Cap tulo 1 Datos Experimentales

1.1. Estad stica bsica a

Ms que pretender reemplazar la clase de estad a stica, esta seccin busca refrescar los conocimientos ado quiridos en dicho curso, conceptos que han sido ltrados y clasicados para poder ser contextualizados en el mbito de la instrumentacin. a o

1.1.1.

Distribuciones de probabilidad

Una distribucin de probabilidad es una funcin que relaciona un evento con la probabilidad de su ocuo o rrencia, i.e. P (X = x), en donde la palabra evento la debemos entender como que una variable tome cierto valor. Dependiendo del tipo de variable, si es discreta o si es continua, las distribuciones tambin tendrn esta e a caracter stica. Para el caso puntual de distribuciones continuas, stas tambin son conocidas como funciones e e de densidad de probabilidad (PDF por sus iniciales en ingls). Las distribuciones de probabilidad discretas e deben cumplir con las siguientes propiedades: 1. P (X = x) = p(x) 2. p(x) 0 x 3.
i

p(xi ) = 1, donde xi pertenece al conjunto de los posibles valores de X.

Para el caso de las PDF, P (X = x) = 0 dado que tenemos un continuo de valores, por tanto para variables continuas se especica un intervalo para la aparicin ms que un valor puntual. Del mismo modo que las o a discretas, las PDF tambin cumplen con algunas propiedades: e 1. P (a X b) = 2. f (x) 0 x
b a

f (x)dx

3.

f (x)dx = 1

Existen gran variedad de distribuciones de probabilidad que han sido estudiadas y cuyas caracter sticas son bien conocidas. Para el alcance del curso veremos principalmente las siguientes, cabe resaltar que todas corresponden a varibles continuas, dada la naturaleza continua de las mediciones: 1

2 1. 2. 3. 4. Uniforme Triangular Normal o gaussina t-Student

CAP ITULO 1. DATOS EXPERIMENTALES

Uniforme

La distribucin uniforme asigna la misma probabilidad de ocurrencia para todos los valores de un conjunto o seleccionado y cero para el resto de valores, esto es:

f (x; A, B) =

1 si x [A, B] A+B 0 si x [A, B] /

(1.1)

Esta distribucin es la que normalmente siguen los generadores de nmeros aleatorios, con la particularidad o u de hacer A = 0 y B = 1, de este modo f (x) = 1. Como otro ejemplo clsico de esta distribucin est el a o a lanzamiento de un solo dado, en ese caso tratariamos con un conjunto discreto de valores, en donde la probabilidad de ocurrencia de cualquier valor es de 1/6. Para el caso de medidas, esta distribucin nos o
f (x) V

10 x

5.35

5.4

5.45

Figura 1.1

Ejemplo de distribucin uniforme o

ayudar a encontrar el error producido por la resolucin de un instrumento digital. Para entender lo anterior, a o observemos la Figura 1.1 que representa la pantalla de un volt metro digital. La lectura hecha en ese momento es de 5.4V y que dada la resolucin del equipo solamente tendriamos certeza que dicha lectura fue ms cercana o a a 5.4V que ha 5.3V o a 5.5V, i.e. tenemos una incertidumbre de 0.05V, cualquier valor entre 5.35V y 5.45V el equipo lo reportar como 5.4V. Adicionalmente cualquier valor de dicho conjunto tiene la misma probabilidad a de ocurrencia, lo que nos indica una PDF uniforme.
Triangular

Esta distribucin como su nombre lo indica exhibe un perl triangular cuya ecuacin es: o o
(x A) 2 (B A)(C A)

si x [A, C] si x (C, B] si x [A, B] / (1.2)

f (x; A, B, C) =

Cuando se desconocen las caracter sticas de la poblacin, normalmente se recurre a la distribucin uniforme, o o no obstante si contamos con los l mites y tenemos una tendencia central que depende subjetivamente de la

2 (B A)(B C)

(B x) 0

 1.1. ESTAD ISTICA BASICA

f (x) 10

x 5.3
Figura 1.2

5.4

5.5

Ejemplo de distribucin triangular o

descripcin por parte de alguna persona, este tipo de distribucin puede ser apropiada para iniciar el anlisis. o o a Supongamos que realizamos una lectura con un instrumento analgico con despliegue de escala y aguja. Para o este caso como es el operario y no el instrumento quien realiza la aproximacin, el operario normalmente o tender a leer un valor central, no obstante la probabilidad que lea un valor por fuera de media divisin a o de escala no es cero. Lo anterior lo podemos ver la Figura 1.2. All se ilustra la distribucin de probabilidad o para el caso digital (uniforme) y para el caso analgico (triangular) en una lectura de 5.4V. o
Normal

Quiz la ms conocida de todas, esta distribucin es apropiada para describir el comportamiento de la a a o gran mayor de errores aleatorios. Segn el teorema del l a u mite central,1 la distribucin de la suma de un o gran nmero de varibles independientes es aproximadamente normal, as ellas mismas no tengan este tipo de u distribucin. Ahora bien, si suponemos que el error total es el resultado de la contribucin de muchas fuentes, o o no ser errado pensar que dicho error est normalmente distribuido. La Ecuacin 1.3 describe la PDF de esta a a o distribucin, en donde y son la media y la desviacin estndar, respectivamente. o o a 1 (x )2 f (x; , ) = N (, 2 ) = exp 2 2 2 (1.3)

En el caso cuando = 0 y = 1 a la distribucin se le conoce como distribucin normal estndar y se nota o o a como N (0, 1) quedando como se muestra en la Ecuacin 1.4. o 1 x2 N (0, 1) = exp 2 2 (1.4)

En la Figura 1.3 podemos apreciar una curva de N (0, 1). Como nota curiosa, esta distribucin tambin es o e conocida como Gaussiana aunque no fue Gauss quien la plante por primera vez sino fue Abraham de Moivre o en su trabajo The Doctrine of Chances publicado en 1738, Gauss utiliz los resultados de de Moivre en el o desarrollo del mtodo de los m e nimos cuadrados.
t-Student

Esta distribucin nos ayudar a trabajar cuando suponemos que nuestros errores tienen una distribucin o a o normal pero desconocemos su desviacin estndar y no la podemos estimar adecuadamente dado que el o a
1

Ver 1.1, pgina 6 a

4
N (0, 1)

CAP ITULO 1. DATOS EXPERIMENTALES

Figura 1.3

Distribucin normal estndar o a

nmero de datos es pequeo. Tambin nos ser util para pruebas de comparacin de medias y para determinar u n e a o intervalos de conanza de las mismas. En la Ecuacin 1.5 est descrita matemticamente esta distribucin, o a a o all hace referencia a los grados de libertad, concepto que posteriormente veremos. (( + 1)/2) (1 + x2 /)(+1)/2 f (x; ) = (/2) (1.5)

Cuando el tamao de nuestra muestra crece, la estimacin de 2 es ms conable, por tanto esperamos que la n o a distribucin t-Student se asemeje a la normal. En la Figura 1.4 vemos la comparacin entre una distribucin o o o normal y dos distribuciones t-Student con diferente tamao de muestra. n

t=1

N (0, 1)

t=10

N (0, 1)

3 2 1

3 2 1

Figura 1.4

Distribucin t-Student comparada contra N (0, 1) o

1.1.2.

Parmetros estad a sticos

Dadas algunas de las ms relevantes distribuciones que utilizaremos en instrumentacin, es importante a o ahora recoradar las deniciones de algunos parmetros estad a sitcos que continuamente utilizaremos a lo largo del cap tulo.
Media y valor esperado

La media es la tendencia central o el valor esperado de la distribucin, el cul est denido como: o a a

= E(x) =

xf (x)dx

(1.6)

La Ecuacin 1.6 describe el valor esperado para un variable aleatoria continua x con una PDF igual a f (x). o Ahora, si consideramos a x como el valor de una variable del proceso que deseamos controlar, monitorear o simplemente observar, es natural querer conocer su tendencia central, para lo cual tenemos dos opciones: o conocer con certeza a f (x) y aplicar la Ecuacin 1.6 o tratar de estimarla de alguna manera. La primera o opcin, normalmente queda en el campo terico dado que una variable de un proceso no es esttica en el o o a tiempo y su PDF podr cambiar gradualmente. Por otro lado, la segunda opcin consite en denir una funcin a o o

 1.1. ESTAD ISTICA BASICA

que dependa unicamente de las muestras u observaciones y que logre representar la media poblacional, , esta funcin es una estad o stica. Puntualmente para la estad stica que la estima bien en la medida en que el nmero de observaciones crece es la media muestral, x, denida como: u
n

xi x=
Mediana
i=1

(1.7)

La mediana, x, es el nmero que divide una poblacin en dos, en la primera mitad, los valores son mayores u o que la mediana y en la segunda son menores que la mediana. Matemticamente se puede expresar como: a P (X x) = P (X x) =
x

f (x) dx = 0.5

(1.8)

Para el caso de un conjunto de observaciones, la mediana se logra hallar ordenando los datos de mayor a menor y tomando el dato de la mitad, en caso de una muestra impar, o tomando el promedio de los dos datos de la mitad en caso que la muestra sea par. Quiz la importancia de la mediana radica en la insensibilidad a que tiene ante datos at picos2 por darles algn nombre, en esta insensibilidad se basa el poder de los ltros u mediana implementados digitalmente.

Ejemplo 1.1
Media y mediana En un proceso de muestreo de la corriente a travs de un conductor, el microcontrolador realiza cinco e medidas cada minuto para estimar el valor y con base en ste tomar decisiones. Los datos tomados son e mostrados a continuacin. o i 1 xi (mA) 6.82 2 6.75 3 11.92 4 6.75 5 6.90

Observemos que existe un dato at pico que fue el resultado de un error en la transmisin en la cual los dos o bits ms signicativos conmutaron su valor verdadero. Si calculamos la media, x, la mediana, x, y la media a sin el dato at pico, x : x = 7.83mA x = 6.82mA x = 6.81mA observamos la suceptibilidad y la robustez de la media y la mediana respectivamente, frente a los datos at picos.
Varianza

Otro parmetro de inters cuando se estudian PDF es la medida de la dispersin de los datos, qu tan a e o e alejados llegan a estar de su tendencia central o media. La varianza es una de estas medidas y se puede
No encontr una traduccin al trmino del ingls outlier que describe a una observacin estad e o e e o stica cuyo valor es marcadamente diferente a los otros en la muestra
2

CAP ITULO 1. DATOS EXPERIMENTALES

calcular como el valor esperado del cuadrado de la diferencia entre la variable aletoria x, y su media . Matemticamente hablando: a var(x) = E((x )2 ) = 2 =

(x )2 f (x)dx

(1.9)

De igual forma que la media, , tiene su ndice estimador en el promedio aritmtico, la varianza tambin tiene e e su estad stica calculada con base en los datos muestreados de dicha poblacin, a esta estad o stica se le nota 2 S y est denida como a
n

(1.10) n Es importante notar que la Ecuacin 1.10 es vlida si se conoce a priori la media poblacional, si este no o a fuera el caso y la media estuviera estimada por el promedio aritmtico de los datos, la varianza se calcular e a a travs de e n (1.11) n1 la cual se conoce como varianza muestral. A partir de la varianza se dene la desviacin estndar, la cul o a a es ms familiar para nosotros los ingenieros dado que tiene las mismas unidades de la variable que estemos a estudiando.
n

S2 =

i=1

(xi )2

S2 =

i=1

(xi x)2

(1.12) n Que igualmente deber estar dividida entre (n 1) si la media poblacional se desconoce y es necesario a estimarla. var(x) =
Grados de libertad

i=1

(xi )2

Dado que la media o la varianza se estiman a travs de estad e sticas que son funcin de los datos muestreao dos, es importante que esas funciones tengan en cuenta la cantidad de datos que realmente son independientes, por ejemplo en el clculo del promedio, todos los n datos lo son, provienen de la poblacin, sin embargo en a o el clculo de la varianza si la media es desconocida, Ecuacin 1.11, la frmula incluye a x, que fue calculada a o o con los mismos datos, as de esa sumatoria de n elementos slo (n 1) son independientes, de all que la , o divisin sea por tal nmero. Los grados de libertad representan los elementos independientes para estimar o u algn parmetro. u a
Teorema del l mite central

Este teorema que es considerado como uno de las ms importantes en la teor probabil a a stica, soporta una de las suposiciones ms comunes en metrolog la distribucin normal de los errores. Este teorema dice a a: o [Mon01]:
Si x1 , x2 , . . . , xn es una secuencia de n variables aleatorias independientes e idnticamente distribuidas con E(xi ) = e 2 , nitos los dos valores, y y = x + x + + x , entonces y var(xi ) = 1 2 n y n zn = n 2 tiene una distribucin N (0, 1) aproximada en el sentido que, si Fn (z) es la funcin de distribucin de zn y (z) es la o o o funcin de distribucin de la variable aleatoria N (0, 1), entonces l n [Fn (z)/(z)] = 1. o o m

 1.1. ESTAD ISTICA BASICA Para efectos prcticos y visualizar la importancia de este teorema observemos que: a y/n 2 y n x N , = zn = / n n n 2 dado que y x1 + x2 + + xn = =x n n

Esto lo podemos interpretar como una forma de encontrar la dispersin de una distribucin normal de medias o o muestrales alrededor de la media poblacional, con una varianza dada por
2 x =

2 n

(1.13)

El inconveniente que normalmente aparece es el desconocimiento de la varianza poblacional, la cual podemos estimar a travs de la Ecuacin 1.11. Como ultima observacin es importante notar que en la medida en que e o o 2 n sea muy grande x tiende a cero lo que implica a su vez que x ser . a

1.1.3.

Pruebas de hipstesis o

La medicin de variables de un proceso puede ser utilizada para inferir las propiedades del mismo o para o compararlo contra algn estndar o alguna innovacin, dichas inferencias o comparaciones normalmente se u a o realizan con la ayuda de la estad sitca con el n de proveer objetividad en la lectura del resultado. La prueba de hiptesis es una herramienta poderosa que ayuda a alcanzar el objetivo trazado. A continuacin exploramos o o algunos tpicos sin profundizar demasiado dado que se saldr del alcance del curso, empero la bibliograf es o a a amplia en este tpico y una buena referencia la encontraremos en [Mon01]. o Una hiptesis en el sentido estad o stico es una proposicin acerca de los parmetros de una distribucin de o a o probabilidad, e.g. si asumimos una distribucin normal para un conjunto de datos, quiz estamos interesados o a en comparar la media, , con algn valor particular, 0 . Formalmente se notar como: u a H0 : = 0 H1 : = 0 En donde H0 se conoce como la hiptesis nula y H1 como la hiptesis alternativa, as la prueba de hiptesis o o o consitir en aceptar o rechazar a H0 con algn nivel de error. Estad a u sticamente hablando hay dos errores al probar hiptesis, el error de tipo I, el cual consiste en rechazar a H0 siendo sta verdadera, y el error tipo o e II, que es no rechazar H0 siendo sta falsa. Se dene como el nivel de conanza y es la probabilidad de e comenter error tipo I, y como la probabilidad de cometer error tipo II. Existen diferentes pruebas de acuerdo a las condiciones particulares de las hiptesis, a continuacin veremos o o dos de ellas que son de particular inters en las mediciones. Partimos de la suposicin que los datos provienen e o de una PDF normal con varianza, 2 , descocida, i.e. x NID(, 2 ),3 situacin que deber ser comprobada o a con el n de dar validez a la prueba.
3

x es una variable aleatoria Normal e Independientemente Distribuida

8
Comparar contra alg n valor u

CAP ITULO 1. DATOS EXPERIMENTALES

Deseamos saber si la media tiene un valor espec co, 0 , de este modo planteamos nuestra hiptesis: o H0 : = 0 H1 : = 0 mite central Sabemos que x NID(, 2 ) entonces si estimamos a con x y con la ayuda del teorema del l 2 podemos decir que x 0 es normal, i.e. N (x 0 , /n). Ahora bien, como normalmente desconocemos a 2 lo podemos estimar con S 2 , pasando de una distribucin normal a tener una distribucin t con (n 1) grados o o 4 de libertad. Por tanto si denimos la estad stica t0 como t0 = x 0 S/ n (1.14)

t0 tendr una distribucin tn1 si H0 es verdadera y los valores de t0 estarn entre t/2,n1 y t/2,n1 el a o a 100 (1 ) % de las veces. Por lo anterior debemos rechazar a H0 si |t0 | > t/2,n1 .

Ejemplo 1.2
Bater lote NX1548 as De un lote en particular, el NX1548, se tomaron 15 bater para vericar si el voltaje de salida est dentro as a de especicacin, la cual indica que el valor promedio de dicho voltaje es de 1.65V. Los valores le o dos en voltios son los siguientes: 1.66 1.68 1.66 1.66 1.66 1.66 1.65 1.64 1.67 1.64 1.65 1.64 1.66 1.66 1.65

De estos valores podemos estimar x = 1.656V y S = 0.0112V , para calcular la estad stica t0 utilizamos la Ecuacin 1.14 o 1.656 1.65 = 2.073 t0 = 0.0112/ 15 Y utilizando una tabla de distribucin t, encontramos t0.025,14 = 2.145, asumiendo un = 0.05 que es o un valor bastante aceptado, aproximadamente 1 de cada 20 pruebas no cumplir. De acuerdo el criterio a planteado anteriormente H0 deber ser aceptada ya que |t0 | < t/2, . a Aunque la prueba anterior nos permite determinar si un lote cumple con una especicacin, el resultado o todav es vago y difuso, ste se podr mejorar con la utilizacin del intervalo de conanza que vermos ms a e a o a adelante.
Comparar dos medias

Con la misma losof del caso anterior, planteamos una hiptesis nula y una alternativa y posteriormente a o denimos una estad stica que nos permita inferir sobre las hiptesis anteriormente planteadas, de este modo o las hiptesis sern: o a H0 : 1 = 2
Cuando la muestra es sucientemente grande, segn los estad u sticos > 30, la estimacin de 2 con S 2 es lo bastante buena, o caso en el cual la distribucin es normal y la estad o stica es conocida como z0 . Sin embargo cuando la muestra decrece, muy comn en los ejercicios prcticos de la ingenier la distribucin se ensancha y se convierte en la t de Student, cuyo creador fue u a a, o William Sealy Gosset en 1908 y quin public bajo el seudnimo de Student e o o
4

 1.1. ESTAD ISTICA BASICA H1 : 1 = 2 y la estadad stica t0 para realizar la prueba t0 = x1 x2

2 S2 S1 + 2 n1 n2

(1.15)

2 2 Esta estad sitica la utilizamos en el caso ms general, cuando desconocemos 1 y 2 y adicionalmente las a 2 2 consideramos diferentes, i.e. 1 = 2 . Para los otros casos ser necesario cambiar la estad a stica y los grados de libertad, para mayor informacin ver [Mon01]. o

t0 seguira una distribucin t si los grados de libertadad se calculan como sugiere la aproximacin de Welcho o Satterthwaite. 2 2 2 S1 S2 + n1 n2 = (1.16) 2 2 2 (S1 /n1 ) (S2 /n2 )2 + n1 1 n2 1

Ejemplo 1.3
Procesos homogneos e Se implement un nuevo proceso para la puricacin del silicio utilizado en la fabricacin de circuitos o o o integrados y se desea conocer si el producto del nuevo proceso exhibe propiedades elctricas similares al e resultado del anterior proceso. En este caso se estn comparando la permetividad elctrica relativa, r . a e Despus de realizar medidas en 10 muestras de cada proceso se encontr lo siguiente: e o 11.41 11.61 11.92 11.87 Calculando los parmetros bsicos, a a r r
actual nuevo

Proceso actual 12.33 11.06 11.22 13.27 10.69 12.08 Proceso Nuevo 11.78 11.53 11.68 11.31 11.57 11.70

11.62 11.39 11.57 11.63

= 11.668 Sactual = 0.734 n1 = 10 = 11.656 Snuevo = 0.178 n2 = 10

Hallando la estad stica t0 (Ecuacin 1.15), los grados de libertad (Ecuacin 1.16) y t/2, tenemos o o = 11 t0 = 0.050 t0.025,11 = 2.201 No hay evidencia para rechazar la hiptesis nula, por tanto podemos decir que los dos procesos ofrecen o resultados similares, por lo menos en lo que tiene que ver con la permetividad relativa.
Comprobacin de normalidad o

Como mencionamos anteriormente, las pruebas de hiptesis se basan en varias suposiciones que deben o ser validadas con el n de que las inferencias sean correctas. Quiz la suposicin ms importante es que los a o a datos tomados o muestreados provienven de una distribucin normal con parmetros jos, y es precisamente o a

10

CAP ITULO 1. DATOS EXPERIMENTALES

sta para la cual vamos a ver cmo hacer la vericacin. El anlisis consiste en la interpretacin de un e o o a o grco, o mejor de cuatro grcos en uno que nos agrupar los datos experimentales de modo tal que exhiban a a a su naturaleza o estructura interna. Este mtodo de vericacin es tomado de [SEM06]. Otro mtodo que e o e deber amos utilizar una vez encontramos un modelo que describa nuestra informacin, si este fuera el objetivo o del muestreo, es el mtodo de los residuos que encontramos en muchos textos de estad e stica o en [Mon01]. El mtodo grco consite en preparar cuatro grcos: e a a la secuencia temporal de los datos consiste en gracar cada uno de los datos en el orden en que fueron tomados. Busca determinar si existen corrimientos en algn parmetro de la distribucin que buscamos, u a o tambin evidencian sesgos por variables no controladas durante la toma de datos y por ultimo permite e ubicar fcilmente los datos at a picos presentes en la muestra. En la Figura 1.5 vemos datos que fueron tomados de distribuciones normales con parmetros jos. Mientras que en la Figura 1.6 se presentan a
3 2 1 xi 0 1 2 3 0 5 10 15 20 25 30 3 2 1 xi 0 1 2 3 0 5 10 15 20 25 30

i
(a) Datos = 0, 2 = 1, n = 30 Figura 1.5

i
(b) Datos = 10, 2 = 4, n = 30

Grcos secuencia temporal normal a

datos cuya distribucin cambi los parmetros en la medida en que el tiempo fue pasando. o o a
3 2 1 xi 0 1 2 3 0 5 10 15 20 25 30 3 2 1 xi 0 1 2 3 0 5 10 15 20 25 30

i
(a) Datos con variable, n = 30 Figura 1.6

i
(b) Datos con 2 variable, n = 30

Grcos secuencia temporal no normal a

la correlacin temporal , busca principalmente determinar si los datos son de origen aleatorio o por el o contrario existe algn tipo de correlacin entre ellos. Para realizar este grco utilizamos a xi como u o a variable dependiente y a xi1 como independiente, caso en el cual se le demonima tambin grco de e a

 1.1. ESTAD ISTICA BASICA

11

3 2 1 xi 0 1 2 3 3 2 1 0 1 2 3

3 2 1 xi 0 1 2 3

xi1

xi1

(a) Datos aleatorios, n = 30 Figura 1.7

(b) Datos correlacionados, n = 30 Grcos correlacin temporal a o

retraso unitario. En la Figura 1.7 podemos observar dos casos de este tipo. Si los datos son aleatorios el grco no tendr patrones notorios y simplemente se mostrar como un conjunto de datos dispersos a a a sin estructura aparente. el histograma es un grco de barras en el cual la altura de cada una de ellas (eje Y) depende de la cantidad a de datos que existan en un deteminado intervalo deniminado clase (eje X). El tamao de la clase es n arbitrario y de hecho del valor que se tome el histograma puede cambiar considerablemente, hay varias reglas que permiten hacernos una idea del nmero de u clases (NC) a escoger. La regla de Sturgis dice que N C = 1 + log2 n y la regla de Rice dice que N C = 2 3 n con n como el total de las observaciones, cul a elegir? La respuesta depender del propio conjunto de datos, quiz lo mejor es poder realizar varios a a intentos. No obstante a esta subjetividad es una herramienta muy util para determinar el tipo de PDF que pueda tener un conjunto de datos. En la Tabla 1.1 estn contenidos los datos de una muestra a
Tabla 1.1 Muestra para un histograma normal (a) xi N (0, 1) (b) Clases

Observaciones -0.517 -0.531 2.521 -1.003 -0.455 -1.677 1.469 -0.607 0.535 0.407 -0.428 -0.421 -0.959 0.836 -0.947 -1.114 -1.764 -0.108 0.949 -0.665 -0.767 0.971 0.853 0.276 -0.173 0.645 1.330 -2.288 -0.273 -0.840

Clase -1.486 -0.685 0.117 0.918 1.719 2.521

Frecuencia 3 6 10 6 4 1

extraida de una poblacin N (0, 1) y en la Figura 1.8 se muestra el histograma. Cabe anotar que en la o medida en que la cantidad de datos sea pequea el histograma no ofrece buenas pistas acerca del tipo n de distribucin. o de probabilidad normal , este grco presentado por [CCKT83] ordena las observaciones y las dibuja a contra unos datos normalmente distribuidos que son calculados a travs de las UOSM (uniform order e statistic medians o medianas estad sticas en orden uniforme, haciendo referencia a la distribucin unio

12
10 8

CAP ITULO 1. DATOS EXPERIMENTALES

frecuencia

6 4 2 0 3 2 1 0 1 2 3

[xi ]

Figura 1.8

Histograma normal

forme) y la funcin inversa de la distribucin acumulativa normal, tambin conocida como PPF.5 El o o e procedimiento para generar este grco es el siguiente: a 1. Ordenar los datos ascendentemente, i.e. de menor a mayor, siendo stos los valores del eje Y e 2. Calcular las UOSM 3. Calcular con la PPF y las UOSM, los valores del eje X Las UOSM se denen como: i=1 0.51/n i=n U (i) = i 0.3175 dems i a n + 0.365
1 U (n)

(1.17)

La PPF la calculan la mayor de hojas de clculo, e.g. en Excel R el comando es DISTR.NORM.ESTAND.INV a a con un unico argumento prob, ya que la PPF calcula el valor de x tal que P (X x) = prob. En el Ejemplo 1.4 est este grco. a a Para vericar si los datos son normales o no, se observa si la grca es o no una l a nea recta, en caso que el ajuste sea bueno 6 la suposicin de normalidad es vlida. o a

Ejemplo 1.4
Comprobacin de normalidad o Para comprobar la suposicin de normalidad de los datos del Ejemplo 1.2, realizamos los cuatro grcos o a descritos anteriormente.
Point percent function Un parmetro de decisin puede ser el coeciente de correlacin al cuadrado, r2 , y compararlo contra los valores cr a o o ticos, ver [SEM06]
6 5

 1.1. ESTAD ISTICA BASICA

1,68 1,67 1,68 1,67

13

xi [V]

1,65 1,64 1,63 0 3 6 9 12 15

xi [V]

1,66

1,66 1,65 1,64 1,63 1,63 1,68 y = 0,0113x + 1,656 1,67 r2 = 0,89 1,64 1,65 1,66 1,67 1,68

i
8

xi1 [V]

frecuencia

xi [V]
1,63 1,64 1,65 1,66 1,67 1,68

1,66 1,65 1,64 1,63 1,8 1,2 0,6 0,0

0,6

1,2

1,8

[xi ] en V

P P F [U (i)]

Del primer grco podemos ver que no hay un desplazamiento aparente de la media y que la dispersin a o de los datos no es afectada de manera sistemtica. En el segundo vemos que los datos no tienen un a patrn de correlacin que de evidencia de algn tipo de correlacin, de hecho el coeciente de correlacin o o u o o est alrededor de 0.107, valor que nos conrma que los datos son aleatorios. Del histograma no podemos a concluir demasiado dado que con tan pocos datos no se reejan mucho las propiedades de la distribucin, o empero, basados en las conclusiones de los grcos anteriores quiz podr a a amos armar que existe simetr a alrededor de 1.66V y que no existen datos at picos por los cuales tengamos que preocuparnos. Por ultimo, el grco de probabilidad muestra dos situaciones, la primera que la resolucin del instrumento de medida no a o permite un grco ms continuo y menos escalonado lo que reduce el valor de r2 . La segunda situacin y a a o no obstante lo anterior, si revisamos el valor del coeciente de correlacin, r, ste est por encima del valor o e a cr tico para un nivel de conanza del 5 %, i.e. rbat = 0.9434 > rcrit,5 % = 0.9376. En este grco tambin se a e presenta la ecuacin que ajusta los datos y podemos ver que la pendiente es y que el cruce por cero es o x, tal como lo tendr amos que estar esperando.

1.1.4.

Intervalos de conanza

Tal como lo mencionamos anteriormente, la prueba de hiptesis queda corta ya que unicamente lleva a o saber, con argumentos estad sticos, si un valor particular corresponde a una estad stica espec ca, e.g. = 0 o 1 < 2 . Podr amos complementar este resultado si adems de aceptar o rechazar una hiptesis, planteamos a o un rango de valores en donde con cierta frecuencia nuestra estad stica va a estar, con esto en mente revisemos nuevamente el teorema del l mite central que sostiene que x N , 2 n

14 Por tanto si denimos una estad stica z0 como z0 = x / n

CAP ITULO 1. DATOS EXPERIMENTALES

z0 tendr una distribucin normal estndar. De esta expresin podemos entonces despejar a que es el a o a o parmetro que esperamos conocer, as a = x z0 n y dado que z0 N (0, 1) podr amos calcular el rango de valores que tomar un determinado porcentaje de a las veces. Este porcentaje es el rea bajo la curva de la PDF encerrada en dicho rango. Para el caso de a la Figura 1.9 se tiene que en un 95 % de la veces z0 estar entre 1.96 y 1.96. Con esta idea podemos entonces a
N (0, 1)

Figura 1.9

Rango de z0 para un 95 %

decir que = x z/2 (1 ) % n (1.18)

A este rango se le conoce como intervalo de conanza y a como el nivel de conanza. En caso que desconozcamos a 2 y que sea necesario estimarla a partir de los datos, entonces el intervalo se estimar a partir a de una distribucin t con (n 1) grados de libertad, matemticamente o a S = x t/2, (1 ) % n Con la misma losof hallar a amos los intervalos de conanza para una diferencia de medias. (1.19)

Ejemplo 1.5
Intervalo de conanza Ejemplo 1.2 Calculemos el intervalo de conanza al 95 % para la media del volaje de las bater del Ejemplo 1.2. Con as = 5 % y = 15 1 buscamos a t0.025,14 y la multiplicamos por S/ 15, esto es t0.025,14 0.0112/ 15 = 0.006 Por tanto el valor de la media estar dado por a = 1.656 0.006 (95 %)

 1.2. PRESENTACION DE LA INFORMACION

15

1.2.

Presentacin de la informacin o o

Tanto como realizar bien las medidas es la presentacin de las mismas, dado que a partir de una buena o presentacin es posible analizar la informacin y enriquecer las conclusiones y las inferencias que se logren o o hacer de las mismas. En esta seccin se ilustran algunos de los tipos de grcos ms utilizados en ingenier o a a a para la visualizacin de informacin. o o

1.2.1.

Gu general a

Esta serie de recomendaciones est basada en [Ass47]. a 1. El grco debe estar diseado para que el observador interprete y entienda la informacin con el m a n o nimo de esfuerzo. 2. Los ejes deben llevar una etiqueta que indique qu contiene, cules son las unidades y si es el caso, el e a s mbolo que se utiliza. 3. La cantidad de divisiones deben estar acorde al tamao del grco, y se deben marcar igualmente acorde n a a la longitud del eje, e.g. si hay 20 divisiones sobre un eje de 3cm, poner 20 nmeros har ilegible ese u a eje. 4. Es preferible usar s mbolos sin relleno, e.g. , , se debe evitar el uso de puntos, . o 5. Las curvas de ajuste o las curvas tericas deben estar representadas por l o neas con diferentes estilos si hay varias, de ah la importancia que los datos o las muestras sean representados por s mbolos y no por puntos. 6. Evitar el texto sobre los grcos dado que demasiado puede crear confusin y desviar la atencin sobre a o o el grco mismo. a

1.2.2.

Tipos de gracos

De acuerdo a la clase de informacin que deseemos plasmar y teniendo en cuenta qu informacin queramos o e o extraer y/o transmitir, existe un tipo de grco adecuado. En la 1.3, ya vimos cuatro de estos grcos: de a a secuencia, de correlacin, histograma y de probabilidad. A continuacin se hace un revisin de los usados ms o o o a frecuentemente.
Dispersin o

Este grco es quiz el ms utilizado dado permite ver qu tipo de relacin existe entre dos variables, a a a e o es comn que a partir de este grco podamos concluir sobre la linealidad de los datos o la existencia de u a datos at picos dentro de la muestra. Para su construccin simplemente elegimos adecuadamente las escalas o y disponemos todos los puntos sobre el plano. En la Figura 1.10 podemos ver un ejemplo del resultado de un proceso de calibracin hecha a un sensor de presin frente a una bscula de peso muerto. Del grco o o a a podemos decir que existe una realcin lineal aunque los datos estn bastante dispersos, de hecho indicar o e a una precisin pobre. Tambin vemos la presencia de dos datos at o e picos que probablemente sea necesario no tenerlos en cuenta al momento de estimar parmetros de ajuste. Igualmente podemos ver cmo aumenta el a o error, o dispersin, en la parte inferior de la escala, evidenciando tambin no linealidad, situacin bastante o e o normal en los instrumentos de trabajo.
Bihistograma

Este tipo de grco simplemente son dos histogramas que comparten el eje x y sus ejes y son opuestos. Su a principal utilidad es la comparacin, entre la media, la dispersin y la distribucin de dos cojuntos de datos o o o

16

CAP ITULO 1. DATOS EXPERIMENTALES

50 Psensor [kPa] 40 30 20 10 0 0 10 20 30 40 50 Ppatrn [kPa] o

Figura 1.10 Resultado de una calibracin o

que provienen de dos fuentes diferentes, e.g. dos arquitecturas diferentes de amplicadores operacionales puestas a prueba con referencia a su voltaje de desvio (oset), ver Figura 1.11. Con este tipo de grco a
20 15 10 frecuencia 5 0 5 10 15 20 3 3,3 3,6 3,9 [Vof f set ] en mV 4,2 Arq. B Arq. A

Figura 1.11

Bihistograma del voltaje de desv o

podemos reforzar las pruebas de hiptesis o viceversa. De la Figura 1.11 vemos que aunque las distribuciones o de voltajes de desv son semejantes, sus valores medios estn alejados, comparando con sus dispersiones, o a as que no estar mal decir que estas dos arquitecturas presentan efectivamente una diferencia del voltaje de a desv demostrable estad o, sticamente.
Grco de cajones a

Este grco permite comparar algunos de los parmetros de diferentes grupos de datos bajo observacin, a a o espec camente permite una comparacin visual sobre la dispersin y la localizacin de los datos. En la Figuo o o ra 1.12(a) podemos observar el formato de presentacin para diferentes grupos de datos, es importante notar o que los puntos no pertenecen al grco de cajones, son mostrados unicamente con propsitos ilustrativos. a o

1.3. ERROR

17

El tamao del cajn est determinado por 2 cuartiles, el inferior que corresponde al percentil7 25 y el superior n o a al percentil 75, lo que indica que cada cajn contiene el 50 % de todos los datos. La l o nea que divide el cajn o corresponde al percentil 50 o tambin conocido como la mediana. Las dos l e neas que se extienden hacia fuera del cajn lo conectan con el mximo y con el m o a nimo de la muestra. De esta manera un cajn permite tener o informacin de cun concentrados o dispersos estn los datos en un grupo. En la Figura 1.12(b) podemos o a a

mximo a

Permetividad, r

3er cuartil mediana 1er cuartil

13 12 11 10

m nimo
(a) Formato general Figura 1.12

Nuevo

Actual

(b) Cajones para el Ejemplo 1.3 Grco de cajones a

observar uno de estos grcos que comparan los datos obtenidos de los procesos del Ejemplo 1.3. Vemos a que en cuanto a la localizacin del resultado los dos procesos entregan medias estad o sticamente iguales, tal como se comprob en el ejemplo, no obstante el proceso nuevo presenta una menor dispersin de sus datos y o o quiz esta caracter a stica lo hace ms favorable. a

1.3.

Error

Error, en el contexto de medidas, hace referencia a la desviacin existente entre el resultado medido y el o valor verdadero8 de la magnitud medida [ICO97]. Por tanto el trmino error implica la existencia de una gu e a o un patrn. Los errores por confusin, por malentendidos o malas interpretaciones revelan equivocaciones o o y los errores asociados a la omisin o negligencia constituyen descuidos por parte de los implicados. Estos o tipos de desviaciones, dada su naturaleza noestad stica introduce sesgos que normalmente son dif ciles de detectar cuando en magnitud son pequeos, llevando inclusive a causar inferencias desacertadas. Si estos n sesgos son grandes, la propia estad sitca es capaz de predecir su improbabilidad de aparecer. Vale la pena anotar que aunque la variabilidad de un proceso en general, no necesariamente implica un error asociado, dichas desviaciones se pueden tratar como tal, e.g. el voltaje en una toma en una residencia depender de a dos factores, a la alimentacin desde el exterior y a la carga conectada a la residencia, por tanto existe una o variabilidad intr nseca en el proceso de suministro de energ que no es un error. a
El percentil es un parmetro estad a stico que estima la cantidad de datos, en porcentaje, que estn por debajo de un valor a determinado, e.g. el percentil 25 indicar que por debajo de l est el 25 % de los datos. Los cuartiles hacen referencia a los a e a percentiles 25, 50 y 75 8 Ver PATRONES Y SISTEMAS DE MEDIDA
7

18

CAP ITULO 1. DATOS EXPERIMENTALES

El estudio del error en los sistemas de medicin, que incluye sus fuentes, su tratamiento y su correccin, o o ha tomado relevancia en el ultimo siglo con el auge de globalizacin, no solo desde el punto de vista comercial, o sino tambin cient e co y principalmente militar, no hay que olvidar que la guerra ha sido el mayor promotor y fuente de nanciacin del avance tecnolgico. Basado principalmente en la teor formal estad o o a stica, el estudio del error busca responder una pregunta, qu tan bien est hecho el trabajo? Y aqu trabajo har referencia e a a a proceso, medicin, monitoreo, control, entre otros signicados. Supongamos que en un enlace de datos o entre dos nodos de una red existen interferencias electromagnticas que logran afectar la informacin que se e o est intercambiando. El ingeniero que dise este enlace, debi determinar si estas desviaciones o errores estn a no o a dentro del nivel de aceptacin o tolerancia para que el enlace opere normalmente. Por otro lado, en la industria o de repuestos para automviles, el proceso de fabricacin de un pistn es altamente controlado, dado que sus o o o variables dimensionales, e.g. el dimetro, deben estar dentro de un rango de variacin bastante pequeo, lo a o n que podr amos asociar a una tolerancia m nima. En los dos casos anteriores, el qu tan bien de la pregunta e inicial es respondida en trminos de la estimacin de un error, e.g. en el primer caso, el enlace est bien si e o a 9 la BER se mantien por debajo de algn l u mite establecido, sin embargo al ingenierio le quedar imposible a predecir exactamente cul ser la BER para algn momento determinado. Del mismo modo, los dimetros a a u a de todos los pistones sern diferentes, el proceso no podr garantizar una medida constante simplemente un a a intervalo de aparicin. Es importante notar que cuando nos referimos a un error lo hacemos a travs de un o e rango, intervalo o tolerancia, no especicamos su valor, y esto tiene que ver directamente con la denicin o misma de error. Al error lo denimos como: = xM xV

(1.20)

En donde xM es el valor medido y xV el valor verdadero. Pero, cul es el valor verdadero? Si esta pregunta a tuviera una respuesta exacta, implicar que logramos medir con cero error, lo que a su vez est contradiciendo a a uno de los principios de la medicin: toda medicin afecta el medio introducindole error. Entonces, cmo o o e o podemos determinar el error y cmo podemos saber qu tan bueno fue el trabajo. Es aqu donde entra la teor o e a estad stica a tratar de dirimir este asunto s mil al del huevo y la gallina. Primero, como el error es funcin o de muchos factores, algunos de los cuales son desconocidos, su contribucin no necesariamente es constante o y determin stica, por tanto al error se le puede considerar como una variable aleatoria con una funcin de o densidad de probabilidad, PDF, asociada. Segundo, dada una PDF, podremos encontrar la probabilidad, o nivel de conanza (NC), de hallar el error en un intervalo determinado, aqu el tamao del intervalo nos n ayuda a determinar la calidad del trabajo. Tercero y para terminar, al valor verdadero se le acepta por convencin [ICO97], como aquel que tiene un intervalo apropiadamente pequeo para una propsito dado. o n o Con respecto a este ultimo punto, quiz para la medicin de voltaje en una prctica acadmica de laboratorio, a o a e el valor verdadero aceptado es el dado por el mult metro utilizado, ya que que el error del instrumento es apropiadamente pequeo comparado con el error introducido por el montaje y sus componentes. No obstante n que el mult metro fue utilizado como valor verdadero, ste no podr usarse como tal en una industria que e a fabrique mult metros, porque no tendr un intervalo de error sucientemente pequeo. a n De acuerdo a lo anterior, podemos decir que cuando realizamos una medicin la indicacin del instrumento o o corresponde a un valor particular de una varible aleatoria, no tenemos certeza absoluta que ese valor sea igual al valor verdadero, existe una incertidumbre, u, asociada a la medicin y es esta incertidumbre la que a travs o e de clculos y relaciones estad a sticas debemos estimar. El tamao del intervalo o la tolerancia son de alguna n manera trminos sinnimos a incertidumbre. Formalmente hablando, con una probabilidad del NC % el error e o se encuentra entre u y u o simplemente, u u (N C %)
9

(1.21)

Bit error rate, tasa de error de bit

1.3. ERROR

19

s no ma hu
e ient amb

ob j

eto

mtodo e

Figura 1.13

El error segn su origen u

Ahora bien, expresar una medida como un unico valor es tcnicamente incorrecto y al ser consecuentes con lo e discutido previamente, el resultado de una medicin debe tener por lo menos cuatro componentes: un valor o central, una incertidumbre, un NC y las unidades. Los dos primeros pueden ser reemplzados por un intervalo. xV = xM u [U nidad] (N C %) u, xM + u] [U nidad] (N C %)

xV = [xM

instr

ume nto

(1.22)

Tal como lo describe la Ecuacin 1.22 el resultado de una medida es un intervalo, sin embargo aunque es un o hecho la existencia de esa incertidumbre, para nes prcticos hay que acotar su utilizacin. En los procesos a o de medida se deben seleccionar los instrumentos adecuados, i.e. con una incertidumbre apropiada, de modo tal que el operario no tenga que hacer un estudio cada vez que realiza mediciones en campo. En este caso el instrumento registra su medida con una incertiumbre menor que los l mites aceptados para el proceso, e.g. si la variabilidad aceptada en la temperatura de un horno es de 3o C el instrumento con el que se mida por lo menos debe reportar con 0.5o C.

1.3.1.

Clasicacin de los errores o

En busca de la cuanticacin, prevencin, reduccin o eliminacin de un error es conveniente identicar su o o o o origen y caracter sticas que pese a su particularidad, pueden ser comunes para otros errores, lo que permite realizar clasicaciones desde el punto de vista de la fuente, como tambin desde la naturaleza. En la Figura 1.13 e podemos observar las diferentes fuentes de error. Entre los errores de origen humano podemos encontrar, la seleccin equivocada del instrumento y/o mtodo, e.g. en la medicin de resistencia por mtodos indirectos, o e o e la posicin del volt o metro y el amper metro inuye en la lectura. Tambin la agudeza visual al realizar la e lectura, el efecto de paralelaje, la aproximacin de divisin en instrumentos analgicos y la transcripcin de o o o o datos en sistemas no automatizados forman parte de estos errores. Los errores del instrumento normalmente estn asociados a las limitaciones propias como son, la exactitud, la resolucin, la no linealidad, histresis, a o e desgaste y descalibracin. Los instrumentos tambin introducen error dada su sensibilidad intr o e nseca a otras variables ajenas a la medicin, e.g. un rotmetro instalado con algn ngulo respecto a la vertical, indicar un o a u a a caudal mayor al verdadero. Los efectos ambientales son por lo general los que mayor impacto tienen sobre la medicin, dado que logran afectar las otras cuatro fuentes de error. La temperatura por ejemplo, puede o afectar, la muestra, el instrumento, sacar de especicacin al mtodo e inclusive perturbar al operario que o e realiza la medida. Entre las varibles ambientales ms comunes estn, la temepratura, la humedad, la presin, a a o la iluminacin, las vibraciones, el polvo y las corrientes de aire, entre otras. Las desviaciones que el mtodo o e aporta al error total de la medicin, comnmente son pasadas por alto ya que asumimos que los modelos y o u

20

CAP ITULO 1. DATOS EXPERIMENTALES

las frmulas representan exactamente la realidad. A manera de contexto, segn la BIMP10 existen solamente o u dos constantes sin incertidumbre asociada, c, la velocidad de la luz y 0 , la permeabilidad magntica, las e 8 dems tienen alguna incertidumbre, e.g. la incertidumbre de la carga del electrn es de 9 10 . Finalmente, a o el objeto sometido a medicin tiene una variabilidad impl o cita, que aunque no necesariamente es un error, s se puede estudiar como tal. El error tambin es susceptible de clasicarse de acuerdo a su naturaleza, sistemticos y aleatorios. Los e a errores sistemticos o de sesgo, son aquellos que aparecen de la misma manera cada vez que se miden, a e.g. un ohm metro que no tiene ajustado el cero (error de oset), presentar siempre la misma desviacin a o cuando se mida una resistencia determinada. Este tipo de errores son detectables estad sticamente y dado su comportamiento predecible son corregibles a travs de procesos de calibracin y ajuste. En cuanto a la e o magnitud y sentido, i.e. el signo, de estos errores dependen espec camente del origen, e.g. un volt metro que est calibrado a una temperatura de 24o C y va a ser utilizado a una diferente, e.g. 5o C, entregar una lectura a a erronea con alguna tendencia denida, cuya magnitud ser mayor conforme las condiciones de trabajo se a alejen de las de calibracin. En la Figura 1.14 podemos observar un grco de puntos en donde se muestran o a los errores correspondientes a 26 lecturas de un instrumento durante un proceso de calibracin. Estos puntos o fueron obtenidos con la ayuda de la Ecuacin 1.20 asumiendo como valor verdadero el patrn con el que se o o realiz la calibracin. Observemos que la media de los errores , representa el error sistemtico (B ), que en o o a teor se mantiene constante para las mismas condiciones de calibracin, i.e. cada vez que el instrumento a o realice medidas el resultado estar sesgado por este valor. a i P B

-4

-2 Figura 1.14

El error segn su naturaleza u

Con esta denicin de correccin, el valor verdadero de una medicin ser xV = xM + c. o o o a Ahora bien, hemos mencionado que por medio del ajuste del instrumento podemos eliminar B lo que implicar que, pueden existir mediciones de cero error? No en realidad, este cero est referenciado al a a patrn utilizado, pero ste a su vez fue calibrado contra un patrn ms exacto, y as sucesivamente, hasta o e o a llegar al patrn internacional convencionalmente aceptado como valor verdadero. Esto quiere decir que nuestro o instrumento acumula los errores de los patrones que forman esa cadena ininterrumpida11 conocida como trazabilidad.12
Revisar la siguiente pgina http://www.bipm.org/en/si/si constants.html a Cualquier instrumento que realice mediciones cient cas y/o legales debe estar referenciado al patrn internacional o 12 Ver PATRONES Y SISTEMAS DE MEDIDA
11 10

Se hace evidente la importancia del proceso de calibracin, encontrar, bajo unas condiciones espec o cas, el error sistemtico de un instrumento. En caso que el instrumento permita ajustes, este error puede ser a eliminado del instrumento, si ese no fuera el caso, el certicado de calibracin reporta la correccin a realizar, o o que est denida como: a c = B (1.23)

1.3. ERROR

21

Los errores aleatorios a diferencia de los sistemticos aparecen sin alguna tendencia determinada, tanto a su magnitud como su sentido responden a hechos fortuitos o de azar, de all que el tratamiento a seguir sea estad stico. Este tipo de errores no se pueden corregir mediante ajustes puesto que lo unico que se llega a conocer es la probabilidad de ocurrencia de un error. En la Figura 1.14 podemos ver como los errores estn dispersos alrededor de un valor esperado, en este caso y que dicha dispersin sigue algn tipo de a o u PDF (dibujada en la parte superior ajustando la escala para propsitos ilustrativos). De este modo, el error o aleatorio o de precisin P , de una medida i en particular est dado por: o a P = i (1.24)

La dispersin de los errores ser un o a ndice de la precisin del instrumento, y en caso de querer disminuir o dicha dispersin es necesario mejorar el diseo y los componentes del instrumento, controlar las condiciones o n ambientales y/o cambiar el principio, mtodo o procedimiento de medicin. Dentro de estos errores encone o tramos generalmente, variaciones incontroladas de las condiciones experimentales, e.g. la temperatura y la humedad, la insensibilidad del instrumento de medicin, el mismo objeto o mesurando, las perturbaciones e o imperfecciones del instrumento, por listar algunas fuentes. Por ejemplo, medimos con un mult metro digital los potenciales generados por un msculo cuando se mueve y descartando los errores sistemticos, los errores u a aleatorios introducidos pueden ser: el ruido elctrico captado por el cuerpo y transmitido al lector, y ya que la naturaleza del ruido es aleatoria e este error debe tratarse como tal, la interferencia de otras seales biolgicas que no estn bajo estudio y por tanto no conocemos sus caracn o a ter sticas las podremos trabajar estad sticamente, la propia seal miogrca es una varible aleatoria, dado que es la sumatoria de las contribuciones de miles n a de clulas, y aunque es una seal deseada y no un error, s la podemos asimilar como tal desde el punto e n de vista de procesamiento, la poca sensibilidad del instrumento genera lecturas aleatorias, pensemos en que estamos hablando de seales n de 0.5 a 5mV y de una resolucin del mult o metro del orden de 1mV, as las seales por debajo de la n resolucin dar lecturas inciertas, o a y el tiempo de respuesta del lector, normalmente los mult metros tardan alrededor de un segundo en entregar su respuesta, que comparando este tiempo con los tiempos de las seales a medir (con ancho de banda n de hasta 10kHz) vemos que la lectura que hagamos probablemente no reejar el valor de la seal en a n ese momento. La discusin anterior hay que enmarcarla en que es un ejemplo que pretende ilustrar los posibles errores o aleatorios, dado que en el ejemplo existe un error que no es aleatorio y es la mala seleccin del instrumento. o Para nalizar, en la Tabla 1.2 se muestran algunos errores t picos con una clasicacin propuesta. o

1.3.2.

Prevencin y correccin de los errores o o

Identicados los errores el paso obligado ser eliminarlos o por lo menos reducir sus efectos al m a nimo convenido. De la misma manera en que los errores fueron clasicados, las formas de prevencin y/o correccin o o tambin admiten una agrupacin[Doe90]. Sin importar el tipo de error es posible, por lo menos tericamente e o o hablando, disminuir los efectos de las fuentes de error sobre el resultado de la medicin. o
Insensibilidad intr nseca

Cuando el sistema de medicin no es sensible a una fuente de error en particular, idealmente ser la o a condicin perfecta y mejor forma de evitar la intereccin de dicha fuente. En general este trmino aplica para o o e

22
Tabla 1.2 Fuentes de error

CAP ITULO 1. DATOS EXPERIMENTALES

Sistematico Humanos Seleccin del o instrumento Paralelaje Transcripcin de los o datos Instrumento Efecto de carga Desviacin del cero, o oset Calibracin o Derivas Histresis e Ambiente Temperatura Humedad Interferencia electromagntica e Metodo Objeto Seleccin del mtodo o e Variacin intr o nseca de la muestra

Aleatorio

los elementos sensores, dado que a un sistema de medicin se le puede proveer de otros mecanismos para o correccin de errores, e.g. ltrado. A manera de ejemplo, en la medicin de temperatura con termmetros o o o de columna de inmersin parcial, la propia temperatura acta como una fuente de error, ya que adems de o u a dilatar el l quido en el reservorio, logra dilatar el capilar (columna) y su contenido, por tanto para hacer el termmetro insensible de modo intr o nseco debemos evitar el efecto de la dilatacin de la columna, e.g. es o posible cambiar el material de la columna o hacer la relacin volumen del capilar sobre volumen del resero vorio muy pequea. Otro situacin similar encontramos en una galga extensomtrica resistiva cuyo principio n o e de medida es la piezorresistivad. Normalmente los coecientes de temperatura en los materiales utilizados no son cero, de este modo la temperatura introducir errores sistemticos o de precisin, dependiendo si la a a o temperatura es controlado o no, respectivamente. Por tanto si pudieramos encontrar aleaciones cuyos coecientes de temperatura fueran reducidos, idealmente cero, har amos las galgas intr nsecamente insensibles a esta entrada. Encontrar sensores sensibles unicamente a la entrada que se desea medir no es fcil, de hecho aunque a garantizar un buen desempeo, econmica y/o tcnicamente no siempre es viable su realizacin e implea n o e o mentacin f o sica. Sin embargo y para fortuna de la instrumentacin, existen otras tcnicas que ayudan a la o e reduccin de los errores. o

1.3. ERROR
Entradas opuestas

23

Puesto que la insensibilidad intr nseca no siempre es posible para todos los sensores, otra alternativa consiste en disponer los sensores de modo tal que, aunque sean sensibles a una entrada en particular no deseada, la conguracin hace que se anulen, se reduzcan o se compensen los efectos. Como primer ejemplo analicemos o la celda de carga de la Figura 1.15(a), la cual si estuviera compuesta unicamente por la galga extensomtrica e 13 superior, los errores por temperatura ser considerables dado que el coeciente de temperatura del material an normalmente es elevado. Una forma de reducir estos errores es poner otra galga que no sienta esfuerzo, pero si temperatura (en ingls se conoce como dummy gage). De esta manera si en la conguracin para e o medir la variacin de resistencia se logran hacer relaciones entre las dos galgas, los efectos de temperatura o son compensados. Una de estas conguraciones puede ser el puente de Wheatstone, como se muestra en la Figura 1.15(b). En general, las conguraciones de tipo diferencial son las que ofrecen comnmente alternativas u
RS 2

M V A

RS 2

(a) Compensacin o Figura 1.15

(b) Puente de Wheatstone

Entradas opuestas en una celda de carga

para la utilizacin de entradas opuestas como mecanismo de compensacin. El amplicador operacional es o o un buen ejemplo en este caso, su naturaleza diferencial rechaza las seales comunes a las entradas, tambin n e llamadas seales de modo comn. n u En la situacin anterior de la celda carga, el bloque metlico tambin se ve afectado por la temperatura o a e cambiando sus propiedades mecnicas, e.g. el mdulo de Young, E. Si la temperatura aumenta el bloque se a o hace menos r gido, i.e. su constante de deexin se reduce, y por tanto la sensibilidad del sistema aumenta. o Una forma de compensar este efecto es reducir la sensibilidad del puente en la medida en que aumente la temperatura, introduciendo una resistencia en serie con la alimentacin del mismo tal como se muestra en la o Figura 1.15(b). Obviamente el valor de esta resistencia RS , debe estar calculado de acuerdo con los materiales involucrados.
Filtrado

La denicin de ltro nos propone la seleccin de seales bajo algn criterio establecido. En trminos o o n u e ideales, un ltro est en la capacidad de rechazar todas las seales no deseadas que un sistema pueda recibir, a n as un ltro ptico cuyo color es un rojo e.g. = 700nm, debe bloquear cualquier otra longitud de onda, o absorbindola, reejndola o como fuere su mecamismo de ltrado. Obviamente esta caracter e a stica es ideal y realmente lo que podemos disear e implementar es una aproximacin a este bloqueo, de este modo se n o
13

Ms all del 5 % a a

24

CAP ITULO 1. DATOS EXPERIMENTALES

rechazar la mayor de las seales no deseadas y se atenuar las seales con caracter an a n an n sticas similares a las seales deseadas. n De acuerdo a la forma en que se establezcan los criterios para decidir qu seales pasan y cuales no, e n los ltros se pueden clasicar en pasabajas, pasaaltas, pasabanda y rechazo de banda. En la Figura 1.16. Observemos que los perles mostrados hacen referencia a un ltro ideal y en la medida en que se suvicen los bordes es porque tendremos un ltro ms real. En el eje vertical se ubica la magnitud relativa de la salida a

(a) Pasabajas

(b) Pasaaltas Figura 1.16

(c) Pasabanda Tipos de ltro

(d) Rechaza banda

con respecto a la entrada y en el eje horizontal se ordenan el parmetro de ltrado, e.g. frecuencia, longitud a de onda o tamao, entre otros. Como un ejemplo observemos el tam de la Figura 1.17(a) cuya funcin es n z o separar part culas granuladas segn su tamao, es clara entonces su aplicacin como un ltro. Lo interesante u n o de este ltro es que dependiendo del producto que se tome como salida el ltro cambia de tipo, e.g. en la Figura 1.17(b) si la salida es el material que permanece en el tamiz, ste se comporta como un pasaaltas dado e que deja pasar los grnulos de mayor tamao, de otro lado, si el resultado es el material que pasa a travs del a n e tam la funcin ser de pasabajas. z, o a

Pasaaltas

Pasabajas

(a) Tamiz Figura 1.17

(b) Tipo de ltro Ejemplo de ltro

Finalmente es importante reslatar que los ltros pueden estar en cualquier parte de la cadena de medicin, o i.e. a la entrada, a la salida o en las etapas intermedias. Normalmente y dada la tentencia de automatizar los procesos, los ltros dispuestos despus de la etapa de entrada son de naturaleza elctrica por su gran e e versatilidad en cuanto diseos y desempeo. n n

1.3. ERROR
Retroalimentacin de alta ganancia o

25

El concepto de retroalimentacin y todas las consideraciones e implicaciones quedan por fuera del alcance o de este curso, sin embargo podemos simplicarlo y decir que consiste en tomar una fraccin de la seal de o n salida e introducirla de nuevo a la entrada del sistema, y dependiendo del signo de dicha fraccin logramos o retroalimentacin positiva o negativa. La retroalimenatcin positiva en el caso general, es utilizada para geo o nerar sistemas inestables como son los osciladores, mientras que la negativa comnmente se encuentra en u aplicaciones lineales como son los amplicadores. En la Figura 1.18 vemos el concepto bsico de la retroalia mentacin. El sistema est modelado por su funcin de transferencia G(s), cuya respuesta est determinada o a o a No deseadas

XC XR

G(s) H(s)

Figura 1.18

Concepto de retroalimentacin o

por la accin de la entrada deseada y las entradas no deseadas que producen errores en el resultado de la o medicin. La accin de la retroalimentacin se modela por la funcin H(s) en la cual la fraccin tomada de o o o o o la salida depende, como caso general, de la frecuencia de operacin del sistema. Veamos a continuacin una o o pequea deduccin de la salida (Y) en funcin de la entrada deseada (X). De la Figura 1.18 sabemos que n o o Y = XC G(s), y si XC = X XC y XR = Y H(s) encontramos que Y=X G(s) 1 G(s) H(s) (1.26) (1.25)

De un analisis de la Ecuacin 1.26 vemos que si la retroalimentacin es positiva existe una frecuencia para la o o cual el denominador se hace 0 y que por lo tanto podr amos interpretar como una salida nita con entrada X = 0, como lo que encontramos en los osciladores. Por otro lado si la retroalimentacin es negativa y el o producto G(s) H(s) 1, la Ecuacin 1.26 se aproximar a o a YX 1 H(s)

de donde concluimos que la salida ya no depende de las entradas no deseadas que afectan al sistema original. Claro est que las entradas no deseadas para el sistema de retroalmientacin H(s), s afectarn el resultado, no a o a obstante se espera que dicho sistema sea ms robusto que el original. Supongamos como ejemplo el amplicador a cuasi-ideal de la Figura 1.19(a) en el cual la ganancia Av depende de la temperatura y por tanto la salida vo = Av vi tambin. Si diseamos una red retroalimentacin que tome una fraccin de la salida y la reste en e n o o la entrada tal como se indica en la Figura 1.19(b) la salida tender a ser vo (1 + R2 /R1 ) vi en la medida en a que Av , eliminando la dependencia de la temperatura, aunque vale la pena observar que est correcin a o se ha hecho a costa de perder ganancia. De hecho, la retroalimentacin provee ventajas disminuyendo otras o caracter sricas, no obstante se presenta como una buena alternativa para evitar los efectos de entradas no deseadas y por tanto la aparicin de errores. o

26

CAP ITULO 1. DATOS EXPERIMENTALES

vi

Av

vo

+ vi

Av R2

vo

R1

(a) G(s) = Av Figura 1.19

(b) G(s) = Av y H(s) = R1 /(R1 + R2 ) Ejemplo de retroalimentacin o

Correccin posterior o

Si se conocen cuales son las seales de entrada que causan errores, los efectos de las mismas sobre el sistema n de medicin y adicionalmente es viable estimarlas o medirlas, podemos corregir los resultados despus de o e tomarlos. Este mtodo se presenta actualmente como una alternativa interesante ante la creciente tendencia e de procesamiento digital. Pensemos que anteriormente los procesos de linealizacin eran un imperativo dadas o las limitaciones o la nulidad de procesamiento, de esta necesidad surgieron una gran cantidad de circuitos analgicos mgicos que lograban acondicionar y robustecer prcticamente cualquier seal, empero a costos o a a n elevados en tiempo de diseo y componentes. Actualmente los procesos y las escalas de integracin redujeron n o los costos de los circuitos analgicos y digitales y puesto que estos ultimos son ms verstiles desplazaron a o a a los primeros en aplicaciones de bajos costo y de especicaciones no exigentes.

1.4.

Incertidumbre

Tal como se mencion anteriormente, el resultado de cualquier medicin debe estar unido a un o o ndice que contenga la informacin de su incertidumbre. Este o ndice consolida y expone la calidad de una medida, asociando a este trmino todos los componentes que intervienen en l: objeto, instrumento, persona, ambiente e e y mtodo, cada uno de los anteriores contribuyendo aditivamente a la incertidumbre. En esta seccin veremos e o cmo actualmente se calcula y presenta la incertidumbre cuando sta es asociada a un resultado directo, i.e. o e un instrumento que mide la variable directamente, o cuando se asocia a un resultado indirecto, i.e. cuando a partir de diferentes instrumentos se calcula el resultado, a esta estimacin se le conoce como propagacin de o o incertidumbre.

1.4.1.

Generalidades

Sobre incertidumbre se ha escrito y discutido bastante y en general cada gran potencia tecnolgica tiene o y deende sus procedimientos para su clculo, una de las consecuencia ms palpables es que an no se cuenta a a u con una norma internacional, por el momento se tiene una gu tcnica[ISO93] que ha logrado conciliar una a e buena cantidad de conceptos y procedimientos y es la que estudiaremos aqu en [TK94] hay tambin un buen , e tratamiento de la incertidumbre y est disponible para descargar de la pgina del NIST. a a El trmino incertidumbre hace referencia a la imposibilidad de conocer el valor real de una medida, por e tanto indica un posible intervalo para encontrar el valor de la medida con cierta probabilidad. En la literatura

1.4. INCERTIDUMBRE

27

anterior a la dcada de los 90 se encuentran una gran cantidad de trminos que pretend expresar lo que hoy e e an calculamos y conocemos como incertidumbre, observemos las relaciones que tiene la incertidumbre con algunos de ellos como el error, la precisin, la exactitud y las PDF. El error puede contribir a incrementar el intervalo o de incertidumbre, la precisin reeja una medida de cun grande es dicho intervalo, la exactidud es dada en o a trminos de la incertidumbre y las PDF son las encargadas de soportar los clculos con incertidumbres. De e a lo ultimo surge la importancia de mantener frescos los conocimientos estad sticos. Como se coment anteriormente, actualmente la comunidad cient o ca ha ido adoptando la gu ISO, que a aunque para algunos superua y para otros complicada, estad sticos e ingenieros respectiva y principalmente, es un buen intento de unicacin necesario para hablar el mismo idioma por lo menos en lo referente a o metrolog y todo lo derivado desde ella, e.g. comercio o investigacin. Segn esta gu existen dos tipos de a o u a incertidumbre, la de tipo A y la de tipo B.
Incertidumbre tipo A

Este tipo hace referencia a las incertidumbres que pueden ser calculadas por medios estad sticos. Comn u y quiz errnemente se asocian los errores aleatorios a este tipo de incertidumbre, dado que por lo general a o las fuentes de errores aleatorios son tratadas estad sticamente, no obstante para determinar el tipo de una incertidumbre producido por un error es necesario ver el contexto en el cual est siendo tratado dicho error, a e.g. un error por temperatura, normalmente aleatorio, puede ser tratado como una incertidumbre tipo A durante un proceso de calibracin, tambin puede ser tratado como una incertidumbre tipo B dutante un o e proceso de medicin. o Para calcular y expresar este tipo de incertidumbres se utilizan los medios estad sticos convencionales entre los cuales el ms utilizado para mediciones simples es el clculo del error de la media, ver Ecuacin 1.13, el a a o cual se basa en el cumplimiento del teorema del l mite central, as sostendremos que la incertidumbre tipo A debido al efecto i, uAi , es S uAi = t, (1.27) n Con S, como la desviacin estndar de los datos muestreados calculada a partir de la Ecuacin 1.11, y t, o a o como el factor que estandariza esa incertidumbre a una distribucin t con = n 1 grados de libertad. Segn o u el teorema del l mite central S/ n tiene una distribucin normal, pero ahora si la cantidad de datos para o calcular S y por tanto para estimar es reducida, entonces la distribucin ms apropiada ser la t, cuya o a a desviacin estndar est denida como[SEM06]: o a a t, = 2 (1.28)

Para 2 la desviacin estndar no est denida, no obstante es posible encontrar una aproximacin con la o a a o distribucin t y viene dada como[Nic99]: o t4.45 %, t, = (1.29) 2 La razn de este ajuste es permitir combinar todas las incertriumbres al mismo nivel, a los mismos l o mites que son de la distribucin a tratar. Vemos entonces que la Ecuacin 1.28 predice que t, 1 en la medida o o en que como era de esperarse. Para mediciones y experimentos ms complejos los anlisis de regresiones o anlisis de varianza sern a a a a tambin utilizados para calcular este tipo de incertidumbres. e

28
Incertidumbre tipo B

CAP ITULO 1. DATOS EXPERIMENTALES

Toda incertidumbre que se calcule, se estime o se obtenga por medios no estad sticos es clasicada como tipo B. Las fuentes a las que hacemos referencia aqu son por ejemplo, la experiencia del experimentador, las hojas o manuales de especicaciones de los equipos, incertidumbres tericas de los procesos o las constantes, o o las hojas de calibracin entre otras. o Para encontrar el valor de este tipo de incertidumbre se debe estandarizar14 el valor reportado por la fuente, e.g. la hoja de especicaciones del equipo. Miremos algunos formatos en los que puede estar la informacin. o la medida responde a una PDF normal y la incertidumbre est dada por un mltipo de su desviacin a u o estndar, i.e. k. En este caso uBj = . Los valores de k normalmente son 1, 2 y 3. a la medida responde a una PDF especicada y al valor de la incertidumbre, UREP , se asocia con un nivel de conanza, , reportado comnmente como 1 . En este caso es necesario remitirse a las tablas u de la PDF para encontrar el factor de estandarizacin, k, de modo que uBj = UREP /k. Para el caso de o una PDF normal tenemos que: 1 ( %) 50 68.3 90 95 99 k 0.6754 1.0006 1.6449 1.9600 2.5758

la distribucin que ms se adpata a la medicin es rectangular, e.g. la lectura de un instrumento digital, o a o la incertidumbre ser uBj = (A + B)/ 12 con A y B como los l a mites de la distribucin rectangular. o Esta expresin es la desviacin estndar de una PDF rectangualar la cul es fcil mostrar a partir de o o a a a la Ecuacin 1.9 y la Ecuacin 1.1. Otra manera de presentar esa expresin a partir de la resolucin, res, o o o o o mites de la distribucin rectangular. o ser uBj = res/ 3 dado que la resolucin condensa los l a una lectura con tendencia central pero subjetiva, e.g. la disriminacin de la posicin de la aguja de una o o instrumento analgico o la lectura de una probeta, es representada adecuadamente por una distribucin o o de tipo triangular. En este caso uBj = (A + B)/ 24 o en trminos de la resolucin, uBj = res/ 6. e o

1.4.2.

Modelo de Propagacin o

Identicadas las fuentes y calculadas la mayor cantidad de incertidumbres es necesario consolidar el resultado de una medicin, e.g. el valor central, un intervalo y el nivel de conanza. Actualmente se utiliza un o modelo basado en la conclusiones de [KM53] para la combinacin de las incertidumbres. o
Incertidumbre estndar combinada a

Comencemos primero con la consolidacin de un resultado cuando ste se basa en la medicin de una sola o e o variable. Sea X la magnitud que deseamos conocer a partir del resultado de una medicin y uAi y uBj las o incertidumbres tipo A y tipo B calculadas respectivamente, entonces la incertidumbre estndar combinada, a uc , de la magnitud X, est dada por[ISO93]: a u2 = c
14

u2 i + A

u2 i B

(1.30)

Entendamos este trmino como normalizar a una desviacin estndar de la PDF que describe la medida, de igual manera e o a que t, lo hace con las incertidumbres tipo A, ver Ecuacin 1.27 o

1.4. INCERTIDUMBRE

29

Observemos ahora la importancia de la normalizacin o estandarizacin a la que hicimos referencia anterioro o mente, simplemente se trata de sumar las incertidumbres todas al mismo nivel: a una desviacin estndar. o a La Ecuacin 1.30 aplica cuando las fuentes de error son independientes y no existen correlaciones que pero mitan predecir apartir de un error otro. En el caso cuando hay fuentes de error dependientes y en general cuando el resultado depende de un conjunto de varibles la situacin cambia y es necesario tener en cuenta o esas condiciones. Sea Y un magnitud a determinar por medio de la medicin de m variables y que se relacionan a travs de o e una funcin determinada, as Y = f (X1 , X2 , . . . , Xm ), y cada Xi est estimada a travs de n mediciones cuyo o a e resultado fue xi con una incertidumbre estndar combinada, ui , calculada con la Ecuacin 1.30. Basndonos a o a en la expansin de Taylor para f podemos encontrar uc con la siguiente expresin[TK94][Web99]: o o
m

u2 = c
i=1

f ui xi

m1

+2
i=1

f f cov(xi , xj ) j=i+1 xi xj 1 n
n l=1

(1.31)

con cov(xi , xj ) = E[(xi i )(xj j )] =

(xil xi )(xjl xj )

(1.32)

Si conocemos que las varibles son independientes la covarianza entre ellas es 0, por tanto la Ecuacin 1.31 se o simplica a 2 m f 2 ui uc = (1.33) i=1 xi Los tminos de las derivadas parciales que aparecen en las ecuaciones anteriores comnnmente se conocen e u como coecientes de sensibilidad dado que ponderan la incertidumbre de acuerdo a la inuencia en la funcin, de hecho cuando deseamos disminuir la incertidumbre total, observamos los trminos (ui f /xi )2 para o e determinar cul variable es la que ms aporta al resultado de uc y as mejorar esa medida. a a
Incertidumbre expandida

Como ya vimos, la incertidumbre estndar combinada es la consolidacin de todas las fuentes de incera o tidumbre y es suciente en muchos casos para reportar el resultado de Y con un nivel de conanza de 68 % aproximadamente15 , no obstante en otras situaciones deseamos aumentar el nivel de conanza, e.g. 95 %, para lo cual multiplicamos a uc por un factor de cobertura, k, encontrando as la incertidumbre expandida, U : U = k uc (1.34)

El factor de cobertura, k, es simplemente el mismo factor de estandarizacin visto cuando denimos las o incertidumbre tipo B (ver pgina 28), slo que ahora asumimos que la distribucin es t con ef f grados a o o de libertad, de este modo k = t/2, . Estos grados de libertad se calculan a travs de la aproximacin de e o Welch-Satterthwaite:16 u4 (1.35) ef f = m c4 4 c i ui i=1 i Donde uc la calculamos con la Ecuacin 1.33, ci el coeciente de sensibilidad de xi y i los grados de libertad o asociados a la ui , estos grados de libertad son calculados tambien a partir de la Ecuacin 1.35 slo que ahora o o
15 16

Asumiendo que el resultado est normalmente distribuido (teorema del l a mite central) Esta aproximacin es vlida cuando las incertidumbres son independientes[HWI03] o a

30

CAP ITULO 1. DATOS EXPERIMENTALES

las incertidumbres involucradas son las de tipo A y las de tipo B y los grados de libertad asociados ser an para el tipo A n 1, donde n es el total de datos, y para el tipo B, asumimos que tenemos de acuerdo con [ISO93].

Ejemplo 1.6
Medicin de resistencias o De un paquete de resitencias se tomaron 10 y se les midi la resistencia con un mult o metro arrojando los siguientes valores: Valores en k 14.75 15.58 16.59 15.23 15.33 13.11 15.70 15.03 15.88 16.10

El objetivo es conocer cul es el valor de las resistencias del paquete. a La media aritmtica ser un buen punto de partida para estimar el valor de las resistencias, R = 15.33k. e a Para el clculo de la incertidumbre procedemos de la siguiente manera. a Clculo de la incertidumbre tipo A. a Para este caso la desviacin estndar es la base de la incertidumbre tipo A, o a S 0.95 uA = t, = 1.06 = 0.317k n 10 =n1=9 Clculo de la incertidumbre tipo B. a Otro elemento que aporta incertidumbre es el instrumento con el cual se realiz la medida. Del manual o de ste se tom la siguiente informacin: e o o Resolucin: 0.01k = 0.005k o Exactitud: 0.5 % de la lectura + 0.05 % de plena escala (FS=20k) Las puntas aportan 0.2 De los datos anteriores podemos observar que las puntas ofrecen un error sistemtico que deber corregirse a a del nal de la medicin. Los otros dos datos s aportan incertidumbre tipo B. Para la resolucin tenemos o o una distribucin rectangular: o 0.005 res uB1 = = = 0.003k 3 3 Para la exactitud asumimos una distriubicn normal con una probabilidad de ocurrencia del 95 %: o 1 0.5R + 0.05F S (0.005 15.33 + 0.0005 20) uB 2 = = = 0.044k k95 % 100 1.96 Por tanto la incertidumbre estndar combinada segn la Ecuacin 1.30 es igual a: a u o 2 2 2 uc = uA + uB1 + uB2 = 0.32k Si es necesario entregar la incertidumbre expandida, calculamos los grados de libertad de acuerdo con la Ecuacin 1.35, denimos el nivel de conanza, e.g. 95 %, y aplicamos la Ecuacin 1.34: o o U = t/2, uc = t0.025,9 0.32 = 0.72k Por tanto el resultado lo podemos reportar como: R = 15.33 0.72k (95 %).

 1.5. CONCEPTOS SOBRE PLANEACION DE EXPERIMENTOS

31

1.5.
1.5.1.

Conceptos sobre planeacin de experimentos o

Qu es un experimento? e

Segn la Real Academia Espaola, un experimento es el conjunto de ...operaciones destinadas a descubrir, u n comprobar o demostrar determinados fenmenos o principios cient o cos, lo cual podr amos complementar aadiendo que estas operaciones son ejecutadas sobre un proceso o un sistema. Normalmente estas operaciones n son cambios controlados en las variables que afectan el sistema17 para as observar cambios en la(s) salida(s) del mismo.

1.5.2.

Por qu experimentar? e

Formalizando an ms la denicin anterior es posible enmarcar la experimentacin en tres reas sin u a o o a pretender ser las unicas: ciencias bsicas a diseo en ingenier n a procesos industriales En las ciencias bsicas el proceso de experimentacin juega un papel importante en la comprobacin de a o o hiptesis y as en el planteamiento de nuevas teor dicho papel es corroborado una y otra vez en la aplicacin o as, o del mtodo cient e co. Por ejemplo, suponga que un f sico terico propuso un nuevo modelo de part o culas fundamentales en el cual se menciona la existencia de dos nuevas part culas subatmicas. Mientras dicho o modelo no evidencie sus virtudes en la descripcin de la materia, o mejor, no se compruebe la existencia, o al o menos los efectos de las nuevas part culas, dicho modelo no trasciende ms all del papel. Cmo comprobar a a o el modelo entonces? La respuesta es a travs de un experimento. e Desde el punto de vista de ingenier la experimentacin permite la validacin de algn diseo propuesto, a o o u n si cumple con las caracter sticas y especicaciones del punto de partida. Siguiendo con el ejemplo anterior y pasado algn tiempo, el nuevo modelo encontrado result ser apropiado y coherente, adems se descubri que u o a o con la aplicacin de esas dos nuevas part o culas es posible aumentar la densidad de almacenamiento de informacin en medios porttiles, es as como un grupo de trabajo se da a la labor de disear dichos medios o a n de almacenamiento. Cmo validar si el diseo encontrado es el indicado? Nuevamente la planeacin de un o n o experimento juicioso permitir decidir qu tan robusto o vlido es el diseo nal. a e a n Por ultimo en el mbito industrial la experimentacin proporciona un medio de evaluacin de los procesos a o o en general, e.g. si los ndices de produccin se cumplen. Finalizando con el ejemplo, supongamos que el o prototipo realizado por el equipo de diseo cumpli todas las especicaciones y por lo tanto se desea llevar a n o produccin. Suponga que el diseo del proceso ya se ha realizado y que por tanto el jefe de produccin desea o n o evaluar la eciencia del proceso y se decide por disear un experimento que arroje n ndices cuanticables. Es posible ver entonces cmo la experimentacin est involucrada en el desarrollo cient o o a co y tecnolgico o proporcionando herramientas que permitan comprobar, validar y evaluar los diferentes aspectos relacionados con dicho desarrollo. De este modo se pueden plantear como objetivos generales, de acuerdo al contexto en el cul se desarrolle el experimento: a probar una hiptesis o
Es quiz imposible, f a sica o econmicamente hablando, determinar todas la variables que llegan a afectar un sistema, por o tanto lo sensato es limitar y enmarcar el sistema a un subconjunto de ellas.
17

32 Ciencias Dise o n

CAP ITULO 1. DATOS EXPERIMENTALES Industria

Comprobar
Figura 1.20

V alidar

Evaluar

Porqu experimentar e

caracterizar un proceso nuevo ensayar nuevas arquitecturas de diseo n evaluar el comportamiento de nuevos materiales mejorar y/o optimizar un proceso existente reducir tiempos y costos de produccin: aumentar la productividad o Para nalizar y contextualizar el tema se comienza a entrever una relacin fuertemente ligada entre el o desarrollo del experimento y la medicin o cuanticacin de resultados. Nada vale tener un experimento o o muy bien concebido si de l se extrae mal la informacin, o peor an, si el proceso de extraccin afecta e o u o signicativamente la realizacin del experimento. Es ms el diseo de experimentos y la medicin son dos de o a n o los tres componentes que conforman lo que algunos autores[PP91] llaman investigacin cuantitativa. El tercer o elemento es el anlisis de la informacin. a o

1.5.3.

Cmo experimentar? o

En el sentido amplio, dar parmetros para realizar experimentos podr ser contradictorio con la naturaleza a a emp rica de los mismos, ya que es por medio de un proceso de ensayo, error y azar que se han obtenido muchos avances cient cos y tecnolgicos. No obstante ese mismo proceso emp o rico a ido evolucionando a la fundacin o de metodolog con la ayuda de herramientas ms formales como son la probabilidad y la estad as a stica, de este modo es posible esquematizar una gu para el diseo de experimentos[Mon01] como se muestra en a n la Figura 1.21.
Reconocer y plantear el problema

Diseo del experimento n

Elegir los factores, niveles y rangos Escoger la estrategia de experimentacin o

Medicin y cuanticacin o o Anlisis de la informacin a o

{ Realizar el experimento

Seleccionar la variable de salida

Analizar de la informacin o Concluir y recomendar

Gu para el diseo de un experimento a n

Figura 1.21

 1.5. CONCEPTOS SOBRE PLANEACION DE EXPERIMENTOS

Reconocer y plantear del problema

33

Es un paso obvio que normalmente se subestima ignorando la capacidad que tiene ste para ayudar al buen e trmino del experimento. Simplemente, es dif llegar si no se sabe a dnde se va. Es en esta etapa en donde e cil o se denen los objetivos del experimento, qu quiero responder o averiguar a travs de l, cul es su alcance, e e e a cules sus l a mites. Una buena herramienta es la lluvia de ideas involucrando todas las reas relacionadas a con el problema y utilizando toda informacin emp o rica y no estad stica logrando as una visin hol o stica del mismo. rea 1 a problema rea 3 a
Figura 1.22 Reconocimiento del problema

rea 2 a

denicin o

objetivos

Elegir de los factores, niveles y rangos

Los factores son las variables que afectan el sistema, directa o indirectamente, controlados o por azar. El experimentador debe usar su conocimiento (emp rico y terico) sobre el problema con el n de eligir18 los o factores ms relevantes para el experimento, esa relevancia est determinada por los objetivos y planteamiento a a de la etapa anterior y puede estar enmarcada en la clasicacin[Mon01] de la Figura 1.23. Como su nombre lo o x2 Controlables x3 D x4
Figura 1.23

x1 M sistema x5 E

x8 x7 x6

Factores en un experimento

indica, los factores controlables son aquellos sobre los cuales el experimentador tiene la forma de seleccionar a voluntad niveles conocidos, constituyendo en general, la base sobre la cual el experimento se realizar. a De acuerdo con la complejidad del problema a tratar, la cantidad de factores reconocidos como controlables puede crecer de un modo tal que la idea de llevar a cabo un solo experimento deba reevaluarse y as dividir , el problema inicial en varios experimentos con caracter sticas y objetivos propios, nuevamente la experticia sobre el sistema conducir a los mejores resultados. Obsrvese que aunque dicha divisin permite localizar a e o problemas ms espec a cos, no cambia el hecho que el sistema siga vindose afectado por los mismos factores e reconocidos anteriormente, por tanto es util separar nuevamente los factores y clasicarlos como factores de diseo, al conjunto ahora reducido de las variables de inters, y al resto de factores, seleccionarles un n e
18

Incontrolables

Ver nota 17, pgina 31 a

34

CAP ITULO 1. DATOS EXPERIMENTALES

nivel19 y controlarlos, a este ultimo conjunto se le conoce tambin como factores constantes. Finalmente, los e factores controlables estarn rotando entre factores constantes y de diseo, dependiendo el objetivo primario a n del experimento. Para el Ejemplo 1.7 la referencia de los transistores afecta la eciencia, sin embargo como el objetivo central no es determinar cul referencia es mejor, a este factor se le asigna un nivel y se mantiene a constante para todo el experimento. De la misma manera, la referencia del transistor puede convertirse en un factor de diseo, si por ejemplo el objetivo general de experimento es indagar sobre el desempeo de diferentes n n referencias. El experimentador permitir, o mejor, aceptar20 las variaciones de los factores incontrolables y en la a a medida de lo posible deber estimar los efectos de estas uctuaciones sobre el sistema. En el ejemplo anterior, a los valores de todos los componentes, e.g. resistencias o hf e , tienen una tolerancia y por lo tanto es muy poco probable que se obtengan los mismos valores de diseo, entonces para la estimacin de los efectos pueden n o utilizarse tcnicas estad e sticas anal ticas, como el estudio de la distribucin del error y su propagacin, o o o tcnicas numricas como los anlsis de Montecarlo. Por otro lado, cuando las condiciones propias permiten e e a realizar la medicin de los factores incontrolables durante la ejecucin del experimento, anlisis de covarianza o o a posteriores permitirn estimar los efectos sobre el sistema en cuestin. Sea cual sea la forma estimar dichos a o efectos, el experimentador puede recurrir a algunas tcnicas21 para minimizarlos. e Con el estudio y seleccin de los factores realizado resta slo determinar el rango o intervalo de variacin o o o de los mismos y, en conjunto con la estrategia de experimentacin, decidir los niveles o valores espec o cos que tomar cada factor. a

Ejemplo 1.7
Caracterizar un amplicador Despus de varias horas de trabajo una estudiante de ingenier electrnica obtiene un diseo preliminar e a o n de un amplicador de audio. Ella est interesada en obtener la mayor eciencia realizable para la topolog a a diseada. De acuerdo con su conocimiento lista las siguientes variables que afectan la eciencia: n 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. el valor de la fuente de alimentacin o la corriente de polarizacin del transistor de salida o la topolog seleccionada a la potencia nominal el tipo de disipador el tipo de soldadura el fabricante del transistor elegido la tolerancia de todos los componentes la seal de entrada n la temperatura ambiente los instrumentos de medida

A partir de los resultados obtenidos la estudiante podr determinar cules son las variables que afectan a a en mayor medida la eciencia, tambin es posible generar grcas de comportamiento de la eciencia en e a funcin de dichas variables. Lo anterior soportar en adelante algn experimento que busque optimizar un o a u diseo. n
Si son ms niveles podr a amos decir que este factor pasa a ser de diseo o que el experimento se trabajar por bloques, ver n a 1.5.4 20 Por causas econmicas y/o tcnicas, se toman decisiones de no controlar algunos factores. Por ejemplo, controlar la tempeo e ratura del espacio donde se encuentra una mquina de extrusin puede ser tcnicamente muy complicado lo que econmicamente a o e o lo hace inviable 21 Ver 1.5.4
19

 1.5. CONCEPTOS SOBRE PLANEACION DE EXPERIMENTOS

Seleccionar la variable de salida

35

Usualmente el ndice de la variable de salida es la media aritmtica aunque tambin se usa la desviacin e e o estndar en casos en los que se comparan dos procesos. Hasta aqu llega el alcance de la denicin y el a o planteamiento del problema, ya que fue all en donde todos los puntos de vista concordaron sobre las respuestas que deb arrojar el experimento. a
Escoger la estrategia de experimentacin o

En esta etapa se determina la log stica del desarrollo del experimento. Es aqu donde se denen cules son a 22 los ensayos a ejecutar, la secuencia de los mismos, la cantidad de rplicas, la manera en que se mide y se e registran los datos, y en general cualquier aspecto relacionado al como hacer el experimento. Con respecto al nmero de corridas (ensayos escogidos por el nmero de rplicas) y a la forma en que se u u e cambian los factores existen algunas estrategias estndar entre los diseadores de experimentos. La aproximaa n cin de mejor suposicin es la estrategia natural en el sentido que la direccin a seguir se basa en el ensayo o o o y error, el rumbo lo dene el pasado del mismo experimento y la experiencia del experimentador. El xito e entonces depende en gran medida del experimentador y su conocimiento del sistema que est estudiando. No a obstante la gran experiencia, esta estrategia presenta dos grandes desventajas, la primera tiene que ver con la convergencia, es decir, si la mejor suposicin no resulta tan buena es necesario buscar otra y no existe o garant sobre la misma. La segunda se dirige a la optimizacin, es decir no existe plena seguridad que la a o mejor suposicin, que arrojo buenos resultados, sea la ptima para la variable en estudio. o o En pro de poder abarcar otras posibilidades la estrategia de un factor a la vez explora las alternativas de cambiar los factores de una manera sistemtica, se parte de un punto de referencia, usualmente escogido a con base en el conocimiento del experimentador. En este caso se abarcan un mayor nmero de posibilidades u aunque se deja por fuera la posible interaccin entre los factores. o Por ultimo el diseo factorial es aquel permite la variacin de todos los factores a la vez de una manera n o organizada de tal suerte que es posible analizar las interacciones entre ellos. La desventaja principal es que si el nmero de factores o de niveles es demasiado grande, el nmero de corridas es potencialmente elevado. u u Sin embargo existen tambin tcnicas que tratan lidan con este problema y se denominan diseo factorial e e n fraccionado.
Realizar el experimento

Una tarea tan simple como seguir unas activides planeadas y tan compleja como hacerlas cumplir.
Analizar la informacin o

Normalmente este anlisis es estad a stico ya que es el que provee herramientas objetivas 23 para poder concluir sobre los datos que se han recolectado, igualmente es importante recordar que los mtodos estad e sticos no pueden probar que un factor (o factores) tiene un efecto particular, unicamente denen gu acerca de la as conabilidad y validez de los resultados.[Mon01]
La determinacin de niveles para los factores seleccionados permite crear un espacio de ensayos posibles, cuya dimensin o o ser el total de las combinaciones entre factores y niveles, y as se debe entender por ensayo como una combinacin espec a o ca de dicho espacio, y por el trmino corrida se debe entender como la ejcucin de un ensayo en particular e o 23 Para contrastar, una lectura complementaria Pitfalls of data analysis encontrada en http://www.execpc.com/ helberg/pitfalls/
22

36
Concluir y recomendar

CAP ITULO 1. DATOS EXPERIMENTALES

A partir de los resultados encontrados es necesario sacar conclusiones sobre el experimento. Preguntas como loas siguientes deben ser respondidas. Se contestaron todas las preguntas planteadas en las etapas iniciales? Con base en los resultados qu caminos se deben seguir? fue suciente este experimento? o es e necesario hacer un nuevo experimento?

1.5.4.

Replicacin, aleatorizacin y control por bloques o o

Estos son principios bsicos que permiten que el diseo de un experimento apunte hacia una objetividad a n estad stica, adicional que facilitan el propio anlisis ya que soporta un de las suposiciones ms comunes en el a a anlisis estad a stico: todas los elementos de una poblacin tienen la misma probabilidad de ser muestreados o para el experimento.
Replicacin o

Consiste en la repeticin de un ensayo. Obsrvese cmo dependiendo del nmero de rplicas la estimacin o e o u e o del error experimental es ms o es menos conable. Por ejemplo, si el experimento no tuviera rplicas, i.e. a e se ejecutan los ensayos una sola vez, la tarea de atribuir las diferencias obtenidas entre ensayos ya sea a la variacin de los factores o al error experimental, reacaer principalmente a la experiencia y al conocimiento o a no estad stico, lo que podr sesgar o subjetivizar las inferencias. Otro ser el caso cuando el nmero de a a u rplicas crece y se puede estimar un intervalo de conanza para el error experimental. Hay que anotar que la e cantidad de rplicas se ve limitada por decisiones de e ndole econmico principalmente. o
Aleatorios

Todo lo concerniente al experimento deber organizarse de manera aleatoria, i.e. la secuencia de y a entre corridas y las condiciones generales de cada corrida. Este proceso permite eliminar sesgos durante la realizacin del experimento, minimizar algunos efectos de factores incontrolables y validar una de las o principales suposiciones que se hacen cuando se trabaja con mtodos estad e siticos: la independencia de las fuentes de error. A modo de ejemplo, se va llevar a cabo un experimento y se cuenta con un laboratorio que cierra los nes de semana, periodo en el cual las condiciones de humedad se estabilizan, durante el resto de la semana se puede observar una tendencia en la variacin de este parmetro. Si en el anlisis del diseo o a a n del experimento se pas por alto este factor (la humedad), una aleatorizacin en la secuencia de las corridas o o podr minimizar el sesgo debido a la humedad. En la Figura 1.24 se observa la deriva temporal de la humedad a relativa (HR) durante una semana de trabajo, de donde se puede estimar que la estabilizacin del laboratorio o comprende aproximadamente un d y medio (el n de semana). En la Tabla 1.3(a), se muestra el detalle del a experimiento, el cual cuenta con dos factores, f1 con dos niveles, n11 y n12 , y f2 con tres niveles, n21 , n22 y n23 . Para este caso un ensayo ser cualquier combinacin de niveles, n1i n2j con i = 1, 2 y j = 1, 2, 3 as se deduce a o , que el nmero total de ensayos posibles es de seis. De estos seis, el experimentador elige las cinco de inters, u e e.g. ()1 , ()3 , ()4 , ()5 , ()6 , y propone realizar cuatro rplicas, lo que lleva a tener 20 corridas en total. Si el tiempo e invertido en una prueba es de un d de trabajo el experimento durar cuatro semanas. En la Tabla 1.3(b) a a se muestra una secuencia ordenada de los cinco ensayos y sus cuatro rplicas. Comparando con la deriva de e la HR es fcil ver el error sistemtico por humedad que podr tener todas las corridas, por ejemplo las a a an corridas del ensayo ()1 , i.e. 1, 6, 11 y 16, tendrn un menor efecto por humedad que las del ensayo ()6 , que a potencialmente pueda sesgar cualquier inferencia. Finalmente en la Tabla 1.3(c) se presenta una secuencia aleatoria generada a partir de una distribucin uniforme. En este caso los errores sistemticos por humedad o a se podr equiparar entre ensayos, e.g. las corridas 1, 11, 14 y 19 pertenecientes al ensayo ()6 tienen rplicas an e

 1.5. CONCEPTOS SOBRE PLANEACION DE EXPERIMENTOS

37

tanto con baja desviacin de HR como con alta desvicin. Por ultimo, cabe sealar que una aleatorizacin o o n o total en algunos casos es tcnica o econmicamente inviable, situacin en la cual se podr recurrir a otros e o o a mtodos de diseo encontrados en [Mon01]. e n
Desv. HR L M M J V S

D L

Figura 1.24

Variacin de la humedad en el laboratorio o

Tabla 1.3

Proceso de aleatorizacin o (a) Factores y ensayos

Factores f1 n11 n12 n21 f2 n22 n23

Ensayos (n11 n21 )1 (n11 n22 )2 (n11 n23 )3 (n12 n21 )4 (n12 n22 )5 (n12 n23 )6

(b) Secuencia ordenada

(c) Secuencia aleatoria

D a L M M J V

()1 ()2 ()4 ()5 ()6

Replicas ()1 ()1 ()2 ()2 ()4 ()4 ()5 ()5 ()6 ()6

()1 ()2 ()4 ()5 ()6

D a L M M J V

()6 ()4 ()1 ()2 ()5

Replicas ()5 ()6 ()5 ()1 ()5 ()4 ()2 ()6 ()1 ()1

()4 ()4 ()2 ()6 ()2

Bloques

Un bloque es un conjunto de rplicas con los factores constantes 24 en algn nivel seleccionado, lo que e u quiere decir que por cada nivel de algn factor constante se har necesario crear un bloque. El propsito u a o de hacer bloques es minimazar los efectos de dichos factores, generando corridas ms homogneas desde el a e punto de vista de los factores de diseo. Como se mencion anteriormente25 para el Ejemplo 1.7 la referencia n o de los transistores es un factor constante y as cada nivel de ste constituir un bloque. De esta manera el e a
24 25

Aquellos que son controlables Ver pgina 33 a

38

CAP ITULO 1. DATOS EXPERIMENTALES

experimento no se ver afectado por las diferencias entre referencias sino que se concentrar en los factores de a a diseo. El ejercicio de diferenciar entre bloques para este ejemplo tambin se podr plantear como un bloque n e a igual a los transistores de una referencia dada y de un mismo lote de fabricacin, claro est que se abrir o a a una nueva pregunta, qu tan factible es encontrar en el mercado minorista transistores de un mismo lote? e De all la importancia de acotar siempre el diseo con base en el conocimiento no estad n stico.

1.5.5.

Ejemplos de planeacin o

A continuacin se presentan algunos ejemplos que reunen los conceptos previamente vistos. Cada ejemplo o es comentado posteriormente analizando algunas falencias dentro de la planeacin. o

Ejemplo 1.8
Dimensionamiento del experimento Siguiendo los pasos propuestos para la experimentacin ahora se presentan aplicados a un problema eso pec co, el cul fue tema para un proyecto de grado desarrollado en el Departamento de Ingenier Elctrica a a e y Electrnica. o Planteamiento del problema. Para estudiar algunas dicultades en la postura vertical y la marcha de una persona, se recopila informacin sobre la distribucin de peso en la planta de los pies, tanto o o estticamente como en movimiento. Para la obtencin de dicha distribucin se decide medir la presin a o o o en diferentes puntos de la planta de modo tal que se pueda estimar como est repartido el peso de la a persona. Para elegir el tipo los sensores a utilizar se concebe un experimento como herramienta que permita determinar cul es el ms apropiado para esta aplicacin. a a o El objetivo central del experimento es determinar qu sistema de sensores es el adecuado para la e medicin de presin plantar, as despus del desarrollo total de las pruebas y con base en criterios o o e tcnicos sustentados en los resultados estad e sticos, se podr establecer cmo debe ser el sistema a a o utilizar. Dentro de las restricciones principales se cuentan con: bajo presupuesto, disponibilidad nacional de algunos sensores, imposibilidad de fabricacin de sensores con algn nivel de integracin y capacidad o u o de env y recepcin automatizada de informacin. o o o Seleccin de factores. Los factores conocidos que pueden afectar el desarrollo del experimento se listan a o continuacin. o 1. 2. 3. 4. 5. 6. Principio y tipo de sensor primario Circuito de acondicionamiento Temperatura de operacin o Humedad relativa del medio Interferencia electromagntica e Geometr y dimensiones del sistema de sensores a

Anlisis de factores: eleccin de niveles y rango. Quiz el principal factor que afecta el desempeo del a o a n sistema de medida es el principio del sensor, ya que dependiendo de l los dems factores tienen mayor e a o menor relevancia. Revisando los diferentes principios para la medicin de presin y acotando con o o algunas de las restricciones del planteamiento se escogen dos principios: resistivo y capacitivo. Los dos pueden ser integrados fcilmente a un sistema electrnico para la adecuacin y transmisin de a o o o informacin y del mismo modo los tamaos son razonablemente pequeos para realizar un sistema o n n de sensores porttil que es apropiado para la medicin dinmica de la distribucin de peso. a o a o

 1.5. CONCEPTOS SOBRE PLANEACION DE EXPERIMENTOS

39

Lo particular del circuito de acondicionamiento est ligado al principio sensor, no obstante es posible a delimitar las conguraciones genricas a utilizar: puentes de impedancias, osciladores y fuentes de e corriente. La temperatura es una variable que en condiciones normales de operacin del sistema es tcnicamente o e dif de controlar. Por ejemplo, si el sistema consiste de una plantilla con una matriz de sensores, cil la temperatura corporal y puntualmente del pie del paciente puede variar ya sea durante la consulta, entre consultas del mismo paciente y entre pacientes. Por tanto a la temepratura se le considerar como a un factor incontrolable pero medible para correccin posterior, dejando que la aleatorizacin del o o experimento permita encontrar diferentes condiciones de temperatura, que en ultimas entregue datos para encontrar correlaciones entre la presin y este factor. o La humedad podr afectar el comportamiento de los condensadores, especialmente, dadas algunas a propiedades higroscpicas de los materiales utilizados como aislantes. Sin embargo la dicultad de o medicin de la humedad en slidos imposibilita esta tarea como parte del experimento enmarcado en o o sus restircciones. As la humedad ser un factor no controlable y no medible y por tanto se descarta a del grupo de factores a tener en cuenta. El problema de la interferencia electromagntica (EMI, por sus sigla en ingls), presente en la mayor e e a de ambientes no controlados, se abordar realizando blindaje y acondicionamiento de seal, por tanto a n tanto si el sistema aumenta su inmunidad a la EMI es un factor descartable, en primera instancia. Dado que los principios seleccionados son parmetros elctricos, la geometr del sensor determina a e a el desempeo del mismo, se escogen placas paralelas o tubos concntricos para un condensador y n e disposicin paralelep o peda o cil ndrica para una resistencia. Por ultimo, la cantidad y la disposicin de sensores conducir a un diseo ms robusto, as que o a n a es necesario explorar varias alternativa, contituyendo as un conjunto de niveles bastante grande, limitado por el tiempo y el costo asociado de cada prueba. De este modo para el experimento se considerar como un factor controlable, dejando como base cuatro conguraciones a determinar posa teriormente, variando tambin el nmero de sensores: 3, 4 y 5. e u

Del ejemplo anterior es claro que el objetivo del experimento es demasiado ambisioso: determinar cul es a mejor sensor, lo que partiendo de cero, como es el caso, un solo experimento dif cilmente lograr responder a a la inquietud planteada. Empezando, existen demasiados factores, algunos de los cuales tienen asociados factores propios, e.g. el sensor resistivo, nivel del factor tipo de sensor, se ve afectado ms por la temperatura a que por la humedad, contrario con el sensor capacitivo. Del mismo modo, los niveles de algunos factores dependen del nivel en otro factor, como es el caso del acondicionamiento, los niveles son particulares para cada tipo de sensor. La gran cantidad de factores y su diversidad dicultar la determinacin de la variable de a o salida, la que ayuda a decidir cual sensor es mejor. Adicional a lo anterior si realizamos un conteo del total de factores y niveles como se muestra en la Tabla 1.4, se logra tener idea de cun grande el experimento puede a llegar a ser: la dimensin del espacio de ensayos ser 144, eso sin hacer rplicas, pero buscando estimar el o a e error experimental por lo menos 3 rplicas son necesarias, as el nmero total de corridas se incrementar a e u a 432! Con esto en mente lo mejor ser que replanteramos el objetivo del experimento y que lo fraccionramos a a a en unidades ms pequeas, en las cuales el nmero de factores se reduce y las variables de comparacin son a n u o ms fciles de encontrar. Con experimentos de este tipo buscaremos adquirir conocimiento sobre los factores a a particulares, e.g. caracterizar un tipo de sensor de modo que para una posterior compracin entre tipos de o sensor tengamos claro cules son las mtricas de dicha comparacin. a e o Otra opcin con la que se cuenta es revaluar con base en el conocimiento no estad o stico, emp rico y/o

40
Tabla 1.4

CAP ITULO 1. DATOS EXPERIMENTALES

Consolidado factores y niveles para el Ejemplo 1.8

Factor Tipo de sensor Acondicionamiento Geometr a Disposicin o Cantidad

Niveles dos tres dos cuatro tres

restricciones iniciales, la relevancia de ciertos factores, es decir volver a delimitar el problema. Para nuestro caso en particular, descartamos la opcin de utilizar sensores capacitivos puesto que segn unos clculos o u a iniciales, el valor de la capacitancia con la que se trabajar es bastante pequeo, lo que a su vez complicar a n a el sistema de acondicionamiento. Con las medidas tomadas, la particin del experimento y la elominacin o o de factores, podr amos realizar varios experimentos, el primero de ellos busca determinar la geometr ms a a adecuada del sensor, posteriormente otro que permita caraterizar el sensor con respecto a su entrada y salida deseables, luego otro para la caracterizacin del sensor con respecto a entradas interferentes y/o modicantes o y nalmente un experimento que ayude a determinar la disposicin geomtrica de los sensores dentro del o e sistema de medicin. o

Ejemplo 1.9
Geometr del sensor a De acuerdo al anlisis previo, se decide planear un experimento que ayude a determinar la geometr a a adecuada para los sensores resistivos que sern utilizados en la medicin de la presin plantar. a o o Planteamiento del problema. Es necesario encontrar cul es la geometr adecuada para un sensor de a a presin de tipo resistivo que ir connado en una suela de caucho. Por geometr se entiende la forma o a a del volumen y sus dimensiones. Una restriccin que se presenta en la forma del volumen es la facilidad o en generarla en una suela de caucho, e.g. un dodecaedro dif cilmente podr reporducirse. En cuanto a a las dimensiones, la altura de la suela y la necesidad de medir puntualmente la presin, aportan los o l mites de este factor. Seleccin y anlisis de factores Algunos de los factores que pueden intervenir en el experimento son: o a 1. 2. 3. 4. 5. Material resistivo Circuito de acondicionamiento Temperatura de operacin o Interferencia electromagntica e Tipo de volumen y dimensiones

Como material resistivo se toma la decisin de utilizar grato pulverizado por su facilidad de ocupar o todo el volumen seleccionado, adicionalmente el grato tiene propiedades piezorresistivas algo que es deseable en este caso. El circuito de acondicionamiento cumple con la tarea entregar una seal apropiada que sea funcin n o del cambio en la resistencia, as como tambin la de ltrar EMI provenientes del medio, aunque cabe e anotar que el medio estar aislado de las pricipales fuentes de EMI conocidas. a

 1.5. CONCEPTOS SOBRE PLANEACION DE EXPERIMENTOS

41

Siendo un material semiconductor, la resistividad del grato es una funcin de la temperatura, pero o dada la naturaleza del experimento, cuyo objetivo es buscar una geometr la temperatura se mea, dir continuamente para procesamiento posterior en busca de correlaciones. No se controla por que a esto implicar ms tiempo invertido en el montaje del experimento. Es claro ver como los factores a a analizados anteriormente se trabajan como factores controlables y constantes, i.e. con un solo nivel. Por ultimo, se eligen dos volmenes: cilindro y paralelep u pedo. En cuanto a las dimensiones son dos factores, el rea y la altura del volumen. Tomamos para cada factor de stos dos niveles enmarcados a e por las restricciones del problema. Este ultimo ejemplo nos muestra un problema acotado y que puede realizarse sin aparente dicultad. La cuenta de factores es tres cada uno con dos niveles. Si adoptamos un diseo factorial con tres rplicas en total n e 3 ser 24 corridas (2 3), un experimento manejable, comparado con las 432 corridas del Ejemplo 1.8. an Posterior a la etapa del preplaneamiento, i.e. planteamiento del problema y eleccin de factores, se realiza o la seleccin de la estrategia de experimentacin, tema que est fuera del alcance de este curso referenciado en o o a [Mon01].

Bibliograf a
[Ass47] American Standards Association. Engineering and scientic graphs for publications. American Society of Mechanical Engineers, 1947.

[CCKT83] John Chambers, William Cleveland, Beat Kleiner, and Paul Tukey. Graphical Methods for Data Analysis. Duxbury Press, 1983. [Doe90] [HWI03] [ICO97] [ISO93] [KM53] [Mon01] [Nic99] [PP91] [SEM06] [TK94] [Web99] Ernest Doebelin. Measurement systems: Application and design. McGraw-Hill, 1990. Jan Hannig, C. Wang, and Hari K. Iyer. Uncertainty calculation for the ratio of dependent measurements. Metrologia, 40:177183, June 2003. ICONTEC. NTC 2194. Vocabulario de trminos bsicos y generales en metrolog 1997. e a a., ISO. Guide to the Expression of Uncertainty in Measurement. International Standards Organization, 1993. Stephen J. Kline and F. A. McClintock. Describing uncertainties in single-sample experiments. Mechanical Engineering, pages 38, January 1953. Douglas Montgomery. Design and Analysis of Experiments. John Wiley and Sons Inc., 2001. Matt Nicholas. Implementing ISO 17025 Measurement Uncertainty Requirements in Software. Fluke Corporation, 1999. Elazar J. Pedhazur and Liora Pedhazur. Measurement, design, and analysis : An integrated approach. Lawrence Erlbaum Associates, 1991. NIST/ SEMATECH. Nist/sematech e-handbook of statistical methods. div898/handbook/, 2006. www.itl.nist.gov/

Barry Taylor and Chris Kuyatt. Guidelines for evaluating and expressing the uncertainty of nist measurement results. Technical report, NIST, 1994. TN1297. John G. Webster, editor. Measurement, Instrumentation, and Sensors Handbook CRCnetBase 1999. CRC Press LLC, 1999.

42