Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Resumen: De acuerdo al Teorema del Límite Central, la distribución de la media X de una serie de
mediciones repetidas (X1, X2, … Xn) se aproxima a una distribución normal, independientemente de la
distribución de los datos originales xi . Este resultado importante para la estimación de la incertidumbre en
mediciones se prueba con datos aleatorios provenientes de diferentes distribuciones. En particular, se
analiza el caso de datos medidos con un instrumento con resolución “burda” y la interacción entre la
dispersión de los datos cuantificada por su desviación estándar y la resolución del instrumento en la
incertidumbre combinada. Se observa un incremento de la dispersión de los datos como efecto del redondeo,
que con los conceptos de metrología se interpreta como una combinación de las incertidumbres por
repetibilidad y resolución.
1
Simposio de Metrología 2004 25 al 27 de Octubre
2. DESARROLLO 1500
Frecuencia
aproximación de la distribución de la media X n de
n mediciones repetidas a una distribución normal.
500
En hojas de cálculo de Excel se generan 10 000
juegos de datos aleatorios Xki, (i = 1,... 10; k = 1,...
10 000) simulando de esta manera 10 000 ciclos de 0
la medición. Después se calculan las medias para
cada uno de los 10 000 ciclos (con índice k)
9
,1
,5
,9
,3
,7
,1
0,
1,
1,
2,
2,
-3
-2
-1
-1
-0
-0
Clase
1 n
( X n )k = ⋅ ∑ X ki (6)
n i =1 Fig. 1: Histograma los Xi ~ N(0, 1)
1500
para n = 2, 3, 5 y 10 y se generan histogramas de
X2
frecuencia para ver las distribuciones de los X n .
1000
Frecuencia
Las desviaciones estándar de los X n
500
10 000
s( X n ) =
1
(
⋅ ∑ µ − ( X n )k
10 000 k =1
)2
(7)
0
,1 2,5 1,9 1,3 0,7 ,1 0,5 1,
1
1,
7
2,
3
2,
9
9
,1
,5
,9
,3
,7
,1
-3 - - - - -0
0,
1,
1,
2,
2,
se comparan con los valores teóricos que se
-3
-2
-1
-1
-0
-0
Clase
esperan de acuerdo a (5): 1500
σ X3
V ( Xn ) = (8) 1000
Frecuencia
n
donde σ es la desviación estándar de los Xi .
500
9
,1
,5
,9
,3
,7
,1
1,
1,
2,
2,
-3
-2
-1
-1
-0
-0
Clase
provenientes de una distribución normal con µ = 0
1400
y σ = 1.
1200
X 10
La figura 1 muestra la distribución de los datos 1000
generados Xi , la figura 2 las distribuciones de X 2 y
Frecuencia
800
X 3 y la de X 10 y una comparación con una normal.
600
Como se espera, las distribuciones de las X n se
400
parecen a distribuciones normales. Un incremento
en n genera distribuciones más estrechas, lo cuál se 200
observa de forma cuantitativa mediante las
0
desviaciones estándar s( X n ) calculadas con los -1,0 -0,5 0,0 0,5 1,0
Clase
10 000 datos de los X n , que siguen la expresión
σ Fig. 2: Distribución de las medias X 2 , X 3 y X 10 y
s( X n ) ≈ (9) comparación con una distribución normal con
n
σ = 1 10 = 0,316 (línea).
2
Simposio de Metrología 2004 25 al 27 de Octubre
800 600
500
400
400
Frecuencia
0 300
0 1 2 3 4 5 6 7 8 9 1
0, 0, 0, 0, 0, 0, 0, 0, 0, 200
Clase
100
1600
0
X5
1200
1
2
3
4
5
6
7
8
9
0
1
0,
0,
0,
0,
0,
0,
0,
0,
0,
Frecuencia
Clase
800
Fig. 4: Histograma los Xi provenientes de una
400 distribución uniforme U(0, 1)
0
5. DISTRIBUCIÓN BERNOULLI: Xi ~ B(0, 1)
1
9
0
1
0,
0,
0,
0,
0,
0,
0,
0,
0,
5000
750
4000
Frecuencia
500
3000
250 2000
0 1000
0,2 0,3 0,4 0,5 0,6 0,7 0,8
Clase 0
1
0
5
6
7
8
1
2
3
4
0,
0,
0,
0,
0,
0,
0,
0,
0,
-0
Clase
X 10 en el caso de Xi ~ U(0,1) y la comparación con
una normal con σ = 0,289 10 = 0,091 (línea). Figura 5: Histograma los Xi ~ B(0, 1).
3
Simposio de Metrología 2004 25 al 27 de Octubre
4
1
9
0
1
1
0,
0,
0,
0,
0,
0,
0,
0,
0,
,
-0
1
1
9
,1
0,
0,
0,
0,
0,
0,
0,
0,
0,
-0
2000
7000
1000 6000 Xi
5000
0
Frecuencia
4000
0
1
5
9
1
0,
0,
0,
0,
0,
0,
0,
0,
0,
,
-0
Clase
3000
2500
2000
X 10
2000 1000
0
1500
Frecuencia
Clase -2 -1 0 1 2
4
Simposio de Metrología 2004 25 al 27 de Octubre
5000
En la verificación de la expresión (9) uno se
enfrenta con el siguiente problema: tomando como
4000 X2 desviación estándar de los Xi el valor σ 0 = 0,5 de
la distribución normal, de la cual provienen los datos
Frecuencia
4000 n 2 3 5 10
X3 0,2436 0,2479 0,2491 0,2488
3000 Media ( X n )
Frecuencia
2000
simulación.
2500
X i = µ + δX i + δRi (10)
2000
δX~ N(0, σ0) es la dispersión “original” de los datos
y δR la contribución debido al redondeo. Si σ0 es
Frecuencia
5
Simposio de Metrología 2004 25 al 27 de Octubre
[ ]
s 2 ( X ) = E ( X − µ )2 = siguen en buena aproximación
2
σ 0 + R 2 12 ,
µ = 0,5
1,2 Se ilustró mediante simulaciones con datos
aleatorios que, de acuerdo al Teorema del Límite
Central, la distribución de la media de un número de
1,1
n datos se aproxima a una distribución normal,
independientemente de la distribución de los datos
1,0 originales y que su desviación estándar disminuye
0,3 0,5 0,7 0,9 1,1 1,3 1,5 por σ n de acuerdo a la ecuación (8). Se
σ0
presentaron estos efectos con datos provenientes
5,0 µ=0 de una distribución uniforme, una distribución
µ = 0,2 Bernoulli una distribución normal y una distribución
4,0 µ = 0,3 normal con redondeo (“resolución”).
µ = 0,4
3,0
µ = 0,5 Adicionalmente, los resultados muestran que el
s(X) / σ0
2 R2
s( X ) ≈ σ0 + (12) REFERENCIAS
12
Este resultado se verificó mediante simulaciones [1] Guide to the Expression of Uncertainty in
numéricas, generando datos X ~ rnd[N(µ,σ0)]. con Measuremants, BIPM, IEC, IFCC, ISO, IUPAC,
diferentes σ0 y µ . El resultado se muestra en la IUPAP, OIML, 1995
[2] Geometrical product specifications (GPS) –
figura 9. Se observa que para σ 0 > R 12 = 1 12 Inspection by measurement of workpieces and
(línea vertical) las desviaciones estándar s(X) measuring equipment, Part 2, ISO/TR 14253-2