Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Errores de medición
e incertidumbres
Tercera edicion
Machine Translated by Google
Semión G. Rabinovich
Errores de medición
e incertidumbres
Teoría y práctica
Tercera edicion
Machine Translated by Google
Semyon G. Rabinovich
142 Manchester Drive
Basking Ridge, NJ 07920
EE. UU.
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.
springeronline.com
Machine Translated by Google
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.
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
Machine Translated by Google
Prefacio viii
viii Prefacio
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.
Contenido
Prefacio .................................................... .. en
CAPÍTULO 1
Información general sobre medidas ......................... 1
CAPITULO 2
CAPÍTULO 3
Contenido x
CAPÍTULO 4
CAPÍTULO 5
Mediciones Directas ......................................... 115
CAPÍTULO 6
Mediciones indirectas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
Contenido xi
CAPÍTULO 7
Ejemplos de Mediciones y Procesamiento de Datos de Mediciones. . . . . . . . 179
CAPÍTULO 8
Medidas combinadas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
CAPÍTULO 9
Combinación de los resultados de las mediciones. . . . . . . . . . . . . . . . . . . . . . . . . . 219
CAPÍTULO 10
Cálculo de los Errores de los Instrumentos de Medida. . . . . . . . . . . . . . . . . . 237
CAPÍTULO 11
Problemas en la Teoría de la Calibración. . . . . . . . . . . . . . . . . . . . . . . . . . . . 263
xi Contenido
CAPÍTULO 12
Conclusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 283
Apéndice. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 289
glosario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 295
Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 299
Índice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 303
Machine Translated by Google
1
Información general sobre
Mediciones
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.
(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.
Machine Translated by Google
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
Machine Translated by Google
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.
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.
Machine Translated by Google
Figura 1.1. Cuadro esquemático de los problemas básicos de la metrología: (a) metrología, (b) metrología
aplicada, (c) metrología particular, y (d) metrología general.
Machine Translated by Google
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,
Machine Translated by Google
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.
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 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.
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
Machine Translated by Google
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.
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
El modelo generalmente se redefine reemplazando una sinusoide por una suma de cierto
número de sinusoides.
Machine Translated by Google
ÿ x ÿ
i=1
x¯ = ÿ
ÿ
ÿ
ÿ
,
norte
ÿ ÿ T
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.
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.
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 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.
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.
Machine Translated by Google
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.
Machine Translated by Google
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,
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.
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
Machine Translated by Google
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.
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| |.
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
Machine Translated by Google
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
U˜ = 2,62 V, u = ±2%(0,95),
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.
Machine Translated by Google
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.
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.
(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.
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.
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.
Machine Translated by Google
Incertidumbre en
Incertidumbre combinada uc
Incertidumbre total afuera
Error gramo
Límites de error
Error al azar pags
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.
Machine Translated by Google
2
Instrumentos de medida y
Sus Propiedades
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
Machine Translated by Google
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.
más fácil estudiar cuestiones relativas al apoyo metrológico de los sistemas de medición y el cálculo
de los errores de tales sistemas.
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.
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.
t2
U0 = K1 uxdt,
t1
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.
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 .
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).
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.
Machine Translated by Google
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.
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
Machine Translated by Google
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.
x = ky ,
x = xa - xt = (K - Kt)yt .
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
Machine Translated by Google
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
ÿx
= ÿ(1 + ÿk ).
y
= ± un,
= f (x).
ÿ = 100 /xN ,
(i) El valor al final de la escala del instrumento, si el marcador cero cae en el borde o fuera
de la escala.
Machine Translated by Google
(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. .
xN
ÿ=c .
X
Machine Translated by Google
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.
Asi que
qD
ÿ=b+ .
X
qD qD qD qD = b + qD coche
ÿ=b+ + ÿ
+ ÿ1 .
X coche coche coche coche X
Machine Translated by Google
Escritura
qD qD
c = segundo + , re = ,
coche coche
coche
d = ± 0,57 + 0,07 ÿ1 .
X
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
Machine Translated by Google
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.
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
Machine Translated by Google
de radiactividad estable se integran en medidores para medir los parámetros de las radiaciones radiactivas.
Tiempo despues
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.
(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.
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
Machine Translated by Google
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?
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.
norte
yo = e2
yo ,
yo=0
(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.
Machine Translated by Google
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
(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.
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
Machine Translated by Google
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:
y(s) = k
W(s) = ,
x(s) 1 + ST
Machine Translated by Google
y(s) = k
W(s) = . (2.5)
x(s) 1/ÿ20s2 + (2ÿ/ÿ0)s + 1
k
W(jÿ) = , (2.6)
1 ÿ ÿ2/ÿ2 0 + j2bÿ/ÿ0
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
jÿ (w)
W (jÿ) = A (ÿ) mi ,
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
Figura 2.4. La respuesta transitoria de un instrumento descrita por una ecuación diferencial de
segundo orden; ÿ es la relación de amortiguamiento.
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
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.
Machine Translated by Google
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.
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
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.
Machine Translated by Google
Tabla 2.3. Los resultados de probar la hipótesis de homogeneidad para muestras de seis
tipos de instrumentos de medida.
1976 60 80 0 ÿ
100 0 ÿ
+ +
59 voltímetro 1974 70 Divisiones ÿ
0
1976 150 + +
1976 200 ÿC ÿ
+
9,81 kPa + +
Muelle estándar 1973 + +
manómetro 1976
Resistencia P331 1970 10k 0 ÿ
10 0 ÿ
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.
3
Requisitos previos para el análisis de la
Inexactitud de las medidas y por
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.
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)
Machine Translated by Google
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.
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.
Machine Translated by Google
Afortunadamente, en una medición, rara vez más de uno o dos valores absolutamente constantes
existen errores, y son, por regla general, insignificantes.
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.
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.
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.
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
Machine Translated by Google
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.
1 X
1 1 Con
1 Con
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.
mk = E[Xk ] = xk f (x)dx,
ÿÿ
norte
(3.5)
mk = E[Xk ] = xkyo pi .
yo=1
ÿ
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
norte
(3.8)
2
µ2 = V[X] = E[(X ÿ m1) ]= (xi - m1) 2pi _ _
yo=1
ÿ = + V[X]. (3.9)
2 2
re + segundo (d - b) yo
m1 = , V[X] = = (3.10)
2 12 12
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
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.
(3.11)
Machine Translated by Google
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 norte
norte
1 - un
P{ÿ ÿ ÿÿ} = Fn(ÿÿ) = n! ÿÿ + = , (3.12)
2 2
norte
2
voluntad = k yo
yo
, (3.13)
yo=1
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,
2 × 1,41
k= = 1,41.
ÿ4
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
norte
zp 2
ÿ= yo ._ _ (3.16)
ÿ3 yo=1
= zp
k .
nÿÿ
ÿ3
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
Machine Translated by Google
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).
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
yo
Es deseable representar los datos obtenidos para cada cantidad aleatoria ÿi por un
tabla de la siguiente forma:
ai2 aimi
ÿi
pi2 alfiler
Machine Translated by Google
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
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
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 ,
[ÿ1, 5] = [ÿ1, 0,5] + [0,5, 1,5] + [1,5, 2,5] + [2,5, 3,5] + [3,5, 5].
Machine Translated by Google
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 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,
ÿ1 ÿ0.25 1 3 4.25, 2
ÿ2 ÿ2.00 0 2 — —,
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
Machine Translated by Google
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.
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
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
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
1
xmín = coronas checas , (3.27)
ÿtr
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.
2
F(ÿ) = FE,I (ÿ)|W(jÿ)| , (3.30)
2kTR
FE (ÿ) = . (3.31)
Pi
1
W(p) = (3.32)
[ p3 + (1 + 2ÿ )p2 + 2ÿp + 1](q2 p2 + 2ÿoutq + 1).
1
| W (jÿ) | = .
|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
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).
Machine Translated by Google
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
E2 = 1,8 × 10ÿ10 V.
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
Machine Translated by Google
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.
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
Machine Translated by Google
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.
ÿ
1
N¯ = eÿÿ 2/2 f 2F( f )df ,
p2 0
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.
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.
Machine Translated by Google
4
Métodos Estadísticos para Experimental
Procesamiento de datos
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
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
Machine Translated by Google
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.
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:
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
Machine Translated by Google
norte
norte 1 2
ÿnÿ 2
ln L = ln 2ÿ ln ÿ2 ÿ .
(xi - A)
2 2ÿ2
yo=1
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
norte
1
A˜ = xi . (4.1)
norte
yo=1
norte
norte
2
1 2
ÿ˜ÿ = (xi - x¯) .
norte
yo=1
norte
1
E[A˜] = E (xi) = A.
norte
yo=1
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
1 2 2
= (xi - A) ÿ (x¯ ÿ A) ,
norte
yo=1
Machine Translated by Google
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
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
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
Machine Translated by Google
Asi que,
1 norte
1 norte
ÿ˜ = (xi ÿ x¯)2.
norte - 1,5
yo=1
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)
norte
(xi ÿ x¯)2
yo=1
S(x¯) = (4.6)
norte - 1
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.
Machine Translated by Google
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.
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.
toneladas
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
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,
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).
Machine Translated by Google
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
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.
Machine Translated by Google
(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.
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˜
1 día + 1
pi = eÿx2/2 dx.
2ÿ
día
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
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.
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.
Figura 4.1. Ejemplo de una secuencia de resultados de medición única obtenidos en una
medición inestable.
Machine Translated by Google
S21
F= .
S22
P{F > Fq } = q
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
p21 p22
ÿ2 (x¯1 ÿ x¯2) = + .
n1 n2
L
1 2
S2L = ni (x¯i - x¯) ,
Lÿ1
yo=1
dónde
L
n1x¯i L
yo=1
x¯ = , norte = en
norte
yo=1
Machine Translated by Google
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.
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.
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 .
Machine Translated by Google
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
n1 (n1 + 1) n2(n2 + 1)
U(1) = T(1) ÿ 2 , U(2) = n1n2 + ÿ T(2).
2
n1n2 - 1
Uq = .
2 + z1ÿq *n1n2(N + 12
1)
"
R1 - "
"
ÿ 0,5
"
2 "
"
z= ,
* n1n2 (N12
+ 1)
Machine Translated by Google
norte (norte + 1)
R1 + R2 = .
2
160 × 321
Tq = = 27.620.
2 12
ÿ 0,5 + 1,96*160 × 160 × 321
Machine Translated by Google
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
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.
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:
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.
Machine Translated by Google
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
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
Machine Translated by Google
1
A <2 A˜a = (x1 + xn )
2
1
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
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
1 4 <æ A˜1m = M
1
norte
yo=1
x1 + xn
3 1,8 <æ <2,5 A˜3m = 2
Machine Translated by Google
1 nÿr
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
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
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
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
× 10ÿ12 = 17 × 10ÿ6g.
S(xi0) = S(xi) = S2(xi0) = *2676 9
Machine Translated by Google
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:
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.
Machine Translated by Google
5
Mediciones Directas
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.
Machine Translated by Google
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:
(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
Machine Translated by Google
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 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].
Machine Translated by Google
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. B¨akstr¨om [17]. Aunque en este trabajo se simularon dispositivos
de lectura reales mediante espacios en blanco con líneas, que representan el borde de un
Machine Translated by Google
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.
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.
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
Machine Translated by Google
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
x = P1P2.
E1 + E2 2
x= .
Machine Translated by Google
E1 = x + Kt1, E2 = x + Kt2,
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°.
Machine Translated by Google
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 .
ÿT = ±wT T,
Machine Translated by Google
c= ÿb T .
T
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].
Machine Translated by Google
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)
B
ÿd = ÿ yo x,
k
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.
|ÿ f | ÿ Hf o Hf l ÿ ÿ f ÿ Hf r,
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
Machine Translated by Google
norte
2
voluntad = k i yo _ (5.3)
yo=1
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
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,
Para los cálculos, los límites asimétricos deben representarse como límites simétricos
con un desplazamiento por aj , donde
ÿ jl + ÿ 2jr
también =
.
= 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
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.
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.
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
z2 pÿ2 = z2 pÿ2 yo .
yo=1
Machine Translated by Google
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.
(i) Los límites superiores de los rangos de medición son 3, 7,5, 15, 30, etc., hasta
300 voltios
(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.
(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
(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:
3
U = 62,3 = 2,492 V.
75
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.
X
CR = Y.
(1 + x)2
1 Ror d Ror RV _
dx = d Ror ÿ d RV = x ÿ
,
casa rodante
R2EN Ror casa rodante
corriente continua
corriente continua
ÿc = ÿ
.
CR 1+x Ror casa rodante
1ÿx 1ÿx
ÿC1 = ÿRor , ÿC2 = ÿRv .
1+x 1+x
Machine Translated by Google
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
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
0,95 = 1,1 0,242 + 0,62 + 0,182 + 0,452 + 0,482 + 0,52 + 0,42 = 1,3%.
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].
Machine Translated by Google
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 .
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
Machine Translated by Google
(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
dq
= ÿ2 (xi ÿ A˜)
d A˜
yo=1
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
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
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)
A˜ ÿ a ÿ A ÿ A˜ + a,
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.
Machine Translated by Google
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].
ÿ = ÿ + ÿ + ÿ.
Machine Translated by Google
SC = S2 ÿ + S2x¯ . (5.12)
uc = tcSc, (5.13)
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
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.
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
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
2
h2 1 h
=ÿ1+ .
ÿc = * ÿ2 + 3 3 pags
tc - tr
re = .
tr
h/s 0.5 1 2 3 4 5 6 8 10
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,
El límite del intervalo de confianza para una distribución normal con la misma probabilidad de
confianza será
a = z 1ÿa
pags
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.
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