Ud1 2 Teoriaerrores

UD I. Tema 2.
Incertidumbre en la medida.
Aplicacin a la Topografa y
Geodesia
Prof: Javier Snchez
Caminos Plan 99
Area Ingeniera Cartogrfica,
Geodesia y Fotogrametra
Topografa y Geodesia. Ingeniero de Caminos, Canales y Puertos.
Profesor: Javier Snchez
1.- Inevitabilidad, causas y tipos de errores
Toda tcnica de medida est sometida a la inevitable
dependencia de los errores.
Principales causas de error:
Limitacin sentidos.
Instrumentales.
Condiciones ambientales.
Tipos de error. Error = Valor observado valor real. Se deben
considerar distintos tipos de error:
Grosero o equivocacin.
No son admisibles. Identificar mediante controles y verificaciones.
Se deben eliminar.
Sistemtico.
Se deben identificar, mediante metodologas adecuadas. Se
deben eliminar.
Aleatorios o accidentales.
Son los que permanecen cuando todo se hace bien, son
inevitables. Se deben evaluar, acotndolos.
2.- La medida como una V.A.
V.A.: Variable aleatoria: variable que toma valores
con una probabilidad.
Segn los valores posibles: discreta o continua.
Situacin frecuente en topografa
(Adecuacin a las hiptesis de Gauss o normal):
Si se hace un nmero suficientemente grande de
medidas en las mismas condiciones, se observa que
los valores observados:
Fluctan alrededor de un valor central.
Desviaciones positivas y negativas alrededor de este
valor central son igualmente probables.
Pequeas desviaciones son ms frecuentes que las
grandes.
Si se hacen varias medidas, Cual se elige?
10,456
10,448
10,457
10,459
10,461
10,449
10,451
10,455
10,462
10,460
Ejemplo. Se observa una distancia 10 veces (m).
46 48 50 52 54
56
58 60 62
magnitud
N

o
b
s
e
r
v
a
c
i
o
n
e
s
Se fija la amplitud de la clase en 0,020 m, y
se cuantifican las observaciones en cada
clase
Se define la frecuencia de cada intervalo como:
valor clase x n observaciones
Tericamente, las observaciones se ajustan a una curva continua
emprica. Hay 2 formas habituales de expresar la distribucin de
la probabilidad de una v.a.
+
= +
dx x
x
dt t f dt x X x ) ( ] Pr[
Funcin de densidad
Funcin de distribucin
x
x

= =
x
dt t f x F x X ) ( ) ( ] Pr[
2.1.- Uso distribucin Normal N(,)
Uso muy frecuente en Ingenieria.
Parmetros: media () y desviacin tpica ()
grande, precisin pequea pequea, precisin elevada
=
2
2
2
) (
2
1
) (

x
e x f
2.1.-Uso distribucin Normal N(,)
Intervalos de uso frecuente: 1, 2, 3 y 4.
O
b
t
e
n
i
d
o
:

h
t
t
p
:
/
/
e
n
d
r
i
n
o
.
c
n
i
c
e
.
m
e
c
d
.
e
s
2.2.- Aplicacin: N(0,1) tabulada
Datos: N(,). Calcular la probabilidad de observar un valor x.
Proceso: Cambio de variable a N(0,1):
La tabla que se facilita (P71) proporciona la probabilidad de
observar un valor mayor o igual que z, para un valor mayor o
igual que la media. La variable z est en el rango [0,3.09], y las
probabilidades asociadas entre [0.5,0]. Para valores menores que
la media, proporciona la probabilidad de observar un valor menor
o igual que z.

=
x
z
z
Un ejemplo:
Si z=0, P(Z>z) = 0.5
z
=
0
Si z=0.25, P(Z>0.25) = 0.4013
z
=
0
.
2
5
2.2.- Aplicacin: N(0,1) con tablas
2.2.- Aplicacin: N(0,1) con tablas
2.2- Casos ms frecuentes dist. Normal
z =2.25 => valor directo de la tabla => P(X>12.25) = 0.0122 => 1,22%
A.- Probabilidades directas que facilita la tabla de la N(0,1). Se
pueden plantear 2 casos:
1. Que x > , y por tanto z > 0.
z
Ej: N(10,1).
P(X > 12.25)?
La tabla da directamente el
valor P(Z>z).
z = - 0.74 => valor directo de la tabla => P(X<9.26) = 0.2295 => 22.95%
2. Que x < , y por tanto z < 0.
Ej: N(10,1).
P(X < 9.26)?
Se toma z en valor absoluto, y
la tabla da directamente el valor
P(Z<z).
2.2- Casos ms frecuentes dist. Normal
Siendo x > , obtener la probabilidad P(X<x).
B.- Obtencin de las probabilidades complementarias a las que facilita
la tabla de la N(0,1). Por ejemplo:
z
La tabla N(0,1) proporciona directamente la P(X>x). La probabilidad
pedida es la complementaria, la diferencia a 1.
Efectuando el cambio de
variable x -> z, se tiene:
P(Z<z) = 1 P(Z>z).
Ej: N(10,1).
P(X < 12.25)?
Z=2.25 => tabla => P(X<12.25) = 1 - 0.0122 = 0.9878 => 98.78%
Un ejemplo:
2.2.- Casos ms frecuentes dist. Normal
? ) ( b Z a P
Ejemplo: N(10,1).
P(9.26< X <12.25)?
b
x=12.25 => z=2.25
P(X<12.25)=
1 P(Z>2.25) = 0.9878
x=9.26 => z= - 0.74
P(X<9.26)=
P(Z<0.74) =0.2295
Resultado: P(9.26< X <12.25)= 0.9878 0.2295 = 0.7583 => 75.83
C.- Otros ejemplos. Determinacin de observar un valor comprendido
entre dos extremos, a y b.
2.3.- Aproximacin al empleo de la Normal
Cmo se determinan los parmetros de la N(,) a partir de una
serie de observaciones ?.
Poblacin: totalidad de los valores posibles, se admite que se
ajusta a una distribucin N(,) .
Habitualmente, se extrae una muestra o serie de valores de la
poblacin, formada por n observaciones =>
(x
1
,x
2
,..,x
i
,..x
n
) . Se estiman los siguientes parmetros: N(x,s)
x => media muestral.
s = ec=> desviacin tpica muestral, o error cuadrtico de una
medida.
n
x
x
n
i
=
1
( )
1
1
2
=

n
x x
s
n
i
Habitualmente, una medida es la composicin de varias medidas
intermedias.
Se demuestra, que si cada medida intermedia es una variable
aleatoria normal, el error cuadrtico de la medida final vale:
Por tanto: el error de una variable es la composicin
cuadrtica de los valores intermedios, no la suma aritmtica.
Aplicacin: error medio cuadrtico de la media aritmtica. Si e
c
es
el error cuadrtico de una medida aislada, y n el nmero de
medidas:
Por la tanto, precisin de una serie de medidas:
medida aislada: x
i
e
c
; valor ms probable: x
m
e
c
m
2.3.-Tratamiento de los errores de las medidas
A.- Error cuadrtico de la media.
( )
=
n
i
c
final
c
e e
1
2
n
e
e
c
m
c
=
B.- Observaciones con pesos diferentes.
Se tienen N medidas evaluadas en circunstancias distintas, y se
toma la decisin de combinarlas para mejorar el valor final.
Proceso:
X
i
es la media de la serie i, cuyo error medio cuadrtico de la
media es e
cm
i
.
Se calcula el peso de cada serie, como el valor inversamente
proporcionalmente al cuadrado del valor e
cm
i
=> p
i
= 1 / (e
cm
i
)
2
.
Los pesos son valores arbitrarios, es usual establecer valor unidad
al mayor (o al menor), y recalcular el resto proporcionalmente.
La media ponderada toma la expresin:

=
N
i
N
i i
p
P
x P
M
1
1
2.3.-Tratamiento de los errores de las medidas
3.1.- Estimacin de parmetros
Se tiene una poblacin N(,), y a partir de una muestra se estiman
los estadsticos N(x
m
,s).
Se plantea la cuestin: Cul es el intervalo de confianza, para un
nivel de confianza (habitualmente el 0.9, 0.95 0.99), de la
media estimada a partir de una muestra?
Distribucin empleada: t
n-1
Student (P71 libro texto).
El nivel de confianza se determina como:
nmero mayorador * desviacin de la media
siendo: n => grados de libertad, nmero datos muestra
s => desviacin, o error cuadrtico.
NC = 0.95 => = 0.05 (Por ejemplo)
(* suponiendo tabla de t Student 1 cola, descentrada, que se proporciona)
( )
n
s
t
n

2
1

Tabla t
n
de student
tn() => distribucin de Student descentrada, de 1 cola.
En ingenieria se quiere acotar la media en el centro de la distribucin,
centrada, de modo que por simetra de la distribucin se entra con un
nivel de confianza mitad del habitual en esta distribucin (o usar una
distribucin de 2 colas).
Tabla t
n
() de Student descentrada
Tabla t
n
() de Student dscentrada
(Ejemplo P68 del libro de texto).
Datos que caracterizan una cierta muestra:
x =1.08 s=0.175 n=12
Se pide: intervalo de confianza de la media al 95%
Se entra en la tabla P71 con los valores:
Grados de libertad: n-1 => 11
Nivel de confianza: 0.95 = 1- => =0.05 => /2=0.025
Tabla: coeficiente mayorador para el estimador de la desviacin
media => 2.201
Por tanto:
Intervalo 95%: 1.08 2.201 *0.175 / 12
3.1.-Ejemplo de uso t
n
() de student
3.2.- Precisin Normalizada de un equipo
Importante distinguir entre:
Exactitud: aproximacin al valor real.
Precisin: dispersin en una muestra.
Tolerancia: techo mximo error esperable.
Repetibilidad, reproducibilidad, incertidumbre.
Para los instrumentos topogrficos, la norma DIN18723 establece un
procedimiento para fijar la precisin en unas condiciones
concretas y con un proceso estadstico determinado.
Ejemplo: serie A ( ) y serie B( )
Valor real
B es mas exacto que A.
A es mas preciso que B.
A est dentro de tolerancia, B
tiene un valor fuera de tolerancia.
Datos de partida. Para un cierto equipo, se deben observar varias
series de medidas, denominando:
Nmero de series: n
s
Nmero de medidas en cada serie: n
ms
Para cada serie, se debe obtener:
media x
i
, desviacin s
i
, varianza s
i
2
.
Proceso a seguir.
Calcular varianza media para las series: s
2
= s
i
2
/ n
s
Calcular grados libertad: f = n
s
.(n
ms
-1).
Establecer nivel significacin: 90%; 95% 99%
Obtener coeficiente mayorador (tabla P70): K
Desviacin segn norma:
s
DIN
= s*k
3.2.- Precisin Normalizada de un equipo
Cuadro mayoracin DIN18723
1, 63
1, 60
1, 58
1, 56
1, 47
1, 40
1, 38
1, 37
1, 36
1, 31
1, 30
1, 29
1, 28
1, 27
1, 23
17
18
19
20
25
1, 83
1, 78
1, 73
1, 69
1, 66
1, 52
1, 49
1, 46
1, 44
1, 42
1, 38
1, 36
1, 34
1, 32
1, 31
12
13
14
15
16
2, 38
2, 21
2, 08
1, 98
1, 90
1, 80
1, 71
1, 65
1, 59
1, 55
1, 57
1, 51
1, 47
1, 43
1, 40
7
8
9
10
11
9, 97
5, 11
3, 67
3, 00
2, 62
4, 41
2, 92
2, 37
2, 09
1, 92
3, 08
2, 27
1, 94
1, 76
1, 65
2
3
4
5
6
X X X
P=99% P=95% P=90%
f
3.3.- Estimadores Robustos
Son otro tipo de estimadores que caracterizan a una serie de
medidas, que no efectan hiptesis alguna sobre la distribucin
de los valores:
Mediana muestral
Media -recortada: x
.
Media -winsorizada: x
w
En todos los estimadores, inicialmente se debe ordenar la
muestra de menor a mayor.
Para cada estimador robusto, adems se calcula la desviacin y
varianza asociada, empleando las expresiones habituales.
Mediana muestral: se toma el valor central de la muestra.
Ejemplo 1.
Numero de observaciones impar.
Muestra ordenada:
1 2 3 4 5
Estimador mediana muestral = 3
Ejemplo 2.
Numero de observaciones par, al no existir valor central, se
toma la media de los valores centrales.
Muestra ordenada:
1 2 3 4 5 6
Estimador mediana muestral = (3+4) / 2 = 3.5
Media -recortada: x
.
Se denomina:
: parmetro del estimador. Ej: =0.2
n : nmero datos de la muestra.
Se calcula k=entero( x n), y se eliminan k valores por la izq. y por
la dcha., calculndose la media con los (n - 2 x k) valores
restantes.
Ejemplo : calcular x
0.2
1 2 3 4 5 6
=0.2 => k=int(1.2) = 1
Nueva serie: 2 3 4 5
Se calcula la media de la nueva serie:
x
0.2
= (2+3+4+5) / 4
Media -winsorizada: x
w
.
. Se denomina:
: parmetro del estimador. Ej: =0.2
n : nmero datos de la muestra.
Se calcula k=entero( x n), se eliminan k valores por la izq. y por
la dcha., se sustituyen por el interior prximo en cada extremo, y
se calcula la media con la nueva serie.
Ejemplo : calcula x
0.2
1 2 3 4 5 6
=0.2 => k=int(1.2) = 1
Nueva serie: 2 2 3 4 5 5
Se calcula la media de la nueva serie :
x
0.2
= (2+2+3+4+5+5)/6

Ud1 2 Teoriaerrores

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Ud1 2 Teoriaerrores

Caricato da

Copyright:

Formati disponibili

UD I. Tema 2.

Area Ingeniera Cartogrfica,

Potrebbero piacerti anche