. Por esta razón denotamos por aik el centro de cada
intervalo lik e introducimos una nueva cantidad aleatoria ÿi , que corresponde a la
cantidad aleatoria ÿi tal que ÿi asume el valor aik con probabilidad pik . Este resultado
es posible, porque de lo que hemos dicho anteriormente, es obvio que
yo
pico = 1 para todos i = 1,..., n.

k=1
Es deseable representar los datos obtenidos para cada cantidad aleatoria ÿi por un
tabla de la siguiente forma:
ai2 aimi
ÿi
pi2 alfiler
Estudiaremos ahora la variable aleatoria ÿ = ÿ1 + ÿ2 +···+ ÿn. Obtenemos todos

sus posibles valores clasificando todas las combinaciones de las realizaciones obtenidas
de aik de los componentes ÿi .
Para los cálculos, es conveniente anotar los posibles valores de las
cantidades aleatorias en una sola tabla de la forma
h1 a11 ... a1m1 ,

ÿ2 a21 ... a2m2 ,
····
en an1 ... amn .
A continuación calculamos los valores de la cantidad aleatoria ÿ que corresponden a cada

posible combinación de realizaciones de las cantidades aleatorias ÿi ,
ÿt = a1k1 + a2k2 +···+ ankn
y las probabilidades correspondientes, que encontramos a partir de la fórmula
pt = P{ÿ1 = a1k1 , ÿ2 = a2k2 ,...} = #n recoger _ (3.18)

yo=1
Sumando las probabilidades que corresponden a una misma realización ÿt = at ,

obtenemos la probabilidad de que la cantidad aleatoria ÿ asuma cada valor posible
de la serie de a1,..., aN .
El número de combinaciones de términos será $n i = 1 milla , sino porque entre ellos
hay términos cuyos valores son los mismos,
norte ÿ #n nosotros _ (3.19)

yo=1
Los datos obtenidos permiten construir una función escalonada de la distribución

F1(x) de la cantidad aleatoria ÿ:
F1(x) = P{ÿ = en}, en ÿ x. (3.20)

t
La curva F1(x) es la primera aproximación a la función de distribución F(x) buscada.

La función de paso obtenida se puede suavizar mediante el método de interpolación lineal.
como sigue.
Encontramos el centro de los intervalos [en, en+1] con t = 1,..., N ÿ 1:
en+1 + en
ÿt = 2 . (3.21)
Desde los puntos ÿt , elevamos perpendiculares hasta la línea quebrada F1(x). Nosotros
obtener puntos con las coordenadas (ÿt, F1(x)) para t = 1,..., N ÿ 1. A los puntos
obtenido, asociamos puntos en los que la función de distribución asume los valores
F1(ÿ0) = 0 y F1(ÿn) = 1:
norte norte
ÿ0 = ai, ÿN = con _ (3.22)

yo=1 yo=1
Uniendo los N + 1 puntos así obtenidos con rectas, obtenemos la función F2(x), que es la
aproximación buscada.
El método presentado arriba da una solución al problema usando toda la información
disponible y no introduce distorsiones. En el caso general, sin embargo, V[ÿi] = V[ÿi] y la
varianza de la cantidad aleatoria con la distribución F1(x) o F2(x) pueden diferir de la
varianza de la cantidad aleatoria ÿ. Por esta razón, si
los términos son independientes, la varianza de su suma debe calcularse de manera
estándar utilizando la fórmula
norte norte
V[ÿ] = V V ()i).
yo=1 ! yo ! = yo=1
Observamos que para n > 5, la distribución de la suma de términos puede considerarse

como una distribución normal, que está completamente determinada por la varianza y la
expectativa matemática. Ambos parámetros se pueden calcular fácilmente a partir de los
parámetros de los términos
norte norte
E[ÿ] = mi [ÿi], V[ÿ] = V [ÿi],

yo=1 yo=1
y por esta razón, los cálculos presentados anteriormente son útiles solo si el número de
términos n < 5.
También se debe tener en cuenta que el método presentado anteriormente para construir
una composición de distribuciones también es útil en el caso de que las distribuciones de
las cantidades aleatorias se den en forma analítica. La curva suave que expresa la densidad
de la distribución de la cantidad aleatoria ÿi se reemplaza por una curva escalonada con mi
pasos, de manera que el área que limita, como también el área bajo la curva suave, es igual
a la unidad. Si las ramas de la curva suave de la función de distribución se aproximan
asintóticamente al eje de abscisas, esta distribución se reemplaza por una distribución
truncada.
También es obvio que este método es útil tanto para el caso de cantidades discretas
ÿi y para el caso mixto.
En general, el método examinado anteriormente es esencialmente un algoritmo para
construir numéricamente la composición de distribuciones y puede implementarse fácilmente
con la ayuda de computadoras.
Ilustraremos el método con un ejemplo. Sea ÿ = ÿ1 + ÿ2, donde ÿ1 tiene
una distribución normal con la densidad
1
f1(x) = ÿ2ÿ eÿ(xÿ2)2/2 ,
y ÿ2 tiene una distribución con densidad uniforme f2(x) = 1/6.

Para una distribución normal con los parámetros A = 2 y ÿ = 1, tomaremos el dominio de
ÿ1 como [A ÿ 3ÿ, A + 3ÿ] = [ÿ1, 5]. Dividimos este intervalo en cinco intervalos (m1 = 5),
dispuestos simétricamente en relación con el punto 2, la expectativa matemática:
[ÿ1, 5] = [ÿ1, 0,5] + [0,5, 1,5] + [1,5, 2,5] + [2,5, 3,5] + [3,5, 5].
Para la cantidad aleatoria ÿ2, cuyo dominio es el intervalo [ÿ3, 3] y que tiene
una distribución con una densidad uniforme, asumimos m2 = 3:
[ÿ3, 3] = [ÿ3, ÿ1] + [ÿ1, 1] + [1, 3].
Luego calculamos la probabilidad de que las cantidades aleatorias caigan en los

intervalos correspondientes. Para la distribución normal, tenemos
0.5 1
p11 = eÿ(xÿ2)/2 dx = 0.067,
ÿ1 ÿ2ÿ
1.5 1
p12 = eÿ(xÿ2)2/2 dx = 0.242,
0.5 ÿ2ÿ
2.5 1
p13 = eÿ(xÿ2)2/2 dx = 0,382.
1.5 ÿ2ÿ
En vista de la simetría de la distribución normal
p14 = p12 = 0,242, p15 = p11 = 0,067.
Para la distribución uniforme

ÿ1 1 1 1 1 1 3 1 1
p21 = dx = 6 , p22 = dx = 6 , p23 = dx = 3 .
ÿ3
3 ÿyo
3 1
3
A continuación encontramos los centros de los intervalos construidos:
ÿ1 + 0,5 0,5 + 1,5

a11 = = ÿ0.25, a12 = = 1,
2 2
1,5 + 2,5 2,5 + 3,5 3.5 + 5

a13 = = 2, a14 = = 3, a15 = = 4,25,
2 2 2
ÿ3 ÿ 1 ÿ1 + 1 1+3
a21 = = ÿ2, a22 = = 0, a23 = =2
2 2 2
Este proceso determina ÿ1, que asume valores a1k con probabilidades p1k , donde
k = 1, . . . , 5 y ÿ2, que asume valores a2k con probabilidades p2k , donde k =
1, 2 y 3. Como resultado de los cálculos hemos obtenido
2 3 4.25,
ÿ1 % p1k 0,067
a1k ÿ0.25 1 ÿ20,242
% 0,382 0,242 0,067,
0,333 0,333 0,333.

a2k ÿ202
p2k ,
A continuación pasamos a la cantidad aleatoria ÿ = ÿ1 + ÿ2. Estimamos el número de

términos diferentes ÿ a partir de la fórmula (3.19). En nuestro caso, m1 = 5, m2 = 3 y
N ÿ 15.
Representaremos los valores obtenidos para ÿ1 y ÿ2 en forma de tabla:
ÿ1 ÿ0.25 1 3 4.25, 2
ÿ2 ÿ2.00 0 2 — —,
Encontramos los valores de ÿ = ÿ1 + ÿ2 con la ayuda de esta tabla. el orden de los

Los cálculos se explican en la Tabla 3.2.
A continuación, ordenamos los valores de ÿt en orden creciente. A cada valor de ÿt hay
corresponde una única probabilidad pt . Si se encuentra el mismo valor de ÿt
varias veces, entonces la probabilidad de este valor se toma como la suma de estos
probabilidades Obtenemos
ÿt ÿ2,25 ÿ1 ÿ0,25 0 1 1.75 2
punto 0.022 0.081 0,022 0,127 0,162 0,022 0,127
2.25 3 4 4.25 5 6.25

ÿt pt 0,22 0,162 0,127 0,022 0,081 0,022
Como ÿ = 1 y ÿ = 2 se encontraron dos veces, N = 13.

Con base en los datos obtenidos, usando (3.20), no es difícil construir F1(x).
Los valores de esta función en los intervalos encontrados se presentan en la Tabla 3.3, y
el gráfico correspondiente se da en la Fig. 3.5 en forma de línea escalonada.
Encontramos ÿt para t = 1,..., 12 de (3.21), y determinamos ÿ0 y ÿ13 de
(3.22). Utilizando estos cálculos, así como los datos de la tabla 3.3, construimos la
función de distribución F2(x). La función F2(x) se grafica en la Fig. 3.5 como un
Tabla 3.2. Datos para clasificar

variantes de sumas de las cantidades aleatorias ÿ1
y ÿ2 y las probabilidades correspondientes.
la pags
ÿ0,25 ÿ 2 = ÿ2,25
ÿ0,25 + 0 = ÿ0,25 ÿ0,25 0,067 × 0,333 = 0,022
+ 2 = 1,75
1 ÿ 2 = ÿ1
1+0=11 0,242 × 0,333 = 0,081
+2=3
2ÿ2=0
2+0=22 0,382 × 0,333 = 0,127
+2=4
3ÿ2=1
3+0=33 0,242 × 0,333 = 0,081
+2=5
4,25 ÿ 2 = 2,25
4,25 + 0 = 4,25 4,25 0,067 × 0,333 = 0,022
+ 2 = 6,25
Tabla 3.3. Datos para el paso

aproximación a la distribución
función de una suma de dos aleatorios
cantidades estudiadas.
X F1(x)
ÿÿ ÿ2,25 0.000
ÿ2,25 ÿ1,00 0.022
ÿ1,00 ÿ0,25 0.103
ÿ0,25 0,00 0.125
0,00 1,00 0.252
1,00 1,75 0.414
1.75 2.00 0.436
2.00 2.25 0.563
2.25 3.00 0.585
3.00 4.00 0.747
4.00 4.25 0.874
4.25 5.00 0.896
5.00 6.25 0.978
6.25 ÿ 1.000
línea que conecta los puntos (ÿt, F1(ÿt)) para t = 0,..., 13. Los valores numéricos de
F2(x) para x = ÿt , donde t = 0, . . . , 13 se presentan en la Tabla 3.4.
Como ya hemos mencionado, la aproximación de la distribución límite
La función F(x) por F2(x) se puede mejorar reduciendo las subdivisiones de la
dominios de las cantidades aleatorias iniciales.
Figura 3.5. Aproximaciones escalonadas y lineales de la función de distribución.

3.7. Límites naturales de medidas 81
Tabla 3.4. Datos para el lineal

aproximación a la distribución
función de la suma de dos
cantidades aleatorias estudiadas.
t ÿt F2(x)
0 ÿ4,00 0.000
1 ÿ1,62 0.022
2 ÿ0,62 0.103
3 ÿ0,14 0.125
4 0,50 0.252
5 0,14 0.414
6 1.87 0.436
7 2.12 0.563
8 2.62 0.585
9 3.50 0.747
10 4.12 0.874
11 4.62 0.896
12 5.62 0.978
13 8.00 1.000
Es interesante notar que la solución dada arriba hace posible encontrar el

aristas de la función de distribución F2(x) sin construir toda la función.
En muchos casos, este es el principal problema.
3.7. Límites naturales de medidas

Para la metrología como ciencia de las medidas, es de fundamental interés
estimar las posibilidades limitantes de las mediciones. En primer lugar, extremadamente pequeño y
deben estimarse cantidades mensurables extremadamente grandes. A continuación, en el caso de que
se miden valores instantáneos, la cuestión de la tasa máxima de cambio
de la cantidad surge. Para funcionales, como la corriente efectiva, es importante
establecer tanto la frecuencia máxima como la mínima del proceso inicial.
Obviamente es posible agregar a esta lista.
Entre todos los parámetros limitantes, los límites inferiores de las mediciones son los de mayor importancia.
interés, porque están determinados por las limitaciones físicas, es decir, naturales.
Comparando estos límites con los límites que permiten los instrumentos de medida reales
permite juzgar el nivel de desarrollo de los instrumentos de medida y
estimula mejoras en su construcción. Por ello, nos limitaremos
nuestra atención a los límites naturales de las medidas.
3.7.1. Limitaciones impuestas por el ruido térmico

Las mediciones siempre van acompañadas de una interacción del objeto de estudio.
y los instrumentos de medida. Por ello, las posibilidades limitantes de
las medidas deben ser estimadas para los instrumentos de medida junto con
el objeto de estudio—el portador de la cantidad física.
Primero estudiaremos instrumentos que tienen un sistema de movimiento inercial y elástico
elementos que la mantienen en una posición de equilibrio. Ejemplos son galvanómetros,
algunos tipos de saldos, y así sucesivamente. Tales sistemas son modelados matemáticamente por
(2.3) y (2.4). La parte móvil de estos instrumentos es bombardeada continuamente por
moléculas de aire (y moléculas de líquido, si las oscilaciones son amortiguadas por un líquido).
En promedio, el número de impactos y su efecto son los mismos en todos los lados de la
sistema. Pero en cualquier momento dado, el efecto de los impactos de un lado puede ser
mayor que del otro lado, mientras que en el siguiente instante, la situación se invierte.
Como resultado, las observaciones cuidadosas revelan oscilaciones continuas de la parte móvil
del instrumento alrededor de la posición de equilibrio. Estas fluctuaciones limitan la
posibilidades de instrumentos.
De acuerdo con un conocido teorema de la física estadística, en el estado de temperatura
equilibrio con un medio a temperatura T se le , a cada grado de libertad del cuerpo,
asocia una energía media de fluctuaciones igual a ¯ÿ = kT/2, donde k
es la constante de Boltzmann. La parte móvil de un instrumento tiene un grado de
libertad. Por esta razón, la energía media de las fluctuaciones del móvil
parte es igual a ¯ÿ. Pero esta energía es igual a la energía de deformación promedio del elástico.
elementos P¯ = Wÿ2/2, donde W es la rigidez de los elementos elásticos y ÿ es
la deformación, es decir, el desplazamiento de la parte móvil. De la igualdad ¯ÿ = P¯ it ,
sigue que
kT
a2 = . (3.23)
En
Transformaremos esta fórmula, introduciendo en ella las cantidades medidas. Eso

Es obvio que tal transformación no puede ser universal: Depende del tipo de
cantidad medida y en el principio de funcionamiento del instrumento. Considerar,
por ejemplo, un galvanómetro de bobina móvil. De la relación entre la corriente
fuerza I en el régimen de estado estacionario, tenemos ÿW = I, donde es el magnético
constante del galvanómetro. Además, los parámetros de operación ÿ y ÿ0 son
relacionado con los parámetros estructurales J, P y W, donde J es el momento de inercia
de la parte móvil y P es la constante de amortiguamiento [ver (2.3) y, por ejemplo,
[42]], ÿ2 0 = W/J , y 2ÿ/ÿ0 = P/ W.
Con la ayuda de estas relaciones, (3.23) se puede transformar de la siguiente manera:
kTW kT En kT oh0
yo 2 = = = .
2 R PAGS R 2b
Aquí R es la suma de las resistencias de la bobina móvil del galvanómetro

y el circuito externo. La constante de amortiguamiento P está relacionada con R por la ecuación
P = 2/ R.
Las fluctuaciones cuadráticas medias generalmente no se escriben para la frecuencia angular
ÿ0 pero para el periodo de oscilaciones libres del sistema T0 = 2ÿ/ÿ0. Entonces obtenemos
paquete 1
yo 2 = . (3.24)
R ÿT0
Para el voltaje medido E, obtenemos análogamente
R
E2 = ÿkT . (3.25)
ÿT0
Es bien sabido que para ÿ > 0.8, ÿT0 ÿ tr [42], donde tr es el tiempo de respuesta
de la parte móvil del instrumento. Por esta razón, en lugar de (3.24) y (3.25),
podemos escribir
paquete 1 1
yo 2 = , E2 = ÿkTR .
R tr tr
Argumentos análogos para balances de torsión dan una relación similar a (3.24)
y (3.25): m2 X = (kTP/g2)(ÿ0/2ÿ), donde g es la aceleración de la gravedad. En
en general, podemos escribir
1
2x _ = kTCx , (3.26)
tr
donde x es la cantidad medida y Cx es una constante, determinada por el principio
de operación y la construcción del instrumento. Para balanzas, Cx = ÿP/ g2,
mientras que para un galvanómetro,
Pi
CI = , CE = ÿR .
R
Las expresiones (3.24)–(3.26) muestran que las fluctuaciones cuadráticas medias de la

las indicaciones de los instrumentos con una parte móvil inercial son inversamente proporcionales
a su tiempo de respuesta. Pero el tiempo de respuesta es también el tiempo mínimo de medición
(aproximadamente). Además, es obvio que el valor mínimo de la medida
2
cantidad está relacionada por la precisión fija de la medición. Para esto
con x razón, se deduce de las expresiones (3.24)–(3.26) que
1
xmín = coronas checas , (3.27)
ÿtr
donde xmin es el valor mínimo de la cantidad medida y K es una constante.

La parte móvil de las balanzas puede interactuar con el medio de una sola manera:
mediante colisiones con moléculas del medio (por ejemplo, aire). Para
galvanómetro, la situación es diferente. Además del contacto mecánico con el
medio, la parte móvil de estos instrumentos también interactúa con el medio
a través del circuito eléctrico, en el que se producen fluctuaciones de la velocidad de los
electrones. Las relaciones (3.24) y (3.25) se derivaron porque el galvanómetro interactúa con el
medio sólo por medio de colisiones de moléculas de aire con la parte móvil
del galvanómetro. Pero estas relaciones pueden derivarse bajo el supuesto de que
toda la interacción se produce como resultado de las fluctuaciones de la velocidad de los electrones en
el circuito de entrada En general, en física estadística se ha establecido que para
fluctuaciones de un sistema, no importa cómo el sistema interactúa con el
medio; sólo la temperatura del sistema es importante.
Las fluctuaciones térmicas en los circuitos eléctricos generalmente se calculan con la ayuda de
Fórmula de Nyquist:
E2 = 4kTRf , (3.28)
donde E2 es el ruido cuadrático medio de la fem que se introduce en un circuito con una resistencia
activa R y f es la banda de frecuencia en la que se calcula la fem de ruido.
La fórmula de Nyquist se presenta a menudo como una expresión de la densidad espectral del
cuadrado de la fem de ruido:
FE ( f ) = 4kTR. (3.29)
Se puede suponer que la densidad espectral es constante hasta frecuencias muy altas, que
corresponden a la frecuencia de colisión de los portadores de carga.
Considere uno de los mejores galvanómetros: un galvanómetro del tipo Zc fabricado por Kipp
, (T = 293 K),
Company. Para T0 = 7s, ÿ = 1, R = 50 y Su = 1,7 × 107 mm m/V. Por tanto, a temperatura ambiente
tendremos (k = 1,38×10ÿ23 J/K), E2 = ÿ ×1,38×10ÿ23 ×293×50/1×7 = 9,06×10ÿ 20 V2; es decir, E¯
= 3 × 10ÿ10 V.
La constante del galvanómetro Cu = 1/ Su = 6 × 108 V/mm m. Si se considera que la longitud del

haz es de 2 m en lugar de 1 m, encontramos que a un desplazamiento de 1 mm corresponde un
voltaje de aproximadamente Em = 3 × 10ÿ8 V. El aumento adicional de la longitud del haz no tiene
ningún efecto. , porque el efecto de la sacudida del suelo y la base a la que se sujeta el galvanómetro
suele aumentar correspondientemente.
La diferencia entre Em = 3 × 10ÿ8 V y E¯ = 3 × 10ÿ10 V es muy grande y es obvio que el
galvanómetro no presenta ruido térmico. Precisamente de la misma manera, el ruido térmico
tampoco suele observarse cuando se utilizan balanzas.
La situación es diferente en el caso de instrumentos con amplificadores. Por ejemplo, considere un
instrumento de medición electrónica que tiene un circuito de entrada con resistencia R y un
amplificador de banda ancha con una gran ganancia. El ruido térmico ahora puede ser apreciable.
Existe una situación análoga con los dispositivos electromecánicos.
La sensibilidad de los galvanómetros modernos a las sacudidas se ha reducido radicalmente
mediante el uso de bandas tensas y amortiguadores líquidos para amortiguar las oscilaciones
transversales de la parte móvil, lo que permite aumentar la longitud del haz. Pero, en cambio, la
rotación de la parte móvil se indica fotoelectroópticamente, lo que es más eficiente. El ruido asociado
con el circuito electrónico se suprime con la ayuda de la retroalimentación negativa. Dichos
dispositivos pueden hacerse tan sensibles que es posible observar ruido térmico en sus circuitos de
entrada. Para calcular este ruido, es necesario tener en cuenta que el amplificador fotoeléctrico y el
instrumento a la salida tienen ciertas propiedades inerciales. Examinaremos, como ejemplo, los
amplificadores autoequilibrados fotogalvanométricos [42].
La disposición estructural del amplificador autoequilibrado se muestra en la Fig. 3.6.

El bloque 1 es un galvanómetro junto con su circuito de entrada; el bloque 2 es un transductor-
amplificador fotoelectroóptico; el bloque 3 es el bloque de retroalimentación (resistencia de equilibrio);
el bloque 4 es el dispositivo de salida.
Estamos interesados en el ruido a la salida del amplificador autoequilibrado. Como es bien
sabido, la densidad espectral F(ÿ) del ruido a la salida está relacionada con la
Figura 3.6. Disposición estructural de un amplificador fotogalvanométrico autoequilibrado.
densidad espectral del ruido en la entrada FE,I (ÿ) por la relación
2
F(ÿ) = FE,I (ÿ)|W(jÿ)| , (3.30)
donde |W(jÿ)| es el módulo de la respuesta de amplitud-frecuencia del sistema

y ÿ es la frecuencia angular. Para la frecuencia angular ÿ = 2ÿ f , fórmula (3.29),
determinar la densidad espectral del ruido térmico a la entrada del sistema,
asume la forma
2kTR
FE (ÿ) = . (3.31)
Pi
La función de transferencia del amplificador autobalanceado, que relaciona las indicaciones

del instrumento de salida y la fem medida, se expresa por la siguiente
fórmula, si el instrumento de salida está calibrado en base a la entrada:
1
W(p) = (3.32)
[ p3 + (1 + 2ÿ )p2 + 2ÿp + 1](q2 p2 + 2ÿoutq + 1).
Aquí p = s/ÿ0, = ÿÿ0, q = ÿ0/ÿout, ÿ0 es la frecuencia angular de las oscilaciones características

del amplificador autoequilibrado; ÿout es la frecuencia angular de
las oscilaciones características del instrumento de salida; s es el operador de Laplace;
y ÿ es la constante de tiempo del amplificador del transductor fotoelectro-óptico. Además, ÿout
es la relación de amortiguamiento del instrumento de salida. La función de transferencia (3.32)
no tiene en cuenta el error residual de estado estacionario del amplificador autoequilibrado,
porque siempre es pequeño. También se supone que la amortiguación de la salida
dispositivo no depende de la resistencia de su circuito.
El operador p es adimensional y corresponde a la frecuencia relativa
ÿ = ÿ/ÿ0. Sustituyendo p = jÿ en (3.32), obtenemos la amplitud-frecuencia
respuesta en forma compleja. Su valor absoluto se puede representar en la forma
1
| W (jÿ) | = .
|C5(jÿ)5 + C4(jÿ)4 + C3(jÿ)3 + C2(jÿ)2 + C1(jÿ) + C0|
En nuestro caso, C0 = 1,C1 = 2ÿ + 2ÿoutq,C2 = 2ÿ + 4ÿÿoutq + q2 + 1,C3 =

+ 4ÿÿout q + 2ÿoutq + 2ÿq2,C4 = 2ÿout q + 2ÿq2 + q2 , y C5 = q2.
La densidad espectral del ruido en la entrada también debe expresarse para la

frecuencia relativa. Como FE (ÿ) ÿ = FE (ÿ) ÿ,
FE (ÿ) = FE (ÿ)ÿ0 = 2 kT Rÿ0,

Pi
o como ÿ0 = 2ÿ/ T0, FE (ÿ) = 4kTR/T0.

Entonces, la expresión general para la densidad espectral del ruido en las indicaciones
del amplificador fotogalvanométrico autoequilibrado tiene la forma
4kTR 1
F(n) = 2 .
T0 |C5(jÿ)5 + C4(jÿ)4 + C3(jÿ)3 + C2(jÿ)2 + C1(jÿ) + C0|
(3.33)
Ahora podemos calcular las fluctuaciones cuadráticas medias de las indicaciones del
ÿ
amplificador autobalanceado: E20 =para

& F(ÿ)
sistemas
dÿ. Lasestables
integrales
son
debien
expresiones
conocidas;
delsetipo
pueden
(3.33)
encontrar en libros sobre control automático,2 y para la fórmula específica (3.23), la
integral se da en [42]
2ÿkTR
E2 =
T0
4 ÿ C2C3C4 ÿ C0C4C5
C2 2C5 + C1C2
× .
C0C2 3C4ÿC1C2C3C4ÿ2C0C1C4C5 + C2 0C2 5 + C0C2C3C5 + C1C2 2C5 + C2 1C2 4
(3.34)
La fórmula (3.34) es complicada, pero para un instrumento específico, todos los coeficientes
son simplemente números, por lo que esta fórmula es fácil de usar. Como se muestra en
[42], la Ec. (3.34) produce fórmulas para todos los casos particulares: un galvanómetro
individual, un amplificador galvanométrico con transductor-amplificador no inercial ( = 0) y
un amplificador galvanométrico con salida de corriente. Si se estudia la medida de la
intensidad de la corriente en el circuito con la resistencia R (incluyendo la resistencia del
galvanómetro) y no la fem, entonces teniendo en cuenta que I = E/ R, la transferencia de
(3.34) a la media cuadrática corriente no presenta ninguna dificultad.
Considere un instrumento específico, un nanovoltímetro autoequilibrado
fotogalvanométrico H K-1 [42]. Las modificaciones H K-2 y H K-3 de este instrumento
tienen los mismos parámetros y difieren de H K-1 solo por el acabado externo. Una
graduación de los instrumentos es igual a 4 × 10ÿ10 V.
Los parámetros del instrumento son los siguientes: T0 = 0,37 s, ÿ = 12, ÿout = 1, ÿ = 0,35
, =
s, R = 11 y Tout = 0,8 s. Por lo 6,C0
tanto,=1,C1
ÿ0 = 2ÿ/T0
=24 + =2 17 rad/s,
×2,2 q = 0,8/0,37
= 28,4,C2 = 2,2,
= 2 × 12 × 6 =+ 0,35×17
4 × 12 ×
1 × 2,2 + 2,22 + 1 = 255,C3 = 6 + 4 × 12 × 6 ×2,2 + 2 × 2,2 + 2 × 12 × 2,22 =755,C4 = 2 ×
6 × 2,2 + 2 × 12 × 6 × 2,22 + 2,22 = 693 y C5 = 6 × 2,22 = 27,6.
2 Estas integrales fueron presentadas por primera vez en el libro Theory of Servomechanisms de HM
James, NB Nichols y RS Phillips (McGraw-Hill, Nueva York, 1947).
3.7. Límites naturales de las medidas 87
El cofactor en la fórmula (3.24), que consiste en los coeficientes C0 ÿ C5, es igual a 4.2 × 10ÿ2.
A T = 293 K, obtenemos
2ÿ × 1,38 × 10ÿ23 × 293 × 11 × 4,2 × 10ÿ2 =

3,2 × 10ÿ20 V2 E2 = ,
0.37
E2 = 1,8 × 10ÿ10 V.
El voltaje cuadrático medio estimado experimentalmente de las fluctuaciones del nanovoltímetro

es igual a 2.8 × 10ÿ10 V, que excede el valor teórico por solo un factor de menos de 2. Por lo
tanto, se puede considerar que la sensibilidad de los instrumentos HK ha llegado prácticamente a
su límite teórico.
3.7.2. Restricciones impuestas por el ruido de disparo

Una corriente eléctrica, como es bien sabido, consiste en un flujo de electrones. Cuando la
corriente se vuelve muy débil, es decir, el número de electrones que pasan por segundo a través
de la sección transversal del conductor se vuelve pequeño, se observa que su número fluctúa
aleatoriamente. La oscilación aleatoria de la intensidad de la corriente que surge de esta manera
se debe a la aleatoriedad de los momentos en los que aparecen los electrones en el circuito
eléctrico. El ruido que surge se denomina ruido de disparo o ruido de Schottky (a veces este ruido
también se denomina ruido de generación-recombinación). El ruido de disparo se caracteriza por
el hecho de que se observa solo cuando la corriente fluye a lo largo del circuito. El ruido térmico,
sin embargo, no depende de si fluye una corriente en el circuito; también ocurre en ausencia de
corriente.
La fluctuación cuadrática media producida en la intensidad de la corriente debido al ruido de
los disparos viene dada por la fórmula
yo 2
sn
= 2e yo fsn, (3.35)
donde I es la corriente que fluye en el circuito, e es la carga del electrón y fsn es el ancho de
banda equivalente del ruido de disparo. La fórmula (3.35) se obtuvo reemplazando el espectro real
de la corriente al cuadrado, causada por el ruido de disparo, que tiene un máximo en frecuencia
cero, por el espectro equivalente que es uniforme en la banda fsn; además, fsn = 1/2t0, donde t0
es el tiempo de tránsito promedio de un electrón o, en el caso del ruido de generación-
recombinación, el tiempo de vida promedio de un electrón.
Las fluctuaciones de las indicaciones del instrumento de medida conectado en un circuito con
corriente I se pueden calcular con base en (3.35) exactamente de la misma manera que se hizo
para el ruido térmico. Si la banda de transmisión del dispositivo es f y f ÿ fsn, entonces las
fluctuaciones cuadráticas medias producidas por el ruido de disparo en las indicaciones del
instrumento se pueden estimar a partir de la fórmula I 2
sn
= 2e yo f .
A veces es conveniente estimar el ruido de disparo en función de la varianza del número de
electrones que forman la corriente I : n2 = n. Así, se forma una corriente de 1 × 10ÿ14 A por el
paso de aproximadamente 6 × 104 electrones por segundo a través de la sección transversal del
conductor. El cuadrado medio
fluctuaciones de este número de partículas es igual a 6 × 104, y el valor relativo de la

desviación cuadrática media será
n2 1 1
= ÿ
norte
ÿn 2,4 × 102
o 0,4%.
Una corriente de 1 × 10ÿ16 A es igual a aproximadamente solo 600 electrones por
segundo, y el cuadrado medio de sus fluctuaciones ya es igual al 4%.
El disparo y el ruido térmico son independientes entre sí. Por ello, cuando se producen
ambos tipos de ruido, la varianza de las fluctuaciones del instrumento de medida se calcula
como la suma de las varianzas de las componentes granalla y térmica.
3.7.3. Estimación del Valor Mínimo Mensurable

Los disparos y el ruido térmico en el circuito de entrada de un instrumento de medición
son esencialmente indicadores del hecho de que el modelo del objeto no se corresponde
con el objeto. De acuerdo con lo dicho en la Sección 1.3, la medición con una precisión
prescrita solo es posible si el error causado por esta discrepancia (discrepancia de umbral)
será menor que el error de medición prescrito permisible. Pero, ¿cómo se comparan estos
errores?
El error de medida suele establecerse en forma de un límite de error permisible
(absoluto o relativo). El error causado por el ruido natural suele calcularse como el
cuadrado medio de las fluctuaciones de las indicaciones del instrumento o la desviación
cuadrática media. Estos son indicadores completamente diferentes del error. El límite
permisible del error de medición debe compararse no con la desviación cuadrática media
sino con el ancho del intervalo de confianza para las fluctuaciones de las indicaciones.
Este último ancho no es tan fácil de calcular, porque el proceso aleatorio a la salida del
instrumento difícilmente puede considerarse como ruido blanco. Está claro, sin embargo,
que para un nivel de confianza del orden de 0,95, la amplitud del intervalo de confianza
será superior a una desviación cuadrática media a cada lado de la línea central. El límite
de error permisible, incluso para la medición de los valores más pequeños, no puede
exceder el 50 %. El ancho del intervalo de confianza se puede expresar como kx . El límite
2
de error permisible se puede
(másexpresar como este
exactamente, 0.5xmin.
es elSi se supone
medio anchoque estas
de esta cantidades
banda), y el
son iguales, entonces obtenemos
xmín = 2k x 2.
Si k = 2, entonces xmin = 4 x 2.
Los argumentos anteriores, sin embargo, son insatisfactorios en ciertos aspectos,
porque no todos los componentes de frecuencia del ruido son equivalentes al observador:
el ruido de alta frecuencia puede promediarse fácilmente al leer las indicaciones del
instrumento, mientras que el ruido de muy baja frecuencia puede en muchos casos ser descuidado.
Además, fue necesario hacer una suposición y utilizar la relación entre
la cantidad medida y el límite de error de medición permisible. ¿Es posible abordar esta cuestión
de alguna otra manera?
La fluctuación cuadrática media de las indicaciones es una característica integral, que no está
relacionada ni con el tiempo ni con la frecuencia. Mientras tanto, las mediciones requieren algún
tiempo, por lo que las características temporales de estas fluctuaciones son de interés. En la
teoría de los procesos aleatorios, la frecuencia media de los excesos por encima de un nivel
prescrito se utiliza como característica temporal del proceso. El significado físico de esta
característica es claro y simple. Por ejemplo, deje que el tiempo de respuesta del instrumento, y
por lo tanto el tiempo de medición, sea igual a 5 s, y deje que ocurra un rebasamiento por
graduación del instrumento en promedio una vez cada 60 s. Está claro que un instrumento con
tal ruido puede medir claramente una cantidad correspondiente a una graduación de la escala
del instrumento. Pero si se produjera un sobreimpulso en promedio durante un tiempo cercano
al tiempo de respuesta del instrumento, entonces una cantidad tan pequeña ya no podría medirse.
Los sobreimpulsos por encima de un nivel prescrito proporcionan una característica

conveniente, que es fácil de estimar experimentalmente. Las fluctuaciones cuadráticas medias
son difíciles de estimar experimentalmente. Pero es más fácil calcular las fluctuaciones
cuadráticas medias que la frecuencia promedio de los rebasamientos.
Ahora calcularemos la frecuencia promedio de sobreimpulsos por encima de un nivel prescrito
para un proceso estacionario normal. El ruido térmico corresponde a estas condiciones. Sea ÿ la
desviación cuadrática media del proceso aleatorio y c los niveles de umbral para determinar los
valores de sobreimpulso. La frecuencia promedio de sobreimpulsos N¯ se puede calcular a partir
de la fórmula
ÿ
1
N¯ = eÿÿ 2/2 f 2F( f )df ,
p2 0
donde ÿ = c/ÿ y F( f ) es la densidad espectral del proceso.

Considere una vez más un amplificador autoequilibrado fotogalvanométrico. La varianza de
las indicaciones del instrumento viene dada por la fórmula (3.34), y la densidad espectral viene
dada por la fórmula (3.33). La última fórmula, sin embargo, pertenece a la frecuencia relativa ÿ.
Por esta razón, transformaremos el integrando en la expresión para que f sea reemplazada por
ÿ : f 2F( f ) df = (1/4ÿ2) × ÿ2F(ÿ) dÿ = (ÿ2 0/4ÿ2) × ÿ2F(ÿ) dÿ.
Refiriéndonos una vez más a las tablas de integrales mencionadas anteriormente, encontramos [42]
C0(C4C3 ÿ C2C5)
N¯ = 1 eÿÿ 2/2 , =
T0 C0C4C5 + C2C3C4 ÿ C2 2C5 ÿ C1C2 4.
Para el instrumento H K-1, E2 = 1,8 × 10ÿ10 V y c = 4 × 10ÿ10 V.

Por lo tanto, ÿ = 4 × 10ÿ10/1,8 × 10ÿ10 = 2,2. Los coeficientes C0 ÿ C5 se presentaron arriba y,
conociéndolos, calculamos = 0.065. Sustituyendo el
valores numéricos en la fórmula de trabajo, obtenemos

1
0,37 × 0,09 × 0,065 = 1,6 × 10ÿ2 sobreimpulso/s, N¯ =
lo que significa que, en promedio, se produce un sobreimpulso por graduación una vez por minuto.
El tiempo de respuesta del instrumento es de 5 s. Está claro que el ruido no impide indicar, con la
ayuda del instrumento H K-1, una cantidad correspondiente a una graduación.
4
Métodos Estadísticos para Experimental
Procesamiento de datos
4.1. Requisitos para Estimaciones Estadísticas

Las estimaciones obtenidas a partir de datos estadísticos deben ser consistentes, imparciales y
eficientes.
Se dice que una estimación A˜ es consistente si, a medida que aumenta el número de
observaciones, se acerca al valor verdadero de la cantidad estimada A (converge en probabilidad a
A):
A˜ (x1, ..., xn) ÿ A.

nÿÿ
Se dice que la estimación de A es insesgada si su esperanza matemática es igual al valor

verdadero de la cantidad estimada:
E [A˜] = A.
En el caso de que se puedan encontrar varias estimaciones no sesgadas, la estimación que tiene
la varianza más pequeña se considera, naturalmente, como la mejor estimación. Cuanto menor sea
la varianza de una estimación, más eficientes serán las estimaciones.
Los métodos para encontrar estimaciones de una cantidad medida y los indicadores de la calidad
de las estimaciones dependen de la forma de la función de distribución de las observaciones.
Para una distribución normal de las observaciones, la media aritmética de las observaciones, así
como su mediana, pueden tomarse como una estimación del valor real de la cantidad medida. La
relación de las varianzas de estas estimaciones es bien conocida [20]:
ÿ2 /ÿ2 = 0,64,
X metro
donde ÿ2 es la varianza de la media aritmética y ÿ2 es la varianza de la mediana.

X metro
Por lo tanto, la media aritmética es una estimación más eficiente de A que la mediana.
En el caso de una distribución uniforme, la media aritmética de las observaciones o la mitad de la
suma de los valores mínimo y máximo puede tomarse como una estimación de A:
1 norte
xmín + xmáx
A˜1 = xi, A˜2 = .
norte 2
yo=1
92 4. Métodos estadísticos para el procesamiento experimental de datos
La relación de las varianzas de estas estimaciones también es bien conocida [20]:
V[ A˜1] (n + 1) (n + 2) 6n
= .
V[ A˜2]
Para n = 2, esta razón es igual a la unidad, y aumenta para n > 2. Así, para n = 10, ya es
igual a 2,2. Por lo tanto, la mitad de la suma de los valores mínimo y máximo es, en este
caso, una estimación más eficiente que la media aritmética.
4.2. Estimación de los Parámetros de la

Distribución Normal
Si los datos disponibles son consistentes con la hipótesis de que la distribución de las
observaciones es normal, entonces para describir completamente la distribución, se debe
estimar la expectativa E[X] = A y la varianza ÿ2 .
Cuando se conoce la densidad de probabilidad de una cantidad aleatoria, sus parámetros
pueden estimarse por el método de máxima verosimilitud. Usaremos este método para
resolver nuestro problema.
La probabilidad elemental de obtener algún resultado de una observación xi en el intervalo
xi ± xi / 2 es igual a fi(xi, A, ÿ) xi . Todos los resultados de
observación son independientes. Por esta razón, la probabilidad de encontrar todas las
observaciones obtenidas experimentalmente con xi =···= xn es igual a
fi (xi, A, ÿ) x1 ··· xn.

Pl = #n
yo=1
La idea del método es tomar para la estimación de los parámetros de la distribución (en
nuestro caso, estos son los parámetros A y ÿ), los valores que maximicen la probabilidad Pl .
El problema se resuelve, como es habitual, igualando a cero las
derivadas parciales de Pl con respecto a los parámetros que se estiman. Los cofactores
constantes no afectan la solución, por lo que solo se estudia el producto de las funciones fi ;
este producto se llama función de verosimilitud:
L (x1, ..., xn; A, ÿ) = #n fi (x1, ..., xn; A, ÿ).

yo=1
Ahora volvemos a nuestro problema. Para el grupo de observaciones disponible x1,..., xn,
los valores de la densidad de probabilidad serán
1
2ÿ2 en (xi, A, ÿ) = ÿ ÿ2ÿ eÿ (xi ÿ A) 2 / .
Por lo tanto,
1 norte
1 norte
L= 2 .
exp ÿ (xi - A)
pag ÿ2p 2ÿ2
yo=1
4.2. Estimación de los Parámetros de la Distribución Normal 93
Para encontrar el máximo de L conviene investigar ln L:
norte
norte 1 2
ÿnÿ 2
ln L = ln 2ÿ ln ÿ2 ÿ .
(xi - A)
2 2ÿ2
yo=1
El máximo de L ocurrirá cuando ÿL/ÿ A = 0 y ÿL/ÿÿ2 = 0:
norte
ÿL 1
= (xi ÿ A) = 0,
LÿA _ p2
yo=1
norte
ÿL norte 1 2
=ÿ
+ (xi - A) = 0.
Lÿ(ÿ2) 2x2 2s4
yo=1
De la primera ecuación, encontramos una estimación para A:
norte
1
A˜ = xi . (4.1)
norte
yo=1
norte
La segunda ecuación da la estimación ˜ÿ2 = (1/n) i=1(xi ÿ A) 2. Pero A es

desconocido; tomando en lugar de A su estimación x¯, obtenemos
norte
2
1 2
ÿ˜ÿ = (xi - x¯) .
norte
yo=1
Verificaremos si las estimaciones obtenidas son consistentes e imparciales.

La esperanza matemática E(xi) = A, porque todas las xi se refieren a una y la misma
distribución. Por esta razón,
norte
1
E[A˜] = E (xi) = A.
norte
yo=1
Por lo tanto, A˜ es una estimación no sesgada de A. También es una estimación consistente,

porque como n ÿ ÿ, A˜ ÿ A, según la ley de los grandes números.
Ahora investigaremos ˜ÿ2 ÿ
. En la fórmula derivada arriba, las cantidades aleatorias
son xi y x¯. Por esta razón, lo reescribiremos de la siguiente manera:
norte
2
1 2
ÿ˜ÿ = (xi - A + A - x¯)
norte
yo=1
1 2 2
= [(xi - A) ÿ 2(xi ÿ A)(x¯ ÿ A) + (x¯ ÿ A) ]
norte
yo=1
norte norte norte
1 2
2 1 2
= (xi - A)
ÿ
(xi - A) (x¯ - A) + (x¯ ÿ A)

norte norte norte
yo=1 yo=1 yo=1
norte
1 2 2
= (xi - A) ÿ (x¯ ÿ A) ,
norte
yo=1
porque
1 norte
2 2
(x¯ ÿ A) = (x¯ ÿ A)
norte
yo=1
2 norte
2 norte
2 .
(xi - A) (x¯ - A) = (x¯ ÿ A) (xi - A) = 2 (x¯ - A)
norte norte
yo=1 yo=1
Encontraremos E[ ˜ÿ2 ÿ
]. Para este resultado, se deben utilizar las siguientes relaciones. Por
2
definición, según (3.8), tenemos E(xi ÿ A) = ÿ2. Por lo tanto,
1 norte
1 norte
Y (xi - A) Y (xi - A) .
norte norte
yo=1 2!= yo=1 2 ! = ÿ2
2
Para la cantidad aleatoria x¯, podemos escribir análogamente E(x¯ ÿ A) = V[x¯]. Nosotros
expresará V[x¯] para ÿ2 = V[X]:
1 norte
1 norte
1 p2
V[x¯] = V V (xi) = V[X] = .
norte
n2 norte norte
yo=1 xi ! = yo=1
De este modo,
p2 norte - 1
E[ ˜ÿ2ÿ ] = ÿ2 ÿ = p2 .
norte norte
Por lo tanto, la estimación obtenida ˜ÿ2 ÿ

está sesgado. Pero como n ÿ ÿ, E[ ˜ÿ2ÿ ] ÿ ÿ2, y
por lo tanto, esta estimación es consistente.
Para corregir la estimación, es decir, para hacerla insesgada, ˜ÿ2
ÿ
debe ser multiplicado por el
factor de corrección n/(n ÿ 1). Entonces obtenemos
1 norte
2 ÿ˜ = (xi - x¯)
2 . (4.2)
norte - 1
yo=1
Esta estimación también es consistente, pero, como se puede comprobar fácilmente, ahora es imparcial.
Cierta desviación del máximo de la función de verosimilitud es menos importante para
nosotros que el sesgo de la estimación.
La desviación estándar de la cantidad aleatoria X es ÿ = ÿV[X], y no es
la cantidad aleatoria. En lugar de ÿ2 debemos usar la estimación de la varianza de
fórmula (4.2): una cantidad aleatoria. La extracción de una raíz cuadrada es un método no lineal.
procedimiento; introduce un sesgo en la estimación ˜ÿ. Para corregir esta estimación, un factor
kn, dependiendo de n como sigue:
4 1,08 1,06
n 3 6 nudos 1,13 5 1,05 7 10
1,04 1.03
4.3. Resultados atípicos 95
Asi que,
1 norte
ÿ˜ = kn (xi ÿ x¯)2. (4.3)

norte - 1
yo=1
La siguiente fórmula da aproximadamente el mismo resultado [29]:
1 norte
ÿ˜ = (xi ÿ x¯)2.
norte - 1,5
yo=1
Hemos obtenido estimaciones de los parámetros de la distribución normal, pero también

son cantidades aleatorias: cuando se repite la medición, obtenemos un grupo diferente de
observaciones con diferentes valores de x¯ y ¯ÿ. La dispersión en estas estimaciones se puede
caracterizar por sus desviaciones estándar ÿ(x¯) y ÿ( ˜ÿ).
Ya obtuvimos arriba que V[x¯] = ÿ2/n. Por lo tanto,
pags
ÿ(x¯) = V[x¯] = ÿn . (4.4)
Como en lugar de ÿ(x¯) tomaremos ˜ÿ(x¯), obtenemos la estimación ˜ÿ(x¯). A menudo , ˜ÿ(x¯)
se denota con los símbolos Sx¯ o S(x¯). Despreciando el valor de kn, llegamos a la conocida
fórmula
norte
(xi ÿ x¯)2
yo=1
S(x¯) = . (4.5)
n (n - 1)
La incertidumbre de la estimación dada en (4.5) depende del número de medidas n y de

la probabilidad de confianza ÿ. Por ejemplo, para n = 25 y ÿ = 0,80, la incertidumbre de esta
estimación es de alrededor del 20 %; para n = 15 y ÿ = 0,80, es alrededor del 30%. El método
de este cálculo se describe en la Sección 4.4.
Como el número de observaciones rara vez es grande, el error en la determinación de la
desviación estándar puede ser significativo. En cualquier caso, este error es significativamente
mayor que el error del sesgo introducido en la estimación por extracción de la raíz cuadrada
(puede ser eliminado por el factor de corrección kn). Por esta razón, en la práctica, este sesgo
por lo general se puede despreciar y la fórmula
norte
(xi ÿ x¯)2
yo=1
S(x¯) = (4.6)
norte - 1
se utiliza en lugar de la fórmula (4.3).
4.3. Resultados periféricos
Si en el grupo de resultados de medición, uno o dos difieren marcadamente del resto, y no se

han encontrado errores de escritura, errores de lectura y errores similares, entonces
es necesario verificar si son eventos extremos que deben ser excluidos.

El problema se resuelve mediante métodos estadísticos basados en el hecho de que la distribución
al que se refiere el grupo de observaciones objeto de estudio puede considerarse como un
distribución. La metodología de resolución del problema y las tablas calculadas.
se presentan en la referencia estándar [11].
El esquema de solución es el siguiente. Una serie ordenada x1 < x2 < ··· < xn es
construido a partir de los resultados obtenidos. A partir de todo xi , calculamos x¯ y S, y luego
dado por
máx |xi ÿ x¯|

t= , (4.7)
S
donde S se calcula usando (4.6). Obviamente, este resultado será

x¯ ÿ x1
t1 = (4.8a)
S
o
xn ÿ x¯
tn = . (4.8b)
S
La Tabla A.3 del Apéndice da los 0.5, 1 y 5 puntos porcentuales tq de la

verificación unilateral correspondiente de la serie x1,..., xn.
Al realizar las mediciones, no podemos prever si x1 o xn serán
comprobado. Por lo tanto, estamos interesados en un control bilateral. En este caso, la crítica
El valor de tq debe tomarse de la columna de la Tabla A.3 en la que el significado
level es la mitad del nivel que adoptamos para verificar nuestros datos.
Si el valor de t1,n que calculamos a partir de (4.8) es mayor que tq , entonces el
el valor correspondiente de x1 o xn debe descartarse: la probabilidad de que una observación
dé t > tq es pequeña; es menor o igual que el significado adoptado
nivel.
El procedimiento descrito es necesario y ampliamente utilizado. Pero se podría decir
que una observación "anormal" en realidad puede reflejar alguna característica desconocida de
el tema en estudio. Consideremos este tema con más detalle. Imagina un
medición en la que se produjo una de esas observaciones. ¿Qué hará un experto que realice
esta medición? Obviamente, el experto continuará con el experimento recogiendo más
observaciones hasta que encuentre la razón física que explica la anomalía o concluya que se
trata de un error aleatorio. En
el último caso, después de verificar con los métodos descritos anteriormente en esta sección
que esto era de hecho un valor atípico, el experto lo descartará para los siguientes dos
razones:
1. Una medida real por regla general consiste en un pequeño número de observaciones, y
la probabilidad de que incluyan más de un valor atípico es extremadamente pequeña.
Por lo tanto, este valor atípico no se puede compensar con otro que tenga la
signo opuesto.
2. Debido a que el valor atípico se desvía significativamente del resto de los resultados, se sesga
el valor medio del conjunto de datos. En otras palabras, aumenta la inexactitud.
de una medida.
4.4. Construcción de Intervalos de Confianza 97
Por lo tanto, si no hay razones físicas para el resultado atípico, debe descartarse.
Ejemplo. Las mediciones de corriente dieron los siguientes datos (la intensidad de la corriente en
mA): 10,07, 10,08, 10,10, 10,12, 10,13, 10,15, 10,16, 10,17, 10,20 y 10,40. El valor 10,40 difiere
mucho de los otros valores. Comprobaremos si se puede descartar o no. Usaremos el criterio
presentado, aunque no tenemos los datos que nos permitirían suponer que estas observaciones
satisfacen la distribución normal:
x¯ = 10,16 mA,
S = 0,094 mA,
10,40 - 10,16 =
t= 2,55.
0.094
Sea q = 1%. En la columna de la Tabla A.3 con el nivel de significancia 0.5% para n = 10
encontramos tq = 2.48. Como 2,55 > 2,48, se puede descartar la observación de 10,40 mA.
4.4. Construcción de Intervalos de Confianza
Habiendo obtenido la estimación A˜, es de interés determinar cuánto puede cambiar en mediciones
repetidas realizadas bajo las mismas condiciones. Esta pregunta se aclara construyendo el
intervalo de confianza para el valor verdadero de la cantidad medida.
El intervalo de confianza es el intervalo que incluye, con una probabilidad prescrita

llamada probabilidad de confianza, el valor verdadero del mensurando.
En nuestro caso, el intervalo de confianza se puede construir a partir de las desigualdades de
Chebyshev [20]:
1
P{|X ÿ A| ÿ tÿ} ÿ .
2
toneladas
Para la cantidad aleatoria x¯, tenemos

tu 1
. (4.9)
2
P ' |x¯ ÿ A| ÿ ÿn (ÿ toneladas
No es necesario conocer la forma de la distribución de las observaciones, pero sí es necesario

conocer ÿ[X]. Sin embargo, los intervalos obtenidos con la ayuda de las desigualdades de
Chebyshev resultan demasiado grandes para la práctica y no se utilizan.
Si la distribución de las observaciones puede considerarse normal con una desviación estándar
conocida, entonces el intervalo de confianza se construye con base en la expresión
pags
P ' |x¯ ÿ A| ÿ z 1ÿa 2 ÿn ( = un,

donde z 1ÿÿ es el cuantil decorrespondiente
normalizada, la distribución normal
a
2
la probabilidad de confianza seleccionada.
98 4. Métodos estadísticos para el procesamiento de datos experimentales
Mostraremos cómo encontrar el valor de z 1ÿÿ , utilizando la Gaussiana normalizada

2
función (Tabla A.1 del Apéndice).
Sea ÿ = 0.95. Con esta probabilidad, el intervalo
pags pags
x¯ ÿ z 1ÿa , x¯ + z 1ÿa
2 2
ÿn ÿn
debe incluir el valor verdadero de A. La probabilidad de que A quede fuera de este intervalo
es igual a 1 ÿ ÿ = 0.05. Como la distribución normal es simétrica, las probabilidades
que A excede los límites superior e inferior del intervalo son los mismos. Cada probabilidad es
igual a (1 ÿ ÿ)/2 = 0,025. Por lo tanto, el cuantil z 1ÿÿ es el cuantil
2
correspondiente a la probabilidad p = 0,025. Es obvio que la probabilidad de
el límite superior de este intervalo es (1 ÿ 0,025) = 0,975. Se puede calcular como
1 - un 1 + un
pags = 1 - = .
2 2
La función gaussiana (z) está relacionada con la función de distribución F(z) por la
relación F(z) = 0.5 + (z).
Por lo tanto, en nuestro ejemplo, (z) = F(z) ÿ 0,5 = 0,975 ÿ 0,5 = 0,475. En
En la tabla A.1, encontramos el cuantil z0.975 = 1.96 correspondiente al argumento 0.475.
A menudo, por otro lado, el valor del cuantil z 1+ÿ se da y se encuentra la
2
probabilidad correspondiente ÿ. Por ejemplo, para z 1+ÿ = 1, (z) = 0,3413
2
y F(z) = (z) + 0,5 = 0,841. Entonces (1 + ÿ)/2 = 1 ÿ F(z) = 0.159 y ÿ =
0.682. Análogamente, para z 1+ÿ = 3, encontramos (z) = 0.49865, F(z) = 0.99865, (1 +
2
ÿ)/2 = 0,00135 y ÿ = 0,9973.
En la práctica, sin embargo, rara vez se conoce la desviación estándar. Por lo general sabemos
sólo su estimación S y, correspondientemente, Sx¯ = S/ ÿn. Luego se construyen los intervalos de
confianza con base en la distribución de Student, que es la distribución de
la cantidad aleatoria
x¯ ÿ A
t= , (4.10)
Sx¯
donde Sx¯ es la estimación de la desviación estándar del valor medio aritmético x¯,
calculado a partir de la fórmula (4.5).
El intervalo de confianza [x¯ ÿ tq Sx¯ , x¯ + tq Sx¯ ] corresponde a la probabilidad
P{|x¯ ÿ A| ÿ tq Sx¯} = ÿ,
donde tq es el punto porcentual q de la distribución de Student; el valor de tq se encuentra

de la Tabla A.2 con base en el grado de libertad ÿ = n ÿ 1 y el significado
nivel q = 1 ÿ ÿ. (Nota: ÿ = n ÿ 1 ya que aquí hay un parámetro A desconocido).
La probabilidad de confianza no debe ser demasiado baja, pero incluso para un valor que es muy
alto, por lo general no hay suficientes datos iniciales confiables disponibles. en medida
En la práctica, la probabilidad de confianza se fija cada vez más en 0,95.
Los métodos existentes permiten comprobar la admisibilidad de la hipótesis
que las observaciones están descritas por una distribución normal y por lo tanto la hipótesis de
que la distribución de Student es admisible (ver Sección 4.5). El significado
4.4. Construcción de Intervalos de Confianza 99
el nivel q, utilizado para construir la probabilidad de confianza, tiene que ser consistente
con el nivel de significación adoptado al comprobar la normalidad de la distribución,
pero este problema aún no tiene una solución definitiva.
En la práctica, los intervalos de confianza se construyen a partir de la distribución de Student,
muchas veces sin comprobar su admisibilidad. El hecho de que, en el proceso, por regla general,
no surjan malentendidos confirma indirectamente la opinión expuesta anteriormente de que las
distribuciones reales son distribuciones truncadas que son más estrechas que las distribuciones normales.
A veces se construyen intervalos de confianza para la desviación estándar. Asi que
se emplea la distribución ÿ2 , presentada en la Tabla A.4. El intervalo de confianza, con
los límites (ÿn ÿ 1/ÿL ) ˜ÿ y (ÿn ÿ 1/ÿU ) ˜ÿ para la probabilidad,
˜ ÿn ÿ 1
ÿ<ÿ<
ÿL xu
P %ÿn ÿ 1 ÿ˜) = un
q
se encuentra de la siguiente manera. La tabla A.4 da las probabilidades P{ÿ2 > ÿ2 }. El
EN L
valorpara
de ÿ2
pLse encuentra
= (1 ÿ ÿ)/2. en la tabla para pU = (1 + ÿ)/2, y el valor de ÿ2 se encuentra
Por ejemplo, sea ˜ÿ = 1.2 × 10ÿ5 y n = 10. Tome ÿ = 0.90. Entonces pU = (1 + 0,9)/2
= 0,95 y pL = (1 ÿ 0,9)/2 = 0,05. El grado de libertad ÿ = 10 ÿ 1 = 9. De la Tabla A.4,
EN L
= 3.325 yserá
encontramos ÿ2 = 16.92. El intervalo de confianza ÿ2
ÿ10 ÿ 1 ÿ10 ÿ 1
× 1,2 × 20ÿ5 ,
ÿ16,92 ÿ3.325 × 1,2 × 10ÿ5 ! ;
es decir, [0,88 × 10ÿ5, 2,0 × 10ÿ5]. La probabilidad de confianza en este caso puede
tomarse como menor que la probabilidad de confianza cuando se construye el intervalo
de confianza para el valor real de la cantidad medida. A menudo, ÿ = 0,70 es suficiente.
Volvemos a la desigualdad de Chebyshev, que es atractiva porque no está
relacionada con la forma de la función de distribución de las observaciones. La
cantidad medida prácticamente siempre se puede estimar por la media aritmética
(aunque en el caso de que la distribución difiera de una distribución normal, la
estimación no será la estimación más eficiente), y si en lugar de la desviación estándar
se emplea su estimación, entonces los límites del error de este resultado se pueden
estimar con la ayuda de la desigualdad de Chebyshev.
Transformaremos la desigualdad (4.9) para que determine la probabilidad de que
una desviación de la cantidad aleatoria de su verdadero valor sea menor que tÿ. La
cantidad aleatoria aquí es la media aritmética x¯. Después de transformaciones simples,
obtenemos
pags 1
2
.
P ' |x¯ ÿ A| ÿ t ÿn ( ÿ 1 ÿ toneladas
La varianza de los resultados de las mediciones se puede estimar con la fórmula (4.6).
El coeficiente t se puede calcular con base en una probabilidad de confianza prescrita ÿ a partir de
la relación ÿ = 1 ÿ 1/t 2, lo que da
1
t= .
ÿ1 - un
Si se puede suponer que la distribución de los errores aleatorios es simétrica en relación con
A, entonces el intervalo de confianza se puede reducir un poco [20], usando la desigualdad
pags 41
.
29
P ' |x¯ ÿ A| ÿ t ÿn (ÿ1ÿ toneladas
Ahora
2
t= .
3 ÿ1 ÿ un
Desafortunadamente, los intervalos de confianza construidos de esta manera siguen siendo solo
aproximados, porque no se tiene en cuenta el efecto de reemplazar la desviación estándar por su
estimación. Además, como ya hemos comentado, los intervalos obtenidos en el proceso son
demasiado amplios; es decir, la incertidumbre es exagerada.
Los intervalos de confianza no deben confundirse con los intervalos de tolerancia estadísticos.
El intervalo que, con una probabilidad prescrita ÿ, contiene no menos de una fracción prescrita p0
de toda la colección de valores de la cantidad aleatoria (población) se dice que es el intervalo de
tolerancia estadística. Por lo tanto, el intervalo de tolerancia estadística es el intervalo para una
cantidad aleatoria y esto lo distingue en principio del intervalo de confianza que se construye para
cubrir el valor de una cantidad no aleatoria.
Si, por ejemplo, se mide la sensibilidad de un grupo de galgas extensométricas, entonces los datos
obtenidos pueden usarse para encontrar el intervalo con límites l1 y l2 en el que, con probabilidad
prescrita ÿ, la sensibilidad de no menos de la fracción p0 de el lote completo (o la colección completa)
de galgas extensométricas del tipo dado fallará. Este es el intervalo de tolerancia estadística. Los
métodos para construir este intervalo de tolerancia se pueden encontrar en libros sobre la teoría de la
probabilidad y las estadísticas matemáticas.
También se debe evitar confundir los límites de la tolerancia estadística y los intervalos de confianza
con el rango de tolerancia para el tamaño de algún parámetro. La tolerancia o los límites del rango de
tolerancia se determinan, por regla general, antes de la fabricación de un objeto manufacturado, por
lo que los objetos para los que el valor del parámetro de interés cae fuera del rango de tolerancia son
inaceptables y se descartan. En otras palabras, los límites del rango de tolerancia son límites estrictos
que no están asociados con ninguna relación probabilística.
Sin embargo, el intervalo de tolerancia estadística está determinado por objetos que ya han sido
fabricados, y sus límites se calculan de modo que, con una probabilidad prescrita, los parámetros de
una fracción prescrita de todos los posibles objetos fabricados se encuentren dentro de este intervalo.
Así, los límites del intervalo de tolerancia estadístico, como también los límites del intervalo de
confianza, son cantidades aleatorias, y esto es lo que los distingue de los límites de tolerancia o
tolerancia que son cantidades no aleatorias.
4.5. Métodos para probar hipótesis 101
4.5. Métodos para probar hipótesis sobre la forma de

la función de distribución de una cantidad aleatoria
El problema generalmente se plantea de la siguiente manera: para un grupo de resultados de medición, es
planteó la hipótesis de que estos resultados pueden considerarse como realizaciones de una cantidad aleatoria
con una función de distribución que tiene una forma elegida. Entonces se comprueba esta hipótesis.
por los métodos de la estadística matemática y es aceptado o rechazado.
Para un gran número de observaciones (n > 50), la prueba de Pearson (prueba ÿ2 ) para agrupadas
observaciones y la prueba de Kolmogorov-Smirnov para observaciones no agrupadas son
consideradas como las mejores pruebas. Estos métodos se describen en muchos libros dedicados a
la teoría de las probabilidades y la estadística. Por ejemplo, véanse [20], [47] y [52].
Discutiremos la prueba de ÿ2 y, para mayor precisión, verificaremos los datos en el
distribución normal correspondiente.
La idea de este método es monitorear las desviaciones del histograma del
datos experimentales del histograma con el mismo número de intervalos que
se construye a partir de la distribución normal. La suma de los cuadrados de los
las diferencias de las frecuencias sobre los intervalos no deben exceder los valores de ÿ2
para los cuales se construyeron tablas en función del nivel de significación de los
prueba q y el grado de libertad v = L ÿ 3, donde L es el número de intervalos
y menos 3 es porque los datos de medición tienen dos parámetros desconocidos y
La distribución de Pearson tiene uno.
Los cálculos se realizan de la siguiente manera:
(1) Se calcula la media aritmética de las observaciones y una estimación de las desviaciones
estándar.
(2) Las medidas se agrupan según intervalos. Para alrededor de 100 mediciones, normalmente se
toman de cinco a nueve intervalos. Para cada intervalo, el número
de mediciones ˜ÿi que caen dentro del intervalo se calcula.
(3) El número de mediciones que corresponde a la distribución normal es
calculado para cada intervalo. Por esta razón, el rango de datos se centra primero
y estandarizado.
Sea xmin = a0 y xmax = b0, y divida el rango [a0, b0] en L intervalos de

longitud h0 = (b0 ÿ a0)/L.
El centrado y la estandarización se logran luego con la fórmula
xi0 ÿ x¯
chico = .
ÿ˜
Por ejemplo, los límites transformados del rango de los datos para nosotros serán como
sigue:
a0 - x¯ b0 - x¯
y= , ac = .
ÿ˜ ÿ˜
La longitud del intervalo transformado hc = (bc ÿ ac)/L. Luego marcamos el

límites {zi}, i = 0, 1,..., L, de todos los intervalos del rango transformado [ac, bc]:
z0 = y, z1 = ac + hc, z2 = ac + 2hc,...,zL = ac + Lhc = bc.

Ahora calculamos la probabilidad de que una cantidad aleatoria normalmente distribuida

cae dentro de cada intervalo:
1 día + 1
pi = eÿx2/2 dx.
2ÿ
día
Después de esto calculamos el número de medidas que caerían dentro de cada

intervalo si la población de mediciones se distribuye normalmente:
ÿi = pasador.
(4) Si menos de cinco mediciones caen dentro de algún intervalo, entonces este intervalo en
ambos histogramas se combina con el intervalo vecino. Entonces el grado
de libertad v = L ÿ 3, donde L es el número total de intervalos (si los intervalos se amplían,
entonces L es el número de intervalos después de la ampliación), es
determinado.
(5) El indicador ÿ2 de la diferencia de frecuencias se calcula:
L
( yo - yo ) 2
x2 = = .
x2yo , x2i
yo=1 i
(6) Se elige el nivel de significación de la prueba q . El nivel de significación debe ser

suficientemente pequeña para que la probabilidad de rechazar la hipótesis correcta
(cometer falso rechazo) sería pequeño. Por otro lado, demasiado pequeño
el valor de q aumenta la probabilidad adoptada para la hipótesis incorrecta, es decir,
por cometer falsa retención.
A partir del nivel de significancia q y un grado de libertad ÿ en la Tabla A.4, encontramos

el límite de la región crítica ÿ2 , entonces P{ÿ2 > ÿ2 } = q.
q q
La probabilidad de que el valor obtenido para ÿ2 exceda de ÿ2 es igual a q y
q
es pequeño. Por ello, si resulta que ÿ2 > ÿ2 , entonces la hipótesis de que
q
la distribución es normal es rechazada. Si ÿ2 < ÿ2 , entonces la hipótesis de que el
q
Se acepta distribucion normal.
Cuanto menor es el valor de q, mayor es el valor de ÿ2 por el mismo valor de
q
v, y cuanto más fácilmente la condición ÿ2 < ÿ2 se cumple y siendo la hipótesis
q
probado es aceptado. Pero, en este caso, la probabilidad de cometer una retención falsa
aumenta Por esta razón, q no debe tomarse como inferior a 0,01. demasiado grande
un valor de q, como se ha señalado anteriormente, la probabilidad de falso rechazo aumenta y,
además, la sensibilidad de la prueba disminuye. Por ejemplo, para q = 0.5 el valor
de ÿ2 puede ser mayor o menor que ÿ2 con igual probabilidad, y por lo tanto es
q
imposible aceptar o rechazar la hipótesis.
Con el fin de lograr una solución uniforme del problema en cuestión, es deseable
estandarizar los niveles significativos de q adoptados en metrología. A tal fin, por
ejemplo, podemos intentar limitar la elección del nivel significativo al intervalo 0.01 ÿ
q ÿ 0,1.
Cabe señalar que la prueba examinada anteriormente permite verificar la correspondencia
entre los datos empíricos y cualquier distribución teórica, no solo
4.6. Métodos para probar la homogeneidad de la muestra 103
una distribución normal. Esta prueba, sin embargo, como también, por cierto, otras pruebas de
bondad de ajuste no permite establecer la forma de la distribución de las observaciones; sólo
permite comprobar si las observaciones se ajustan a una distribución normal oa otra previamente
seleccionada.
4.6. Métodos para probar la homogeneidad de la muestra
Las mediciones con grandes errores aleatorios requieren una cuidadosa atención. Uno debe
asegurarse de que los resultados obtenidos estén estadísticamente bajo control, estables, es
decir, que los resultados de la medición se agrupen alrededor del mismo valor central y tengan la
misma varianza. Si el método de medición y el objeto de investigación han sido poco estudiados,
entonces las mediciones deben repetirse hasta estar seguro de que los resultados son estables
[25]. Este proceso determina la duración de la investigación y el número requerido de mediciones.
La estabilidad de las mediciones a menudo se estima intuitivamente sobre la base de

observaciones prolongadas. Sin embargo, existen métodos matemáticos que son útiles para
resolver este problema, los llamados métodos para probar la homogeneidad.
Una condición necesaria es que deben estar presentes indicaciones de homogeneidad, pero
esto no es suficiente para la homogeneidad en la realidad, porque los grupos de medidas pueden
elegirse incorrectamente o sin éxito.
La figura 4.1 muestra los resultados de las mediciones de algunas cantidades, presentados en
la secuencia en que se obtuvieron. Considere tres grupos de mediciones realizadas en los
intervalos de tiempo t2 ÿ t1, t3 ÿ t2 y t4 ÿ t3. Aparentemente serán homogéneos. Mientras tanto,
las mediciones posteriores diferirían significativamente de las primeras mediciones y, en general,
los resultados obtenidos de la primera
Figura 4.1. Ejemplo de una secuencia de resultados de medición única obtenidos en una
medición inestable.
grupo de mediciones dará una imagen de un estable, estadísticamente bajo control,

medición, que en realidad no es el caso.
La elección de grupos para el seguimiento de la homogeneidad sigue siendo un problema para el
especialista-experimentador, al igual que el problema de separar un grupo de
otro. En general, es mejor tener del orden de diez mediciones en un grupo
(según [23], de cinco a diez medidas), y es mejor tener varias
dichos grupos que dos grupos con un gran número de mediciones.
Una vez que se ha determinado de forma fiable que los grupos son homogéneos, se pueden
combinarse y luego considerarse como un grupo de datos.
Consideraremos primero los métodos paramétricos más comunes para probar la
homogeneidad. Estos métodos se basan en la distribución normal de una población. Para
por esta razón, cada grupo de datos debe ser verificado primero por su normalidad.
Se comprueba la admisibilidad de diferencias entre estimaciones de las varianzas
con la ayuda de la prueba de R. Fisher en el caso de dos grupos de observaciones y
Prueba de M. Bartlett si hay más de dos grupos. Presentaremos ambos métodos.
Sean S2 las estimaciones no sesgadas de las varianzas de estos grupos 1 y S2 2, dónde
S21 > S22 . El número de observaciones en los grupos es n1 y n2, por lo que los grados
de libertad son, respectivamente, ÿ1 = n1 ÿ 1 y ÿ2 = n2 ÿ 1. Formamos la razón
S21
F= .
S22
Luego, de las Tablas A.5 y A.6, donde las probabilidades
P{F > Fq } = q
para los diferentes grados de libertad que se presentan v1 y v2 , elegimos el valor Fq .

Se acepta la hipótesis, es decir, las estimaciones de las varianzas pueden considerarse como
correspondiente a una misma varianza, si F < Fq . El nivel de significancia es
igual a 2q.
Ahora suponga que hay L grupos, y para ellos, las estimaciones no sesgadas de la
se conocen las varianzas de los grupos de observaciones, S2
1 ,..., S2L (L > 2), y cada grupo
tiene ÿi = ni ÿ 1 grados de libertad; además, todo ÿi > 3. La prueba de la hipótesis de que las
varianzas de los grupos son iguales se basa en el estadístico
L L
1
M = N ln i S2 i
ÿ
i lnS2 yo ,
norte
yo=1 yo=1
L
donde N = i=1 ÿi .
Si la hipótesis de que las varianzas son iguales es correcta, entonces la razón
METRO
x21 = L
1 1 1
1+ ÿ
3(L - 1) yo=1 yo
norte
se distribuye aproximadamente como ÿ2 con ÿ = L ÿ 1 grados de libertad.

Dado el nivel de significancia q, de la Tabla A.4, encontramos ÿ2 q

, tal que P{ÿ2 >
x2q } = q. Si la desigualdad ÿ2 < x2 q se satisface, entonces las diferencias entre la esti
1 mates de las varianzas son admisibles.
También se comprueba la admisibilidad de las diferencias entre las medias aritméticas.
diferente en el caso de dos o más grupos de observaciones. Primero examinaremos
la comparación de las medias aritméticas de dos grupos de observaciones, cuando
hay muchas observaciones, de modo que se puede suponer que cada estimación de las varianzas
ser igual a su varianza.
Denotamos por x¯1, ÿ2 1 , y n1 los datos pertenecientes a un grupo y por x¯2, ÿ2 2,
y n2 los datos pertenecientes al otro grupo. Formamos la diferencia x¯1 ÿ x¯2 y

estimar su varianza:
p21 p22
ÿ2 (x¯1 ÿ x¯2) = + .
n1 n2
Luego, habiendo elegido un nivel de significación definido q, encontramos ÿ = 1 ÿ q, y

de la Tabla A.1, encontramos el argumento z 1ÿÿ de la función gaussiana correspondiente
2
1-a
a la probabilidad 2. Una diferencia entre las medias aritméticas se considera como
aceptable, si
|x¯1 ÿ x¯2| ÿ z 1ÿa ÿ(x¯1 ÿ x¯2).

2
Si no se conocen las varianzas de los grupos, entonces el problema se puede resolver

solo si ambos grupos tienen las mismas varianzas (las estimaciones de esta varianza ˜ÿ2 1 y
ÿ˜22 puede, naturalmente, ser diferente). En este caso, t se calcula como
|x¯1 ÿ x¯2| n1n2 (n1 + n2 - 2)

t= .
n1 + n2
(n1 - 1) ˜ÿ2 1 + (n2 ÿ 1) ˜ÿ2 2
Luego, dado el nivel de significación q, de la Tabla A.2 para la distribución de Student

con ÿ = n1 + n2 ÿ 2 grados de libertad, encontramos tq . Una diferencia entre el
la media aritmética se considera admisible si t < tq .
Si el número de grupos es grande, la admisibilidad de las diferencias entre los
La media aritmética se comprueba con la ayuda de la prueba de Fisher. Primero es necesario
comprobar que todos los grupos tienen la misma varianza.
El método de Fisher consiste en comparar estimaciones de la varianza intergrupal S2 L
y la varianza media de los grupos S2:
L
1 2
S2L = ni (x¯i - x¯) ,
Lÿ1
yo=1
dónde
L
n1x¯i L
yo=1
x¯ = , norte = en
norte
yo=1
(la estimación S2 Ltiene v1 = L ÿ 1 grados de libertad);

L en
2 1 2
S =
(x de ÿ x¯i)
norte - l yo=1 j=1
(el grado de libertad v2 = N ÿ L).

Ambas estimaciones de las varianzas tienen una distribución ÿ2 con v1 y v2 grados de
libertad, respectivamente. Su relación tiene la distribución de Fisher con los mismos grados de
libertad.
Una dispersión de las medias aritméticas es aceptable si F = S2 L / S 2 para el seleccionado
probabilidad ÿ se encuentra dentro del intervalo de FL a FU :
P{FL ÿ F ÿ FU } = a.
Los límites superiores de la distribución de Fisher FU se presentan en las Tablas A.5 y A.6;
los límites inferiores se encuentran a partir de la relación FL = 1/ FUSi
. se considera que los
niveles de significancia para encontrar FU y FL son iguales q1 = q2 = q, entonces el nivel de
significación común de la prueba será 2q y
ÿ = 1 ÿ 2q.
También se ha desarrollado un método para comprobar la admisibilidad de la dispersión en

las medias aritméticas de los grupos cuando las varianzas de los grupos son diferentes, pero es
más complicado.
Cabe señalar que una diferencia significativa entre las medias aritméticas podría indicar que
existe un error sistemático constante en los resultados observacionales de uno u otro grupo, así
como que el parámetro interesante del modelo utilizado para describir el objeto de investigación
es variable. Esto último significa que el postulado ÿ no se cumple y, por lo tanto, las mediciones
no se pueden realizar con la precisión requerida.
Ahora discutiremos métodos no paramétricos para probar la homogeneidad. Estos métodos

no requieren ningún supuesto sobre la función de distribución de la población y se utilizan
ampliamente en estadística matemática.
Pruebas de Wilcoxon y Mann-Whitney. Suponga que tenemos dos muestras: {xi},i = 1,..., n y
{yj}, j = 1,..., n2, y sea n1 ÿ n2. Comprobamos la hipótesis H0 : F1 = F2, donde F1 y F2 son las
funciones de distribución de las cantidades aleatorias X e Y , respectivamente.
La secuencia de pasos para comprobar H0 es la siguiente. Se combinan ambas muestras y

se construye una serie ordenada a partir de N = n1 + n2 elementos; es decir, todos los xi y yj
están ordenados de forma creciente, independientemente de la muestra a la que pertenezca
uno u otro valor. A continuación, se enumeran todos los términos de la serie ordenada. El
número de orden de un término se llama su rango.
Cuando los valores numéricos de varios elementos son iguales, a cada uno de ellos se le
asigna un rango igual a la media aritmética de los rangos de los valores correspondientes.
A continuación se calcula la suma de los rangos de todos los elementos de la muestra más pequeña.
La suma T obtenida se compara luego con el valor crítico Tq .
Para valores pequeños de n1 y n2, las tablas Tq (n1, n2) se dan en la mayoría de los libros modernos .
sobre estadísticas. Para n1, n2 > 25, el valor crítico Tq se puede calcular usando el
distribución normal N(m1, ÿ2):
Tq = m1 + z1ÿqÿ,
dónde
[n1 (N + 1) - 1]
m1 =
2
y
[n1n2 (N + 1)]
ÿ2 = ,
12
z1ÿq es el cuantil del nivel (1 ÿ q) de la distribución normal estándar N(0, 1).

La hipótesis H0 se rechaza con nivel de significación q si T > Tq . Esto es
Prueba de Wilcoxon.
Una variante de la prueba de Wilcoxon es la prueba de Mann-Whitney. Esta prueba se basa en
cálculos de las llamadas inversiones U, que son más difíciles de calcular
que los rangos T. Pero U y T están relacionados únicamente, y los valores de U pueden ser
encontrado a partir de los valores de T :
n1 (n1 + 1) n2(n2 + 1)
U(1) = T(1) ÿ 2 , U(2) = n1n2 + ÿ T(2).
2
El parámetro U se compara con el valor crítico Uq , para el cual tablas o un

Se emplean cálculos similares al realizado anteriormente.
Dado q, encontramos a partir de la distribución normal estándar N(0, 1) el cuantil z1ÿq
y calcule Uq :
n1n2 - 1
Uq = .
2 + z1ÿq *n1n2(N + 12
1)
La hipótesis H0 se rechaza si tanto U(1) como U(2) son mayores que Uq .

Para la prueba de Siegel-Tukey, como en el caso de la prueba de Wilcoxon, dos muestras xi y
yj se estudian y así mismo se comprueba la hipótesis H0 : F1 = F2 . la notación
xi se le da a la muestra cuyo número de términos n1 es menor que el número n2 en
la segunda muestra. Todos los valores N = n1 + n2 de xi e yj están igualmente ordenados en
orden creciente, con indicación de que cada término pertenece a la secuencia X o Y Los .
rangos se asignan de la siguiente manera: rango 1 al primer término, rango 2 al último (Nth)
término, rango 3 al (N ÿ 1) er término, rango 4 al segundo término, rango 5 al tercero
término, clasifique 6 hasta el (N ÿ 2) segundo término, y así sucesivamente. Valores que son iguales entre sí
se les asigna el rango promedio. A continuación, las sumas de los rangos R1 y R2, referentes a
las muestras {xi} y {yj} y la variable estandarizada z, definida como
"
n1 (N + 1) "
"
R1 - "
"
ÿ 0,5
"
2 "
"
z= ,
* n1n2 (N12
+ 1)
Tabla 4.1. El ejemplo de determinación de rango.
prueba de Wilcoxon Prueba de Siegel-Tukey

Número de
Suma de rangos Suma de rangos
instrumentos con
Rango para un valor Rango para una dada
un error dado en
medio de dado del error promedio valor de la
la muestra
valor del un valor dado en la muestra de un valor error en el
error x yx + y del error x dado del error muestra x
ÿ0,50 2 1,5 1,5 2,5 2.5

ÿ0,40 1 3 4,0 12,0 7,3 22.0
ÿ0,30 0 3 7,0 21,0 13,7 41.0
ÿ0,25 0 1 9,0 9,0 17,0 17.0
ÿ0,20 1 0 18 18,5 240,5 36,5 474.5
ÿ0,15 5 4 29,5 59,0 58,5 117.0
ÿ0,10 3 2 18 40,5 405,0 80,5 805.0
ÿ0,05 82 5 52,0 156,0 103,6 310.8
0,00 3 1 13 2 10 3 15 2843 76,0 1140,0 151,5 2272.5
0.05 5 5 10 102.5 512.5 204.5 1022.5
0.10 26 35 61 138.0 3588.0 573.5 7108.4
0.15 7 4 11 174.0 1218.0 293.5 2054.5
0.20 34 41 75 217.0 7378.0 207.5 7055.0
0.25 1 3 4 256.5 256.5 128.5 128.5
0.30 17 11 28 272.5 4632.5 96.5 1640.5
0.40 13 11 24 298.5 3880.5 44.5 578.5
0,45 1 1 2 311.5 311.5 18.5 18.5
0.50 4 2 6 315.5 1262.0 10.5 42.0
0,60 0 1 1 319.0 0.0 3.0 0.0
0.80 1 0 1 320.0 320.0 2.0 2.0
se calculan. Para el nivel de significación q, la hipótesis H0 se rechaza si z > z1ÿq ,

donde z1ÿq es un cuantil de orden (1 ÿ q) de la distribución normal estándar
N(0, 1).
Los cálculos de R1 y R2 se pueden verificar con la ayuda de la relación
norte (norte + 1)
R1 + R2 = .
2
La prueba de Wilcoxon se basa en comparar los valores medios de dos muestras,

mientras que la prueba de Siegel-Tukey se basa en estimaciones de las varianzas. Para esto
razón, estas dos pruebas se complementan entre sí.
Como ejemplo de la aplicación de estas pruebas, la Tabla 4.1 proporciona datos de
cálculos sobre una comprobación de la homogeneidad de dos lotes de 160 amperímetros para un
instrumento de hierro móvil 59 con respecto al error en el marcador 30 del graduado
escala [43]. El experimento se describe en la Sección 2.6.
Siguiendo las recomendaciones hechas anteriormente, obtenemos T = 25.403. Sea ÿ =
0.05. Entonces z0.95 = 1.96 y
160 × 321
Tq = = 27.620.
2 12
ÿ 0,5 + 1,96*160 × 160 × 321
4.7. Tendencias en Estadística Aplicada y Procesamiento Experimental de Datos 109
Como 25.403 < 27.620, se acepta la hipótesis de que las muestras son homogéneas con base en
la prueba de Wilcoxon.
Considere ahora la prueba de Siegel-Tukey. Según los datos de la tabla, R1 = 23.713. Cálculos
análogos dan R2 = 27,647. Tomando R1(R1 < R2), obtenemos
" 160 × 321 " " " 23.713 ÿ ÿ 0,5

""""
2
z= = 2.3.
*160 × 160 ×12

321
Elegimos q = 0.05 y por lo tanto z0.95 = 1.96. Como z > z0.95, se rechaza la hipótesis de que las
muestras son homogéneas con base en la prueba de Siegel-Tukey.
4.7. Tendencias en Estadística Aplicada y Procesamiento

Experimental de Datos
Un problema que se aborda en las estadísticas tiene que ver con modelar con precisión los datos
de medición. A menudo se utiliza una distribución normal para este propósito. Pero a veces es
deseable tener colas más pesadas de lo que permite esta distribución. Las matemáticas ofrecen
una solución conveniente para agregar peso a las colas de una distribución llamada esquema
contaminado: una distribución normal se contamina al agregar otra distribución, que generalmente
también es una distribución normal. La forma general de esta distribución combinada es:
F(x) = (1 ÿ ) (x) + H(x),
donde (x) es la distribución normal básica que tiene una varianza ÿ2 la b , H(x) es el contaminante
distribución normal innata que tiene una varianza ÿ2 los y y (1 ÿ ) son los pesos de 1, por lo que la
c , términos
ÿ2 y
anteriores. Además, ÿ2 afecta principalmente solo adistribución
las colas de la
contaminante
C b
distribución básica.
El esquema contaminado es simple y conveniente. No obstante, ha sido
Se utiliza principalmente en estudios teóricos.
Otro problema estadístico es disminuir la influencia de la forma de la función de distribución
utilizada para modelar los datos sobre el resultado de la medición. La función de distribución por
su naturaleza es un concepto matemático. Se utiliza en mediciones como modelo teórico para un
conjunto de mediciones. Como siempre, es imposible una conformidad completa entre el modelo
y el conjunto real de datos. Por lo tanto, se pueden elegir diferentes modelos para los mismos
datos. Una pequeña diferencia entre los modelos puede conducir a una estimación significativamente
diferente del mensurando. Las denominadas estimaciones robustas [16, 32] ofrecieron una solución
a este problema. Entre las primeras estimaciones robustas conocidas, las más populares son las
medias truncadas, las medias de Winsor y las medias ponderadas [32]. Estos métodos suponen
que los resultados de las mediciones se organizan en una serie ordenada; es decir,
x1 ÿ x2 ÿ ... ÿ xn.
Los Medios Truncados. Dada la serie ordenada anterior, el método de medias

truncadas descarta valores k de los extremos izquierdo y derecho de esta serie.
El número k se obtiene comosignifica
k = npque
, donde
k es el
0 <número
p < 0,5entero
y la notación
mayor que
np es
igual o menor que np. El resto de la serie proporciona la estimación robusta del
mensurando por la fórmula
aprox.
1
A˜T = xi .
n ÿ 2k e=k+1
Tenga en cuenta que el procedimiento de truncamiento es similar a la práctica habitual

de eliminar el resultado atípico de la muestra, que se describe en la Sección 4.3.
Los medios de Winsor. En lugar de descartar elementos extremos en la serie
ordenada, el método de Winsor los reemplaza con los elementos vecinos. La
estimación robusta del mensurando se calcula mediante la fórmula:
1
A˜W =
norte yo=k+1
%nÿ ( k+1) xi + (k + 1)(xk+1 + xnÿk ) ) .
Los medios ponderados. El método de las medias ponderadas obtiene una estimación
robusta mediante el cálculo de una combinación lineal de los datos de medición. Existen
numerosas variaciones en este método [16, 31]. Aquí presentamos una de esas variaciones,
que utiliza el promedio ponderado de la mediana de la serie y dos elementos ubicados
simétricamente alrededor de la mediana en la serie [32].
La mediana M está determinada por la fórmula:
si n = 2k + 1;
1
M=% (xk + xk+1) si n = 2k.
xk+1
2
La estimación robusta de la media según este método viene dada por la

siguiente fórmula:
(xl + xnÿl+1)
A˜C = (1 ÿ 2 )M + 22 ,
donde (1 — 2) y 2 son los pesos, las 1, y l y (n — l + 1) son los

posiciones de los dos elementos simétricos elegidos para la estimación.
También se propusieron otras numerosas estimaciones robustas [16]. Por lo tanto, no

está claro qué método elegir para una medición determinada. Hogg abordó esta dificultad
de la siguiente manera [31]. Su método aprovecha la suposición natural de que todas
las distribuciones de densidad son simétricas, la suposición en la que se basan todas
las demás estimaciones sólidas. Las distribuciones simétricas se pueden caracterizar
por un parámetro: el exceso de e (consulte la Sección 3.4):
µ4
y= .
p4
Hogg propuso dividir todas las distribuciones en varias clases en función del
valor de e, de tal forma que para todas las distribuciones de una misma clase se
pueda calcular el valor medio con la misma fórmula. Así, la estimación del
mensurando para cada clase no dependerá de la función de distribución. La estimación del exceso
4.7. Tendencias en Estadística Aplicada y Procesamiento Experimental de Datos 111
Tabla 4.2. Clases de funciones de distribución y fórmulas para

estimación de sus valores medios después de Hogg.
Clase de distribución æ Fórmula para la estimación del mensurando
1
A <2 Aã = (x1 + xn )
2
1
norte
B 2 <a <4 A segundo

= x¯ = xi
norte
yo=1
norte norte / 4
1
C 4 <æ <5,5 A˜c = xi
n-2n/4
yo = n/4 +1
D 5.5 <æ A˜d = M
e se encuentra a partir de la fórmula:
norte
i=1(xi ÿ A˜) 4
æ= .
nS4
El precio que paga este método por la estimación robusta es la pérdida en la eficiencia de
el estimado. Por lo tanto, una solución deseada encontraría un compromiso entre la
número de clases y la pérdida de la eficiencia. Hogg estudia el sistema de cuatro
clases llamadas clases A, B, C y D. El rango de valores de æ para cada clase y
las fórmulas correspondientes para estimar el valor medio de los datos se dan en
Tabla 4.2.
Hogg encontró que las cuatro clases que propuso conducen a una pérdida de eficiencia de no
más del 20%, lo cual es aceptable.
Posteriormente se propuso otro sistema de clases [39]. Este sistema contiene sólo
tres clases, que también están determinadas por los valores de æ. Estas clases y las
las fórmulas correspondientes para la estimación de la media se muestran en la Tabla 4.3.
Como se puede ver, las fórmulas de la Tabla 4.3 son las mismas que las utilizadas en el Hogg
sistema: la Clase 1 usa la misma fórmula que la Clase D, la Clase 2 como Clase B y la Clase
3 como Clase A.
Las estimaciones de varianzas de estimaciones robustas se calculan de forma común
pero la construcción de intervalos de confianza presenta un problema difícil que generalmente no se

discute en la literatura sobre estimaciones robustas. La solución más simple es
para construir estos intervalos utilizando un método no paramétrico. En este método, el
El intervalo de confianza está definido por los dos elementos ubicados simétricamente sobre el
mediana en la serie ordenada.
Tabla 4.3. Clases de funciones de distribución y fórmulas para

estimación de sus valores medios después de Mechanikov.
Clase de distribución æ Fórmula para la estimación del mensurando
1 4 <æ A˜1m = M
1
norte
2 2,5 <æ <4 A˜2m = x¯ = xi

norte
yo=1
x1 + xn
3 1,8 <æ <2,5 A˜3m = 2
Sea el intervalo de confianza [xl, xr], donde xl y xr son la izquierda y la derecha

elementos simétricos en la serie ordenada. Los números l y r se encuentran de la siguiente manera
1 donde ÿ es
[29]: l es 1/2(n + 1 ÿ z 1+ÿ ÿn , ÿn ,y r es 1/2(n + 1 ÿ z 1+ÿ
2 2
la probabilidad de confianza y z 1+ÿ es el cuantil correspondiente del estándar
2
distribución normal.
Por ejemplo, para la serie ordenada de tamaño n = 49 y ÿ = 0,95, A ÿ M = x25
y l = 19 y r = 31. El intervalo de confianza es [x19, x31].
El cálculo inverso fue propuesto en [39]. Aquí, primero elegimos los elementos
en la serie ordenada como los límites del intervalo de confianza y luego calcular el
probabilidad de confianza correspondiente según la fórmula:
1 nÿr
P{xl ÿ A ÿ xr} = Ahínorte.

2n
yo = yo
En particular, para
norte + 1
k = 2, P{x2 < A < xnÿ1} = 1 ÿ 2nÿ1 n2 ,
+n+
2
k = 3, PAG{x3 < A < xnÿ2} = 1 ÿ .
2n
Para k > 3, las fórmulas de trabajo se vuelven mucho más complicadas. Pero para k = 4
y 5, se pueden utilizar relaciones aproximadas, presentadas en el artículo [39] mencionado anteriormente:
0.17n3
k = 4, P{x4 < A < xnÿ3} ÿ 1 ÿ 2nÿ1 ,
0.037n4
k = 5, P{x5 < A < xnÿ4} ÿ 1 ÿ 2nÿ1 ,
Los métodos no paramétricos se utilizan ampliamente en el análisis estadístico. Sin embargo,

para construir intervalos de confianza, requieren muchas más observaciones que los paramétricos.
métodos. Desafortunadamente, no está claro cómo construir intervalos de confianza para
estimaciones robustas utilizando métodos paramétricos.
4.8. Ejemplo: análisis de resultados de medición

en Comparaciones de Medidas de Masa
Consideremos una medida que determina el valor real de una masa de 1 kg

medida comparándola con la medida estándar de referencia de masa con el
mismo valor nominal. La columna 1 de la Tabla 4.4 presenta los resultados de la medición
obtenido de esta comparación.
La columna 2 da los valores de xi0 = (xi ÿ 999.998 000) × 106, y la columna 3
y 4 da los resultados de los cálculos auxiliares.
1 Como de costumbre, x denota el mayor entero igual o menor que x y x representa

el entero más pequeño igual o mayor que x.
4.8. Ejemplo 113
Tabla 4.4. Para el cálculo de las características estadísticas basadas en los resultados de
comparación de medidas de masa.
2
póquer _ xi0 × 10ÿ6g xi0 ÿ x¯i0 × 10ÿ6g (xi0 ÿ x¯i0) × 10ÿ12g2
999.998 738 738 +17 289

999.998 699 699 ÿ22 484
999.998 700 700 ÿ21 441
999.998 743 743 +22 484
999.998 724 724 +3 9
999.998 737 737 +16 256
999.998 715 715 ÿ6 36
999.998 738 738 +17 289
999.998 703 703 ÿ18 324
999.998 713 713 ÿ8 64
Suma 7210 0 2676
La medición se realizó por los métodos de pesaje preciso, que

eliminó el error causado por el hecho de que los brazos de las balanzas no eran iguales.
Por lo tanto, se puede suponer que no hay errores sistemáticos.
Se puede suponer que los resultados de las mediciones en la columna 1 son aleatorios discretos
cantidades independientes {xi},i = 1,..., n y n = 10, y por lo tanto, podemos aplicar
el método de los momentos para encontrar la solución. La probabilidad de todos los xi es la misma
y es igual a pi = 1/ n. Para simplificar los cálculos, la columna 2 presenta solo
los tres últimos dígitos variables de xi , indicados como xi0. Siguiendo la Ecuación 3.7 de
Sección 3.4, calculamos el primer momento inicial:
1
norte norte
m1 = xi0 pi = xi0.
norte
yo=1 yo=1
1
Así, obtenemos el valor medio x¯i0 = 10
· 7210 × 10ÿ6 = 721 × 10ÿ6g, y
la estimación del valor de la masa es
x¯ = 999,998000 + x¯i0 = 999,998721g.
Usando la Ecuación 3.8, el segundo momento central es

norte
µ2 = (xi0 ÿ x¯0) 2pi _ _

yo=1
Después de aplicar el múltiplo de corrección conocido n/(n ÿ 1) (ver Sección 4.2), tenemos
obtener la estimación insesgada de la varianza:
1
norte
2
S2 (xi) = (xi0 ÿ x¯0)
.
norte ÿ 1
yo=1
Por lo tanto, la desviación estándar es
× 10ÿ12 = 17 × 10ÿ6g.
S(xi0) = S(xi) = S2(xi0) = *2676 9
Una estimación de la desviación estándar del valor real obtenido de la medida de masa es
17 × 10ÿ6
Sx¯ = = 5 × 10ÿ6g.
ÿ10
La muestra que se muestra en la columna 2 no parece corresponder a una distribución
normal. Pero la distribución de los valores medios de acuerdo con el teorema del límite
central es asintóticamente normal, lo que nos permite encontrar la incertidumbre del
resultado.
Sea ÿ = 0.95; luego, usando la distribución de Student (Tabla A.2), encontramos el
coeficiente El
tq grado
. de libertad ÿ = 10 ÿ 1 = 9 y q = 1 ÿ ÿ = 0,05. Por lo tanto , t0.05 =
2.26. De acuerdo con la fórmula (4.10), obtenemos la incertidumbre del resultado de la
medición:
u = 2,26 × 5 × 10ÿ6 = 11 × 10ÿ6 g (0,95).
Así, con la probabilidad de confianza ÿ = 0,95, la masa m de la medida

estudiado se encuentra en el intervalo
999,998 710 g ÿ m ÿ 999,998 732 g.
El resultado obtenido se puede escribir de forma más compacta como
m(0.95) = (999.998 721 ± 11 × 10ÿ6 ) gramo.
Si los datos anteriores fueran procesados por los métodos no paramétricos, la estimación
del mensurando sería prácticamente la misma pero su incertidumbre sería el doble de
amplia.
5
Mediciones Directas
5.1. Relación entre soltero

y Múltiples Medidas
La teoría clásica de los errores de medición se basa en métodos estadísticos bien
desarrollados y se refiere a múltiples mediciones. En la práctica, sin embargo, la
gran mayoría de las mediciones son mediciones únicas y, por extraño que parezca,
para esta clase de mediciones no existe un método aceptado para estimar los
errores.
Al buscar un método sólido para estimar errores en mediciones individuales,
primero es necesario establecer la relación entre mediciones individuales y múltiples.
A primera vista, parece natural considerar las mediciones individuales como un
caso particular de mediciones múltiples, cuando el número de mediciones es igual a 1.
Formalmente esto es correcto, pero no aporta nada, porque los métodos estadísticos
no funcionan cuando n = 1. Además, la cuestión de cuándo una medida es suficiente
permanece abierta. En el enfoque examinado, para responder a esta pregunta, y
esta es la pregunta fundamental, primero es necesario realizar una medición múltiple
y luego, analizando los resultados, decidir si era posible una sola medición. Pero tal
respuesta en general no tiene sentido: ya se ha realizado una medición múltiple, y
nada se gana con saber, por ejemplo, que en un caso dado, una medición habría
sido suficiente. Es cierto que se puede objetar que un análisis de este tipo hará
posible que no se realicen mediciones múltiples cuando se realicen dichas
mediciones en el futuro. De hecho, eso es lo que se hace, pero sólo cuando se
realizan mediciones preliminares, es decir, en investigaciones científicas cuando se
estudia algún objeto nuevo. Esto no se hace en mediciones prácticas.
Cuando es necesario medir, por ejemplo, el voltaje de alguna fuente con una
precisión dada, se elige un voltímetro con la precisión adecuada y se realiza la
medición. Sin embargo, si los números en el indicador del voltímetro bailan, entonces
es imposible realizar una medición con la precisión prescrita y el problema de la
medición debe volver a examinarse en lugar de realizar una medición múltiple.
116 5. Mediciones directas
Para aplicaciones prácticas, podemos afirmar la opinión de que las mediciones individuales
están bien fundamentadas por la experiencia, concentrada en la construcción de los instrumentos
de medición correspondientes, y que los instrumentos de medición se fabrican de manera que se
puedan realizar mediciones individuales.
De la afirmación anterior se sigue un punto de vista completamente diferente con respecto a
la relación entre mediciones únicas y múltiples, a saber, que las mediciones únicas son la forma
básica primaria de medición, mientras que las mediciones múltiples se derivan de mediciones
únicas. Se realizan múltiples mediciones cuando es necesario, en base a la formulación del
problema de medición. Es interesante que estos problemas se conozcan de antemano; incluso se
pueden enumerar. Es decir, las mediciones múltiples se realizan de la siguiente manera:
a) Cuando se investigue un fenómeno nuevo o un objeto nuevo y se determinen las relaciones

entre las magnitudes que caracterizan al objeto, así como su conexión con otras magnitudes
físicas, o brevemente, cuando se realicen mediciones preliminares, según la clasificación
dada en el Capítulo 1, se realizan.
(b) Al medir el valor promedio de algún parámetro, correspondiente al objetivo del problema de
medición. (c) Cuando el efecto de los errores aleatorios de los instrumentos de medición
deba ser
reducido.
(d) En mediciones para las cuales los instrumentos de medición aún no han sido
desarrollado.
De los cuatro casos presentados arriba, el primero es típico para investigaciones científicas y
el tercero es típico para la práctica de calibración.
Existe otro punto de vista, a saber, que cualquier medida debe ser una medida múltiple, porque
de lo contrario es imposible juzgar el proceso de medida y su estabilidad y estimar su inexactitud.
No podemos estar de acuerdo con esta opinión. En primer lugar, contradice la práctica. En
segundo lugar, tampoco resiste el análisis fundamental. Imagine que la misma cantidad constante
se mide simultáneamente con la ayuda de múltiples y únicos métodos de medición. En ambos
casos, las medidas se realizan con el mismo instrumento cuyo tiempo de respuesta es tr.
En la Fig. 5.1(a), los puntos representan los resultados de mediciones individuales que
comprenden una medición múltiple, y la Fig. 5.1(b) muestra una fotograbación de las indicaciones
del instrumento analógico en una sola medición.
Una sola medida permite obtener el valor del mensurando inmediatamente después del tiempo
de respuesta tr del instrumento de medida. Si es deseable verificar la estabilidad de la medición,
entonces se debe continuar con la observación.
El proceso de medición es estable si las lecturas del instrumento durante un tiempo T elegido no
cambian apreciablemente.
La lectura del instrumento da la estimación A˜ de un mensurando A. Por supuesto, A˜ = A. Los
métodos para calcular los errores y la incertidumbre de los resultados de mediciones individuales
se dan más adelante en este capítulo. Así, en este caso, una sola medida es suficiente para
obtener el resultado de la medida y estimar su
5.1. Relación entre mediciones únicas y múltiples 117
Figura 5.1. Resultados de las mediciones en el caso de (a) una medición múltiple y en
(b) una sola medición (una película cinematográfica de las indicaciones del instrumento
de medición).
inexactitud. En cuanto a la estabilidad del proceso de medición, una sola medición permite
hacer un mejor juicio que una medición múltiple porque la última representa solo momentos
separados del proceso, mientras que la primera brinda una imagen continua completa.
El ejemplo anterior no dice que una sola medición sea mejor que una medición múltiple.
Solo dice que no se debe realizar una medición múltiple cuando se puede realizar una sola
medición. Pero cuando es necesaria una medición múltiple, una sola medición es inútil, y en
este caso y en este sentido, una medición múltiple es mejor que una sola medición.
Por lo tanto, las mediciones individuales deben considerarse independientes y la forma

básica de medición. Correspondientemente, el problema de desarrollar métodos para estimar
los errores de mediciones individuales debe ser considerado como un problema independiente
e importante de la teoría de las mediciones.
Este es un buen momento para discutir otro aspecto de la cuestión que nos ocupa.
En muchos campos de medición, los instrumentos digitales de medición modernos pueden
operar tan rápido que durante el tiempo asignado para las mediciones, digamos 1 s, se pueden
realizar cientos de mediciones. Realizando estas medidas y promediando sus resultados,
empleamos todo el tiempo destinado a la medida y, gracias a ello, reducimos en consecuencia
el efecto de las interferencias y el ruido.
Considere ahora un instrumento analógico que tiene la misma precisión que un dispositivo
de medición rápido, pero con un tiempo de respuesta igual al tiempo asignado a la medición,
es decir, en nuestro caso, 1 s. A partir de la constante de tiempo del instrumento, el efecto de
interferencia y ruido se suprimirá en el mismo grado que para la promediación discreta en el
primer caso; es decir, obtendremos el mismo resultado.
En otras palabras, el tiempo de medición es de fundamental importancia, y no tiene
importancia en cómo se filtran la interferencia y el ruido, en forma discreta o analógica, durante
este tiempo. En la práctica, el promedio discreto suele ser más conveniente porque, en este
caso, el tiempo promedio se puede cambiar fácilmente.
5.2. Identificación y Eliminación de Errores Sistemáticos

Tener en cuenta y eliminar los errores sistemáticos es un problema importante en toda
medición precisa. En la teoría de los errores, sin embargo, se ha dedicado poca atención a
los errores sistemáticos.
En la mayoría de los libros sobre métodos de procesamiento de datos, se descuida la
cuestión de los errores sistemáticos o se estipula que se supone que estos errores han sido
eliminados.
En realidad, sin embargo, los errores sistemáticos no pueden eliminarse por completo;
siempre quedan algunos residuos no excluidos. Estos residuos deben tenerse en cuenta
para estimar los límites del error sistemático no excluido del resultado, que determinan su
error sistemático.
Además, muchas mediciones se realizan sin tomar medidas especiales para eliminar los
errores sistemáticos, porque se sabe a priori que son pequeños o las condiciones de
medición hacen imposible eliminarlos. Por ejemplo, supongamos que se mide la masa de
un cuerpo y no se hacen correcciones para las balanzas empleadas porque las correcciones
son pequeñas o porque no se conocen los valores reales de las masas (solo se conocen
los límites de sus errores).
A veces, se supone que los residuos no excluidos de los errores sistemáticos son errores
aleatorios debido al hecho de que se desconocen sus valores. No podemos estar de
acuerdo con este punto de vista. Al clasificar los errores como sistemáticos o aleatorios, la
atención debe centrarse en sus propiedades en lugar de si se conocen sus valores.
Por ejemplo, suponga que se mide la resistencia de un resistor y se hace una corrección
por la influencia de la temperatura. El error sistemático se eliminaría si supiéramos
exactamente el coeficiente de temperatura de la resistencia y la temperatura. Conocemos
ambas cantidades con una precisión limitada y, por esta razón, no podemos eliminar por
completo este error. Quedará un residuo no excluido del error. Puede ser pequeño o grande;
esto lo podemos y debemos estimar, pero su valor real sigue siendo desconocido. No
obstante, este error residual tiene un valor definido, que permanece igual cuando se repite
la medida en las mismas condiciones, y por ello es un error sistemático.
Los errores que han sido eliminados ya no son errores. Por ello, como ya hemos
mencionado, el error sistemático en una medida también debe entenderse como el residuo
no excluido del error sistemático, si no puede despreciarse.
El error en una medición puede ser tanto sistemático como aleatorio, pero una vez
realizada la medición, el error de medición se convierte en un error sistemático. De hecho,
el resultado de una medición tiene un valor numérico definido y su diferencia con el valor
real de la cantidad medida también es constante.
Incluso si todo el error en una medición fuera aleatorio, para un resultado de medición, se
vuelve sistemático; es decir, aparentemente se congela.
Ahora discutiremos la clasificación de los errores sistemáticos. Basaremos nuestra
discusión en el trabajo de MF Malikov y, siguiendo este trabajo, distinguiremos los errores
sistemáticos según sus fuentes y propiedades [35].
5.2. Identificación y Eliminación de Errores Sistemáticos 119
Las fuentes de errores sistemáticos pueden ser tres componentes de la medición: el método de
medición, el instrumento de medición y el experimentador.
Correspondientemente, los errores sistemáticos metodológicos, instrumentales y personales se
distinguen habitualmente.
Los errores metodológicos surgen de las imperfecciones del método de medición y de la precisión
limitada de las fórmulas utilizadas para describir los fenómenos en los que se basa la medición.
Clasificaremos como errores metodológicos los errores que surgen como resultado de la influencia del
instrumento de medida sobre el objeto cuya propiedad se está midiendo.
Por ejemplo, el voltímetro de bobina móvil extrae corriente del circuito de medición. Debido a la
caída de tensión en la resistencia interna de la fuente de tensión que se está midiendo, la tensión en
los terminales del voltímetro será menor que el valor medido. Las indicaciones del voltímetro, sin
embargo, son proporcionales al voltaje en sus terminales. El error que surge, un error metodológico,
debería ser insignificante si la medición se realiza correctamente.
También puede surgir un error metodológico en relación con el uso del instrumento de medición.
La ganancia de un amplificador de voltaje se determina midiendo los voltajes en la entrada y la salida.
Si estos voltajes se miden sucesivamente usando el mismo voltímetro, como suele hacerse en la
práctica, entonces, además del error del voltímetro, el error de medición incluirá el error del cambio
incontrolable de voltaje en la entrada del amplificador durante el tiempo durante el cual se enciende el
voltímetro y se mide la tensión en la salida (o viceversa).
Este error no surge cuando se emplean dos voltímetros. Sin embargo, cuando la medición se realiza
usando un voltímetro, el efecto del error del voltímetro disminuye.
Observamos que el error del umbral de discrepancia entre el modelo y el objeto también es un error
metodológico.
Los errores sistemáticos instrumentales son errores causados por imperfecciones del instrumento
de medición. Los ejemplos clásicos de tales errores son los errores de un instrumento de medición
causados por una calibración imprecisa de la escala del instrumento y el error de un divisor de voltaje
resistivo por el ajuste inexacto de las resistencias de sus resistencias.
Otro grupo de tales errores son los errores adicionales y dinámicos. Estos errores también dependen
de las imperfecciones de los instrumentos de medición, pero son causados por cantidades de influencia
y parámetros no informativos de la señal de entrada, así como por el cambio en el tiempo de la señal
de entrada. Muy a menudo, los errores adicionales y dinámicos son errores sistemáticos. Sin embargo,
cuando las cantidades de influencia y las formas de la señal de entrada son inestables, pueden
convertirse en errores aleatorios.
Errores de configuración, es decir, errores derivados de la disposición del instrumento de medición.
mentos y su efecto mutuo, también son errores instrumentales.
Los errores sistemáticos personales son errores sistemáticos relacionados con las características
individuales del observador.
Discutiremos los errores en la lectura de las indicaciones de los instrumentos indicadores. Dichos
errores fueron investigados por H. Bäkström [17]. Aunque en este trabajo se simularon dispositivos
de lectura reales mediante espacios en blanco con líneas, que representan el borde de un
la graduación de la escala y el indicador del instrumento, dibujados sobre ellos, los resultados
obtenidos son verosímiles.
Los resultados de la investigación consisten en lo siguiente.
Los errores sistemáticos que comete todo observador al estimar las décimas de la graduación
de la escala de un instrumento pueden llegar a 0,1 graduaciones y son mucho mayores que los
errores aleatorios. Estos errores sistemáticos se manifiestan en el hecho de que para diferentes
décimas de una graduación, diferentes observadores característicamente hacen estimaciones con
diferentes frecuencias y, además, la distribución característica de cada observador permanece
constante durante un largo período de tiempo. Así, un observador remite, más a menudo de lo que
se cree, indicaciones a las líneas que forman los bordes de la graduación, y al valor 0,5 de una
graduación. Otro observador refiere indicaciones a los valores 0.4 y 0.6 de una graduación. Un
tercer observador prefiere graduaciones de 0,2 y 0,8, y así sucesivamente. Las décimas de una
graduación, que están dispuestas simétricamente en el espacio entre los marcadores de escala, se
estiman con la misma frecuencia.
El error en la estimación de las décimas de graduación depende del grosor de los marcadores,
las líneas que forman la escala. El grosor óptimo de estos marcadores es 0,1 de la longitud de una
graduación. La longitud de una graduación afecta significativamente el error en la lectura de las
décimas de una graduación. Las escalas de instrumentos para las que se pueden leer décimas de
una graduación se fabrican normalmente de modo que la longitud de una graduación sea igual a
aproximadamente 1 mm (no menos de 0,7 mm y no más de 1,2 mm).
En general, para un observador aleatorio, la distribución de errores sistemáticos en las lecturas
de décimas de graduación puede suponerse uniforme con límites de ±0,1 graduaciones.
Es interesante que los componentes del error aleatorio generalmente no se destacan, porque el
error aleatorio en una medición, por regla general, se estima a partir de los datos experimentales y
todo el error se mide de una vez, mientras que el error sistemático se mide por componentes
Los errores sistemáticos constantes se distinguen de los errores sistemáticos que varían
regularmente. Los últimos errores, a su vez, se subdividen en errores progresivos y periódicos y
errores que varían según una ley complicada.
Un error sistemático constante es un error que permanece constante y por ello se repite en cada
observación o medida. Por ejemplo, dicho error estará presente en mediciones realizadas utilizando
las mismas medidas materiales que tienen un error sistemático: balanzas, resistencias, etc. Los
errores personales cometidos por experimentadores experimentados también pueden clasificarse
como constantes (para experimentadores inexpertos, suelen ser de carácter aleatorio).
Los errores progresivos son errores que aumentan o disminuyen a lo largo del tiempo de
medición. Dichos errores son causados, por ejemplo, por el cambio en la corriente de trabajo de un
potenciómetro debido a la caída de voltaje de la batería de almacenamiento que lo alimenta.
Los errores periódicos son errores que varían con un período definido.
En el caso general, un error sistemático puede variar según una ley aperiódica complicada.
El descubrimiento de errores sistemáticos es un problema complicado. Es especialmente difícil

descubrir un error sistemático constante. Para resolver el problema, en este caso,
se deben realizar varias mediciones (al menos dos) con métodos fundamentalmente
diferentes. Este método es finalmente decisivo. A menudo se realiza comparando los
resultados de las mediciones de una y la misma cantidad que fueron obtenidos por
diferentes experimentadores en diferentes laboratorios.
Es más fácil descubrir errores sistemáticos variables, lo que se puede hacer con la
ayuda de métodos estadísticos, correlación y análisis de regresión. Pero tampoco
deben evitarse las posibilidades no matemáticas. Por lo tanto, en el proceso de realizar
una medición, es útil emplear un gráfico en el que se representen los resultados de
las mediciones en la secuencia en que se obtuvieron. La disposición global de los
puntos obtenidos permite descubrir la presencia de un cambio sistemático en los
resultados de las observaciones sin análisis matemático. La capacidad humana de
percibir tales regularidades se emplea ampliamente en metrología, aunque
aparentemente esta capacidad aún no se ha estudiado a fondo.
Si se ha encontrado un cambio regular en los resultados de observación y se sabe
que la cantidad medida no cambió en el proceso, esto indica la presencia de un error
sistemático que varía regularmente.
También es útil medir la misma cantidad utilizando dos instrumentos (métodos)
diferentes o medir periódicamente una cantidad conocida en lugar de la cantidad
desconocida.
Si se ha descubierto la presencia de un error sistemático, generalmente se puede
estimar y eliminar. En mediciones precisas, sin embargo, esto presenta a menudo
grandes dificultades y no siempre es posible.
En la mayoría de los campos de las mediciones, se conocen las fuentes más
importantes de errores sistemáticos y se han desarrollado métodos de medición que
eliminan la aparición de tales errores o evitan que afecten el resultado de una medición.
En otras palabras, los errores sistemáticos no se eliminan mediante el análisis
matemático de los datos experimentales, sino mediante el uso de métodos de medición
apropiados. El análisis de los métodos de medición y la sistematización y generalización
de los métodos de medición son problemas importantes, pero quedan fuera del alcance
de este libro, que está dedicado al problema del análisis de datos experimentales. Por
ello, limitaremos nuestra atención a una breve revisión de los métodos generales más
difundidos para el estudio de tales problemas.
Eliminación de Errores Sistemáticos Constantes
Método de reemplazo. Este método da la solución más completa del problema. Es una
versión del método de comparación, cuando la comparación se realiza reemplazando
la cantidad medida por una cantidad conocida y de manera que en el proceso no
ocurran cambios en el estado y operación de todos los instrumentos de medición.
Considere, por ejemplo, el pesaje realizado por el método de Borda. El método está
diseñado para eliminar el error de la desigualdad de los brazos de las balanzas.
Sea x la masa medida, P la masa de las pesas de equilibrio y l1 y l2 las longitudes de
los brazos de las balanzas. La medición se realiza de la siguiente manera.
Primero, el cuerpo pesado se coloca en un platillo de las balanzas y las balanzas se
equilibrado con la ayuda de un peso con masa T. Entonces
l2
x= T l1
A continuación, se retira la masa x y se coloca en el plato vacío una masa P que vuelve a
equilibrar los platillos:
l2
PAG = T l1
Como los lados derechos de ambas ecuaciones son iguales, los lados izquierdos también son
iguales entre sí, es decir, x = P, y el hecho de que l1 = l2 no tiene ningún efecto en el resultado.
La resistencia de una resistencia se puede medir de manera análoga con la ayuda de un
puente sensible pero inexacto y un cargador preciso de resistencias.
Varias otras cantidades se pueden medir de manera análoga.
Método de contraposición. Este método de medición es una versión del método de comparación.
La medición se realiza con dos observaciones, y se realiza de modo que la razón del error
constante afecte los resultados de las observaciones de manera diferente pero de manera
conocida y regular.
Un ejemplo de este método es el método de pesaje de Gauss. Primero, el peso que se está
pesando se equilibra con las pesas de equilibrio P1. Usando la notación del ejemplo anterior,
tenemos
l2
x= P1.
l1
A continuación, el peso desconocido se coloca en la bandeja que se mantuvo antes del equilibrio.
pesos, y las dos cargas se vuelven a equilibrar. Ahora tenemos
l1
x= P2.
l2
Ahora eliminamos la razón l2/l1 de estas dos igualdades y encontramos
x = P1P2.
El método de signos de compensación de errores. Este método involucra dos mediciones

realizadas de modo que el error sistemático constante aparecería con signos diferentes en cada
medición.
Por ejemplo, considere la medición de una fem x con la ayuda de un potenciómetro de cd que
tiene una termo-emf parásita. Una medida da E1. A continuación, se invierte la polaridad de la
fem medida, se cambia la dirección de la corriente de trabajo en el potenciómetro y, una vez
más, se equilibra la fem medida.
Este proceso da E2. Si la termo-fem da el error ÿ y E1 = x + ÿ, entonces E2 = x ÿ ÿ. De aquí
E1 + E2 2
x= .
Eliminación de errores sistemáticos progresivos. El caso más simple, pero más

frecuente, de un error progresivo es un error que varía linealmente, por ejemplo, en
proporción al tiempo.
Un ejemplo de tal error es el error en la medición de voltaje con la ayuda de un
potenciómetro, si el voltaje del acumulador, que genera la corriente de trabajo, cae
apreciablemente. Formalmente, si se sabe que la corriente de trabajo del potenciómetro
varía linealmente en el tiempo, entonces para eliminar el error que surge, es suficiente
realizar dos observaciones a veces después de regular la corriente de trabajo a lo largo
de la celda estándar. Dejar
E1 = x + Kt1, E2 = x + Kt2,
donde t1 y t2 son los intervalos de tiempo entre la regulación de la corriente de trabajo

y las observaciones, K es el coeficiente de proporcionalidad entre el error de medida y
el tiempo, y E1 y E2 son los resultados de las observaciones. De aquí
E1t2 ÿ E2t1
x= .
t2 - t1
Sin embargo, para obtener mediciones precisas, es mejor usar un método algo más
complicado de observaciones simétricas. En este método, se realizan varias
observaciones igualmente separadas en el tiempo y luego se calculan las medias
aritméticas de las observaciones simétricas. Teóricamente, estos promedios deben ser
iguales, y esto permite controlar el curso del experimento y eliminar estos errores.
Cuando los errores varían según leyes más complicadas, los métodos para eliminar
los errores se vuelven más complicados, pero el problema siempre se puede resolver si
se conocen estas leyes. Sin embargo, si la ley es tan complicada que no tiene sentido o
es imposible encontrarla, entonces los errores sistemáticos pueden reducirse a errores
aleatorios o cuasialeatorios, lo que requiere una serie de observaciones, dispuestas de
tal manera que los errores de observación sean tan diversos como sea posible y que
parezcan errores aleatorios. Sin embargo, esta técnica no es tan efectiva como encontrar
el error y eliminarlo directamente.
Los métodos enumerados anteriormente no agotan todas las posibilidades para
eliminar errores sistemáticos. Así, para eliminar el error sistemático de un instrumento
de medición del resultado de una medición, la medición puede ser realizada no por uno
sino por varios instrumentos simultáneamente (si los errores de los instrumentos no
están correlacionados). Tomando como resultado de la medida una combinación
definida de indicaciones de todos los instrumentos, podemos hacer que sus errores
sistemáticos, que son diferentes para los diferentes instrumentos, se compensen entre
sí de alguna manera, y el error del resultado obtenido será menor que para un individuo. instrumento. En
caso, los errores sistemáticos de los instrumentos pueden considerarse como una realización de
una cantidad aleatoria.
En aquellos casos en que para la cantidad medida se conocen varias relaciones
exactas entre ella y otras cantidades, estas relaciones pueden usarse para reducir el
error de medición. Por ejemplo, si se miden los ángulos de un triángulo plano, se debe
tener en cuenta que su suma es igual a 180°.
5.3. Estimación de errores elementales

Es difícil describir de forma generalizada un método para estimar errores elementales,
porque estos errores son por su naturaleza extremadamente diversa. No obstante, se pueden
formular las reglas generales para resolver este problema.
Para estimar los errores de medición, primero es necesario determinar sus posibles
fuentes. Si se sabe que se introducirán algunas correcciones (o se han introducido
correcciones), los errores en la determinación de las correcciones deben incluirse entre los
errores elementales.
Todos los errores de medición elementales deben estimarse de la misma manera, es
decir, en forma de errores absolutos o relativos. Los errores relativos suelen ser más
convenientes para la estimación del error a posteriori, y los errores absolutos son más
convenientes para la estimación del error a priori. Sin embargo, se debe tener en cuenta la
tradición de cada campo de medición. Por lo tanto, para la medición lineal-angular, se
prefieren los errores absolutos, mientras que para las mediciones de cantidades
electromagnéticas, se prefieren los errores relativos.
Un error elemental inevitable en cualquier medida es el error intrínseco del instrumento
de medida. Si los límites de este error se dan en forma de errores absolutos o relativos,
entonces no se requieren conversiones y estos límites son los límites del error elemental
dado. Pero a menudo los límites de error intrínseco de un instrumento de medida se dan en
forma de error fiduciario, es decir, como un porcentaje del valor fiduciario. La conversión a
error relativo se realiza mediante la fórmula
xN ÿin = Xc ,
donde ÿin es el límite del error intrínseco en forma relativa, ÿ es el límite del error fiduciario,
xN es el valor fiduciario yx es el valor del mensurando.
La conversión a la forma de errores absolutos se realiza de acuerdo con la fórmula
en = ÿinx = ÿ xN .
A menudo, las condiciones ambientales, caracterizadas por temperatura, presión,

humedad, vibraciones, etc., afectan el resultado de una medición. Cada cantidad de
influencia, en principio, engendra su error elemental. Para estimarlo, primero es necesario
estimar el valor posible de la cantidad de influencia correspondiente y luego compararlo con
los límites del rango de valores de esta cantidad con respecto a la condición de referencia.
Si la cantidad de influencia cae fuera de los límites de los valores de referencia, genera un
error adicional correspondiente; este error es también un error elemental.
Considere un error de la temperatura. Deje que la temperatura del medio exceda Si T1 ÿ

sus valores de referencia por . T ÿ T2 y el límite del error adicional
T para el intervalo [T1, T2] tiene el mismo valor absoluto, entonces este límite es el límite del
error adicional dado. Sin embargo, si para este intervalo se da el valor límite del coeficiente
de temperatura, entonces los límites del error de temperatura se calculan de acuerdo con la
fórmula
ÿT = ±wT T,
5.3. Estimación de errores elementales 125
donde ÿT es el límite del error de temperatura adicional y wT es el valor límite

del valor absoluto del coeficiente de temperatura del instrumento.
En el caso general, la dependencia del límite de error adicional ÿi o i de
las desviaciones de la cantidad de influencia fuera de los límites de sus valores de referencia
puede darse en forma de gráfico o expresarse analíticamente (ver Capítulo 2). Si
la función de influencia de alguna cantidad de influencia se indica en las especificaciones
proporcionado por el fabricante del instrumento, entonces una desviación de esta cantidad
fuera de los límites de sus valores de referencia puede ser tenido en cuenta por la corrección
correspondiente. En el proceso, el error elemental disminuye significativamente,
incluso si la función de influencia se da con un gran margen de error.
Supongamos, por ejemplo, que en lugar del valor límite del coeficiente de temperatura wT
= ±b/T la función de influencia w T = (1 ± ÿ)b/ T está dado. Calcular
la corrección, se debe conocer el valor específico de la temperatura durante el
medición y por lo tanto su desviación T del valor de referencia. Entonces el
error de temperatura adicional será
T
ÿT = (1 ± ÿ)b .
T
Eliminamos la parte constante de este error con la ayuda de la corrección.
c= ÿb T .
T
Entonces queda el error de temperatura.

bT
d=±e .
T T
Si la función de influencia se da comparativamente inexacta, por ejemplo,

ÿ = 0.2 (20%), entonces el error de temperatura incluso en este caso disminuye por un factor
de 4 a 6:
ÿT 1 ± 0,2
= = 4 o 6.
d 0.2
T
También debe tenerse en cuenta que si la cantidad de influencia se estima con una
error apreciable, entonces este error también debe tenerse en cuenta al calcular
el error adicional correspondiente.
En muchos casos, la señal de entrada en una medición es una función del tiempo y
por lo tanto, el resultado de la medición puede tener un error dinámico.
Existen varias peculiaridades en la estimación de errores dinámicos. Lo más importante de
estas peculiaridades deben ser discutidas.
En primer lugar, cabe señalar que aunque desde hace mucho tiempo los errores dinámicos han
tenido en cuenta en situaciones particulares, la teoría general de la estimación
de errores dinámicos de las medidas, como la teoría de las medidas dinámicas en
en general, se encuentra todavía en la etapa formativa. En [49] se intenta formular
los conceptos básicos de la teoría de las medidas dinámicas. En el estudio de los métodos
para estimar los errores dinámicos a continuación, nos apegaremos a los conceptos presentados en
[49].
A continuación, tenemos que mencionar que los instrumentos de medida no tienen errores
dinámicos pero pueden tener errores adicionales en el régimen dinámico. Estos errores son
un tipo especial de errores elementales de medida.
Un ejemplo típico de una medida para la que el error dinámico es significativo es una
medida en la que se registra una señal variable en el tiempo. En este caso, de acuerdo con
la definición general de error absoluto, el error dinámico se puede escribir como
y(t)
ÿd (t) = ÿ x(t), (5.1)
k
donde ÿd (t) es el error dinámico; x(t) e y(t) son las señales a la entrada y salida,
respectivamente, del instrumento de medida; y K es la constante de transducción.
La relación entre las señales en la entrada y la salida del instrumento de medición se
puede representar mediante una ecuación de operador
y = Bx, (5.2)
donde B es el operador del instrumento de registro.

El operador expresa en forma general todo el conjunto de propiedades dinámicas de un
instrumento de medida. Estas propiedades dependen de la acción particular con respecto a
la cual se estudian. Así, las propiedades dinámicas con respecto a una cantidad de influencia
variable o interferencia que no actúa en la entrada del instrumento de medida pueden ser
diferentes de las propiedades dinámicas con respecto a la señal de entrada. En (5.2), el
operador B pertenece a la señal de entrada.
Cuando se construyen instrumentos de medición, la constante de transducción
generalmente se hace independiente de la fuerza de la entrada. Entonces, los instrumentos
de medición pueden describirse mediante un modelo lineal y, como regla, los modelos
lineales pueden tener parámetros agrupados.
Sustituyendo la ecuación. (5.2), Ec. (5.1) se puede representar en forma de operador
B
ÿd = ÿ yo x,
k
donde I es el operador de identidad, I x ÿ x.

Las señales de entrada y salida varían en el tiempo, y por lo tanto, el error dinámico es un
función del tiempo.
Uno pensaría que dada la señal de salida y(t) y el operador del instrumento de medición,
es posible usar (5.2) para encontrar la señal de entrada x(t) y luego, usando la fórmula (5.1),
encontrar la dinámica error. Esto es difícil de hacer, sin embargo, porque el operador del
instrumento de medición por lo general no se conoce con suficiente precisión.
A veces, el problema se puede resolver sin conocer en absoluto al operador del

instrumento. Supongamos que tenemos un instrumento y un registro de algún proceso
realizado con su ayuda. Ahora desconectamos el instrumento del proceso que se está
estudiando y conectamos al instrumento un circuito en el que podemos controlar un proceso
análogo. Un ejemplo de un dispositivo de este tipo es un generador de señales estándar (si
se emplea un instrumento de medición eléctrico). A continuación grabamos una señal en la entrada del
5.3. Estimación de errores elementales 127
instrumento tal que a la salida obtengamos un proceso idéntico al registrado inicialmente.

Cuando los registros son lo suficientemente idénticos, los procesos de entrada también
son idénticos. Por lo tanto, hemos encontrado la señal de entrada y su comparación
(después de multiplicarla por K de acuerdo con (5.1)) con el registro dado puede producir
una estimación del error dinámico.
En la práctica de la medición, siempre se hacen esfuerzos para utilizar instrumentos de
medición cuyas señales de salida estarían cerca de cumplir con los objetivos de la medición
en forma de la señal de entrada. Pero en aquellos casos en los que tales instrumentos de
medición no están disponibles y deben usarse instrumentos de medición existentes, a
pesar de las distorsiones creadas por ellos, la reconstrucción de la forma (manteniendo los
parámetros sin cambios) de la señal de entrada se convierte en un método importante para
aumentar la precisión de la medición. Debe notarse, sin embargo, que la reconstrucción
de la forma de la señal de entrada presenta grandes dificultades, que están asociadas con
el hecho de que este problema es un problema mal planteado (en la terminología de J.
Hadamard); es decir, en este problema, la solución no depende continuamente de los
datos iniciales, lo que significa que cuando hay pequeños errores en la especificación de
la característica dinámica del instrumento de medida y la lectura de los valores de la señal
de salida, el error en determinar la señal de entrada puede ser tan grande que la solución
obtenida no tenga sentido físico.
Físicamente, la idea principal del problema de la formulación incorrecta en aplicación a
la reconstrucción de la forma de la señal de entrada consiste en lo siguiente. En última
instancia, la composición espectral de la señal de salida de un instrumento de medición
siempre disminuye en intensidad a medida que aumenta la frecuencia. La respuesta de
amplitud-frecuencia de un instrumento de medición (que, naturalmente, es un sistema
estable) a altas frecuencias también se aproxima al eje de frecuencia. Por lo tanto, se
requiere encontrar, a partir de dos funciones con espectros decrecientes, una tercera
función (la señal de entrada) que proporcione una relación única entre ellos. A frecuencias
bajas y medias (para las funciones dadas), donde la intensidad de los espectros es alta, la
señal buscada puede determinarse de forma fiable y los errores inevitables en los datos
iniciales y los procedimientos de cálculo funcionan normalmente; es decir, distorsionan la
solución sin destruir su significado físico. A altas frecuencias, las intensidades de los
espectros caen hasta tal punto que su efecto sobre la solución es comparable al de los
errores en los datos iniciales. El efecto de estos errores puede ser tan grande que la
verdadera solución se suprime por completo. Las distorsiones en el dominio del tiempo
suelen tener la forma de funciones que oscilan rápidamente, cuya amplitud suele ser varios
órdenes de magnitud mayor que la solución verdadera.
Los métodos para resolver problemas planteados incorrectamente (métodos de
regularización) están en desarrollo activo en matemáticas, física matemática, geofísica y
la teoría del control automático. En [28] se proporciona una lista de las publicaciones más
importantes sobre esta cuestión relacionada con la metrología.
La característica esencial de los métodos de regularización consiste en filtrar las
distorsiones en base a información a priori sobre la verdadera solución. La pregunta
principal es cómo establecer el grado óptimo de filtrado para filtrar el ruido sin distorsionar
la verdadera solución. Diferentes métodos de regularización requieren diferentes volúmenes
y formas de información a priori.
Los errores dinámicos se estiman con mayor frecuencia cuando la elección de un instrumento de registro
se está haciendo ment. El problema se resuelve de la siguiente manera.
La peor forma de proceso de entrada se elige y se expresa analíticamente. Se supone que
se conoce una característica dinámica completa del instrumento registrador.
Entonces es posible calcular el proceso de salida correspondiente. Una superposición de estos
procesos de entrada y salida da el error dinámico de la medición esperada. Si el valor absoluto
del error dinámico se encuentra dentro de los límites permitidos, este instrumento de registro se
puede utilizar para la medición.
Pero es inconveniente trabajar con un error en función del tiempo. Por esta razón, se suele
intentar describir el error dinámico, al registrar datos, mediante un parámetro que asuma un
único valor para toda la función. Muy a menudo, se usa el error que tiene el valor absoluto
máximo o su desviación estándar.
Cabe señalar que el esquema de cálculo presentado anteriormente se puede modificar para
diferentes problemas de medición. Por lo tanto, a menudo es posible un desplazamiento de la
señal de salida en el tiempo con respecto a la señal de entrada. En este caso, las señales se
pueden arreglar artificialmente para minimizar el error.
A pesar de la dificultad de estimar los errores dinámicos, el error dinámico es un error
elemental. En aquellos casos en que el error dinámico esté representado por sus componentes,
estos componentes se consideran como medida elemental.
errores
Usaremos los símbolos presentados en la Tabla 1.1 para designar errores elementales.
Si un error elemental tiene componentes sistemáticos y aleatorios, lo designaremos con el
símbolo utilizado para el componente dominante.
5.4. Método para calcular los errores e

incertidumbres de mediciones individuales
Una vez analizados los errores de una sola medida, tenemos una estimación de los límites de
todos los errores elementales de la medida. Pasamos ahora al problema de la síntesis. Primero,
seleccionamos errores absolutamente constantes, si existen, y escribimos estimaciones de sus
límites Hf :
|ÿ f | ÿ Hf o Hf l ÿ ÿ f ÿ Hf r,
donde f = 1,..., k y k rara vez es mayor que 2.

Los errores elementales restantes son condicionalmente constantes:
|ÿi| ÿ ÿi, i = 1,..., n.
Arriba modelamos errores condicionalmente constantes por una cantidad aleatoria con una
distribución de probabilidad uniforme. Para mediciones directas, en la gran mayoría de los casos,
se puede suponer que los errores elementales son independientes entre sí. Partiendo de este
hecho, calculamos el valor límite de la suma de todos
5.4. Método para calcular los errores de mediciones individuales 129
errores condicionalmente constantes. Por lo tanto, usamos la fórmula (3.13):
norte
2
voluntad = k i yo _ (5.3)
yo=1
Con una probabilidad de confianza ÿ = 0.99 y n ÿ 4, podría resultar que ÿÿ >

norte
i=1 ÿi . Pero es obvio que este resultado no puede suceder. En este caso, es posible
para tomar
norte
ÿ= ÿi .
yo=1
Por supuesto, sería más correcto tomar un valor más preciso del coeficiente k de las
curvas presentadas en la figura 3.3.
Surge, sin embargo, la cuestión de qué tan bien fundada la elección ÿ = 0,99
es. En la mayoría de los casos, este límite no se corresponde con la fiabilidad de los datos iniciales,
y el límite ÿ = 0.95 es más apropiado. Para ÿ = 0.95, la fórmula (5.3) asume
el formulario (ver tablas en las páginas 72 y 73)
norte
2
0,95 = 1,1 i i
. (5.4)
yo=1
norte
En este caso, ÿÿ < yo=1 ÿi . Mostraremos este resultado investigando el último

2 2
desigualdad. Primero, sea n = 2 con ÿ1 ÿ ÿ2 y considere la desigualdad 1.1 ÿ 1 + yo2 <
(ÿ1 + ÿ2) No es difícil verificar que la desigualdad se cumple si ÿ1/ÿ2 > 0.11. Este
condición corresponde a la práctica, porque un error elemental que es de unos diez
veces menor que cualquier otro error elemental puede despreciarse.
Considere ahora los tres términos ÿ3 > ÿ2 > ÿ1. Introduciendo T = ÿ3 + ÿ2, obtenemos
la identidad
2
1.1 T 2 + ÿ 1 ÿ 2ÿ3ÿ2 < (T + ÿ1).
El término 2ÿ3ÿ2 > 0, y las condiciones de la desigualdad, serán más fuertes si esto
se suprime el plazo. Entonces, correspondiente al caso que acabamos de estudiar con dos
términos, obtenemos
i1
> 0,11.
ÿ2 + ÿ3
Es obvio que esta desigualdad es más fácil que para dos componentes. Sobre el
En conjunto, a medida que aumenta el número de términos, la desigualdad se satisface más fácilmente.
Podría suceder que m de los n errores condicionalmente constantes tengan
límites:
ÿ jl ÿ ÿj ÿ ÿ jr, j = 1,..., n,
donde ÿ es el límite izquierdo y ÿ jl jr es el límite de la derecha.

Para los cálculos, los límites asimétricos deben representarse como límites simétricos
con un desplazamiento por aj , donde
ÿ jl + ÿ 2jr
también =
.
Los límites de un intervalo que es simétrico con respecto a aj se calculan según

a la fórmula
= ÿ jr - ÿ jl .
ÿj
2
A continuación, los límites del error deben calcularse a partir de las siguientes fórmulas
en lugar de (5.3):
metro n -m metro
2 2
ÿr,ÿ = también + k
yo + yo
ÿj,
j=1 yo=1 j=1
(5.5)
metro n -m metro
a 2
ÿl,ÿ = también + k
yo
yo
+ ÿj.
j=1 yo=1 j=1
Ahora deben tenerse en cuenta los errores elementales absolutamente constantes. Como
el modelo probabilístico no es apropiado para ellos, sus límites deben sumarse
aritméticamente con los límites, calculando según (5.6), de la suma de los
componentes condicionalmente constantes ÿr y ÿl o ÿ:
k
=
r, un Hf r + ÿr,ÿ,
f=1
(5.6)
k
=
yo, un Hf l ÿ ÿl,ÿ,
f=1
En el cálculo anterior, los errores elementales condicionalmente constantes fueron

modelado por una cantidad aleatoria con una distribución de probabilidad uniforme. Sin embargo,
errores elementales, que aparecen en el error resultante después de alguna transformación,
se encuentran. Un ejemplo es el error de desajuste en las mediciones radioelectrónicas. El error
elemental aquí es el cambio de fase. Como en el caso de otros .
ÿf
errores elementales, para este error se estiman los límites del desfase, y se
se supone que el cambio de fase se distribuye uniformemente dentro de estos límites. Pero el
el error en el resultado no contiene sino cos. cuando se distribuye
ÿF,ÿFÿF
uniformemente, la cantidad cos tiene la llamada distribución arcocoseno.

ÿf
Cuando los errores elementales transformados están presentes, su composición con el
otros errores deben construirse de acuerdo con los métodos matemáticos adoptados. los
método numérico universal descrito en la Sección 3.6 es conveniente.
La distribución de la suma de errores elementales, para cada uno de los cuales un uniforme
se adopta una distribución normal, puede considerarse como una distribución normal, si n > 4 y
todos tienen aproximadamente los mismos límites. Sin embargo, si n ÿ 4 o los límites de
5.4. Método para calcular los errores de mediciones individuales 131
los errores elementales son sustancialmente diferentes, entonces también se debe construir la
composición de estas distribuciones.
Ahora volvemos al caso en que el error elemental tiene límites asimétricos. crea
La transformación de estos límites en una forma simétrica con un desplazamiento de
aj , la tentación de introducir en el resultado de la medida una corrección correspondiente al
desplazamiento de aj . Se debe advertir de manera decisiva que no se haga esto: la información
sobre errores es demasiado poco confiable para usarla para corregir el resultado de una medición.
En los cálculos realizados anteriormente, se supuso que los errores elementales son
independientes entre sí. En algunos casos, esta suposición no está justificada. Un ejemplo es el
caso cuando varios dispositivos de medición, conectados a un sistema de medición o formando
un canal de medición, se utilizan para realizar una medición y alguna cantidad de influencia
excede los límites de las condiciones de referencia para estos instrumentos. En este caso, los
dispositivos de medición adquirirán errores adicionales y podrían ser dependientes, y debe
tenerse en cuenta. El método de dichos cálculos se relaciona con las mediciones indirectas y,
por lo tanto, se presenta en la Sección 6.6.
A partir de n errores elementales, es posible destacar 2m errores dependientes. Después

(5.3) debe transformarse en la siguiente forma:
n -m metro
ÿ=k yo
2
yo
+ (5.7)
(ÿµ1 ± ÿµ2 )2,
yo=1 µ=1
donde ÿµ1 y ÿµ2 son los límites de pares de errores elementales dependientes con sus signos.
El método presentado anteriormente para el cálculo de errores es igualmente adecuado para

la estimación a priori y a posteriori, porque en la etapa de síntesis no hay diferencia entre estos
casos.
En conclusión, discutiremos la fórmula
norte
2
ÿ= ÿ
yo ,
yo=1
que se utiliza a menudo en la práctica. Esta fórmula se puede obtener bajo el supuesto de que
los errores elementales tienen una distribución normal y sus valores límite se calcularon para
una misma probabilidad de confianza. Sean ÿi la desviación estándar del i-ésimo error elemental
y ÿi = zpÿi , donde zp es el cuantil determinado según una distribución
probabilidad
normal y una
de confianza
misma
para todo i. Eso es obvio
norte
ÿ2 = p2 .
i
yo=1
Multiplicamos ambos lados de esta igualdad por z2 p:

norte
z2 pÿ2 = z2 pÿ2 yo .
yo=1
Pero ÿ = zpÿ y ÿi = zpÿi De aquí obtenemos la fórmula
norte
ÿ= 2
yo ._ _ (5.8)
yo=1
Sin embargo, los límites de los errores elementales no se estiman por métodos probabilísticos
y no se les puede asignar una probabilidad. Además, no hay fundamentos para usar una
distribución normal como modelo matemático de la distribución elemental.
errores
La fórmula presentada anteriormente puede interpretarse de manera diferente, a saber,
como un caso particular de la fórmula (5.3) con k = 1[45]. El valor k = 1 corresponde a una
probabilidad de confianza de 0,916, lo que explica la opinión generalizada de que esta fórmula
subestima un poco el error, es decir, que esta fórmula no es lo suficientemente fiable.
Por otro lado, esta fórmula es ampliamente utilizada en la práctica. Su amplia difusión puede
considerarse como una confirmación indirecta pero práctica del hecho de que una cantidad
aleatoria uniformemente distribuida puede utilizarse como modelo de errores elementales
condicionalmente constantes.
A veces, los componentes elementales se suman de acuerdo con la fórmula
k norte
= ÿi .
Hf +
f=1 yo=1
Sin embargo, dicha suma significa que se supone que todos los errores elementales son
absolutamente constantes. Esta situación es rara. Sin embargo, si se acepta que también
existen errores condicionalmente constantes, entonces la suma aritmética significa que todos
los errores elementales asumen simultáneamente sus valores límite y con el mismo signo. Esta
coincidencia es improbable. Aunque esta fórmula satisface el principio de estimar el límite
superior de errores, se usa cada vez menos, y principalmente solo para obtener una estimación
aproximada de un solo error de medición o, en el caso extremo, como se hizo anteriormente en
la página 129, simplemente para eliminar un error. estimar.
5.5. Ejemplo: Cálculo de la Incertidumbre

en las Medidas de Tensión Realizadas
con un Voltímetro Tipo Puntero
Estudiaremos varios ejemplos de la aplicación de un voltímetro de cd tipo aguja clase 1.0 con
las siguientes características:
(i) Los límites superiores de los rangos de medición son 3, 7,5, 15, 30, etc., hasta
300 voltios
(ii) La escala del instrumento tiene 75 graduaciones y comienza en el marcador 0.

5.5. Ejemplo: Cálculo de Incertidumbre en Medidas de Tensión 133
(iii) Los límites de error intrínseco permisible son ±1.0% de un lapso (es un fiduciario
error).
(iv) La desviación total de la aguja corresponde a una corriente de 15 × 10ÿ6 A ±1%.
(v) En las condiciones de referencia, la temperatura es igual a +20 ± 5 ÿC y las medidas
se realizan con el instrumento en posición horizontal.
En este caso, ignoraremos todas las demás cantidades de influencia; supondremos
que son idénticos a sus valores normales de referencia.
Errores adicionales. Una desviación de la temperatura del valor de referencia hace que
las indicaciones del instrumento cambien en no más de ±1,0% por cada 10 ÿC de
cambio en la temperatura. La inclinación del instrumento en 5 ÿ desde la posición
horizontal cambia las indicaciones en no más de ±1% del límite de medición.
5.5.1. Estimación a priori

Suponga que se va a monitorear algún equipo midiendo el voltaje en varias resistencias.
La resistencia de salida equivalente (la resistencia de la fuente) del equipo en un caso
es igual a aproximadamente 10 k y en todos los demás casos no supera 1 k La
temperatura del
. a medio puede
la posición cambiar no
horizontal de exceda
+10 ÿC los
a +25
5ÿ. ÿC La pendiente con respecto
Estamos obligados a estimar la incertidumbre de medida. La incertidumbre más

expresarse en la forma relativa.
Antes de la medición, se desconoce el valor de la cantidad medida. Supuestamente
será inferior a 3 V. La superposición de límites en el voltímetro es igual a 3/7,5 = 0,4 y
7,5/15 = 0,5, después de lo cual estos números se repiten. Por lo tanto, la indicación del
instrumento cae por debajo de 0,4 ÿ 0,5 del límite superior de medición, entonces se
debe cambiar el rango de medición. Desarrollando este punto de vista, supondremos
que si el voltaje medido es menor que 0.4 × 3 V = 1.2 V, entonces se debe usar un
voltímetro diferente.
En el rango de 1,2 a 3 V, el mayor error relativo ocurrirá cuando se mida un voltaje
del orden de 1,2 V. El error tendrá que ser estimado para este peor
caso.
Las fuentes de error son las siguientes:
(1) el error intrínseco del voltímetro; (2) el

error de lectura; (3) el error de temperatura;
(4) el error introducido por la inclinación
del instrumento; y (5) el error de la resistencia de entrada limitada del
voltímetro.
Estimaremos estos errores.
(1) Error intrínseco: Sus límites serán

1
ÿin = ±1% × = ±2,5%, |ÿin| = 2,5%. 0.4
(2) Error de lectura: Este error no excede 0.25 de una graduación. cuando yo
suponiendo 1,2 V en el límite de 3 V, esto da
3 × 100
voluntad = ±0,25 × = ±0,83%, |voluntad| = 0,83%.
75 × 1,2
(3) Error de temperatura adicional: la desviación máxima de la temperatura

del valor normal es (20 ÿ 5) ÿ 10 = 5 ÿC. Por esta razón
5
ÿT = ±1% × = ±0,5%, 10 |ÿT | = 0,5%.
(4) El error adicional introducido por la inclinación de 5ÿ del instrumento cuando

medir 1,2 V será
3
ÿl = ±1% × = ±2,5%, |ÿl| = 2,5%.
1.2
(5) Los errores {ÿR} de la resistencia de entrada limitada del voltímetro son como
sigue. La resistencia de entrada del voltímetro en el límite de 3 V es
3
RV = = 2 × 105 .
1,5 × 10ÿ5
El peor caso ocurre con la resistencia exterior R = 10 k .
o
Las indicaciones del voltímetro corresponden al voltaje en sus terminales. Este
el voltaje U es menor que la fem E en el circuito:
casa rodante
en = Y.
RV + Ror
el error es
U-E ÿRor
ÿR = =
Y RV + Ror
para R = 10k
o
ÿ10 × 103
mi = × 100 = ÿ4,8 %
R
10 × 103 + 2 × 105
Si la resistencia exterior es 1 k = ÿ0,5%.
, entonces ÿ R
Los errores {ÿR} son absolutamente constantes para cada unidad monitoreada. los
los errores restantes son condicionalmente constantes.
Ahora agreguemos todos los errores condicionalmente constantes. Usaremos (5.4), y haremos
suponga que ÿ = 0.95:
%,0.95 = 1,1 2,52 + 0,832 + 0,52 + 0,252 = 4%.
Ahora tomamos en cuenta el error absolutamente constante. sus limites son
IHR = ÿ4,8 %, FCr = ÿ0,5%,
pero no se conocen con la suficiente precisión como para eliminarlos introduciendo el

corrección. Por lo tanto, de acuerdo con (5.6), obtenemos
= ÿ4,8 ÿ 4,0 = ÿ8,8 %

r,0,95 = ÿ0,5 + 4 = +3,5 %, l,0.95
Por lo tanto, el error de la medición planificada no superará el ÿ10%.

5.5.2. Una estimación aproximada a posteriori

Ahora estimaremos el error de medición en el ejemplo examinado anteriormente,
suponiendo que ya se ha realizado la medición. La diferencia significativa
del caso anterior es que ahora tenemos una estimación de la cantidad medida.
Sea la indicación del voltímetro en el caso R = 10 k de 62,3ograduaciones.
Por lo tanto, el voltímetro se indica
3
U = 62,3 = 2,492 V.
75
Supongamos que descubrimos que o = 10k ± 0,5%. El error ÿ R fue calculado

R arriba: ÿR= introducir
ÿ4.8%. Ahora podemosC R:
la corrección
C R = +4,8 × 10ÿ2 × 2,492 = +0,120 V.
Teniendo en cuenta las correcciones, obtenemos
U=U+C R = 2,612 V.
Los errores de las correcciones están determinados por los errores de los valores disponibles
de las resistencias RV y Ror. Estableceremos la relación entre ellos.
Ror Ror casa rodante Ror/RV

C R = ÿÿRU = en = × mi = mi
Ror + RV Ror + RV Ror + RV (1 + Ror/RV )2
Para simplificar la notación, sea x = Ror/RV . Después
X
CR = Y.
(1 + x)2
Ahora construimos las relaciones diferenciales:
1 Ror d Ror RV _
dx = d Ror ÿ d RV = x ÿ
,
casa rodante
R2EN Ror casa rodante
dx 2x(1 + x)dx 1ÿx

R = mi = mi dx,
ÿ
corriente continua
(1 + x)2 (1 + x)4 (1 + x)3

x(1 ÿ x) d Ror RV _
R = mi .
ÿ
corriente continua
(1 + x)3 Ror casa rodante
En la forma relativa, transformando de diferenciales a incrementos, obtenemos
CR 1ÿx Ror casa rodante
ÿc = ÿ
.
CR 1+x Ror casa rodante
Como Ror y RV son independientes, consideraremos cada componente de error de

la corrección como un error elemental de medida. Obviamente, ambos componentes
son condicionalmente constantes:
1ÿx 1ÿx
ÿC1 = ÿRor , ÿC2 = ÿRv .
1+x 1+x
Los límites de error de la resistencia interna del voltímetro están determinados por la clase de
voltímetro y son iguales a ±1%. Por lo tanto, como x = 5 × 10ÿ2,
1ÿx
|ÿC2| = 1 % = 0,9 × 1 % = 0,9 %.
1+x
Los límites del error en la determinación de la resistencia de entrada de nuestro aparato (la
resistencia exterior del voltímetro) son iguales a ±0,5%. Por lo tanto,
1ÿx
|ÿC1| = 0,5 % = 0,9 × 0,5 % = 0,45 %.
1+x
Los límites de los errores restantes son los siguientes:
|ÿin| = 1% × 75/62 = 1,2%, 0,25 ×

100 |voluntad| = = 0,4%
62
|ÿT | = 0,5%,
|ÿl| = 1% × 75/62 = 1,2%.
Se puede suponer que estos errores elementales son condicionalmente constantes. De

acuerdo con la fórmula (5.4), para ÿ = 0.95, obtenemos
0,95 = 1,1 0,92 + 0,452 + 1,22 + 0,42 + 0,52 + 1,22 = 2,3%.
Cuando el resultado de la medición se escribe de acuerdo con su incertidumbre, solo se pueden

retener tres cifras significativas:
U˜ = 2,16 V, = ± 2,3 % (ÿ = 0,95), U (0,95) = 2,16 V
± 2,3 %, o U (0,95) = (2,16 ± 0,06) V.
5.5.3. Una estimación precisa a posteriori

Los errores elementales más grandes fueron ÿC2, ÿin y ÿl . ¿Cómo se pueden reducir?
Los dos primeros se pueden reducir teniendo en cuenta las propiedades individuales del
voltímetro. Si el voltímetro tiene una nueva tabla de correcciones, entonces esto se puede hacer.
Supongamos que en el límite de 3 V en el marcador 60, la corrección es igual a +0,3 graduaciones,
mientras que en el marcador 70 es igual a + 0,2 graduaciones. Entonces se puede suponer que
la corrección de la indicación en 62,3 graduaciones también es igual a +0,3 graduaciones. Por lo
tanto,
3
Cin = +0,3 × = +0,012 V. 75
Teniendo en cuenta esta corrección, el voltímetro da
U = 2,492 + 0,012 = 2,504 V.
Supondremos que los límites de error en la determinación de la corrección, es decir, los

errores de calibración, son conocidos y son iguales a ±0,2%. Convirtiendo a la indicación del
instrumento, obtenemos |ÿ in| = 0,2 × 75/62 = 0,24%.
Con esta corrección, hemos eliminado el componente sistemático del error.

del voltímetro. El componente aleatorio, sin embargo, permanece y debe tomarse
en cuenta. La banda muerta, según la medida eléctrica indicadora
instrumentos, puede alcanzar un valor que coincida con la designación de clase del
instrumento. En nuestro caso, este valor es el 1% de 3 V. El error aleatorio no supera la mitad
la banda muerta. Por lo tanto, los límites del error aleatorio son iguales a
75
| | = 0,5 × 1% × = 0,6%.
62
La distribución del error aleatorio en nuestro caso, cuando se han estimado sus límites,
puede suponerse uniforme, como también las distribuciones de otros condicionalmente
errores elementales constantes.
Se puede medir la resistencia de entrada del voltímetro. Suponga que se ha
realizado esta medición y RV = 201,7 k ± 0,2 %. Después
10 × 103 × 100
ÿR = = ÿ4,72%.
(10 + 201.7) × 103
La corrección será
CR = +4,72 × 10ÿ2 × 2,504 = +0,118 V.
Teniendo en cuenta la corrección CR , se obtiene
U = 2,504 + 0,118 = 2,622 V.
Los límites de error porque no se conoce la resistencia de entrada del voltímetro

exactamente ahora se volverá más pequeño:
|ÿC2 | = 0,9 × 0,2 % = 0,18 %, |ÿC1| = 0,45%.
El error ÿl se puede reducir prestando más atención al posicionamiento

horizontal del instrumento. Suponga que la desviación de la posición horizontal no
exceder ±2ÿ. Después
i | = 1 × 2/5 × 75/62 = 0,48%.

yo
El error de temperatura y el error de lectura seguirán siendo los mismos.

Calculemos nuevamente la incertidumbre para ÿ = 0.95:
0,95 = 1,1 0,242 + 0,62 + 0,182 + 0,452 + 0,482 + 0,52 + 0,42 = 1,3%.
Ahora escribimos el resultado de la medición de la siguiente manera:
U˜ = 2,62 V, = ±1,3 % (ÿ = 0,95), o U (0,95) = 2,62 V ± 1,3 %.
El ejemplo examinado anteriormente muestra claramente cómo la incertidumbre de medición

disminuye a medida que se pasa de una estimación a priori a una a posteriori y luego de
aproximado a la estimación precisa del error.
5.6. Métodos para calcular la incertidumbre

en mediciones múltiples
Las mediciones múltiples son un objeto clásico de la estadística matemática y la teoría de los errores
de medición. Bajo ciertas restricciones sobre los datos iniciales, las estadísticas matemáticas brindan
métodos elegantes para analizar las observaciones y estimar los errores de medición.
Desafortunadamente, las restricciones requeridas por las matemáticas a menudo no se cumplen

en la práctica. Entonces estos métodos no se pueden usar y se deben desarrollar métodos prácticos
para resolver los problemas. Pero incluso en este caso, los métodos de la estadística matemática
proporcionan un punto de referencia y una base teórica.
En este capítulo se presentan los principales métodos matemáticos para resolver el problema
antes mencionado. Se estudia la situación correspondiente a mediciones múltiples directas, libres de
errores sistemáticos, es decir, que sólo tienen errores aleatorios.
Bajo esta restricción, los métodos matemáticos pueden emplearse completamente.
No se puede predecir un resultado separado, es decir, un valor separado del error aleatorio.
Pero una gran colección de errores aleatorios de alguna medida satisface leyes definidas. Estas leyes
son estadísticas (probabilísticas). Se establecen y prueban en metrología con base en los métodos
de la estadística matemática y la teoría de la probabilidad.
El problema se puede resolver mejor si se dispone de la función de distribución de las

observaciones. En la práctica, sin embargo, las funciones de distribución, por regla general, no están disponibles.
Si el carácter aleatorio de los resultados de observación es causado por los errores de medición,
generalmente se asume que las observaciones tienen una distribución normal.
Los resultados computacionales basados en esta suposición, por regla general, no conducen a
contradicciones, lo que probablemente sucede por dos razones. Primero, los errores de medición
constan de muchos componentes. Según el teorema del límite central, esto conduce, en el límite, a
la distribución normal. Además, las medidas para las que la precisión es importante se realizan en
condiciones controladas, como resultado de lo cual las distribuciones de sus errores resultan estar
acotadas. Por ello, su aproximación por una distribución normal, cuya cantidad aleatoria puede tomar
valores arbitrarios, conduce a intervalos de confianza más amplios que los que se obtendrían si se
conociera la verdadera distribución.
Hay ejemplos, sin embargo, cuando los resultados de observación no corresponden a la

distribución normal. Además, cuando la cantidad medida es un valor medio, la distribución de las
observaciones puede tener cualquier forma. Por ello, la hipótesis de que la distribución de las
observaciones es normal debe, en principio, comprobarse.
Los métodos de cálculos estadísticos para observaciones que se distribuyen normalmente se han
desarrollado bien y se han construido las tablas requeridas. Sin embargo, si se debe rechazar la
hipótesis de que la distribución es normal, entonces el análisis estadístico de las observaciones se
vuelve mucho más complicado.
Los matemáticos han estado trabajando para encontrar, si no mejores que, al menos estimaciones
satisfactorias para parámetros de distribuciones cuya forma no ha sido establecida con precisión [16,
31, 32].
5.6. Métodos para calcular la incertidumbre en mediciones múltiples 139
Los errores aleatorios y cuasialeatorios de múltiples mediciones siempre se estiman en base

a los datos experimentales obtenidos en el curso de las mediciones, es decir, a posteriori.
Como se mostró en el Capítulo 1, a pesar de la existencia de errores aleatorios, una cantidad

medida solo puede ser una cantidad definida en un modelo como no aleatoria y constante. El
problema es encontrar a partir de los datos obtenidos experimentalmente la mejor estimación de
la cantidad medida.
Los métodos matemático-estadísticos estudiados en el Capítulo 4 forman la base teórica
para estimar las cantidades medidas y sus errores en el caso de múltiples mediciones directas.
Estos métodos también pueden considerarse métodos prácticos, si los componentes sistemáticos
del error de medición son insignificantes en comparación con el componente aleatorio o cuasi
aleatorio.
En el caso general, deben estimarse tanto los componentes sistemáticos como los aleatorios
del error. El error aleatorio sólo se puede estimar a posteriori; el error sistemático, sin embargo,
también se puede estimar a priori.
Considere primero el caso en que se repiten las mediciones para reducir los errores
aleatorios. Teniendo n medidas únicas, obtenemos {xi},i = 1,..., n, donde xi = A + ÿi y ÿi = ÿi + ÿi
j ; es decir, el error tiene componentes aleatorios y sistemáticos.
Repitiendo las medidas, obtenemos información sobre el error aleatorio.

La información sobre el error sistemático no se puede extraer de las mediciones.
Para estimar este error, es necesario conocer las propiedades del instrumento de medición
empleado, el método de medición y las condiciones bajo las cuales se realizan las mediciones.
Es importante mencionar que los componentes aleatorios de todos los errores condicionalmente
constantes ahora se vuelven parte del error aleatorio de la medición. Por lo tanto, las partes
restantes de errores condicionalmente constantes en múltiples mediciones son errores puramente
sistemáticos. Pero en varias mediciones del mismo mensurando realizadas por el mismo método,
los valores de estos errores pueden variar.
Suponga que se conoce el error sistemático del resultado de cada observación (medición
única). Entonces, introduciendo las correcciones Ci = ÿÿi , obtenemos un conjunto de medida
resultados
corregidos
xi = UN + ÿi .
Nuestro problema es encontrar la estimación A = f (xi). Se puede encontrar una solución

matemáticamente bien fundamentada, que sea imparcial, consistente y eficiente, si se conoce la
forma de la distribución de xi . A menudo se puede suponer que los errores de medición tienen
una distribución normal. Los resultados de la medición también tienen la misma distribución. En
principio, es posible verificar si los datos obtenidos se ajustaron a una distribución normal (ver los
métodos presentados en el Capítulo 4). Es cierto que este proceso requiere muchas medidas; en
la práctica, rara vez se realizan suficientes mediciones para hacer tal verificación y, por lo general,
simplemente se supone que la distribución es normal.
Para una distribución normal, como se muestra en la Sección 4.2, la media aritmética es la
estimación óptima del centro de la distribución X. Como se indicó anteriormente, la media aritmética
la media de las mediciones es una estimación imparcial, consistente y eficiente de

el valor verdadero de la cantidad medida sólo si las observaciones tienen un
distribución. Independientemente de la forma de la distribución de los errores de medición,
sin embargo, la media aritmética tiene dos propiedades importantes.
(1) La suma de las desviaciones de la media aritmética es igual a 0. Sea

xi,..., xn un conjunto de resultados observacionales cuya media aritmética es x¯. Nosotros
construye las diferencias xi ÿ x¯ para todo i = 1,..., n y encuentra su suma:
norte norte norte
(xi - x¯) = xi - X.
yo=1 yo=1 yo=1
norte norte
Como
i=1 xi = nx¯ y yo=1 x¯ = nx¯,
norte
(xi ÿ x¯) = 0.
yo=1
Esta propiedad de la media aritmética se puede utilizar para comprobar los cálculos.
(2) La suma de los cuadrados de las desviaciones de la media aritmética es mínima.
Considere la función
norte
2
Q= (xi ÿ A˜) .
yo=1
Encontraremos A para minimizar Q. Por esta razón, encontraremos

norte
dq
= ÿ2 (xi ÿ A˜)
d A˜
yo=1
y establecer d Q/d A˜ = 0; por lo tanto, obtenemos

norte
norte norte
xi
yo=1
(xi ÿ A˜) = 0, xi = nA˜, y A˜ = x¯ = .
norte
yo=1 yo=1
Como d Q/d A˜ < 0 si A˜1 < x¯ y d Q/d A˜ > 0 si A˜2 > x¯, para A˜ = x¯, tenemos el
1
mínimo de q.
Aunque la suma de los cuadrados de las desviaciones de la media aritmética es
mínimo, esto solo significa que en la clase de estimaciones que son una función lineal
de los resultados de la medición, la media aritmética es la estimación más eficiente de
1 El Dr. ER Cohen me ha mostrado otra forma de obtener este resultado:
norte norte norte
2 2 2
Q= (xi ÿ A˜) = (xi ÿ x¯ + x¯ ÿ A˜) = (xi - x¯)
yo=1 yo=1 yo=1
norte norte
2
+ 2(x¯ ÿ A˜) (xi - x¯) + (x ÿ A˜) .
yo=1 yo=1
El segundo término es igual a cero, y el tercero siempre es positivo o igual a cero si

x¯ = A˜. Por lo tanto, la elección A˜ = x¯ da el valor mínimo de Q.
la cantidad medida. Esta estimación se vuelve absolutamente eficiente si los errores son
distribuido normalmente. Para otras distribuciones, como se señaló en el Capítulo 3, las estimaciones
existen que son más eficientes que la media aritmética. Obviamente, estas estimaciones
ya no son una función lineal de los resultados de la medición.
Así, para la estimación de la cantidad medida, tenemos
norte
xi
yo=1
A˜ = . (5.9)
norte
Debido a errores aleatorios, los resultados de la medición también son cantidades aleatorias;
si se realiza otra serie de mediciones, entonces la nueva media aritmética
obtenida diferirá algo de la estimación previamente encontrada.
La difusión de las medias aritméticas se caracteriza por la varianza de
la media aritmética o por la desviación estándar. De acuerdo con (4.5), el
la desviación estándar de la media aritmética se estima a partir de los datos experimentales
como sigue:
norte
(xi ÿ x¯)2
yo=1
Sx¯ = . (5.10)
n (n - 1)
Además, para A, es posible construir el intervalo de confianza, determinando los límites de

confianza del error aleatorio en los resultados de la medición. los
el intervalo de confianza está determinado por las desigualdades
A˜ ÿ a ÿ A ÿ A˜ + a,
dónde a = tq Sx¯ , y tq es el punto porcentual q de la distribución de Student y depende

sobre la probabilidad de confianza ÿ y el número de grados de libertad ÿ = n ÿ 1
(ver Tabla A.2).
Por lo tanto, el error aleatorio ÿ con probabilidad igual a la probabilidad de confianza ÿ tiene los
límites ± ÿ:
a = tq Sx¯ . (5.11)
Como se puede ver por lo dicho anteriormente, los errores aleatorios y los límites de confianza
de estos errores se puede estimar a partir de los datos obtenidos como resultado de las mediciones.
La situación es diferente en el caso de los errores sistemáticos. la parcialidad,
caracterizada por los errores sistemáticos, del resultado de una medición puede ser
estimado con la ayuda de medios de medición más precisos o en base a
sobre datos indirectos, incluidos los datos sobre las propiedades metrológicas de la medición
instrumento empleado para realizar las mediciones. El primer caso no tiene sentido;
la medición más precisa reemplazaría a la medición menos precisa.
El problema de estimar el error sistemático permanecería, excepto que ahora
pertenecería al resultado más preciso. Por ello, el segundo caso es el
principal
En el caso de medidas múltiples, la variante más común es aquella cuando
los errores sistemáticos más importantes se eliminan con la ayuda de correcciones.
Luego, los errores en la determinación de las correcciones correspondientes deben tenerse

en cuenta en lugar de los errores eliminados.
Una característica importante de las mediciones múltiples es que los componentes
aleatorios de los errores elementales se manifiestan en las mediciones múltiples y
contribuyen al error aleatorio del resultado. Por esta razón, cuando se estiman errores
elementales, es deseable despreciar sus componentes aleatorios. Volveremos sobre esta
cuestión al final de la sección.
Sumando los errores elementales libres de componentes aleatorios, obtenemos los
límites del error sistemático del resultado de la medida. El método de suma se presenta en
la Sección 5.4.
Así, obtenemos una estimación Sx¯ de la desviación estándar del error aleatorio del
resultado de la medición con un número conocido de mediciones n y el
estimación de los límites de la componente sistemática ÿ.
En algunos casos, esta estimación separada de los componentes de la incertidumbre de
medición es suficiente. Este es el caso, por ejemplo, si el resultado de la medición se va a
usar para cálculos junto con otros datos, para los cuales también se conocen estimaciones
separadas de los componentes de incertidumbre o si el resultado de una medición se va a
comparar con los resultados. de otras mediciones, para las cuales los componentes de
incertidumbre se determinan por separado.
Sin embargo, a menudo es necesario encontrar la incertidumbre total de una medición,
incluidos los componentes aleatorios y sistemáticos. No hace mucho tiempo, los especialistas
en mediciones precisas se opusieron a esta formulación del problema.
Dijeron que los errores sistemáticos y aleatorios son de diferente naturaleza, y por eso no
se pueden sumar. En 1965, todavía escuchaba estas afirmaciones. Sin embargo, la mayoría
de la gente no estuvo de acuerdo con este razonamiento. De hecho, en una medición
completa, estos componentes son físicamente indistinguibles; es decir, físicamente suman:
Midiendo A, obtenemos A˜. La diferencia A˜ ÿ A contiene componentes aleatorios y
sistemáticos. Al analizar el error, teórica o experimentalmente, descomponemos este error
en sus componentes: sistemático y aleatorio. Obviamente, el problema inverso de sumar los
componentes es legítimo.
Para resolver el problema, tendremos en cuenta únicamente los errores condicionalmente
constantes y aleatorios. Considerando ambos tipos de errores como cantidades aleatorias,
para combinarlos debemos construir la composición de las distribuciones correspondientes.
Desafortunadamente, esto es demasiado difícil en la práctica. Por esta razón, la incertidumbre
de una medida a veces se calcula según la fórmula
tu = ÿ + a,
donde ÿ es el límite del error sistemático y del error a = tq Sx¯ es el límite de confianza
aleatorio.
Esta fórmula es simple, pero está claro que da una estimación obviamente sobreestimada.
Se puede encontrar una solución más plausible mediante el siguiente método [41], [44].
En forma general, el error de un resultado de medición tiene tres componentes:
ÿ = ÿ + ÿ + ÿ.
Por lo tanto, la varianza del resultado de la medición es
V[ÿ] = V[ÿ] + V[ÿ].
V[ÿ ] tiene solo dos términos porque V[ÿ] = 0.

Las estimaciones de V[ÿ] y V[ÿ] se pueden encontrar utilizando las fórmulas (3.15) y (5.10).
Denotarlos S2 ÿ
y S2 x¯ . Denote también la varianza combinada V[ÿ ] = S2 c , donde sc
es la desviación estándar combinada. Entonces la desviación estándar combinada Sc es
SC = S2 ÿ + S2x¯ . (5.12)
Dada Sc, la incertidumbre del resultado de la medición podría calcularse a partir de la

fórmula
uc = tcSc, (5.13)
si se conociera el coeficiente tc ; desafortunadamente, este coeficiente es desconocido.

Como los datos iniciales, es decir, los datos sobre los componentes de la incertidumbre, no son
conocido con precisión, se puede utilizar una estimación aproximada del coeficiente tc . En
[41], se propuso la siguiente fórmula para realizar dicha estimación:
a + voluntad
tc = .
Sx¯ + Sÿ
Esta fórmula se construyó con base en las siguientes consideraciones. El coeficiente tq , que
determina la relación entre el límite de confianza y la desviación estándar
del error aleatorio, está determinada por la distribución de Student y es conocida. Dado
estimaciones para ÿÿ y Sÿ , se puede suponer que el coeficiente análogo
tÿ = tha/Sÿ
porque también se conoce el error sistemático.

Es natural suponer que el coeficiente buscado tc es una función de tq y tÿ ,
que corresponde a la misma probabilidad. La media ponderada de tq y tÿ para el
Para esta función se tomaron los pesos Sÿ /(Sx¯ + Sÿ ) y Sx¯ / (Sx¯ + Sÿ ), respectivamente,
lo que da como resultado la fórmula propuesta
tq Sx¯ + tÿ Sÿ = a + voluntad
tc = . (5.14)
Sx¯ + Sÿ Sx¯ + Sÿ
Para usar esta fórmula, se debe estimar su precisión. Los casos extremos son aquellos
cuando el error sistemático tiene una distribución normal o uniforme. La distribución
del error aleatorio de la media aritmética puede suponerse que es asintóticamente
normal.
Si ambos términos tienen una distribución normal, entonces tq = tÿ , y como sigue de

fórmula (5.14), tc = tq . Como la composición de las distribuciones normales da una distribución normal
distribución, el valor obtenido de tc es exacto.
Para el segundo caso, los resultados de los cálculos basados en la fórmula aproximada
(5.14) debe compararse con los resultados obtenidos a partir de la construida exactamente
composición de las distribuciones normal y uniforme.
Tabla 5.1. Cuantiles característicos para la composición de normales centradas y

distribuciones uniformes.
h/s 0.50 1.0 2.0 3.0 4.0 5.0 6.0 8.0 10
z0,95 (ÿ = 0,90) 1,71 1,90 2,49 3,22 4,00 4,81 5,65 7,34 9.10
z0,975 (ÿ = 0,95) 2,04 2,25 2,90 3,67 4,49 5,34 6,22 8,00 9.81
z0,995 (ÿ = 0,99) 2,68 2,94 3,66 4,49 5,36 6,26 7,17 9,02 10.90
Una expresión para la densidad de distribución de la suma de dos desconocidos centrados

cantidades aleatorias, una de las cuales tiene una distribución normal y la otra tiene una
distribución uniforme, se conoce a partir de la teoría de la probabilidad:
h
1 1
f (z) = eÿ(zÿy) 2/2ÿ2 tú,
2h ÿh pag ÿ2p
donde h es igual a la mitad del intervalo en el que se distribuye la cantidad aleatoria y

uniformemente
Haciendo ÿ = 1 y transformando a la función de distribución de probabilidad, encontramos
h
1 Con
F(z) = 0,5 + eÿ (zÿy) 2/2 trama

z > 0 2h ÿ2ÿ 0 ÿh
Las distribuciones iniciales son simétricas con respecto a 0. Por esta razón, la densidad de
la distribución resultante también tiene esta propiedad. Debemos encontrar el límite del intervalo
de confianza correspondiente a la probabilidad ÿ. Por esta razón, es suficiente con
encuentre el cuantil zr del nivel r o el cuantil del nivel 1 ÿ r, porque
|zr|=|z1ÿr|. Como ÿ = 1 ÿ 2r,r = (1 ÿ ÿ)/2. Obviamente, r < 0,5 y zr > 0.
La tabla 5.1 da valores de z1ÿr calculados usando la fórmula presentada para ÿ =
0,90, 0,95 y 0,99.
El error relativo introducido por el uso de la fórmula aproximada (5.14) será
ser
uc ÿ z1ÿr
re = .
z1 ÿ r
La comparación debe hacerse con Sc = ÿc, porque Sx¯ = ÿ = 1. Al hacerlo,
2
h2 1 h
=ÿ1+ .
ÿc = * ÿ2 + 3 3 pags
Por ello, introduciendo el coeficiente tr = z1ÿr /ÿc, obtenemos
tc - tr
re = .
tr
El coeficiente tr depende únicamente de la configuración de la distribución resultante,

es decir, sobre la relación de h y ÿ, y no sobre sus valores absolutos. Por esta razón, un
La serie de valores de este coeficiente puede calcularse a partir de los datos de la Tabla 5.1.
Estos valores se presentan en la Tabla 5.2.
Tabla 5.2. Valores de la desviación estándar combinada ÿc y del coeficiente tr como

una función de los parámetros de las distribuciones normal y uniforme.
h/s 0.5 1 2 3 4 5 6 8 10
ÿc (ÿ = 1) 1.04 1.15 1.53 2.00 2.52 3.06 3.51 4.72 5.85
trÿ = 0,90 trÿ 1,65 1,64 1,63 1,61 1,59 1,58 1,57 1,56 1.55
= 0,95 trÿ = 1,96 1,95 1,90 1,84 1,78 1,75 1,72 1,69 1.67
0,99 2,57 2,54 2,40 2,24 2,13 2,05 1,99 1,91 1.86
Ahora volveremos una vez más a la fórmula aproximada (5.14). Los limites de
el intervalo de confianza, que se determina en base a la distribución uniforme,
dar ÿ Como r = (h ÿ ÿ)/2h y r = (1 ÿ ÿ)/2,
ÿ = (1 ÿ 2r)h = ÿh. (5.15)
El límite del intervalo de confianza para una distribución normal con la misma probabilidad de
confianza será
a = z 1ÿa
pags
donde z 1ÿÿ es el cuantil de la distribución normal estándar que corresponde a

2
la probabilidad ÿ.
La fórmula (5.14) asume la forma
z 1ÿa s + ah
2
tc = .
ÿ + h/ ÿ3
Los valores de tc, calculados para las mismas razones h/ÿ y probabilidades de confianza
como se utilizaron para calcular tr, se presentan en la Tabla 5.3.
Los errores ÿ calculados en base a los datos proporcionados en las Tablas 5.2 y 5.3 se
resumen en la Tabla 5.4.
Por lo tanto, comparar los resultados de cálculos exactos con los resultados de cálculos
realizado usando la fórmula aproximada (5.14) muestra que los errores del uso
de la fórmula aproximada son en todos los casos negativos y su magnitud absoluta
no supere el 12% para ÿ = 0,99, el 6% para ÿ = 0,95 y el 2% para ÿ = 0,90, que
muestra que se puede usar la fórmula (5.14).
También se debe notar que el error en estudio disminuye a medida que la distribución
de los errores sistemáticos se acerca a la distribución normal.
Tabla 5.3. Valores del coeficiente tc en función de los parámetros de la normal

y distribuciones uniformes.
h/s 0.5 1 2 3 4 5 6 8 10
t1c (ÿ = 0,90) 1,63 1,61 1,60 1,59 1,58 1,58 1,58 1,57 1.57
t2c (ÿ = 0,95) 1,89 1,84 1,79 1,76 1,74 1,73 1,72 1,70 1.69
t3c (ÿ = 0,99) 2,38 2,26 2,11 2,03 1,97 1,94 1,91 1,87 1.84

1

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

1

Cargado por

Copyright:

Formatos disponibles

Machine Translated by Google

Machine Translated by Google

Número de control de la Biblioteca del Congreso: 2005923501

ISBN-10: 0-387-25358-0 Impreso en papel sin ácido.

Segunda edición traducida por ME Alferieff.

C 2005, 2000, 1995 Springer Science and Media, Inc.

Impreso en los Estados Unidos de América. (TB/MVY)

987654321 GIRAR 10994696

Difícilmente puede exagerarse la importancia de los métodos de estimación de las imprecisiones de

errores e incertidumbres. Se proporciona un análisis estadístico de errores de varios lotes de

El capítulo 4 contiene métodos de estadística matemática aplicados a mediciones múltiples

El Capítulo 6 presenta la nueva teoría de las medidas indirectas, incluido el método de

los cuales son de fundamental importancia para la metrología: El “Vocabulario Internacional

Basking Ridge, Nueva Jersey Semión G. Rabinovich

1.1. Conceptos y Términos .................................... 1

Instrumentos de medida y sus propiedades. . . . . . . . . . . . . . . . . . . . . . . 29

2.1. Tipos de Instrumentos de Medida 2.2. El ............................... 29

Requisitos previos para el Análisis de la Inexactitud de las Medidas y para

3.1. Relación entre error e incertidumbre . . . . . . . . . . . . . . . . . . . . . . 61

3.2. Clasificación de los Errores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62

Métodos Estadísticos para el Procesamiento Experimental de Datos. . . . . . . . . . . . . . . . 91

4.1. Requisitos para estimaciones estadísticas 91 . . . . . . . . . . . . . . . . . . . . . . . . .

5.1. Relación entre mediciones únicas y múltiples 118 . . . . . . . . . . . . . . . . 115

6.1. Términos básicos y . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159

7.1. Una medida indirecta de la resistencia eléctrica de una resistencia . . . . . . 179

8.1. Observaciones generales sobre el método de los mínimos cuadrados. . . . . . . . . . . . . . . . 201

9.1. Observaciones introductorias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219

10.1. Los problemas de calcular los errores de los instrumentos de . . . . . . . . . . . . 237

11.1. Tipos de Calibración . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 263

11.2. Estimación de los Errores de los Instrumentos de Medida en la . . . . . . . 265

12.1. Procesamiento de datos de medición: pasado, presente y futuro . . . . . . . . . . . . . . 283

1.1. Términos y conceptos básicos

Las cantidades medibles también se llaman cantidades físicas. La característica principal

2 1. Información general sobre medidas

El verdadero valor de un mensurando es el valor de la cantidad física medida que, siendo

El error expresado en forma absoluta se denomina error absoluto de medida.

1.2. Metrología y los Problemas Metrológicos Básicos 3

1.2. Metrología y los Problemas Metrológicos Básicos

4 1. Información general sobre las medidas

1.2. Metrología y los Problemas Metrológicos Básicos 5

Figura 1.1. (continuado)

6 1. Información general sobre medidas

Figura 1.1. (continuado)

1.2. Metrología y los Problemas Metrológicos Básicos 7

Las preguntas se incorporan en apartados y subapartados, cuyos nombres dan una

(1) El estudio de cantidades físicas, es decir, medibles.

Las magnitudes físicas se introducen en diferentes campos del conocimiento, en la física,

(2) Teoría General de los Estándares de Referencia y

Las unidades de cantidades físicas se materializan; es decir, se reproducen con la ayuda

(3) Teoría de la transferencia del tamaño de las unidades a

8 1. Información general sobre medidas

es decir, patrones de referencia que reproducen unidades. Se resuelve con la ayuda de un

Las normas que dan derecho a fabricar instrumentos de medida y a comprobar la

1.2. Metrología y los Problemas Metrológicos Básicos 9

La uniformidad de los instrumentos de medición se refiere al estado de estos instrumentos en el que

La uniformidad de los instrumentos de medida es un requisito previo necesario para la unidad de

Este es un buen momento para discutir el desarrollo de estándares de referencia.

10 1. Información general sobre medidas

futuro próximo, el voltio, definido y reproducido en base al efecto Josephson,

1.3. Puntos Iniciales de la Teoría de las Medidas

1.3. Puntos Iniciales de la Teoría de las Medidas 11

a continuación, dan lugar a la aparición de errores de medición. Los errores de medición

Volvamos a nuestro ejemplo. El propósito del disco permite determinar el error de