Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
INSTRUMENTACIÓN INDUSTRIAL
Unidad 1
Estimación y análisis de incertidumbre de medición
PROF. JOSÉ DANIEL HERNÁNDEZ -VÁSQUEZ
D O C TO R E N I N G E N I E R Í A M EC Á N I C A ( P U C - R I O )
M Á S T E R E N M E T R O LO G Í A ( P U C - R I O )
I N G E N I E R O M EC Á N I CO ( U N I V E RS I D A D D E L AT L Á N T I CO )
SALA: 310B
E M A I L : J D M E T RO LO G I A @ G M A I L .CO M
Prof. José Daniel Hernández-Vásquez, DSc.
E-mail: jdmetrologia@gmail.com 1
Facultad de Ingeniería – Programa de Ingeniería Mecánica: Instrumentación Industrial (IX Semestre)
1. Introducción
¿Qué es estadística? ¿Qué es probabilidad?
¿Existe diferencia entre probabilidad y estadística?
2. Estadística Descriptiva
2. Estadística descriptiva
¿Qué es estadística descriptiva?
2. Estadística descriptiva
¿Cuál es su aplicación?
- Permite entender y analizar problemas con la idea de variabilidad.
Un ejemplo típico es: producción de tornillos.
Una fábrica produce tornillos, que deben tener diámetros dentro de
ciertas especificaciones. Se miden los diámetros de 100 tornillos
producidos, seleccionados aleatoriamente, existirán variaciones
individuales. Pero...
¿Estas variaciones son importantes? ¿Hasta que punto estas
variaciones observadas son aceptable?
2. Estadística descriptiva
Definiciones básicas
¿ Qué es una población?
Es un conjunto de todos los elementos cuyas características
deseamos conocer. Los elementos (o “individuos”) en la población
no necesariamente son personas!
2. Estadística descriptiva
Definiciones básicas
Ejemplo:
Se colectó una muestra y dentro de esta muestra se colectaron datos
numéricos (por ejemplo, el consumo medio mensual en kW de los
domicilios en una cierta área de la ciudad).
Y ahora… ¿Qué hacer con eso?
Existen dos posibilidades: Se puede simplemente describir estos
datos numéricos a través de gráficos y tablas. Esto se llama
estadística descriptiva. La mayoría de las investigaciones y análisis
de datos se limitan a esto, que es sin duda, muy importante.
2. Estadística descriptiva
Definiciones básicas
Ejemplo (cont.):
Se puede intentar enumerar algunas conclusiones probabilísticas
sobre las características de la población a partir de los datos
observados en la muestra.
2. Estadística descriptiva
Definiciones básicas
Gráficos ("A picture is worth one thousand words")
Histograma
Diagramas de Pareto
Gráficos de dispersión, gráficos da variables en función del tiempo, gráficos de barras, etc.
Medidas numéricas
Medidas de tendencia central
◦ Media muestral
◦ Moda
◦ Mediana
Medidas de dispersión
◦ Varianza muestral
◦ Desviación estándar muestral
◦ Coeficiente de variación y amplitud
Prof. José Daniel Hernández-Vásquez, DSc.
9
E-mail: jdmetrologia@gmail.com
Facultad de Ingeniería – Programa de Ingeniería Mecánica: Instrumentación Industrial (IX Semestre)
2. Estadística descriptiva
Histogramas
Gráfico de barras, donde el eje vertical contiene las frecuencias (o frecuencias
relativas) y el eje horizontal contiene los intervalos de clases. A menudo se hace
el área de cada barra igual a la frecuencia relativa de cada clase, de tal forma
que el área total bajo el histograma es 1 (100%).
HISTOGRAMA
30
25
25
20
FRECUENCIA
20
15
15
10
10
5
5
0
10 20 30 40 50
INTERVALO
2. Estadística descriptiva
Diagrama Pareto
Es un diagrama que se utiliza para representar los datos cualitativos, para obtenerlo se debe:
25
20
15
10
0
mantenimiento herramientas cotizaciones pago otros
2. Estadística descriptiva
Gráficos de dispersión
Se utilizan para estudiar datos de dos variables, es importante
resaltar que estos gráficos muestran valores de datos individuales.
2. Estadística descriptiva
Definiciones básicas
Media: Es una medida de tendencia central, la cual se define como la
suma de todas las observaciones dividido entre el número total de
elementos.
𝑋1 +𝑋2 +𝑋… +𝑋𝑁
𝑋=
𝑁
Mediana: La mediana es el valor que ocupa el lugar central entre todos los
valores del conjunto de datos, cuando estos están ordenados en forma creciente
o decreciente.
Para datos impares ME = 𝑋𝑁+1
2
𝑋𝑁 +𝑋𝑁
+1
Para datos pares ME = 2
2
2
2. Estadística descriptiva
Definiciones básicas
Moda: La moda es el valor más repetido del conjunto de datos, es
decir que tiene mayor frecuencia absoluta.
Varianza muestral: Es una medida de dispersión. La varianza muestral es
siempre NO NEGATIVA! La varianza es una medida de la dispersión de los datos.
Varianza muestral:
𝑛1 2
s2= (𝑥
𝑖=1 𝑖
𝑛−1
− 𝑥) ; donde n: tamaño de la muestra y 𝑥: la media aritmética
de la muestra.
2. Estadística descriptiva
Definiciones básicas
Desviación estándar muestral: Es una medida de dispersión que indica como
los valores individuales pueden estar alejados de la media. Matemáticamente se
define como la raíz cuadrada positiva de la varianza.
1 𝑛
s= 𝑖=1(𝑥1 − 𝑥)2 ; donde n: tamaño de la muestra y 𝑥: la media aritmética de la muestra.
𝑛−1
2. Estadística descriptiva :
Coeficiente de variación
Es una medida adimensional. Es utilizado, principalmente, para comparar dos
muestras que fueron recolectadas en unidades de medida diferentes, por
ejemplo, una en centímetro y otra en pulgadas.
𝑠
𝐶𝑉 =
𝑥
3. Variables aleatorias
X: Variable aleatorias
X
S X
Espacio Muestral xX
Espacio de variable
aleatoria
3. Variables aleatorias
Discreta
Pueden asumir apenas valores en un conjunto finito o contable, por
ejemplo número enteros o enteros positivos.
Ejemplos:
- Resultado de lanzamiento de un dado
- Número de llamadas recibidas por una central de telemarketing en
un intervalo de tempo especificado
- Número de asaltos en una esquina
- Número de puntos experimentales de una calibración
3. Variables aleatorias
Continuas
Si una variable puede asumir cualquier valor en un intervalo real, es
una variable aleatoria continua.
Ejemplos:
- Tiempo de atención en una fila de un banco
- Peso real de un paquete de 1 kg de café
- Costo de construcción para un nuevo estadio de fútbol
- Errores de un instrumento de medición en una calibración
3. Variables aleatorias
Función de probabilidad y Función de densidad
Función de probabilidad (v.a. discreta): Es una función que asocia a cada
posible valor de una variable aleatoria discreta a su probabilidad de
ocurrencia. La función de probabilidad debe satisfacer:
Pr X = x = f x =1
para todo x para todo x
𝑓 𝑥 ≥ 0 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑥
+∞
𝑓 𝑥 𝑑𝑥 = 1
−∞
Prof. José Daniel Hernández-Vásquez, DSc.
21
E-mail: jdmetrologia@gmail.com
Facultad de Ingeniería – Programa de Ingeniería Mecánica: Instrumentación Industrial (IX Semestre)
3. Variables aleatorias
Momentos de una variable aleatoria
•Valor Esperado (media):
x. f x dx si X es v.a. contínua
E X
x. f x x. Pr X x si X es v.a. discreta
todo x todo x
•Varianza:
𝑎 Desviación
σ=
3 estándar
0 se x a
x - a
F ( x) Pr( X x) se x (a, b)
b - a
1 se x b
f (x) = 1 / (b - a)
5. Distribución Normal
5. Distribución Normal
Definición
• La distribución Normal es quizás la más importante de las
distribuciones de probabilidad.
•La distribución Normal tiene la forma de una campana, y tiene dos
parámetros μ y σ2.
• La distribución Normal se denomina también Gaussiana en
homenaje al matemático Carl Friederich Gauss (1777 - 1855).
• La distribución Normal también funciona como una buena
aproximación a otras densidades. Por ejemplo, en algunas
condiciones se puede probar que la densidad binomial puede ser
aproximada por la Normal.
Prof. José Daniel Hernández-Vásquez, DSc.
32
E-mail: jdmetrologia@gmail.com
Facultad de Ingeniería – Programa de Ingeniería Mecánica: Instrumentación Industrial (IX Semestre)
5. Distribución Normal
Densidad de probabilidad
Densidad Normal con media μ y varianza σ2:
x 2
1
f ( x) .e 2 2
onde 0 e R
2
2 2
5. Distribución Normal
Interpretación de media y desviación estándar
La distribución normal está completamente caracterizada por su media μ y su
desviación estándar σ.
La media define el desplazamiento horizontal de la curva, mientras que la
desviación estándar define su dispersión.
5. Distribución Normal
Función acumulada
Su función de distribución es:
u
x 2
1
F ( x) Pr( X x)
2 2
exp
2
2
du
5. Distribución Normal
Transformación de variable
X La variable Z es Normal
Z con un MEDIA de 0 y
VARIANZA igual 1
6. Distribución t-student
6. Distribución t-student
Caracterización
6. Distribución t-student
Definición
Sólo tiene un parámetro k, el número de grados de libertad, y se define como:
Z
T
V /k
Donde Z es N (0,1) y V es chi-cuadrada con k grados de libertad, y ambos son
independientes.
Esta distribución es simétrica en torno a cero, también tiene forma de
campana y, a medida que el número de grados de libertad crece, si
se aproxima a la N (0,1).
6. Distribución t-student
Aproximación a una distribución normal
Z
T
V /k
7. Eliminación de Outliers
7. Eliminación de Outliers
Error de medición
El Vocabulario Internacional de Metrología (VIM-2012) define:
"Diferencia entre el valor medido de una magnitud y un valor De
referencia".
7. Eliminación de Outliers
Errores Sistemáticos
El error sistemático indica la tendencia de un instrumento en registrar
resultados sistemáticamente por encima o por debajo del valor real y
cuál es la amplitud esperada de esta variación. Estos errores afectan
el valor de la medida, pero no siempre son fáciles de identificar.
7. Eliminación de Outliers
Errores Aleatorios
El error aleatorio, como el nombre sugiere, es producto de las
variaciones en las mediciones que no siguen una tendencia fija. En
general, en un proceso de medición, si usted hace la misma medida
varias veces, se verá que los resultados obtenidos no son los mismos,
aunque y, por lo tanto, se distribuyen en torno a un cierto valor.
7. Eliminación de Outliers
Eliminación de Outliers
Antes de interpretar una serie de resultados obtenidos a partir de
una o más muestras, es necesario comprobar la existencia de valores
que, en su caso, puedan considerarse dispersos, o es decir, valores
que muy probablemente no pertenezcan al mismo conjunto de
resultados. En este caso, estos valores se denominan "Outliers".
7. Eliminación de Outliers
Criterio de Chauvenet
El criterio de Chauvenet permite determinar si un valor muestral
(resultante de una medida) es discrepante (outlier) en relación a los
los demás valores de la muestra, suponiendo que esta muestra se
retira de una distribución normal.
Un dato es rechazado si la desviación media dividida por la desviación
estándar es mayor que el valor tabulado para el ɳ correspondiente,
siguiendo la expresión:
7. Eliminación de Outliers
Criterio de Chauvenet
Procedimiento
1. Calcular la media aritmética y la desviación de los valores.
2. Identificar los valores extremos: mayor valor y menor valor.
3. Determinar, para cada uno de los valores extremos, la diferencia
"d" entre y la media aritmética.
4. Calcular la relación:
5. Determinar el valor tabulado para el tamaño de la muestra en
estudio.
7. Eliminación de Outliers
Criterio de Chauvenet
6. Si la relación es menor que el valor tabulado, aceptar el punto
extremo; de lo contrario, eliminarlo de la muestra.
7. Eliminado el valor disperso, rehacer el análisis con los valores
restantes, hasta que todos los valores sean considerados no
dispersos.
7. Eliminación de Outliers
Criterio de Chauvenet
OBSERVACIONES
El criterio podría incluso repetirse una vez más, para la eliminación
demás puntos, sin embargo el procedimiento no es recomendable,
basta una vez. Si varios puntos superan el criterio límite establecido,
es probable que el sistema de instrumentación sea inadecuado, o que
el proceso que se mide sea extremadamente variable.
7. Eliminación de Outliers
Criterio de Chauvenet
7. Eliminación de Outliers
Criterio de Grubbs
Esta prueba se desarrolla para verificar la presencia de valores
extremos en observaciones muéstrales. Los valores extremos pueden
ser considerados como manifestaciones de la variabilidad aleatoria
inherente a los datos, o sólo un error en el cálculo durante la recogida
de los datos e incluso una anotación precipitada por el operador.
7. Eliminación de Outliers
Criterio de Grubbs
8. Estimación de la
Incertidumbre de Medición
8. Incertidumbre de medición
Guía para la expresión de la incertidumbre de medición (GUM 2008)
8. Incertidumbre de medición
Guía para la expresión de la incertidumbre de medición (GUM 2008)
𝑌 = 𝑦 ± 𝑈 [𝑢𝑛𝑖𝑑𝑎𝑑 𝑑𝑒 𝑚𝑒𝑑𝑖𝑐𝑖ó𝑛]
8. Incertidumbre de medición
Incertidumbre Tipo A
𝑛
𝑠 1 2
𝑢𝐴 = = 𝑥𝑖 − 𝑥
𝑛 𝑛 𝑛−1
𝑘=1
8. Incertidumbre de medición
Incertidumbre Tipo B
8. Incertidumbre de medición
Incertidumbre estándar combinada
La incertidumbre estándar combinada es obtenida a partir de las incertidumbres estándar
individuales asociadas a las magnitudes de entrada de un modelo de medición.
𝑦 = 𝑓 𝑥1 , 𝑥2 , … , 𝑥𝑛 Modelo de medición
𝜕𝑓
𝑐𝑖 = Coeficiente de sensibilidad
𝜕𝑥𝑖 Incertidumbre
2 2 2 combinada
𝑢𝑐2 𝑦 = 𝑐1 ∙ 𝑢 (𝑥1 ) + 𝑐2 ∙ 𝑢 (𝑥2 ) + ⋯ + 𝑐𝑛 ∙ 𝑢 (𝑥𝑛 )
𝑛 2
𝜕𝑓
𝑢𝑐2 𝑦 = 𝑢2 𝑥𝑖 Modelo simplificada de la Incertidumbre combinada
𝜕𝑥𝑖
𝑖=1
Prof. José Daniel Hernández-Vásquez, DSc.
61
E-mail: jdmetrologia@gmail.com
Facultad de Ingeniería – Programa de Ingeniería Mecánica: Instrumentación Industrial (IX Semestre)
8. Incertidumbre de medición
Factor de cobertura
8. Incertidumbre de medición
Grados de libertad efectivos
8. Incertidumbre de medición
Incertidumbre expandida
𝑈 = 𝑘 ∙ 𝑢𝑐 𝑦
8. Incertidumbre de medición
Incertidumbre expandida
El resultado de la medición se expresa como:
𝑌 = 𝑦 ± 𝑈 [𝑢𝑛𝑖𝑑𝑎𝑑 𝑑𝑒 𝑚𝑒𝑑𝑖𝑐𝑖ó𝑛]
8. Incertidumbre de medición
Interpolación: Mínimos cuadrados ordinarios
El objetivo ahora, consiste en determinar valores de los
coeficientes que minimizen la desviación media cuadrática (us).
Entonces, para encontrar los puntos a0, a1, ..., an, se debe
resolver el mismo sistema ATAX=ATY. Efetuando los
para los puntos (xi, yi), es
posible realizar: cálculos de ATA e de ATY, se obtiene:
8. Incertidumbre de medición
Interpolación: Mínimos cuadrados ordinarios
8. Incertidumbre de medición
Ejercicio propuesto
Ejercicio 4:
Por un ducto, con diámetro interno (97,18 mm ± 0,05 %), k = 2, es
transportado un gas natural a 50 bar y 30 oC con densidad de
33,521 kg/m3, evaluada con un error máximo de 1,16 %. Su
diámetro es reducido para (65,10 mm ± 0,07 %) a través de un
Venturi con ángulos suaves, de tal forma que las perdidas por
fricción puedan ser consideradas despreciables. La diferencia entre
la presión en el ducto y en la garganta del Venturi es medida con un
transmisor de presión con un error máximo estimado de ± 0,15 %, y
tiene un valor de 32 kPa.
Prof. José Daniel Hernández-Vásquez, DSc.
68
E-mail: jdmetrologia@gmail.com
Facultad de Ingeniería – Programa de Ingeniería Mecánica: Instrumentación Industrial (IX Semestre)
8. Incertidumbre de medición
Ejercicio propuesto
Ejercicio 4:
Datos:
1 2∙∆P∙P1
m= ∙ A1
2 R∙T1
A1
−1
A2
8. Incertidumbre de medición
Ejercicio propuesto
Ejercicio 4 - SOLUCIÓN:
8. Incertidumbre de medición
Ejercicio propuesto
Ejercicio 4 - SOLUCIÓN:
8. Incertidumbre de medición
Ejercicio propuesto
Ejercicio 4 - SOLUCIÓN:
PRÓXIMA CLASE!
UNIDAD 2
Medición de temperatura
Prof. José Daniel Hernández-Vásquez, DSc.
E-mail: jdmetrologia@gmail.com 73