Cap tulo 1 Datos Experimentales

1.1. Estad stica b asica

M as que pretender reemplazar la clase de estad stica, esta secci on busca refrescar los conocimientos adquiridos en dicho curso, conceptos que han sido ltrados y clasicados para poder ser contextualizados en el ambito de la instrumentaci on.

1.1.1.

Distribuciones de probabilidad

Una distribuci on de probabilidad es una funci on que relaciona un evento con la probabilidad de su ocurrencia, 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 tambi en tendr an esta caracter stica. Para el caso puntual de distribuciones continuas, estas tambi en son conocidas como funciones de densidad de probabilidad (PDF por sus iniciales en ingl es). Las distribuciones de probabilidad discretas 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 aparici on m as que un valor puntual. Del mismo modo que las discretas, las PDF tambi en cumplen con algunas propiedades: 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 distribuci on uniforme asigna la misma probabilidad de ocurrencia para todos los valores de un conjunto 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 distribuci on es la que normalmente siguen los generadores de n umeros aleatorios, con la particularidad de hacer A = 0 y B = 1, de este modo f (x) = 1. Como otro ejemplo cl asico de esta distribuci on est a el 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 distribuci on nos
f (x) V

10 x

5.35

5.4

5.45

Figura 1.1

Ejemplo de distribuci on uniforme

ayudar a a encontrar el error producido por la resoluci on de un instrumento digital. Para entender lo anterior, 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 resoluci on del equipo solamente tendriamos certeza que dicha lectura fue m as cercana 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 a como 5.4V. Adicionalmente cualquier valor de dicho conjunto tiene la misma probabilidad de ocurrencia, lo que nos indica una PDF uniforme.
Triangular

Esta distribuci on como su nombre lo indica exhibe un perl triangular cuya ecuaci on es:
(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 poblaci on, normalmente se recurre a la distribuci on uniforme, no obstante si contamos con los l mites y tenemos una tendencia central que depende subjetivamente de la

2 (B A)(B C ) 0

(B x)

 1.1. ESTAD ISTICA BASICA

f (x) 10

x 5.3
Figura 1.2

5.4

5.5

Ejemplo de distribuci on triangular

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

Quiz a la m as conocida de todas, esta distribuci on es apropiada para describir el comportamiento de la gran mayor a de errores aleatorios. Seg un el teorema del l mite central,1 la distribuci on de la suma de un gran n umero de varibles independientes es aproximadamente normal, as ellas mismas no tengan este tipo de distribuci on. Ahora bien, si suponemos que el error total es el resultado de la contribuci on de muchas fuentes, no ser a errado pensar que dicho error est a normalmente distribuido. La Ecuaci on 1.3 describe la PDF de esta distribuci on, en donde y son la media y la desviaci on est andar, respectivamente. 1 (x )2 f (x; , ) = N (, 2 ) = exp 2 2 2 (1.3)

En el caso cuando = 0 y = 1 a la distribuci on se le conoce como distribuci on normal est andar y se nota como N (0, 1) quedando como se muestra en la Ecuaci on 1.4. 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 distribuci on tambi en es conocida como Gaussiana aunque no fue Gauss quien la plante o por primera vez sino fue Abraham de Moivre en su trabajo The Doctrine of Chances publicado en 1738, Gauss utiliz o los resultados de de Moivre en el desarrollo del m etodo de los m nimos cuadrados.
t-Student

Esta distribuci on nos ayudar a a trabajar cuando suponemos que nuestros errores tienen una distribuci on normal pero desconocemos su desviaci on est andar y no la podemos estimar adecuadamente dado que el
1

Ver 1.1, p agina 6

4
N (0, 1)

CAP ITULO 1. DATOS EXPERIMENTALES

Figura 1.3

Distribuci on normal est andar

n umero de datos es peque no. Tambi en nos ser a util para pruebas de comparaci on de medias y para determinar intervalos de conanza de las mismas. En la Ecuaci on 1.5 est a descrita matem aticamente esta distribuci on, 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 tama no de nuestra muestra crece, la estimaci on de 2 es m as conable, por tanto esperamos que la distribuci on t-Student se asemeje a la normal. En la Figura 1.4 vemos la comparaci on entre una distribuci on normal y dos distribuciones t-Student con diferente tama no de muestra.

t =1

N (0, 1)

t =10

N (0, 1)

3 2 1

3 2 1

Figura 1.4

Distribuci on t-Student comparada contra N (0, 1)

1.1.2.

Par ametros estad sticos

Dadas algunas de las m as relevantes distribuciones que utilizaremos en instrumentaci on, es importante ahora recoradar las deniciones de algunos par ametros estad 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 distribuci on, el cu al est a denido como:

= E (x) =

xf (x)dx

(1.6)

La Ecuaci on 1.6 describe el valor esperado para un variable aleatoria continua x con una PDF igual a f (x). 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 Ecuaci on 1.6 o tratar de estimarla de alguna manera. La primera opci on, normalmente queda en el campo te orico dado que una variable de un proceso no es est atica en el tiempo y su PDF podr a cambiar gradualmente. Por otro lado, la segunda opci on consite en denir una funci on

 1.1. ESTAD ISTICA BASICA

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

xi x=
Mediana
i=1

(1.7)

La mediana, x , es el n umero que divide una poblaci on en dos, en la primera mitad, los valores son mayores que la mediana y en la segunda son menores que la mediana. Matem aticamente se puede expresar como: 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 a la importancia de la mediana radica en la insensibilidad que tiene ante datos at picos2 por darles alg un nombre, en esta insensibilidad se basa el poder de los ltros mediana implementados digitalmente.

Ejemplo 1.1
Media y mediana En un proceso de muestreo de la corriente a trav es de un conductor, el microcontrolador realiza cinco medidas cada minuto para estimar el valor y con base en este tomar decisiones. Los datos tomados son mostrados a continuaci on. 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 transmisi on en la cual los dos bits m as signicativos conmutaron su valor verdadero. Si calculamos la media, x, la mediana, x , y la media 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 par ametro de inter es cuando se estudian PDF es la medida de la dispersi on de los datos, qu e tan alejados llegan a estar de su tendencia central o media. La varianza es una de estas medidas y se puede
No encontr e una traducci on al t ermino del ingl es outlier que describe a una observaci on estad 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 . Matem aticamente hablando: 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 aritm etico, la varianza tambi en tiene su estad stica calculada con base en los datos muestreados de dicha poblaci on, a esta estad stica se le nota 2 S y est a denida como
n

(1.10) n Es importante notar que la Ecuaci on 1.10 es v alida si se conoce a priori la media poblacional, si este no fuera el caso y la media estuviera estimada por el promedio aritm etico de los datos, la varianza se calcular a a trav es de n (1.11) n1 la cual se conoce como varianza muestral. A partir de la varianza se dene la desviaci on est andar, la cu al es m as familiar para nosotros los ingenieros dado que tiene las mismas unidades de la variable que estemos estudiando.
n

S2 =

i=1

(xi )2

S2 =

i=1

(xi x)2

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

i=1

(xi )2

Dado que la media o la varianza se estiman a trav es de estad sticas que son funci on de los datos muestreados, es importante que esas funciones tengan en cuenta la cantidad de datos que realmente son independientes, por ejemplo en el c alculo del promedio, todos los n datos lo son, provienen de la poblaci on, sin embargo en el c alculo de la varianza si la media es desconocida, Ecuaci on 1.11, la f ormula incluye a x, que fue calculada con los mismos datos, as , de esa sumatoria de n elementos s olo (n 1) son independientes, de all que la divisi on sea por tal n umero. Los grados de libertad representan los elementos independientes para estimar alg un par ametro.
Teorema del l mite central

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

 1.1. ESTAD ISTICA BASICA Para efectos pr acticos y visualizar la importancia de este teorema observemos que: 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 dispersi on de una distribuci on normal de medias 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 trav es de la Ecuaci on 1.11. Como u ltima observaci on es importante notar que en la medida en que 2 n sea muy grande x tiende a cero lo que implica a su vez que x ser a .

1.1.3.

Pruebas de hip ostesis

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

x es una variable aleatoria Normal e Independientemente Distribuida

8
Comparar contra alg un valor

CAP ITULO 1. DATOS EXPERIMENTALES

Deseamos saber si la media tiene un valor espec co, 0 , de este modo planteamos nuestra hip otesis: 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 distribuci on normal a tener una distribuci on t con (n 1) grados 4 de libertad. Por tanto si denimos la estad stica t0 como t0 = x 0 S/ n (1.14)

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

Ejemplo 1.2
Bater as lote NX1548 De un lote en particular, el NX1548, se tomaron 15 bater as para vericar si el voltaje de salida est a dentro de especicaci on, la cual indica que el valor promedio de dicho voltaje es de 1.65V. Los valores le 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 Ecuaci on 1.14 1.656 1.65 = 2.073 t0 = 0.0112/ 15 Y utilizando una tabla de distribuci on t, encontramos t0.025,14 = 2.145, asumiendo un = 0.05 que es un valor bastante aceptado, aproximadamente 1 de cada 20 pruebas no cumplir a. De acuerdo el criterio planteado anteriormente H0 deber a ser aceptada ya que |t0 | < t/2, . Aunque la prueba anterior nos permite determinar si un lote cumple con una especicaci on, el resultado todav a es vago y difuso, este se podr a mejorar con la utilizaci on del intervalo de conanza que vermos m as adelante.
Comparar dos medias

Con la misma losof a del caso anterior, planteamos una hip otesis nula y una alternativa y posteriormente denimos una estad stica que nos permita inferir sobre las hip otesis anteriormente planteadas, de este modo las hip otesis ser an: H0 : 1 = 2
Cuando la muestra es sucientemente grande, seg un los estad sticos > 30, la estimaci on de 2 con S 2 es lo bastante buena, caso en el cual la distribuci on es normal y la estad stica es conocida como z0 . Sin embargo cuando la muestra decrece, muy com un en los ejercicios pr acticos de la ingenier a, la distribuci on se ensancha y se convierte en la t de Student, cuyo creador fue William Sealy Gosset en 1908 y qui en public o bajo el seud onimo de Student
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 m as general, cuando desconocemos 1 y 2 y adicionalmente las 2 2 consideramos diferentes, i.e. 1 = 2 . Para los otros casos ser a necesario cambiar la estad stica y los grados de libertad, para mayor informaci on ver [Mon01].

t0 seguira una distribuci on t si los grados de libertadad se calculan como sugiere la aproximaci on de WelchSatterthwaite. 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 homog eneos Se implement o un nuevo proceso para la puricaci on del silicio utilizado en la fabricaci on de circuitos integrados y se desea conocer si el producto del nuevo proceso exhibe propiedades el ectricas similares al resultado del anterior proceso. En este caso se est an comparando la permetividad el ectrica relativa, r . Despu es de realizar medidas en 10 muestras de cada proceso se encontr o lo siguiente: 11.41 11.61 11.92 11.87 Calculando los par ametros b asicos, 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 (Ecuaci on 1.15), los grados de libertad (Ecuaci on 1.16) y t/2, tenemos = 11 t0 = 0.050 t0.025,11 = 2.201 No hay evidencia para rechazar la hip otesis nula, por tanto podemos decir que los dos procesos ofrecen resultados similares, por lo menos en lo que tiene que ver con la permetividad relativa.
Comprobaci on de normalidad

Como mencionamos anteriormente, las pruebas de hip otesis se basan en varias suposiciones que deben ser validadas con el n de que las inferencias sean correctas. Quiz a la suposici on m as importante es que los datos tomados o muestreados provienven de una distribuci on normal con par ametros jos, y es precisamente

10

CAP ITULO 1. DATOS EXPERIMENTALES

esta para la cual vamos a ver c omo hacer la vericaci on. El an alisis consiste en la interpretaci on de un gr aco, o mejor de cuatro gr acos en uno que nos agrupar a los datos experimentales de modo tal que exhiban su naturaleza o estructura interna. Este m etodo de vericaci on es tomado de [SEM06]. Otro m etodo que deber amos utilizar una vez encontramos un modelo que describa nuestra informaci on, si este fuera el objetivo del muestreo, es el m etodo de los residuos que encontramos en muchos textos de estad stica o en [Mon01]. El m etodo gr aco consite en preparar cuatro gr acos: 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 alg un par ametro de la distribuci on que buscamos, tambi en evidencian sesgos por variables no controladas durante la toma de datos y por u ltimo permite ubicar f acilmente los datos at picos presentes en la muestra. En la Figura 1.5 vemos datos que fueron tomados de distribuciones normales con par ametros jos. Mientras que en la Figura 1.6 se presentan
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

Gr acos secuencia temporal normal

datos cuya distribuci on cambi o los par ametros en la medida en que el tiempo fue pasando.
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

Gr acos secuencia temporal no normal

la correlaci on temporal , busca principalmente determinar si los datos son de origen aleatorio o por el contrario existe alg un tipo de correlaci on entre ellos. Para realizar este gr aco utilizamos a xi como variable dependiente y a xi1 como independiente, caso en el cual se le demonima tambi en gr aco de

 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 Gr acos correlaci on temporal

retraso unitario. En la Figura 1.7 podemos observar dos casos de este tipo. Si los datos son aleatorios el gr aco no tendr a patrones notorios y simplemente se mostrar a como un conjunto de datos dispersos sin estructura aparente. el histograma es un gr aco de barras en el cual la altura de cada una de ellas (eje Y) depende de la cantidad de datos que existan en un deteminado intervalo deniminado clase (eje X). El tama no de la clase es arbitrario y de hecho del valor que se tome el histograma puede cambiar considerablemente, hay varias reglas que permiten hacernos una idea del n umero de 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, cu al elegir? La respuesta depender a del propio conjunto de datos, quiz a lo mejor es poder realizar varios intentos. No obstante a esta subjetividad es una herramienta muy u til para determinar el tipo de PDF que pueda tener un conjunto de datos. En la Tabla 1.1 est an contenidos los datos de una muestra
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 poblaci on N (0, 1) y en la Figura 1.8 se muestra el histograma. Cabe anotar que en la medida en que la cantidad de datos sea peque na el histograma no ofrece buenas pistas acerca del tipo de distribuci on. de probabilidad normal , este gr aco presentado por [CCKT83] ordena las observaciones y las dibuja contra unos datos normalmente distribuidos que son calculados a trav es de las UOSM (uniform order statistic medians o medianas estad sticas en orden uniforme, haciendo referencia a la distribuci on uni-

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 funci on inversa de la distribuci on acumulativa normal, tambi en conocida como PPF.5 El procedimiento para generar este gr aco es el siguiente: 1. Ordenar los datos ascendentemente, i.e. de menor a mayor, siendo estos los valores del eje Y 2. Calcular las UOSM 3. Calcular con la PPF y las UOSM, los valores del eje X Las UOSM se denen como: i=1 1/n 0 . 5 i=n U (i) = i 0 . 3175 dem as i n + 0.365
1 U (n)

(1.17)

La PPF la calculan la mayor a de hojas de c alculo, e.g. en Excel R el comando es DISTR.NORM.ESTAND.INV con un u nico argumento prob, ya que la PPF calcula el valor de x tal que P (X x) = prob. En el Ejemplo 1.4 est a este gr aco. Para vericar si los datos son normales o no, se observa si la gr aca es o no una l nea recta, en caso que el ajuste sea bueno 6 la suposici on de normalidad es v alida.

Ejemplo 1.4
Comprobaci on de normalidad Para comprobar la suposici on de normalidad de los datos del Ejemplo 1.2, realizamos los cuatro gr acos descritos anteriormente.
Point percent function Un par ametro de decisi on puede ser el coeciente de correlaci on al cuadrado, r2 , y compararlo contra los valores cr 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 gr aco podemos ver que no hay un desplazamiento aparente de la media y que la dispersi on de los datos no es afectada de manera sistem atica. En el segundo vemos que los datos no tienen un patr on de correlaci on que de evidencia de alg un tipo de correlaci on, de hecho el coeciente de correlaci on est a alrededor de 0.107, valor que nos conrma que los datos son aleatorios. Del histograma no podemos concluir demasiado dado que con tan pocos datos no se reejan mucho las propiedades de la distribuci on, empero, basados en las conclusiones de los gr acos anteriores quiz a podr amos armar que existe simetr a alrededor de 1.66V y que no existen datos at picos por los cuales tengamos que preocuparnos. Por u ltimo, el gr aco de probabilidad muestra dos situaciones, la primera que la resoluci on del instrumento de medida no permite un gr aco m as continuo y menos escalonado lo que reduce el valor de r2 . La segunda situaci on y no obstante lo anterior, si revisamos el valor del coeciente de correlaci on, r, este est a por encima del valor cr tico para un nivel de conanza del 5 %, i.e. rbat = 0.9434 > rcrit,5 % = 0.9376. En este gr aco tambi en se presenta la ecuaci on que ajusta los datos y podemos ver que la pendiente es y que el cruce por cero es x, tal como lo tendr amos que estar esperando.

1.1.4.

Intervalos de conanza

Tal como lo mencionamos anteriormente, la prueba de hip otesis queda corta ya que u nicamente lleva a 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 adem as de aceptar o rechazar una hip otesis, planteamos 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 a una distribuci on normal est andar. De esta expresi on podemos entonces despejar a que es el par ametro que esperamos conocer, as = x z0 n y dado que z0 N (0, 1) podr amos calcular el rango de valores que tomar a un determinado porcentaje de las veces. Este porcentaje es el area bajo la curva de la PDF encerrada en dicho rango. Para el caso de la Figura 1.9 se tiene que en un 95 % de la veces z0 estar a entre 1.96 y 1.96. Con esta idea podemos entonces
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 a partir de una distribuci on t con (n 1) grados de libertad, matem aticamente S = x t/2, (1 ) % n Con la misma losof a hallar 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 as del Ejemplo 1.2. Con de las bater = 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 a dado por = 1.656 0.006 (95 %)

 DE LA INFORMACION 1.2. PRESENTACION

15

1.2.

Presentaci on de la informaci on

Tanto como realizar bien las medidas es la presentaci on de las mismas, dado que a partir de una buena presentaci on es posible analizar la informaci on y enriquecer las conclusiones y las inferencias que se logren hacer de las mismas. En esta secci on se ilustran algunos de los tipos de gr acos m as utilizados en ingenier a para la visualizaci on de informaci on.

1.2.1.

Gu a general

Esta serie de recomendaciones est a basada en [Ass47]. 1. El gr aco debe estar dise nado para que el observador interprete y entienda la informaci on con el m nimo de esfuerzo. 2. Los ejes deben llevar una etiqueta que indique qu e contiene, cu ales son las unidades y si es el caso, el s mbolo que se utiliza. 3. La cantidad de divisiones deben estar acorde al tama no del gr aco, y se deben marcar igualmente acorde a la longitud del eje, e.g. si hay 20 divisiones sobre un eje de 3cm, poner 20 n umeros har a ilegible ese eje. 4. Es preferible usar s mbolos sin relleno, e.g. , o , se debe evitar el uso de puntos, . 5. Las curvas de ajuste o las curvas te oricas deben estar representadas por l 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 gr acos dado que demasiado puede crear confusi on y desviar la atenci on sobre el gr aco mismo.

1.2.2.

Tipos de gracos

De acuerdo a la clase de informaci on que deseemos plasmar y teniendo en cuenta qu e informaci on queramos extraer y/o transmitir, existe un tipo de gr aco adecuado. En la 1.3, ya vimos cuatro de estos gr acos: de secuencia, de correlaci on, histograma y de probabilidad. A continuaci on se hace un revisi on de los usados m as frecuentemente.
Dispersi on

Este gr aco es quiz a el m as utilizado dado permite ver qu e tipo de relaci on existe entre dos variables, es com un que a partir de este gr aco podamos concluir sobre la linealidad de los datos o la existencia de datos at picos dentro de la muestra. Para su construcci on simplemente elegimos adecuadamente las escalas y disponemos todos los puntos sobre el plano. En la Figura 1.10 podemos ver un ejemplo del resultado de un proceso de calibraci on hecha a un sensor de presi on frente a una b ascula de peso muerto. Del gr aco podemos decir que existe una realci on lineal aunque los datos est en bastante dispersos, de hecho indicar a una precisi on pobre. Tambi en vemos la presencia de dos datos at picos que probablemente sea necesario no tenerlos en cuenta al momento de estimar par ametros de ajuste. Igualmente podemos ver c omo aumenta el error, o dispersi on, en la parte inferior de la escala, evidenciando tambi en no linealidad, situaci on bastante normal en los instrumentos de trabajo.
Bihistograma

Este tipo de gr aco simplemente son dos histogramas que comparten el eje x y sus ejes y son opuestos. Su principal utilidad es la comparaci on, entre la media, la dispersi on y la distribuci on de dos cojuntos de datos

16

CAP ITULO 1. DATOS EXPERIMENTALES

50 Psensor [kPa] 40 30 20 10 0 0 10 20 30 40 50 Ppatro n [kPa]

Figura 1.10 Resultado de una calibraci on

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 gr aco
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 hip otesis o viceversa. De la Figura 1.11 vemos que aunque las distribuciones de voltajes de desv o son semejantes, sus valores medios est an alejados, comparando con sus dispersiones, as que no estar a mal decir que estas dos arquitecturas presentan efectivamente una diferencia del voltaje de desv o, demostrable estad sticamente.
Gr aco de cajones

Este gr aco permite comparar algunos de los par ametros de diferentes grupos de datos bajo observaci on, espec camente permite una comparaci on visual sobre la dispersi on y la localizaci on de los datos. En la Figura 1.12(a) podemos observar el formato de presentaci on para diferentes grupos de datos, es importante notar que los puntos no pertenecen al gr aco de cajones, son mostrados u nicamente con prop ositos ilustrativos.

1.3. ERROR

17

El tama no del caj on est a determinado por 2 cuartiles, el inferior que corresponde al percentil7 25 y el superior al percentil 75, lo que indica que cada caj on contiene el 50 % de todos los datos. La l nea que divide el caj on corresponde al percentil 50 o tambi en conocido como la mediana. Las dos l neas que se extienden hacia fuera del caj on lo conectan con el m aximo y con el m nimo de la muestra. De esta manera un caj on permite tener informaci on de cu an concentrados o dispersos est an los datos en un grupo. En la Figura 1.12(b) podemos

m aximo

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 Gr aco de cajones

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

1.3.

Error

Error, en el contexto de medidas, hace referencia a la desviaci on existente entre el resultado medido y el valor verdadero8 de la magnitud medida [ICO97]. Por tanto el t ermino error implica la existencia de una gu a o un patr on. Los errores por confusi on, por malentendidos o malas interpretaciones revelan equivocaciones y los errores asociados a la omisi on o negligencia constituyen descuidos por parte de los implicados. Estos tipos de desviaciones, dada su naturaleza noestad stica introduce sesgos que normalmente son dif ciles de detectar cuando en magnitud son peque nos, llevando inclusive a causar inferencias desacertadas. Si estos 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 a de dos factores, a la alimentaci on desde el exterior y a la carga conectada a la residencia, por tanto existe una variabilidad intr nseca en el proceso de suministro de energ a que no es un error.
El percentil es un par ametro estad stico que estima la cantidad de datos, en porcentaje, que est an por debajo de un valor determinado, e.g. el percentil 25 indicar a que por debajo de el est a el 25 % de los datos. Los cuartiles hacen referencia a los 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 medici on, que incluye sus fuentes, su tratamiento y su correcci on, ha tomado relevancia en el u ltimo siglo con el auge de globalizaci on, no solo desde el punto de vista comercial, sino tambi en cient co y principalmente militar, no hay que olvidar que la guerra ha sido el mayor promotor y fuente de nanciaci on del avance tecnol ogico. Basado principalmente en la teor a formal estad stica, el estudio del error busca responder una pregunta, qu e tan bien est a hecho el trabajo? Y aqu trabajo har a referencia a proceso, medici on, monitoreo, control, entre otros signicados. Supongamos que en un enlace de datos entre dos nodos de una red existen interferencias electromagn eticas que logran afectar la informaci on que se est a intercambiando. El ingeniero que dise n o este enlace, debi o determinar si estas desviaciones o errores est an dentro del nivel de aceptaci on o tolerancia para que el enlace opere normalmente. Por otro lado, en la industria de repuestos para autom oviles, el proceso de fabricaci on de un pist on es altamente controlado, dado que sus variables dimensionales, e.g. el di ametro, deben estar dentro de un rango de variaci on bastante peque no, lo que podr amos asociar a una tolerancia m nima. En los dos casos anteriores, el qu e tan bien de la pregunta inicial es respondida en t erminos de la estimaci on de un error, e.g. en el primer caso, el enlace est a bien si 9 la BER se mantien por debajo de alg un l mite establecido, sin embargo al ingenierio le quedar a imposible predecir exactamente cu al ser a la BER para alg un momento determinado. Del mismo modo, los di ametros de todos los pistones ser an diferentes, el proceso no podr a garantizar una medida constante simplemente un intervalo de aparici on. Es importante notar que cuando nos referimos a un error lo hacemos a trav es de un rango, intervalo o tolerancia, no especicamos su valor, y esto tiene que ver directamente con la denici on 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, cu al es el valor verdadero? Si esta pregunta tuviera una respuesta exacta, implicar a que logramos medir con cero error, lo que a su vez est a contradiciendo uno de los principios de la medici on: toda medici on afecta el medio introduci endole error. Entonces, c omo podemos determinar el error y c omo podemos saber qu e tan bueno fue el trabajo. Es aqu donde entra la teor a estad stica a tratar de dirimir este asunto s mil al del huevo y la gallina. Primero, como el error es funci on de muchos factores, algunos de los cuales son desconocidos, su contribuci on no necesariamente es constante y determin stica, por tanto al error se le puede considerar como una variable aleatoria con una funci on de 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 tama no del intervalo nos ayuda a determinar la calidad del trabajo. Tercero y para terminar, al valor verdadero se le acepta por convenci on [ICO97], como aquel que tiene un intervalo apropiadamente peque no para una prop osito dado. Con respecto a este u ltimo punto, quiz a para la medici on de voltaje en una pr actica acad emica de laboratorio, el valor verdadero aceptado es el dado por el mult metro utilizado, ya que que el error del instrumento es apropiadamente peque no comparado con el error introducido por el montaje y sus componentes. No obstante que el mult metro fue utilizado como valor verdadero, este no podr a usarse como tal en una industria que fabrique mult metros, porque no tendr a un intervalo de error sucientemente peque no. De acuerdo a lo anterior, podemos decir que cuando realizamos una medici on la indicaci on del instrumento 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 medici on y es esta incertidumbre la que a trav es de c alculos y relaciones estad sticas debemos estimar. El tama no del intervalo o la tolerancia son de alguna manera t erminos sin onimos a incertidumbre. Formalmente hablando, con una probabilidad del NC % el error 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

os an m hu
e ient amb

ob j

eto

m etodo

Figura 1.13

El error seg un su origen

Ahora bien, expresar una medida como un u nico valor es t ecnicamente incorrecto y al ser consecuentes con lo discutido previamente, el resultado de una medici on debe tener por lo menos cuatro componentes: un valor 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 Ecuaci on 1.22 el resultado de una medida es un intervalo, sin embargo aunque es un hecho la existencia de esa incertidumbre, para nes pr acticos hay que acotar su utilizaci on. En los procesos 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.

Clasicaci on de los errores

En busca de la cuanticaci on, prevenci on, reducci on o eliminaci on de un error es conveniente identicar su 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 tambi en desde la naturaleza. En la Figura 1.13 podemos observar las diferentes fuentes de error. Entre los errores de origen humano podemos encontrar, la selecci on equivocada del instrumento y/o m etodo, e.g. en la medici on de resistencia por m etodos indirectos, la posici on del volt metro y el amper metro inuye en la lectura. Tambi en la agudeza visual al realizar la lectura, el efecto de paralelaje, la aproximaci on de divisi on en instrumentos anal ogicos y la transcripci on de datos en sistemas no automatizados forman parte de estos errores. Los errores del instrumento normalmente est an asociados a las limitaciones propias como son, la exactitud, la resoluci on, la no linealidad, hist eresis, desgaste y descalibraci on. Los instrumentos tambi en introducen error dada su sensibilidad intr nseca a otras variables ajenas a la medici on, e.g. un rot ametro instalado con alg un angulo respecto a la vertical, indicar a un caudal mayor al verdadero. Los efectos ambientales son por lo general los que mayor impacto tienen sobre la medici on, dado que logran afectar las otras cuatro fuentes de error. La temperatura por ejemplo, puede afectar, la muestra, el instrumento, sacar de especicaci on al m etodo e inclusive perturbar al operario que realiza la medida. Entre las varibles ambientales m as comunes est an, la temepratura, la humedad, la presi on, la iluminaci on, las vibraciones, el polvo y las corrientes de aire, entre otras. Las desviaciones que el m etodo aporta al error total de la medici on, com unmente son pasadas por alto ya que asumimos que los modelos y

20

CAP ITULO 1. DATOS EXPERIMENTALES

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

-4

-2 Figura 1.14

El error seg un su naturaleza

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

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

1.3. ERROR

21

Los errores aleatorios a diferencia de los sistem aticos aparecen sin alguna tendencia determinada, tanto 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 u nico que se llega a conocer es la probabilidad de ocurrencia de un error. En la Figura 1.14 podemos ver como los errores est an dispersos alrededor de un valor esperado, en este caso y que dicha dispersi on sigue alg un tipo de PDF (dibujada en la parte superior ajustando la escala para prop ositos ilustrativos). De este modo, el error aleatorio o de precisi on P , de una medida i en particular est a dado por: P = i (1.24)

La dispersi on de los errores ser a un ndice de la precisi on del instrumento, y en caso de querer disminuir dicha dispersi on es necesario mejorar el dise no y los componentes del instrumento, controlar las condiciones ambientales y/o cambiar el principio, m etodo o procedimiento de medici on. Dentro de estos errores encontramos generalmente, variaciones incontroladas de las condiciones experimentales, e.g. la temperatura y la humedad, la insensibilidad del instrumento de medici on, el mismo objeto o mesurando, las perturbaciones e imperfecciones del instrumento, por listar algunas fuentes. Por ejemplo, medimos con un mult metro digital los potenciales generados por un m usculo cuando se mueve y descartando los errores sistem aticos, los errores aleatorios introducidos pueden ser: el ruido el ectrico captado por el cuerpo y transmitido al lector, y ya que la naturaleza del ruido es aleatoria este error debe tratarse como tal, la interferencia de otras se nales biol ogicas que no est an bajo estudio y por tanto no conocemos sus caracter sticas las podremos trabajar estad sticamente, la propia se nal miogr aca es una varible aleatoria, dado que es la sumatoria de las contribuciones de miles de c elulas, y aunque es una se nal deseada y no un error, s la podemos asimilar como tal desde el punto de vista de procesamiento, la poca sensibilidad del instrumento genera lecturas aleatorias, pensemos en que estamos hablando de se nales de 0.5 a 5mV y de una resoluci on del mult metro del orden de 1mV, as las se nales por debajo de la resoluci on dar a lecturas inciertas, 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 se nales a medir (con ancho de banda de hasta 10kHz) vemos que la lectura que hagamos probablemente no reejar a el valor de la se nal en ese momento. La discusi on anterior hay que enmarcarla en que es un ejemplo que pretende ilustrar los posibles errores aleatorios, dado que en el ejemplo existe un error que no es aleatorio y es la mala selecci on del instrumento. Para nalizar, en la Tabla 1.2 se muestran algunos errores t picos con una clasicaci on propuesta.

1.3.2.

Prevenci on y correcci on de los errores

Identicados los errores el paso obligado ser a eliminarlos o por lo menos reducir sus efectos al m nimo convenido. De la misma manera en que los errores fueron clasicados, las formas de prevenci on y/o correcci on tambi en admiten una agrupaci on[Doe90]. Sin importar el tipo de error es posible, por lo menos te oricamente hablando, disminuir los efectos de las fuentes de error sobre el resultado de la medici on.
Insensibilidad intr nseca

Cuando el sistema de medici on no es sensible a una fuente de error en particular, idealmente ser a la condici on perfecta y mejor forma de evitar la interecci on de dicha fuente. En general este t ermino aplica para

22
Tabla 1.2 Fuentes de error

CAP ITULO 1. DATOS EXPERIMENTALES

tico Sistema Humanos Selecci on del instrumento Paralelaje Transcripci on de los datos Instrumento Efecto de carga Desviaci on del cero, oset Calibraci on Derivas Hist eresis Ambiente Temperatura Humedad Interferencia electromagn etica todo Me Objeto Selecci on del m etodo Variaci on intr nseca de la muestra

Aleatorio

los elementos sensores, dado que a un sistema de medici on se le puede proveer de otros mecanismos para correcci on de errores, e.g. ltrado. A manera de ejemplo, en la medici on de temperatura con term ometros de columna de inmersi on parcial, la propia temperatura act ua como una fuente de error, ya que adem as de dilatar el l quido en el reservorio, logra dilatar el capilar (columna) y su contenido, por tanto para hacer el term ometro insensible de modo intr nseco debemos evitar el efecto de la dilataci on de la columna, e.g. es posible cambiar el material de la columna o hacer la relaci on volumen del capilar sobre volumen del reservorio muy peque na. Otro situaci on similar encontramos en una galga extensom etrica resistiva cuyo principio de medida es la piezorresistivad. Normalmente los coecientes de temperatura en los materiales utilizados no son cero, de este modo la temperatura introducir a errores sistem aticos o de precisi on, dependiendo si la 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 u nicamente a la entrada que se desea medir no es f acil, de hecho aunque garantizar a un buen desempe no, econ omica y/o t ecnicamente no siempre es viable su realizaci on e implementaci on f sica. Sin embargo y para fortuna de la instrumentaci on, existen otras t ecnicas que ayudan a la reducci on de los errores.

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 conguraci on hace que se anulen, se reduzcan o se compensen los efectos. Como primer ejemplo analicemos la celda de carga de la Figura 1.15(a), la cual si estuviera compuesta u nicamente por la galga extensom etrica 13 superior, los errores por temperatura ser an considerables dado que el coeciente de temperatura del material normalmente es elevado. Una forma de reducir estos errores es poner otra galga que no sienta esfuerzo, pero si temperatura (en ingl es se conoce como dummy gage ). De esta manera si en la conguraci on para medir la variaci on de resistencia se logran hacer relaciones entre las dos galgas, los efectos de temperatura 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 com unmente alternativas
RS 2

M V A

RS 2

(a) Compensaci on Figura 1.15

(b) Puente de Wheatstone

Entradas opuestas en una celda de carga

para la utilizaci on de entradas opuestas como mecanismo de compensaci on. El amplicador operacional es un buen ejemplo en este caso, su naturaleza diferencial rechaza las se nales comunes a las entradas, tambi en llamadas se nales de modo com un. En la situaci on anterior de la celda carga, el bloque met alico tambi en se ve afectado por la temperatura cambiando sus propiedades mec anicas, e.g. el m odulo de Young, E . Si la temperatura aumenta el bloque se hace menos r gido, i.e. su constante de deexi on se reduce, y por tanto la sensibilidad del sistema aumenta. 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 alimentaci on del mismo tal como se muestra en la Figura 1.15(b). Obviamente el valor de esta resistencia RS , debe estar calculado de acuerdo con los materiales involucrados.
Filtrado

La denici on de ltro nos propone la selecci on de se nales bajo alg un criterio establecido. En t erminos ideales, un ltro est a en la capacidad de rechazar todas las se nales no deseadas que un sistema pueda recibir, as un ltro optico cuyo color es un rojo e.g. = 700nm, debe bloquear cualquier otra longitud de onda, absorbi endola, reej andola o como fuere su mecamismo de ltrado. Obviamente esta caracter stica es ideal y realmente lo que podemos dise nar e implementar es una aproximaci on a este bloqueo, de este modo se
13

M as all a del 5 %

24

CAP ITULO 1. DATOS EXPERIMENTALES

rechazar an la mayor a de las se nales no deseadas y se atenuar an las se nales con caracter sticas similares a las se nales deseadas. De acuerdo a la forma en que se establezcan los criterios para decidir qu e se nales pasan y cuales no, 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 m as real. En el eje vertical se ubica la magnitud relativa de la salida

(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 par ametro de ltrado, e.g. frecuencia, longitud de onda o tama no, entre otros. Como un ejemplo observemos el tam z de la Figura 1.17(a) cuya funci on es separar part culas granuladas seg un su tama no, es clara entonces su aplicaci on como un ltro. Lo interesante 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, este se comporta como un pasaaltas dado que deja pasar los gr anulos de mayor tama no, de otro lado, si el resultado es el material que pasa a trav es del tam z, la funci on ser a de pasabajas.

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 medici on, 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 despu es de la etapa de entrada son de naturaleza el ectrica por su gran versatilidad en cuanto dise nos y desempe no.

1.3. ERROR
Retroalimentaci on de alta ganancia

25

El concepto de retroalimentaci on y todas las consideraciones e implicaciones quedan por fuera del alcance de este curso, sin embargo podemos simplicarlo y decir que consiste en tomar una fracci on de la se nal de salida e introducirla de nuevo a la entrada del sistema, y dependiendo del signo de dicha fracci on logramos retroalimentaci on positiva o negativa. La retroalimenatci on positiva en el caso general, es utilizada para generar sistemas inestables como son los osciladores, mientras que la negativa com unmente se encuentra en aplicaciones lineales como son los amplicadores. En la Figura 1.18 vemos el concepto b asico de la retroalimentaci on. El sistema est a modelado por su funci on de transferencia G(s ), cuya respuesta est a determinada No deseadas

XC XR

G(s ) H(s )

Figura 1.18

Concepto de retroalimentaci on

por la acci on de la entrada deseada y las entradas no deseadas que producen errores en el resultado de la medici on. La acci on de la retroalimentaci on se modela por la funci on H(s ) en la cual la fracci on tomada de la salida depende, como caso general, de la frecuencia de operaci on del sistema. Veamos a continuaci on una peque na deducci on de la salida (Y) en funci on de la entrada deseada (X). De la Figura 1.18 sabemos que 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 Ecuaci on 1.26 vemos que si la retroalimentaci on es positiva existe una frecuencia para la 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 retroalimentaci on es negativa y el producto G(s ) H(s ) 1, la Ecuaci on 1.26 se aproximar a 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 a que las entradas no deseadas para el sistema de retroalmientaci on H(s ), s afectar an el resultado, no obstante se espera que dicho sistema sea m as robusto que el original. Supongamos como ejemplo el amplicador 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 tambi en. Si dise namos una red retroalimentaci on que tome una fracci on de la salida y la reste en la entrada tal como se indica en la Figura 1.19(b) la salida tender a a ser vo (1 + R2 /R1 ) vi en la medida en que Av , eliminando la dependencia de la temperatura, aunque vale la pena observar que est a correci on se ha hecho a costa de perder ganancia. De hecho, la retroalimentaci on provee ventajas disminuyendo otras caracter sricas, no obstante se presenta como una buena alternativa para evitar los efectos de entradas no deseadas y por tanto la aparici on de errores.

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 retroalimentaci on

Correcci on posterior

Si se conocen cuales son las se nales de entrada que causan errores, los efectos de las mismas sobre el sistema de medici on y adicionalmente es viable estimarlas o medirlas, podemos corregir los resultados despu es de tomarlos. Este m etodo se presenta actualmente como una alternativa interesante ante la creciente tendencia de procesamiento digital. Pensemos que anteriormente los procesos de linealizaci on eran un imperativo dadas las limitaciones o la nulidad de procesamiento, de esta necesidad surgieron una gran cantidad de circuitos anal ogicos m agicos que lograban acondicionar y robustecer pr acticamente cualquier se nal, empero a costos elevados en tiempo de dise no y componentes. Actualmente los procesos y las escalas de integraci on redujeron los costos de los circuitos anal ogicos y digitales y puesto que estos u ltimos son m as vers atiles desplazaron a los primeros en aplicaciones de bajos costo y de especicaciones no exigentes.

1.4.

Incertidumbre

Tal como se mencion o anteriormente, el resultado de cualquier medici on debe estar unido a un ndice que contenga la informaci on de su incertidumbre. Este ndice consolida y expone la calidad de una medida, asociando a este t ermino todos los componentes que intervienen en el: objeto, instrumento, persona, ambiente y m etodo, cada uno de los anteriores contribuyendo aditivamente a la incertidumbre. En esta secci on veremos c omo actualmente se calcula y presenta la incertidumbre cuando esta es asociada a un resultado directo, i.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 estimaci on se le conoce como propagaci on de incertidumbre.

1.4.1.

Generalidades

Sobre incertidumbre se ha escrito y discutido bastante y en general cada gran potencia tecnol ogica tiene y deende sus procedimientos para su c alculo, una de las consecuencia m as palpables es que a un no se cuenta con una norma internacional, por el momento se tiene una gu a t ecnica[ISO93] que ha logrado conciliar una buena cantidad de conceptos y procedimientos y es la que estudiaremos aqu , en [TK94] hay tambi en un buen tratamiento de la incertidumbre y est a disponible para descargar de la p agina del NIST. El t ermino incertidumbre hace referencia a la imposibilidad de conocer el valor real de una medida, por 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 d ecada de los 90 se encuentran una gran cantidad de t erminos que pretend an expresar lo que hoy calculamos y conocemos como incertidumbre, observemos las relaciones que tiene la incertidumbre con algunos de ellos como el error, la precisi on, la exactitud y las PDF. El error puede contribir a incrementar el intervalo de incertidumbre, la precisi on reeja una medida de cu an grande es dicho intervalo, la exactidud es dada en t erminos de la incertidumbre y las PDF son las encargadas de soportar los c alculos con incertidumbres. De lo u ltimo surge la importancia de mantener frescos los conocimientos estad sticos. Como se coment o anteriormente, actualmente la comunidad cient ca ha ido adoptando la gu a ISO, que aunque para algunos superua y para otros complicada, estad sticos e ingenieros respectiva y principalmente, es un buen intento de unicaci on necesario para hablar el mismo idioma por lo menos en lo referente a metrolog a y todo lo derivado desde ella, e.g. comercio o investigaci on. Seg un esta gu a existen dos tipos de 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. Com un y quiz a err onemente se asocian los errores aleatorios a este tipo de incertidumbre, dado que por lo general 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 a siendo tratado dicho error, e.g. un error por temperatura, normalmente aleatorio, puede ser tratado como una incertidumbre tipo A durante un proceso de calibraci on, tambi en puede ser tratado como una incertidumbre tipo B dutante un proceso de medici on. Para calcular y expresar este tipo de incertidumbres se utilizan los medios estad sticos convencionales entre los cuales el m as utilizado para mediciones simples es el c alculo del error de la media, ver Ecuaci on 1.13, el 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 desviaci on est andar de los datos muestreados calculada a partir de la Ecuaci on 1.11, y t, como el factor que estandariza esa on t con = n 1 grados de libertad. Seg un incertidumbre a una distribuci el teorema del l mite central S/ n tiene una distribuci on normal, pero ahora si la cantidad de datos para calcular S y por tanto para estimar es reducida, entonces la distribuci on m as apropiada ser a la t, cuya desviaci on est andar est a denida como[SEM06]: t, = 2 (1.28)

Para 2 la desviaci on est andar no est a denida, no obstante es posible encontrar una aproximaci on con la distribuci on t y viene dada como[Nic99]: t4.45 %, t, = (1.29) 2 La raz on de este ajuste es permitir combinar todas las incertriumbres al mismo nivel, a los mismos l mites que son de la distribuci on a tratar. Vemos entonces que la Ecuaci on 1.28 predice que t, 1 en la medida en que como era de esperarse. Para mediciones y experimentos m as complejos los an alisis de regresiones o an alisis de varianza ser an tambi en utilizados para calcular este tipo de incertidumbres.

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 te oricas de los procesos o las constantes, o las hojas de calibraci on entre otras. 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 informaci on. la medida responde a una PDF normal y la incertidumbre est a dada por un m ultipo de su desviaci on est andar, i.e. k . En este caso uBj = . Los valores de k normalmente son 1, 2 y 3. la medida responde a una PDF especicada y al valor de la incertidumbre, UREP , se asocia con un nivel de conanza, , reportado com unmente como 1 . En este caso es necesario remitirse a las tablas de la PDF para encontrar el factor de estandarizaci on, k , de modo que uBj = UREP /k . Para el caso de una PDF normal tenemos que: 1 ( %) 50 68.3 90 95 99 k 0.6754 1.0006 1.6449 1.9600 2.5758

la distribuci on que m as se adpata a la medici on es rectangular, e.g. la lectura de un instrumento digital, la incertidumbre ser a uBj = (A + B )/ 12 con A y B como los l mites de la distribuci on rectangular. Esta expresi on es la desviaci on est andar de una PDF rectangualar la cu al es f acil mostrar a partir de la Ecuaci on 1.9 y la Ecuaci on 1.1. Otra manera de presentar esa expresi on a partir de la resoluci on, res, on condensa los l mites de la distribuci on rectangular. ser a uBj = res/ 3 dado que la resoluci una lectura con tendencia central pero subjetiva, e.g. la disriminaci on de la posici on de la aguja de una instrumento anal ogico o la lectura de una probeta, on es representada adecuadamente por una distribuci de tipo triangular. En este caso uBj = (A + B )/ 24 o en t erminos de la resoluci on, uBj = res/ 6.

1.4.2.

Modelo de Propagaci on

Identicadas las fuentes y calculadas la mayor cantidad de incertidumbres es necesario consolidar el resultado de una medici on, e.g. el valor central, un intervalo y el nivel de conanza. Actualmente se utiliza un modelo basado en la conclusiones de [KM53] para la combinaci on de las incertidumbres.
Incertidumbre est andar combinada

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

u2 Ai +

u2 Bi

(1.30)

Entendamos este t ermino como normalizar a una desviaci on est andar de la PDF que describe la medida, de igual manera que t, lo hace con las incertidumbres tipo A, ver Ecuaci on 1.27

1.4. INCERTIDUMBRE

29

Observemos ahora la importancia de la normalizaci on o estandarizaci on a la que hicimos referencia anteriormente, simplemente se trata de sumar las incertidumbres todas al mismo nivel: a una desviaci on est andar. La Ecuaci on 1.30 aplica cuando las fuentes de error son independientes y no existen correlaciones que permitan 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 situaci on cambia y es necesario tener en cuenta esas condiciones. Sea Y un magnitud a determinar por medio de la medici on de m variables y que se relacionan a trav es de una funci on determinada, as Y = f (X1 , X2 , . . . , Xm ), y cada Xi est a estimada a trav es de n mediciones cuyo resultado fue xi con una incertidumbre est andar combinada, ui , calculada con la Ecuaci on 1.30. Bas andonos en la expansi on de Taylor para f podemos encontrar uc con la siguiente expresi on[TK94][Web99]:
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 Ecuaci on 1.31 se simplica a 2 m f 2 ui uc = (1.33) i=1 xi Los t eminos de las derivadas parciales que aparecen en las ecuaciones anteriores comn unmente se conocen como coecientes de sensibilidad dado que ponderan la incertidumbre de acuerdo a la inuencia en la funci on, de hecho cuando deseamos disminuir la incertidumbre total, observamos los t erminos (ui f /xi )2 para determinar cu al variable es la que m as aporta al resultado de uc y as mejorar esa medida.
Incertidumbre expandida

Como ya vimos, la incertidumbre est andar combinada es la consolidaci on de todas las fuentes de incertidumbre 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 estandarizaci on visto cuando denimos las incertidumbre tipo B (ver p agina 28), s olo que ahora asumimos que la distribuci on es t con ef f grados de libertad, de este modo k = t/2, . Estos grados de libertad se calculan a trav es de la aproximaci on de Welch-Satterthwaite:16 u4 (1.35) ef f = m c4 4 c i ui i=1 i Donde uc la calculamos con la Ecuaci on 1.33, ci el coeciente de sensibilidad de xi y i los grados de libertad asociados a la ui , estos grados de libertad son calculados tambien a partir de la Ecuaci on 1.35 s olo que ahora
15 16

Asumiendo que el resultado est a normalmente distribuido (teorema del l mite central) Esta aproximaci on es v alida cuando las incertidumbres son independientes[HWI03]

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
Medici on de resistencias De un paquete de resitencias se tomaron 10 y se les midi o la resistencia con un mult 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 cu al es el valor de las resistencias del paquete. La media aritm etica ser a un buen punto de partida para estimar el valor de las resistencias, R = 15.33k . Para el c alculo de la incertidumbre procedemos de la siguiente manera. C alculo de la incertidumbre tipo A. Para este caso la desviaci on est andar es la base de la incertidumbre tipo A, S 0.95 uA = t, = 1.06 = 0.317k n 10 =n1=9 C alculo de la incertidumbre tipo B. Otro elemento que aporta incertidumbre es el instrumento con el cual se realiz o la medida. Del manual de este se tom o la siguiente informaci on: Resoluci on: 0.01k = 0.005k 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 sistem atico que deber a corregirse del nal de la medici on. Los otros dos datos s aportan incertidumbre tipo B. Para la resoluci on tenemos una distribuci on rectangular: 0.005 res uB1 = = = 0.003k 3 3 Para la exactitud asumimos una distriubic on normal con una probabilidad de ocurrencia del 95 %: 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 est andar combinada seg un la Ecuaci on 1.30 es igual a: 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 Ecuaci on 1.35, denimos el nivel de conanza, e.g. 95 %, y aplicamos la Ecuaci on 1.34: 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 %).

 DE EXPERIMENTOS 1.5. CONCEPTOS SOBRE PLANEACION

31

1.5.
1.5.1.

Conceptos sobre planeaci on de experimentos

Qu e es un experimento?

Seg un la Real Academia Espa nola, un experimento es el conjunto de ...operaciones destinadas a descubrir, comprobar o demostrar determinados fen omenos o principios cient cos, lo cual podr amos complementar a nadiendo que estas operaciones son ejecutadas sobre un proceso o un sistema. Normalmente estas operaciones 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 e experimentar?

Formalizando a un m as la denici on anterior es posible enmarcar la experimentaci on en tres areas sin pretender ser las u nicas: ciencias b asicas dise no en ingenier a procesos industriales En las ciencias b asicas el proceso de experimentaci on juega un papel importante en la comprobaci on de hip otesis y as en el planteamiento de nuevas teor as, dicho papel es corroborado una y otra vez en la aplicaci on del m etodo cient co. Por ejemplo, suponga que un f sico te orico propuso un nuevo modelo de part culas fundamentales en el cual se menciona la existencia de dos nuevas part culas subat omicas. Mientras dicho modelo no evidencie sus virtudes en la descripci on de la materia, o mejor, no se compruebe la existencia, o al menos los efectos de las nuevas part culas, dicho modelo no trasciende m as all a del papel. C omo comprobar el modelo entonces? La respuesta es a trav es de un experimento. Desde el punto de vista de ingenier a la experimentaci on permite la validaci on de alg un dise no propuesto, si cumple con las caracter sticas y especicaciones del punto de partida. Siguiendo con el ejemplo anterior y pasado alg un tiempo, el nuevo modelo encontrado result o ser apropiado y coherente, adem as se descubri o que con la aplicaci on de esas dos nuevas part culas es posible aumentar la densidad de almacenamiento de informaci on en medios port atiles, es as como un grupo de trabajo se da a la labor de dise nar dichos medios de almacenamiento. C omo validar si el dise no encontrado es el indicado? Nuevamente la planeaci on de un experimento juicioso permitir a decidir qu e tan robusto o v alido es el dise no nal. Por u ltimo en el ambito industrial la experimentaci on proporciona un medio de evaluaci on de los procesos en general, e.g. si los ndices de producci on se cumplen. Finalizando con el ejemplo, supongamos que el prototipo realizado por el equipo de dise no cumpli o todas las especicaciones y por lo tanto se desea llevar a producci on. Suponga que el dise no del proceso ya se ha realizado y que por tanto el jefe de producci on desea evaluar la eciencia del proceso y se decide por dise nar un experimento que arroje ndices cuanticables. Es posible ver entonces c omo la experimentaci on est a involucrada en el desarrollo cient co y tecnol ogico 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 cu al se desarrolle el experimento: probar una hip otesis
Es quiz a imposible, f sica o econ omicamente hablando, determinar todas la variables que llegan a afectar un sistema, por tanto lo sensato es limitar y enmarcar el sistema a un subconjunto de ellas.
17

32 Ciencias Disen o

CAP ITULO 1. DATOS EXPERIMENTALES Industria

Comprobar
Figura 1.20

V alidar

Evaluar

Porqu e experimentar

caracterizar un proceso nuevo ensayar nuevas arquitecturas de dise no evaluar el comportamiento de nuevos materiales mejorar y/o optimizar un proceso existente reducir tiempos y costos de producci on: aumentar la productividad Para nalizar y contextualizar el tema se comienza a entrever una relaci on fuertemente ligada entre el desarrollo del experimento y la medici on o cuanticaci on de resultados. Nada vale tener un experimento muy bien concebido si de el se extrae mal la informaci on, o peor a un, si el proceso de extracci on afecta signicativamente la realizaci on del experimento. Es m as el dise no de experimentos y la medici on son dos de los tres componentes que conforman lo que algunos autores[PP91] llaman investigaci on cuantitativa. El tercer elemento es el an alisis de la informaci on.

1.5.3.

C omo experimentar?

En el sentido amplio, dar par ametros para realizar experimentos podr a ser contradictorio con la naturaleza 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 tecnol ogicos. No obstante ese mismo proceso emp rico a ido evolucionando a la fundaci on de metodolog as con la ayuda de herramientas m as formales como son la probabilidad y la estad stica, de este modo es posible esquematizar una gu a para el dise no de experimentos[Mon01] como se muestra en la Figura 1.21.
Reconocer y plantear el problema

Dise no del experimento

Elegir los factores, niveles y rangos Escoger la estrategia de experimentaci on

Medici on y cuanticaci on An alisis de la informaci on

{ Realizar el experimento

Seleccionar la variable de salida

Analizar de la informaci on Concluir y recomendar

Gu a para el dise no de un experimento

Figura 1.21

 DE EXPERIMENTOS 1.5. CONCEPTOS SOBRE PLANEACION

Reconocer y plantear del problema

33

Es un paso obvio que normalmente se subestima ignorando la capacidad que tiene este para ayudar al buen t ermino del experimento. Simplemente, es dif cil llegar si no se sabe a d onde se va. Es en esta etapa en donde se denen los objetivos del experimento, qu e quiero responder o averiguar a trav es de el, cu al es su alcance, cu ales sus l mites. Una buena herramienta es la lluvia de ideas involucrando todas las areas relacionadas con el problema y utilizando toda informaci on emp rica y no estad stica logrando as una visi on hol stica del mismo. area 1 problema area 3
Figura 1.22 Reconocimiento del problema

area 2

denici on

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 te orico) sobre el problema con el n de eligir18 los factores m as relevantes para el experimento, esa relevancia est a determinada por los objetivos y planteamiento de la etapa anterior y puede estar enmarcada en la clasicaci on[Mon01] de la Figura 1.23. Como su nombre lo 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 a los mejores resultados. Obs ervese que aunque dicha divisi on permite localizar problemas m as espec cos, no cambia el hecho que el sistema siga vi endose afectado por los mismos factores reconocidos anteriormente, por tanto es u til separar nuevamente los factores y clasicarlos como factores de dise no, al conjunto ahora reducido de las variables de inter es, y al resto de factores, seleccionarles un
18

Incontrolables

Ver nota 17, p agina 31

34

CAP ITULO 1. DATOS EXPERIMENTALES

nivel19 y controlarlos, a este u ltimo conjunto se le conoce tambi en como factores constantes. Finalmente, los factores controlables estar an rotando entre factores constantes y de dise no, dependiendo el objetivo primario del experimento. Para el Ejemplo 1.7 la referencia de los transistores afecta la eciencia, sin embargo como el objetivo central no es determinar cu al referencia es mejor, a este factor se le asigna un nivel y se mantiene constante para todo el experimento. De la misma manera, la referencia del transistor puede convertirse en un factor de dise no, si por ejemplo el objetivo general de experimento es indagar sobre el desempe no de diferentes referencias. El experimentador permitir a, o mejor, aceptar a20 las variaciones de los factores incontrolables y en la medida de lo posible deber a estimar los efectos de estas uctuaciones sobre el sistema. En el ejemplo anterior, 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 dise no, entonces para la estimaci on de los efectos pueden utilizarse t ecnicas estad sticas anal ticas, como el estudio de la distribuci on del error y su propagaci on, o t ecnicas num ericas como los an alsis de Montecarlo. Por otro lado, cuando las condiciones propias permiten realizar la medici on de los factores incontrolables durante la ejecuci on del experimento, an alisis de covarianza posteriores permitir an estimar los efectos sobre el sistema en cuesti on. Sea cual sea la forma estimar dichos efectos, el experimentador puede recurrir a algunas t ecnicas21 para minimizarlos. Con el estudio y selecci on de los factores realizado resta s olo determinar el rango o intervalo de variaci on de los mismos y, en conjunto con la estrategia de experimentaci on, decidir los niveles o valores espec cos que tomar a cada factor.

Ejemplo 1.7
Caracterizar un amplicador Despu es de varias horas de trabajo una estudiante de ingenier a electr onica obtiene un dise no preliminar de un amplicador de audio. Ella est a interesada en obtener la mayor eciencia realizable para la topolog a dise nada. De acuerdo con su conocimiento lista las siguientes variables que afectan la eciencia: 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. el valor de la fuente de alimentaci on la corriente de polarizaci on del transistor de salida la topolog a seleccionada la potencia nominal el tipo de disipador el tipo de soldadura el fabricante del transistor elegido la tolerancia de todos los componentes la se nal de entrada la temperatura ambiente los instrumentos de medida

A partir de los resultados obtenidos la estudiante podr a determinar cu ales son las variables que afectan en mayor medida la eciencia, tambi en es posible generar gr acas de comportamiento de la eciencia en funci on de dichas variables. Lo anterior soportar a en adelante alg un experimento que busque optimizar un dise no.
Si son m as niveles podr amos decir que este factor pasa a ser de dise no o que el experimento se trabajar a por bloques, ver 1.5.4 20 Por causas econ omicas y/o t ecnicas, se toman decisiones de no controlar algunos factores. Por ejemplo, controlar la temperatura del espacio donde se encuentra una m aquina de extrusi on puede ser t ecnicamente muy complicado lo que econ omicamente lo hace inviable 21 Ver 1.5.4
19

 DE EXPERIMENTOS 1.5. CONCEPTOS SOBRE PLANEACION

Seleccionar la variable de salida

35

Usualmente el ndice de la variable de salida es la media aritm etica aunque tambi en se usa la desviaci on est andar en casos en los que se comparan dos procesos. Hasta aqu llega el alcance de la denici on y el planteamiento del problema, ya que fue all en donde todos los puntos de vista concordaron sobre las respuestas que deb a arrojar el experimento.
Escoger la estrategia de experimentaci on

En esta etapa se determina la log stica del desarrollo del experimento. Es aqu donde se denen cu ales son 22 los ensayos a ejecutar, la secuencia de los mismos, la cantidad de r eplicas, la manera en que se mide y se registran los datos, y en general cualquier aspecto relacionado al como hacer el experimento. Con respecto al n umero de corridas (ensayos escogidos por el n umero de r eplicas) y a la forma en que se cambian los factores existen algunas estrategias est andar entre los dise nadores de experimentos. La aproximaci on de mejor suposici on es la estrategia natural en el sentido que la direcci on a seguir se basa en el ensayo y error, el rumbo lo dene el pasado del mismo experimento y la experiencia del experimentador. El exito entonces depende en gran medida del experimentador y su conocimiento del sistema que est a estudiando. No obstante la gran experiencia, esta estrategia presenta dos grandes desventajas, la primera tiene que ver con la convergencia, es decir, si la mejor suposici on no resulta tan buena es necesario buscar otra y no existe garant a sobre la misma. La segunda se dirige a la optimizaci on, es decir no existe plena seguridad que la mejor suposici on, que arrojo buenos resultados, sea la optima para la variable en estudio. 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 sistem atica, se parte de un punto de referencia, usualmente escogido con base en el conocimiento del experimentador. En este caso se abarcan un mayor n umero de posibilidades aunque se deja por fuera la posible interacci on entre los factores. Por u ltimo el dise no factorial es aquel permite la variaci on de todos los factores a la vez de una manera organizada de tal suerte que es posible analizar las interacciones entre ellos. La desventaja principal es que si el n umero de factores o de niveles es demasiado grande, el n umero de corridas es potencialmente elevado. Sin embargo existen tambi en t ecnicas que tratan lidan con este problema y se denominan dise no factorial fraccionado.
Realizar el experimento

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

Normalmente este an alisis es estad 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 m etodos estad sticos no pueden probar que un factor (o factores) tiene un efecto particular, u nicamente denen gu as acerca de la conabilidad y validez de los resultados.[Mon01]
La determinaci on de niveles para los factores seleccionados permite crear un espacio de ensayos posibles, cuya dimensi on ser a el total de las combinaciones entre factores y niveles, y as se debe entender por ensayo como una combinaci on espec ca de dicho espacio, y por el t ermino corrida se debe entender como la ejcuci on de un ensayo en particular 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 e caminos se deben seguir? fue suciente este experimento? o es necesario hacer un nuevo experimento?

1.5.4.

Replicaci on, aleatorizaci on y control por bloques

Estos son principios b asicos que permiten que el dise no de un experimento apunte hacia una objetividad estad stica, adicional que facilitan el propio an alisis ya que soporta un de las suposiciones m as comunes en el an alisis estad stico: todas los elementos de una poblaci on tienen la misma probabilidad de ser muestreados para el experimento.
Replicaci on

Consiste en la repetici on de un ensayo. Obs ervese c omo dependiendo del n umero de r eplicas la estimaci on del error experimental es m as o es menos conable. Por ejemplo, si el experimento no tuviera r eplicas, i.e. se ejecutan los ensayos una sola vez, la tarea de atribuir las diferencias obtenidas entre ensayos ya sea a la variaci on de los factores o al error experimental, reacaer a principalmente a la experiencia y al conocimiento no estad stico, lo que podr a sesgar o subjetivizar las inferencias. Otro ser a el caso cuando el n umero de r eplicas crece y se puede estimar un intervalo de conanza para el error experimental. Hay que anotar que la cantidad de r eplicas se ve limitada por decisiones de ndole econ omico principalmente.
Aleatorios

Todo lo concerniente al experimento deber a organizarse de manera aleatoria, i.e. la secuencia de y entre corridas y las condiciones generales de cada corrida. Este proceso permite eliminar sesgos durante la realizaci on del experimento, minimizar algunos efectos de factores incontrolables y validar una de las principales suposiciones que se hacen cuando se trabaja con m etodos estad 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 variaci on de este par ametro. Si en el an alisis del dise no del experimento se pas o por alto este factor (la humedad), una aleatorizaci on en la secuencia de las corridas podr a minimizar el sesgo debido a la humedad. En la Figura 1.24 se observa la deriva temporal de la humedad relativa (HR) durante una semana de trabajo, de donde se puede estimar que la estabilizaci on del laboratorio comprende aproximadamente un d a y medio (el n de semana). En la Tabla 1.3(a), se muestra el detalle del 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 a cualquier combinaci on de niveles, n1i n2j con i = 1, 2 y j = 1, 2, 3 as , se deduce que el n umero total de ensayos posibles es de seis. De estos seis, el experimentador elige las cinco de inter es, e.g. ()1 , ()3 , ()4 , ()5 , ()6 , y propone realizar cuatro r eplicas, lo que lleva a tener 20 corridas en total. Si el tiempo invertido en una prueba es de un d a de trabajo el experimento durar a cuatro semanas. En la Tabla 1.3(b) se muestra una secuencia ordenada de los cinco ensayos y sus cuatro r eplicas. Comparando con la deriva de la HR es f acil ver el error sistem atico por humedad que podr an tener todas las corridas, por ejemplo las corridas del ensayo ()1 , i.e. 1, 6, 11 y 16, tendr an un menor efecto por humedad que las del ensayo ()6 , que potencialmente pueda sesgar cualquier inferencia. Finalmente en la Tabla 1.3(c) se presenta una secuencia aleatoria generada a partir de una distribuci on uniforme. En este caso los errores sistem aticos por humedad se podr an equiparar entre ensayos, e.g. las corridas 1, 11, 14 y 19 pertenecientes al ensayo ()6 tienen r eplicas

 DE EXPERIMENTOS 1.5. CONCEPTOS SOBRE PLANEACION

37

tanto con baja desviaci on de HR como con alta desvici on. Por u ltimo, cabe se nalar que una aleatorizaci on total en algunos casos es t ecnica o econ omicamente inviable, situaci on en la cual se podr a recurrir a otros m etodos de dise no encontrados en [Mon01].
Desv. HR L M M J V S

D L

Figura 1.24

Variaci on de la humedad en el laboratorio

Tabla 1.3

Proceso de aleatorizaci on (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

plicas Re ()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

plicas Re ()5 ()6 ()5 ()1 ()5 ()4 ()2 ()6 ()1 ()1

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

Bloques

Un bloque es un conjunto de r eplicas con los factores constantes 24 en alg un nivel seleccionado, lo que quiere decir que por cada nivel de alg un factor constante se har a necesario crear un bloque. El prop osito de hacer bloques es minimazar los efectos de dichos factores, generando corridas m as homog eneas desde el punto de vista de los factores de dise no. Como se mencion o anteriormente25 para el Ejemplo 1.7 la referencia de los transistores es un factor constante y as cada nivel de este constituir a un bloque. De esta manera el
24 25

Aquellos que son controlables Ver p agina 33

38

CAP ITULO 1. DATOS EXPERIMENTALES

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

1.5.5.

Ejemplos de planeaci on

A continuaci on se presentan algunos ejemplos que reunen los conceptos previamente vistos. Cada ejemplo es comentado posteriormente analizando algunas falencias dentro de la planeaci on.

Ejemplo 1.8
Dimensionamiento del experimento Siguiendo los pasos propuestos para la experimentaci on ahora se presentan aplicados a un problema espec co, el cu al fue tema para un proyecto de grado desarrollado en el Departamento de Ingenier a El ectrica y Electr onica. Planteamiento del problema. Para estudiar algunas dicultades en la postura vertical y la marcha de una persona, se recopila informaci on sobre la distribuci on de peso en la planta de los pies, tanto est aticamente como en movimiento. Para la obtenci on de dicha distribuci on se decide medir la presi on en diferentes puntos de la planta de modo tal que se pueda estimar como est a repartido el peso de la persona. Para elegir el tipo los sensores a utilizar se concebe un experimento como herramienta que permita determinar cu al es el m as apropiado para esta aplicaci on. El objetivo central del experimento es determinar qu e sistema de sensores es el adecuado para la medici on de presi on plantar, as despu es del desarrollo total de las pruebas y con base en criterios t ecnicos sustentados en los resultados estad sticos, se podr a establecer c omo debe ser el sistema a utilizar. Dentro de las restricciones principales se cuentan con: bajo presupuesto, disponibilidad nacional de algunos sensores, imposibilidad de fabricaci on de sensores con alg un nivel de integraci on y capacidad de env o y recepci on automatizada de informaci on. Selecci on de factores. Los factores conocidos que pueden afectar el desarrollo del experimento se listan a continuaci on. 1. 2. 3. 4. 5. 6. Principio y tipo de sensor primario Circuito de acondicionamiento Temperatura de operaci on Humedad relativa del medio Interferencia electromagn etica Geometr a y dimensiones del sistema de sensores

An alisis de factores: elecci on de niveles y rango. Quiz a el principal factor que afecta el desempe no del sistema de medida es el principio del sensor, ya que dependiendo de el los dem as factores tienen mayor o menor relevancia. Revisando los diferentes principios para la medici on de presi on y acotando con algunas de las restricciones del planteamiento se escogen dos principios: resistivo y capacitivo. Los dos pueden ser integrados f acilmente a un sistema electr onico para la adecuaci on y transmisi on de informaci on y del mismo modo los tama nos son razonablemente peque nos para realizar un sistema de sensores port atil que es apropiado para la medici on din amica de la distribuci on de peso.

 DE EXPERIMENTOS 1.5. CONCEPTOS SOBRE PLANEACION

39

Lo particular del circuito de acondicionamiento est a ligado al principio sensor, no obstante es posible delimitar las conguraciones gen ericas a utilizar: puentes de impedancias, osciladores y fuentes de corriente. La temperatura es una variable que en condiciones normales de operaci on del sistema es t ecnicamente dif cil de controlar. Por ejemplo, si el sistema consiste de una plantilla con una matriz de sensores, 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 a como un factor incontrolable pero medible para correcci on posterior, dejando que la aleatorizaci on del experimento permita encontrar diferentes condiciones de temperatura, que en u ltimas entregue datos para encontrar correlaciones entre la presi on y este factor. La humedad podr a afectar el comportamiento de los condensadores, especialmente, dadas algunas propiedades higrosc opicas de los materiales utilizados como aislantes. Sin embargo la dicultad de medici on de la humedad en s olidos imposibilita esta tarea como parte del experimento enmarcado en sus restircciones. As la humedad ser a un factor no controlable y no medible y por tanto se descarta del grupo de factores a tener en cuenta. El problema de la interferencia electromagn etica (EMI, por sus sigla en ingl es), presente en la mayor a de ambientes no controlados, se abordar a realizando blindaje y acondicionamiento de se nal, por tanto tanto si el sistema aumenta su inmunidad a la EMI es un factor descartable, en primera instancia. Dado que los principios seleccionados son par ametros el ectricos, la geometr a del sensor determina el desempe no del mismo, se escogen placas paralelas o tubos conc entricos para un condensador y disposici on paralelep peda o cil ndrica para una resistencia. Por u ltimo, la cantidad y la disposici on de sensores conducir a a un dise no m as robusto, as que 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 a como un factor controlable, dejando como base cuatro conguraciones a determinar posteriormente, variando tambi en el n umero de sensores: 3, 4 y 5.

Del ejemplo anterior es claro que el objetivo del experimento es demasiado ambisioso: determinar cu al es mejor sensor, lo que partiendo de cero, como es el caso, un solo experimento dif cilmente lograr a responder 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 m as por la temperatura 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 a la determinaci on de la variable de 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 cu an grande el experimento puede llegar a ser: la dimensi on del espacio de ensayos ser a 144, eso sin hacer r eplicas, pero buscando estimar el error experimental por lo menos 3 r eplicas son necesarias, as el n umero total de corridas se incrementar a a 432! Con esto en mente lo mejor ser a que replante aramos el objetivo del experimento y que lo fraccion aramos en unidades m as peque nas, en las cuales el n umero de factores se reduce y las variables de comparaci on son m as f aciles de encontrar. Con experimentos de este tipo buscaremos adquirir conocimiento sobre los factores particulares, e.g. caracterizar un tipo de sensor de modo que para una posterior compraci on entre tipos de sensor tengamos claro cu ales son las m etricas de dicha comparaci on. Otra opci on con la que se cuenta es revaluar con base en el conocimiento no estad 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 Disposici on 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 opci on de utilizar sensores capacitivos puesto que seg un unos c alculos iniciales, el valor de la capacitancia con la que se trabajar a es bastante peque no, lo que a su vez complicar a el sistema de acondicionamiento. Con las medidas tomadas, la partici on del experimento y la elominaci on de factores, podr amos realizar varios experimentos, el primero de ellos busca determinar la geometr a m as adecuada del sensor, posteriormente otro que permita caraterizar el sensor con respecto a su entrada y salida deseables, luego otro para la caracterizaci on del sensor con respecto a entradas interferentes y/o modicantes y nalmente un experimento que ayude a determinar la disposici on geom etrica de los sensores dentro del sistema de medici on.

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

Como material resistivo se toma la decisi on de utilizar grato pulverizado por su facilidad de ocupar 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 se nal apropiada que sea funci on del cambio en la resistencia, as como tambi en la de ltrar EMI provenientes del medio, aunque cabe anotar que el medio estar a aislado de las pricipales fuentes de EMI conocidas.

 DE EXPERIMENTOS 1.5. CONCEPTOS SOBRE PLANEACION

41

Siendo un material semiconductor, la resistividad del grato es una funci on de la temperatura, pero dada la naturaleza del experimento, cuyo objetivo es buscar una geometr a, la temperatura se medir a continuamente para procesamiento posterior en busca de correlaciones. No se controla por que esto implicar a m as tiempo invertido en el montaje del experimento. Es claro ver como los factores analizados anteriormente se trabajan como factores controlables y constantes, i.e. con un solo nivel. Por u ltimo, se eligen dos vol umenes: cilindro y paralelep pedo. En cuanto a las dimensiones son dos factores, el area y la altura del volumen. Tomamos para cada factor de estos dos niveles enmarcados por las restricciones del problema. Este u ltimo 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 dise no factorial con tres r eplicas en total 3 ser an 24 corridas (2 3), un experimento manejable, comparado con las 432 corridas del Ejemplo 1.8. Posterior a la etapa del preplaneamiento, i.e. planteamiento del problema y elecci on de factores, se realiza la selecci on de la estrategia de experimentaci on, tema que est a fuera del alcance de este curso referenciado en [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 t erminos b asicos y generales en metrolog a., 1997. 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