Curso de Estimacion de Incertidumbre 1 PDF

EXPRESIÓN DE INCERTIDUMBRE
EN LAS MEDICIONES
1. ¿Porque Incertidumbre?
La incertidumbre en el resultado
de una medición
La incertidumbre en el resultado de una medición
La incertidumbre en el resultado de una medición
http://www.bipm.org/en/publications/guides/gum.html
2. NOCIONES BÁSICAS DE MATEMÁTICA
Cifras significativas (C.S.)

• Es una cifra que está asociada a un significado
físico. La supresión de una cifra significativa
cambia el valor del resultado asociado a ese
número.
CIFRAS SIGNIFICATIVAS (C.S.)
REGLAS
Cuando los números se sumen o resten, el
número de lugares decimales en el resultado
debe ser igual al número más pequeño de
lugares decimales de cualquier término en la
suma.
EJEMPLOS
calcular
123 + 5,35 =128 y no 128.35
1,000 1 + 0,000 3 = 1,000 4

el resultado tiene cinco cifras significativas aun cuando
uno de los términos en la suma, 0,000 3, sólo tenga una
cifra significativa.
1,002 - 0,998 = 0,004

el resultado sólo tiene una cifra significativa, aun cuando
un término tenga cuatro cifras significativas y el otro
tenga tres
REGLAS
Cuando se multiplican muchas cantidades, el
número de cifras significativas en la respuesta
final es el mismo que el número de cifras
significativas en la cantidad que tiene el número
más pequeño de cifras significativas. La misma
regla aplica para la división.
Redondeo de Números
tiene como objetivo mantener la precisión numérica

bajo control. Esa operación es posible y aconsejable,
siendo indispensable para la incertidumbre de
medición, pues demuestra la precisión del resultado.
Redondeo de Números
Técnica de Redondeo.
NÚMERO REDONDEO
Si los dígitos que van a ser El dígito precedente no es

eliminados comienzan con un cambiado
dígito menor que 5
Si los dígitos que van a ser El digito precedente es
eliminados comienzan con un incrementado en 1
dígito igual o mayor que 5
Redondeo asociado a la Incertidumbre de
Medición
• En el ítem 6.3 del documento EA 4/02(European Co-
operation Accreditation), recomienda:
• “El valor numérico de la incertidumbre de medición debe

expresarse, como máximo, con dos cifras
significativas. Para el proceso de redondeo, deben
aplicarse las normas habituales para el redondeo de
cifras. Sin embargo, si el redondeo reduce el valor
numérico de la incertidumbre de medición en
más de un 5%, debe utilizarse el valor
redondeado hacia arriba (conservador).”
Notación Científica:
• Toda cifra presentada en la forma de notación
científica, excepto la base 10, son C.S.
1,852X106 18520000 4 C.S
1,852X10-6 0,000001852 4 C.S

• Los números en formato de notación científica, que
son utilizados en diversas máquinas de calcular y en
salidas de computadoras, son números de 1 a 9
(decimales), multiplicados por el número 10 elevado
a una potencia.
1,852 E +6 4 C.S.
2,5335 E -6 0,0000025335 5 C.S.

• El exponente sólo indica la posición de la coma o el
orden de la unidad, no afectando la cantidad de
cifras significativas..
NOTACIÓN CIENTÍFICA CIFRAS SIGNIFICATIVAS NOTACIÓN COMÚN
5,731 E + 2 4 573,1
5,73100 E +2 6 573,100
5,731 E +6 4 5731000
5,731000 E-5 7 0,00005731000
5,7310 E+3 5 5731,0
Notación Común:
• Para escribir los números en notación común es

necesario completar con ceros, para garantizar el
orden de la unidad o el valor del número.
Notación Común:
• Los ceros que solo indican el orden de la unidad del

número, no son considerados cifras significativas.
Son esencialmente:
Notación Común:
• Los ceros a la derecha, no seguidos por otra cifra no
nula, en el caso de números enteros;
NOTACIÓN CIFRAS SIGNIFICATIVAS

5647000 4,5,6 ó 7 (*)
1002300 5,6 ó 7(*)
3000000 1 hasta7 (*)
* En metrología no tenemos seguridad en determinar, pues

depende de la resolución de lectura del instrumento de medida.
Notación Común:
• Los ceros iniciales, antes de la primera cifra no nula,
después de la coma.
NOTACIÓN CIFRAS SIGNIFICATIVAS

0,0005647 4
0,0010023 5
Taller cifras
significativas
Error Numérico
• Es el error causado por la propia expresión
numérica. El error numérico es siempre de ±
mitad de la última cifra significativa
NÚMERO ERROR PRECISIÓN
2 ± 0,5 ---------
2,0 ± 0,05 10X
2,00 ± 0,005 100X
2,000 ± 0,0005 1000X
Error de Lectura de un Instrumento de
Medición
• Considerando un instrumento de medición,
con indicación digital y resolución de 10°C,
tenemos:
0 10 20 30 40 50 °C
Medición
0 10 20 30 40 50 °C
• Cuando el baño termostático esté a una temperatura

de 18°C, el instrumento indica 20°C.
• Cuando el baño termostático esté a una temperatura

de 23°C, el instrumento indica también 20°C.
Medición
0 10 20 30 40 50 °C
• Con este ejemplo podemos definir que el error del

instrumento asociado a la indicación del mismo,
equivale a ± la mitad de la resolución y la última
cifra significativa es la propia resolución.
Medición
8.6.1 Resolución r
8.6.1.1 dispositivos indicadores analógicos
La resolución del dispositivo indicador se obtiene de la
relación de la anchura del puntero a la distancia entre
centros de dos líneas de graduación vecinos (intervalo de
escala). Se recomienda la relación de 1/2, 1/5 o 1/10 . Si se
elige la relación de un 1/10 (es decir, la fracción estimable de
un intervalo de escala), el espacio de la escala debe ser de 2,5
mm o más (véase también DIN 43790).
DKD-R 6-1 Calibration of Pressure Gauges page 24
Taller error en la lectura de

instrumentos
CONCEPTOS ESTADÍSTICOS
EJEMPLO
Amplitud ( R ) - Rango
• Es la diferencia entre la mayor y la menor

lectura encontrada en una serie de
observaciones
• independientes.
• R = X max. - X min.
Ejemplo:
• Utilizando los datos anteriores
• X mínimo = 5,1 R = 5,3 - 5,1
• X máximo = 5,3 R = 0,2
MEDIDAS DE DISPERSIÓN
Supongamos que dos distribuciones de edades tienen igual
media, pero diferentes grados de dispersión,
observe que 32-20 =12, y 60-5 = 55 , por lo tanto 12 < 55 permite

decir, que hay menos variabilidad en el 1er caso; lo cual hace
que el promedio de 25 años de edad sea mucho mas
representativo.
Desviación Estándar
Es la raíz cuadrada positiva de la varianza
Experimental / (utilizada cuando se realiza
mediciones en una muestra o en repeticiones
de lecturas finitas). Simbología utilizada en
calculadoras: S / Sx /σn-1 y en excel: (desvest)
• Población o Universo
• Simbología utilizada en calculadoras: σ / σ x /
σ n y en excel: (desvestp)
Ejercicio de calculo de desviación estándar
Dados los valores – calcular la desviación
estándar experimental (n-1):
Lectura Lectura Lectura Lectura Lectura

1 2 3 4 5
8,4 8,6 8,7 8,6 8,5
xi
8,4
8,6
8,7
8,6
8,5
8,75
8,7
8,65
8,6
8,55
MAX
MIN
8,5
MEDIA
DESVT +
8,45
DESVT -
8,4
8,35
8,3
8,25
1 2 3 4 5
Varianza
Taller desviación
estándar
Regla empírica para datos con distribución
normal (o 68-95-99.7)
Otra regla útil para interpretar los valores de

una desviación estándar es la regla empírica.
Esta regla establece que las siguientes
propiedades se aplican a conjuntos de datos que
tienen una distribución aproximadamente
normal.
Regla empírica para datos con distribución
normal (o 68-95-99.7)
• Aproximadamente el 68% de todos los
valores están dentro de una desviación
estándar de la media.
• Aproximadamente el 95% de todos los
valores están dentro de dos desviaciones
• Aproximadamente el 99.7% de todos los
valores están dentro de tres desviaciones
Regla empírica para datos con distribución normal
(68-95-99.7)
EJEMPLO
Puntuaciones de CI Las puntuaciones de adultos

normales en la prueba Weschler tienen una
distribución normal, con una media de 100 y
una desviación estándar de 15. ¿Qué porcentaje
de adultos tienen puntuaciones de CI entre 55 y
145?
EJEMPLO
σ= 15 3σ= 45
100 85 115 55 145

% puntuaciones de CI 99,7%
EJEMPLO
150
145
140 MEDIA + 3 DESVEST
135
130
125
120 MEDIA+DESVEST
115
110
105
100 MEDIA
95
90
85
80 MEDIA - DESVEST
75
70
65
60 MEDIA - 3 DESVEST
55
50
0 2 4 6 8 10 12
Coeficiente de variación o CV
EJEMPLO
Estatura y peso de hombres Si utilizamos los datos muéstrales
estatura y peso de 40 hombres, incluidos en el conjunto de
datos 1 del Apéndice B, obtendremos los estadísticos que
aparecen en la siguiente tabla. Calcule el coeficiente de
variación de las estaturas, después el coeficiente de variación de
los pesos; finalmente, compare los dos resultados.
EJEMPLO
Desviación
estándar (s)
Estatura 68.34 in 3.02 in

Peso 172.55 lb 26.33 lb
EJEMPLO
Aun cuando la diferencia en unidades imposibilita la

comparación de la desviación estándar de 3.02 pulgadas,
con la desviación estándar de 26.33 libras, es posible
comparar los coeficientes de variación, que carecen de
unidades.
Se observa que las estaturas (con CV = 4.42%) tienen una
variación considerablemente menor que los pesos (con CV =
15.26%).
EJEMPLO
Lo anterior tiene sentido, ya que, por lo general, vemos que los

pesos de los hombres varían mucho más que sus
estaturas.
Por ejemplo, es muy raro encontrar un adulto que
mida el doble que otro, pero es mucho más común ver a

uno que pese el doble que otro.
Taller desviación
estándar
Distribuciones de Probabilidad
La distribución de probabilidad de una variable aleatoria es
una función que asigna a cada suceso definido sobre la
variable aleatoria la probabilidad de que dicho suceso
ocurra. La distribución de probabilidad está definida sobre
el conjunto de todos los sucesos, cada uno de los sucesos
es el rango de valores de la variable aleatoria
Toda distribución de probabilidad debe satisfacer cada uno
de los dos requisitos siguientes:
El primer requisito establece que la suma de las
probabilidades de todos los valores posibles de la variable
aleatoria debe ser igual a 1
El segundo requisito establece que 0 ≤ P(x) ≤ 1 para

cualquier suceso A, implica que P(x) debe estar entre 0 y 1
para cualquier valor de x.
EJEMPLO ¿Describirá la tabla 4-2 una distribución de
probabilidad?
EJEMPLO
¿Determina si P(x) 5 x/3 (donde x puede ser 0, 1 o 2) es una

distribución de probabilidad?
Definición
Distribución normal estándar: distribución normal

de probabilidad con una media de 0 y una
desviación estándar de 1, en tanto el área total
debajo de su curva de densidad es igual a 1.
Distribución Normal
• También conocida como distribución de Gauss-
Laplace.
• Esta distribución es utilizada para análisis en
procesos conocidos, con resultado ya esperado, o
con un gran número de repeticiones.
• Su aspecto gráfico es de una “campana”, y
para su construcción, son necesarios dos
parámetros: promedio (µ) y desviación
estándar (σ).
La ecuación normal inicia en “menos infinito” y
va hasta “mas infinito”, Esta área representa
la probabilidad de encontrar todas las
observaciones, es decir, el área vale 1.
El punto de inflexión de la curva hasta
promedio, es el valor correspondiente al
desviación estándar ( σ ).
Ejemplo: determinar la probabilidad de
encontrar valores bajo 63,5, siendo:
EJEMPLO Termómetros científicos La Precision Scientific
Instrument Company fabrica termómetros que, se supone,
deben dar lecturas de 0 °C al punto de congelación del agua.
Las pruebas de una muestra grande de tales instrumentos reveló
que, en el punto de congelación del agua, algunos termómetros
daban lecturas por debajo de 0°(que se denotan con números
negativos) y otros por encima de 0° (que se denotan con
números positivos). Suponga que la lectura media es 0°C y la
desviación estándar de las lecturas es 1.00°C. También, que las
lecturas se distribuyen de manera normal. Si se elige al azar un
termómetro, calcule la probabilidad de que, al punto de
congelación del agua, la lectura sea menor que 1.58°.
SOLUCIÓN
La distribución de probabilidad de las lecturas es una distribución normal
estándar, ya que las lecturas se distribuyen de forma normal, con µ = 0 y
σ = 1. Necesitamos encontrar el área que está debajo de z = 1.58, en la
figura El área por debajo de z = 1.58 es igual a la probabilidad de seleccionar
al azar un termómetro con una lectura menor que 1.58°. En la tabla A-2
encontramos que dicha área es de 0.9429.
INTERPRETACIÓN
La probabilidad de seleccionar aleatoriamente un
termómetro con una lectura menor que 1.58°, en el
punto de congelación del agua, es igual al área de
0.9429, que aparece como la región que se sombreó en
anterior Otra forma de interpretar el resultado es
concluyendo que el 94.29% de los termómetros
tendrán lecturas por debajo de 1.58°.
Taller distribución
normal
Distribución de t Student
• Es una distribución de probabilidad que surge
del problema de estimar la media de una
población normalmente distribuida cuando el
tamaño de la muestra es pequeño.
es esencialmente una distribución t de Student
para todas las muestras de tamaño n. La
distribución t de Student, que a menudo se
refiere como la distribución t, se utiliza para
calcular valores críticos denotados por .
tα/2
Nivel de Confianza
El nivel de confianza es la probabilidad 1- α (a veces
se expresa como el valor de porcentaje equivalente),
que es la proporción de veces que el intervalo de
confianza realmente contiene el parámetro de
población, suponiendo que el proceso de estimación se
repite un gran número de veces. (El nivel de confianza
también se conoce como grado de confianza, o
coeficiente de confianza).
Nivel de Confianza
Las opciones más comunes para el nivel de confianza son :
90% (con α= 0.10),
95% (con α= 0.05) ,
99% (con α= 0.01).
La opción de 95% es la más común, puesto que provee
un buen balance entre precisión (como se refleja en el
ancho del intervalo de confianza) y confiabilidad (como
se expresa por el nivel de confianza).
Grados de libertad
El número de grados de libertad para un
conjunto de datos muéstrales que se
recolectaron es el número de valores muéstrales
que pueden variar tras haber impuesto ciertas
restricciones a todos los valores de los datos
Grados de libertad
Por ejemplo, si 10 estudiantes tienen puntuaciones de examen
con una media de 80, asignamos con libertad valores a las
primeras nueve puntuaciones, pero la 10ª se calcula. La suma de
las 10 puntuaciones debe ser 800, entonces la 10a será igual a
800 menos la suma de las primeras nueve puntuaciones. Puesto
que estas primeras nueve puntuaciones las seleccionamos con
libertad para que sean cualquier valor, decimos que hay nueve
grados de libertad disponibles. Para las aplicaciones de esta
sección, el número de grados de libertad es simplemente el
tamaño de la muestra menos 1.
Grados de libertad
La expresión para calcular los grados de libertad es:
Grados de libertad = n-1

Grados de libertad
EJEMPLO
Calcular un valor crítico Una muestra de tamaño n=15 es una
muestra aleatoria simple seleccionada de una población que se
distribuyó normalmente. Calcule el valor crítico tα/2

correspondiente a un nivel de confianza del 95%.
Propiedades importantes de la
distribución t de Student
1. La distribución t de Student es diferente para
distintos tamaños de muestra.
2. La distribución t de Student tiene la misma forma de

campana simétrica que la distribución normal estándar, pero
refleja una mayor variabilidad (con distribuciones más amplias)
de la que se espera con muestras pequeñas.
3. La distribución t de Student tiene una media de t = 0

(precisamente como la distribución normal estándar tiene una
media de z = 0).
4. La desviación estándar de la distribución t de Student varía
con el tamaño de la muestra, pero es mayor que 1 (no como la
distribución normal estándar, que tiene σ = 1).
5. Conforme el tamaño de la muestra n se hace más grande, la

distribución t de Student se acerca más a la distribución normal
estándar.
t- student
Distribución Rectangular
Una variable aleatoria continua tiene una distribución
uniforme si sus valores se dispersan uniformemente a
través del rango de posibilidades. La gráfica de una
distribución uniforme presenta una forma rectangular.
EJEMPLO Duración de la clase Un profesor de estadística planea
sus clases con tanto cuidado que sus duraciones se distribuyen
uniformemente entre 50.0 y 52.0 minutos. (Porque las clases de
estadística son tan interesantes, que generalmente dan la
impresión de ser más cortas). Esto es, cualquier tiempo entre
50.0 y 52.0 minutos es posible, en tanto que todos los valores
Posibles son igualmente probables. Si seleccionamos
aleatoriamente una de las clases y permitimos que x sea la
variable aleatoria que representa la duración de esa clase,
entonces x tiene una distribución que puede graficarse como en
la figura
Curva de densidad (o función de densidad de probabilidad):
gráfica de una distribución de probabilidad continua. Debe
satisfacer las siguientes propiedades:
1. El área total bajo la curva debe ser igual a 1.
2. Cada punto de la curva debe tener una altura vertical igual o

mayor que 0. (Es decir, la curva no puede estar por debajo del
eje x).
Ya que el área total debajo de la curva de densidad es igual a 1,
hay una correspondencia entre área y probabilidad.
EJEMPLO Duración de la clase Kim, que tiene el hábito de vivir
siempre de prisa, se comprometió a acudir a una entrevista de trabajo,
inmediatamente después de su clase de estadística. Si la clase dura más de
51.5 minutos, llegará tarde a la entrevista. Dada la distribución uniforme de la
figura.
calcule la probabilidad de que una clase que se selecciona aleatoriamente
dure más de 51.5 minutos.
rectangular
Esta distribución es utilizada en los casos que la probabilidad del
valor verdadero esté entre dos valores consecutivos es constante
(uniforme), es decir, una variable aleatoria tiene la misma
probabilidad de estar en cualquier punto del intervalo.
Se puede usar para modelar el comportamiento de un
contribuyente a la incertidumbre si cumple las
siguientes 3 condiciones:
1. Probabilidad uniforme: cada valor tiene igual
probabilidad de ocurrencia.
2. El contribuyente a la incertidumbre tiene cero
probabilidad de ocurrir por fuera de los limites de la
distribución.
Si los limites que abarcan la distribución son ±a, entonces
también lo hacen los limites ±na, donde n es cualquier número
mayor o igual a 1. por lo tanto es imperativo que los limites que
asumimos para un contribuyente de incertidumbre sean los
mínimos delimitadores.
Se utiliza en general cuando exclusivamente hay
conocimiento de los limites superior e inferior del
intervalo de variabilidad de la magnitud de entrada.
Ejemplo la resolución de un instrumento digital.

Distribución Triangular
La distribución triangular es usada cuando hay una gran
posibilidad de que el valor real esté próximo al centro
del rango de probabilidad y una pequeña posibilidad en
los extremos.
Distribución Triangular
Distribución U
La distribución U se usa cuando hay una gran
probabilidad de que los valores del mensurando se
encuentren en o cerca de los limites.
Distribución U
Por ejemplo un termostato, debido a la manera como
trabaja (on/off) es más probable encontrar medidas de
temperatura en los extremos.
Distribución U
Otras Distribuciones
• Existen otras distribuciones de probabilidad
que pueden representar de manera cercana el
comportamiento del contribuyente a la
incertidumbre.
Incertidumbre de la medición
Parámetro no negativo que caracteriza la

dispersión de los valores atribuidos a un
mensurando, a partir de la información
que se utiliza (VIM 2.26)
La imperfección natural de la realización de

las mediciones, hace imposible conocer
con certeza el valor verdadero de una
magnitud.
Toda medición lleva implícita una

incertidumbre
El resultado de una medición incluye la

mejor estimación del valor del mensurando
y una estimación de la incertidumbre sobre
ese valor.
La palabra Incertidumbre significa duda,

por tanto incertidumbre en la medición
significa duda en la validez del resultado
de una medición
Cuando es presentado un resultado de

medición, sea una calibración, ensayo o
una simple medición, es importante que
se exprese alguna indicación cuantitativa
de la calidad del resultado de tal forma que
aquellos que lo utilizan puedan valuar su
confiabilidad.
Tipos de Incertidumbre
A medida que se avanza en el cálculo de la

incertidumbre, esta recibe diferentes
nombres de acuerdo a la etapa del cálculo
Incertidumbre estándar
Es la incertidumbre del resultado de una

medición expresada como una desviación
estándar.
La incertidumbre en el resultado de una
medición según la GUM está agrupada en
dos categorías:
TIPO A: Aquellas que se evalúan por

métodos estadísticos.
TIPO B: Aquellas que se evalúan por otros

medios.
Evaluación de Incertidumbre
Estándar tipo A
Se obtiene mediante el cálculo de la

desviación estándar experimental de la
media de una serie de observaciones
individuales q1, q2, q3, q4, .... qj.
Estándar tipo A
La formula resumida es:
sq j 

s q  uA 
n
Estándar tipo A
Formula:
 
 
n 2
 qj  q 
 j 1 
u xi  
1  
n  1 
 
 n 1 
INCERTIDUMBRE ESTANDAR
TIPO B
Es evaluada mediante juicios y criterios

científicos basados en toda información
disponible sobre la variabilidad de xi
Fuentes Incertidumbre tipo B
•Certificados de Calibración
•Manuales del instrumento de medición
•Normas o literatura
•Valores de mediciones anteriores
•Conocimiento sobre las características o el
comportamiento del sistema
•Resolución del instrumento
•Condiciones Ambientales no controladas
Fuentes Incertidumbre tipo B
• Incertidumbre del patrón o del material de
referencia
• La repetibilidad de las lecturas
• La reproducibilidad de las mediciones por
cambio de observadores, instrumentos u
otros elementos
• características del propio instrumento,
como resolución, histéresis, deriva, etc.
Contribuyentes Incertidumbre
Combinada
Contribuyentes Incertidumbre
Combinada
uc  y   
i1 i i
i n
c .u  x 2
Coeficiente de Sensibilidad
Formula:
f  X 1 , X 2 , X 3 ... X n 
ci 
X i
Donde i = 1…. n
Determinación del coeficiente Ci
Manteniendo constantes las demás

magnitudes de entrada, se determina el
cambio de Y producido por un pequeño
cambio en Xi
Y
ci 
X i
Incertidumbre Combinada
Formula:
uc  y    c .ux 
iN 2
i 1 i i
Incertidumbre Expandida
Incertidumbre Expandida
U = k*uc
Factor de Cobertura
Número efectivo de grados de libertad
u y4
Veff  c
i  n ci u  xi 
4 4
i1 v
i
Factor de Cobertura
Número efectivo de grados de libertad
1  u xi 
2
vi   
2  u xi  
METODOLOGÍA
Estimación de Incertidumbre
• Ensayo de tracción a un material, donde se
busca cual es la resistencia a la rotura, la cual
está definida como la fuerza necesaria para
romper el material dividido por el área de la
sección transversal de la probeta.
• Definir el mensurando
Resistencia a la rotura: Sr
• Establecer las magnitudes de entrada .
y  f x1 , x2 ....xn 
Sr  f F , T ,W 
• El modelo matemático.
S r  f F , T , W  
F
TW
• Identificar las fuentes de Incertidumbre
Repetibilidad de los datos (tipo A).

Resolución del micrómetro que se uso para
medir dimensiones de la muestra.
Incertidumbre de la calibración de la fuerza en la
maquina universal de ensayos.
Otras….
• Cuantificar la variabilidad de cada fuente
Resultados del ensayo: Tipo A

Principalmente debido a la repetibilidad
Distribución de probabilidad Normal
s q j 
uA 
n
F
Sr 
Resultados del ensayo TW
Fuerza
Muestra Espesor Ancho Rotura Resistencia
T (mm) W (mm) F (kgf) S (kgf/mm2)
1 3,15 12,67 1826
2 3,20 12,73 1980
3 3,18 12,70 1782
4 3,20 12,70 1914
5 3,15 12,67 1870
Promedio
Desv.Estándar

Resultados del ensayo
Muestra Espesor Ancho Fuerza Rotura Resistencia

T (mm) W (mm) F (kgf) S (kgf/mm2)
1 3,15 12,67 1826 45,752
2 3,2 12,73 1980 48,606
3 3,18 12,7 1782 44,124
4 3,2 12,7 1914 47,096
5 3,15 12,67 1870 46,855
Promedio 3,18 12,69 1874,40 46,49
Desv.Estándar 0,02510 0,02510 76,84270 1,66718

• Asociarle una distribución
Distribución de Probabilidad
Distribución de
Probabilidad
Espesor
Ancho
Fuerza Rotura
• Asociarle una distribución
Distribución de Probabilidad
Distribución de
Probabilidad
Espesor Normal
Ancho Normal
Fuerza Rotura Normal
• Obtener la Incertidumbre Estándar
ue unidades
s
Espesor mm u
Ancho mm n
Fuerza Rotura kgf
• Obtener la Incertidumbre Estándar
ue unidades
Espesor 0,01122497 mm
s
Ancho 0,01122497 mm
u
Fuerza n
34,3650986 kgf
Rotura
• Obtener el coeficiente de sensibilidad ci
A partir de la teoría:
f  X 1 , X 2 , X 3 ... X n 
ci 
X i
Donde i = 1…. n
S
cF 
F
F
Sr  cT 
S
TW T
S
cW 
W
S 1 S
cF   
F TW F
F
Sr  cT 
S F S
 2 
T T W
TW S
T
F S
cW   
W TW 2
W
S 1 S 46,50
cF      0,0248008453594797 mm -2
F TW F 1874,4
S  F  S  46,50 kgf
cT   2    -14,6368717071186
T T W T 3,18 mm 3
S  F  S  46,50 kgf
cW      -3,66210056261294
W TW 2 W 12,69 mm 3
Experimentalmente:
f x  x   f x 
S f ' x   lim
x
cF 
x 0
F

Experimentalmente: f x  x   f x 
f ' x   lim
x 0 x
S
cF 
F
Se varia la fuerza levemente hacia arriba y
hacia abajo del promedio dejando las
demás variables promedio constantes.

Experimentalmente:
S
Espesor Ancho Fuerza Rotura Resistencia Diferencia
T (mm) W (mm) F (kgf) S (kgf/mm2) (kgf/mm2)
cF  3.18 12.69 1873.4 A
F
D
3.18 12.69 1874.4 B
E
3.18 12.69 1875.4 C
D=B-A
E=C-B
Experimentalmente:
3,18 12,69 1873,4 46,42

0,02478057
3,18 12,69 1874,4 46,45
0,02478057
3,18 12,69 1875,4 46,47
S S 0,0247805680697439 1
cF     0,0247805680697439
F F 1 mm 2
Teoría vs Experimental Cf: 0,081%
Teoría : 0,0248008453594797
Experimental: 0,0247805680697439
Experimentalmente:
S (kgf/mm2) (kgf/mm2)
S
T (mm) W (mm) F (kgf)
cT  3,17 12,69 1874,4 A

D
T 3,18 12,69 1874,4 B
E
3,19 12,69 1874,4 C
D=B-A
E=C-B
Experimentalmente:
S
S (kgf/mm2) (kgf/mm2)
cT 
T (mm) W (mm) F (kgf)
T 3,17 12,69 1874,4 46,60

-0,14652586
3,18 12,69 1874,4 46,45
-0,1456072
3,19 12,69 1874,4 46,30
S S - 0,146066528674943 kgf
cT     -14,6066528674943
T T 0,01 mm 3
Experimentalmente:
S
cW  3,18 12,68 1874,4 A

D
W 3,18 12,69 1874,4 B
E
3,18 12,70 1874,4 C
D=B-A
E=C-B
Experimentalmente:
S 3,18 12,68 1874,4 46,49

cW  -0,03663146
W 3,18 12,69 1874,4 46,45
-0,03657378
3,18 12,70 1874,4 46,41
S S - 0,0366026206726531 kgf
cW     -3,66026206726531
W W 0,01 mm 3
S
cF  Teoría vs Experimental Cf: 0,0817%
F
S
cT  Teoría vs Experimental Ct: 0,2064%
T
S
cW  Teoría vs Experimental Cw: 0,0502%
W
• Estimar correlaciones
Ocurre cuando los valores de entrada no
son independientes. Por ejemplo en el
ensayo de tracción, las mediciones de
espesor y ancho fueron realizadas con el
mismo instrumento (micrómetro).
1 Paso: Covarianza de 2 cantidades de

entrada correlacionadas:
    
n
1
s q, t  
n(n  1) k 1
qk  q t k  t
1 Paso: Covarianza de 2 cantidades de

entrada correlacionadas:
 
n
s T ,W 
1
 Tk  3,18 Wk  12,69 
n(n  1) k 1
1 Paso: Covarianza de 2 cantidades de entrada
correlacionadas:
Espesor Ancho (Tk -3,18)
Muestra Tk -3,18 Wk - 12,69 (wk-12,69)
T (mm) W (mm)
1 3,15 -0,03 12,67 -0,02 0,0006240
2 3,20 0,02 12,73 0,04 0,0008640
3 3,18 0,00 12,70 0,01 0,0000240
4 3,20 0,02 12,70 0,01 0,0001440
5 3,15 -0,03 12,67 -0,02 0,0006240
Promedio 3,18 12,69 sumatoria 0,0022800
n 5
s(T,W) 0,00011400
2 Paso: Hallar el Coeficiente de Correlación:
r x , x  
 
s xi , x j
s x s x 
i j
i j
Donde: sxi , sx j  son las desviaciones estándar experimentales de xi y xj

2 Paso: Hallar el Coeficiente de

Correlación:
 
r Ti ,W j 
0,00011400
(0,02509980 1* 0,02509980 1)
 
r Ti , W j  0.15360952
• Cuando r > 0 decimos que las parejas de datos muestrales están
correlacionadas positivamente
• Cuando r< 0 decimos que están correlacionadas negativamente.
• Si r= 1, significa que a valores grandes de x corresponden valores

grandes de y
• Cuando r= -1, significa que en las parejas se tiene correspondencia

de valores grandes de x con valores pequeños de y
• Estimar Incertidumbre combinada
Estimar correlación r
N
Existe
correlación
NO u 2 c   ci2ui2
i 1
SI
N 1
 c c u u r x , x 
N N
u 2 c   ci2ui2  2 i j i j i j
i 1 i 1 j i 1
• Estimar Incertidumbre combinada con
fuentes correlacionadas
N 1
 c c u u r x , x 
N N
u 2 c   ci2ui2  2 i j i j i j
i 1 i 1 j i 1
u 2
c  c u c u  c u  2cT cW uT uW r T , W
2
f
2
f
2 2
T T
2
W
2
W  
N 1
 c c u u r x , x 
N N
u 2 c   ci2ui2  2 i j i j i j
i 1 i 1 j i 1
u 2 c  c 2f u 2f  cT2 uT2  cW2 uW2  2cT cW uT uW r T , W 

uc  0,027673648652307  0,00121169128769794  0,726719962191406  0,00207635419059923
kgf
u correlacionada
c  0,627510524
mm 2
• Estimar Incertidumbre combinada
Estimar correlación r
N
Existe
NO u 2 c   ci2ui2
correlación i 1
• Estimar Incertidumbre combinada sin fuentes
correlacionadas
N
u 2 c   ci2ui2
i 1
u 2
c  c u c u  c u
2
f
2
f
2 2
T T
2
W
2
W
• Estimar Incertidumbre combinada sin fuentes
correlacionadas
N
u 2 c   ci2ui2
i 1
u 2
c  c u c u  c u
2
f
2
f
2 2
T T
2
W
2
W
uc  0,027673648652307  0,00121169128769794  0,726719962191406
kgf
uc  0,6030165
mm 2
kgf
u correlacionada
c  0,578267392
mm 2
kgf
uc  0,6030165
mm 2
Diferencia = 0,274%
Se pueden despreciar las fuentes correlacionadas, pero esto

sucedió en Este ejemplo para otros casos hay que calcular r
• Elegir el nivel de confianza
Usualmente 95%
Pero hay otros casos donde puede ser diferente

• Cuantificar el número de grados de libertad
El número de grados de libertad se cuantifica a

partir de la ecuación de Welch-Satterthwaite:
uc4  y 
veff  n 4 4
ci u ( xi )
i 1 vi
4
u
veff  c
cF4 u 4 F 4 4
cu cW4 u 4W
 
T T
vF vT vW
veff  2,4518991
• Calcular el factor de cobertura k
La incertidumbre estándar combinada uc

representa un intervalo centrado en el mejor
estimado del mensurando que contiene el valor
verdadero con una probabilidad p del 68%
aproximadamente, bajo la suposición de que
los posibles valores del mensurando siguen
una distribución normal.
Utilizando la distribución t student, la cual

refleja las limitaciones de la información
disponible debida a un limite finito de
mediciones podemos calcular el factor de
cobertura conociendo el numero efectivo de
grados de libertad y el nivel de confianza
deseado.
Para nuestro ejemplo con veff = 2,45 y un

nivel de confianza del 95% tenemos un k =
4,30.
• Estimar la incertidumbre Expandida
Generalmente se desea una probabilidad

mayor, para ello se utiliza el factor de cobertura
k para expandir el intervalo de incertidumbre
obteniendo la Incertidumbre Expandida U.
U  kuc
• Estimar la incertidumbre Expandida
U  4.30 * (0,75377006)
kgf
U  3.2 2
mm
Reporte de la Incertidumbre
Y=y±U
¿Como dice la norma ISO/IEC 17025?

Reporte de la Incertidumbre
Y=y±U
Cuando se entrega la incertidumbre
expandida se debe entregar el factor K y si
se quiere la incertidumbre combinada
L = (35,1 ± 0,41) mm
• Cuantificar la variabilidad de cada fuente y

asociarle una distribución
Resolución del micrómetro que se uso para medir
dimensiones de la muestra. r=0,01 mm
Distribución de probabilidad triangular
a=r/2
a
u
6
Bibliografía y referencias
•Curso cálculo de incertidumbre de medición elaborado por: ingeniero

Marcelo Alves Dos Santos
•GTC 51 guía para la expresión de incertidumbre en las mediciones
•Estadística de Mario F Triola editorial PEARSON

Curso de Estimacion de Incertidumbre 1 PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Curso de Estimacion de Incertidumbre 1 PDF

Uploaded by

Copyright:

Available Formats

EXPRESIÓN DE INCERTIDUMBRE

Cifras significativas (C.S.)

1,000 1 + 0,000 3 = 1,000 4

1,002 - 0,998 = 0,004

tiene como objetivo mantener la precisión numérica

Si los dígitos que van a ser El dígito precedente no es

• “El valor numérico de la incertidumbre de medición debe

1,852X106 18520000 4 C.S

1,852X10-6 0,000001852 4 C.S

2,5335 E -6 0,0000025335 5 C.S.

• Para escribir los números en notación común es

• Los ceros que solo indican el orden de la unidad del

NOTACIÓN CIFRAS SIGNIFICATIVAS

* En metrología no tenemos seguridad en determinar, pues

NOTACIÓN CIFRAS SIGNIFICATIVAS

• Cuando el baño termostático esté a una temperatura

• Cuando el baño termostático esté a una temperatura

• Con este ejemplo podemos definir que el error del

Taller error en la lectura de

• Es la diferencia entre la mayor y la menor

observe que 32-20 =12, y 60-5 = 55 , por lo tanto 12 < 55 permite

Lectura Lectura Lectura Lectura Lectura

Otra regla útil para interpretar los valores de

Puntuaciones de CI Las puntuaciones de adultos

100 85 115 55 145

Estatura 68.34 in 3.02 in

Aun cuando la diferencia en unidades imposibilita la

Lo anterior tiene sentido, ya que, por lo general, vemos que los

mida el doble que otro, pero es mucho más común ver a

El segundo requisito establece que 0 ≤ P(x) ≤ 1 para

¿Determina si P(x) 5 x/3 (donde x puede ser 0, 1 o 2) es una

Distribución normal estándar: distribución normal

Grados de libertad = n-1

distribuyó normalmente. Calcule el valor crítico tα/2

2. La distribución t de Student tiene la misma forma de

3. La distribución t de Student tiene una media de t = 0

5. Conforme el tamaño de la muestra n se hace más grande, la

2. Cada punto de la curva debe tener una altura vertical igual o

Ejemplo la resolución de un instrumento digital.

Parámetro no negativo que caracteriza la

La imperfección natural de la realización de

Toda medición lleva implícita una

El resultado de una medición incluye la

La palabra Incertidumbre significa duda,

Cuando es presentado un resultado de

A medida que se avanza en el cálculo de la

Es la incertidumbre del resultado de una

TIPO A: Aquellas que se evalúan por

TIPO B: Aquellas que se evalúan por otros

Se obtiene mediante el cálculo de la

La formula resumida es:

Es evaluada mediante juicios y criterios

Manteniendo constantes las demás

Número efectivo de grados de libertad

Número efectivo de grados de libertad

Repetibilidad de los datos (tipo A).

Resultados del ensayo: Tipo A

1 3,15 12,67 1826

2 3,20 12,73 1980

3 3,18 12,70 1782

4 3,20 12,70 1914

5 3,15 12,67 1870

• Cuantificar la variabilidad de cada fuente