Machine Translated by Google

146 5. Mediciones directas

Tabla 5.4. Desviaciones del coeficiente tc de tr (en %).

h/s 0.5 1 2 3 4 5 6 8 10

ÿ1 (ÿ = 0,90) ÿ1,2 ÿ1,9 ÿ2 (ÿ = 0,95) ÿ1,8 ÿ1,1 ÿ0,6 0,0 ÿ5,7 ÿ4,1 ÿ2,2 ÿ1,3 0.8 0,6 1.2
ÿ3,6 ÿ5,5 ÿ3 (ÿ = 0,99) ÿ7,4 ÿ11,0 ÿ12,1 0.0 0,5 1.0
ÿ9,4 ÿ7,3 ÿ5,5 ÿ4,0 ÿ2,2 ÿ1,1

El esquema presentado anteriormente para estimar la incertidumbre de una medición,

que contiene componentes aleatorios y sistemáticos, es un esquema general. En
problema particular diferente, se puede modificar sustancialmente.
También discutimos la cuestión de cuándo el componente sistemático o aleatorio de
la incertidumbre puede ser despreciada.
La Figura 5.2 muestra gráficas, construidas con base en los datos de la Tabla 5.1, de z1ÿr(h),
que corresponden a la composición de las distribuciones normal y uniforme y a la
distribuciones uniformes. Comparando las curvas 1 con los valores de z1ÿr de una normal
distribución (los puntos para h = 0), podemos encontrar el error introducido al despreciar
el componente sistemático. Se supone que este error no supera el 15%,

Figura 5.2. Cuantiles de los niveles 0.99, 0.95 y 0.90 para una composición de la normal
y distribuciones uniformes (curvas, 1) y para distribuciones uniformes (líneas rectas, 2).
Machine Translated by Google

5.6. Métodos para calcular la incertidumbre en mediciones múltiples 147

entonces obtenemos los valores límite de la relación h/ÿ. Dependiendo de la probabilidad de

confianza, estas razones son las siguientes:

a 0,90 0,95 0,99

h/s 1,2 1.1 1.1

Si se desprecia el componente aleatorio, entonces el error que surge está determinado por
la diferencia de las ordenadas de la curva exacta 1 y la línea recta 2 para h fija. Para el mismo
error del 15%, obtenemos la condición bajo la cual se puede despreciar el componente
aleatorio:

a 0,90 0,95 0,99 h/s 347

Es obvio que cuando se desprecia cualquier componente, el error global disminuye.

Por lo tanto, si h/ÿ < 1, entonces se puede despreciar con seguridad el error sistemático, y
si h/ÿ > 7, entonces se puede despreciar el componente aleatorio.
Es cierto que no conocemos los valores exactos de los parámetros h y ÿ; solo conocemos
sus estimaciones ÿ y S. Por esta razón, para ser rigurosos, se debe usar el límite superior del
intervalo de confianza para ÿ en lugar de ÿ al determinar si se puede despreciar el componente
aleatorio del error, y el límite inferior debe utilizarse para determinar si el componente
sistemático se puede despreciar.
Cabe señalar que, en general, el número de mediciones debe elegirse de modo que el error
aleatorio de la media aritmética sea insignificante en comparación con el error sistemático.

Al sumar los errores aleatorios y sistemáticos, despreciamos el error sistemático

absolutamente constante. Si este error está presente, entonces sus límites deben sumarse
aritméticamente a la estimación obtenida.
El método estudiado anteriormente se refiere a mediciones cuyos errores se estiman
exactamente. Para mediciones cuyos errores se estiman de manera aproximada, se tienen en
cuenta las propiedades de los instrumentos de medición empleados en base a las
especificaciones.
Ahora debemos hacer un comentario sobre el problema de tener en cuenta el error
intrínseco de los instrumentos en el caso de mediciones múltiples. El objetivo de hacer esto es
evitar tener en cuenta el componente aleatorio de este error dos veces.
La posibilidad de tal sobreestimación se oculta en el hecho de que, por un lado, la dispersión
en los resultados de mediciones individuales refleja todas las fuentes de error aleatorio,
incluido también el componente aleatorio del error intrínseco de los instrumentos, mientras
que por otro lado , al estimar la componente elemental aportada por el error intrínseco del
instrumento, esta componente también entra en el cálculo como parte del error intrínseco.

Para evitar el doble cómputo del componente aleatorio del error intrínseco del instrumento,
se debe eliminar del error intrínseco al estimar los límites del error elemental correspondiente;
es más difícil sacarlo de
Machine Translated by Google

148 5. Mediciones directas

los diferenciales en los resultados de mediciones individuales o el parámetro que caracteriza

a ellos.
En el caso de que se empleen instrumentos digitales, el problema puede resolverse
comparativamente simple. Por esta razón, es suficiente caer en el cálculo
el segundo término ±(b + q) en la fórmula o, si el error se expresa de acuerdo con
fórmula (2.2), reemplace ÿ por ÿ = c ÿ d.
En el caso de instrumentos analógicos, este problema debe resolverse dependiendo de
las propiedades de los instrumentos particulares. Para instrumentos de medida eléctricos,
por ejemplo, el componente aleatorio del error intrínseco se estandariza junto
con el error intrínseco al prescribir los límites permisibles de la banda muerta. Como
señalado anteriormente, el límite de error aleatorio es igual a la mitad de la banda muerta.
Cuando se estima el error elemental correspondiente de una medición múltiple,
el límite de error intrínseco del instrumento debe reducirse a la mitad del límite
de la banda muerta.
Naturalmente, no es necesario reducir el error elemental, pero este componente aleatorio
se puede tener en cuenta al calcular la varianza o la desviación estándar
del resultado de la medición. Por esta razón, la varianza de la componente aleatoria
debe calcularse a partir de la componente aleatoria del error intrínseco del instrumento, y luego su
valor debe restarse de la estimación de la varianza de
el resultado de la medición.
Volveremos al problema de combinar los componentes sistemáticos y aleatorios de la
incertidumbre. Este problema se simplifica significativamente, si la sistemática
componente tiene muchos componentes y se puede suponer que tiene una distribución normal. Por
ello, en la práctica, es suficiente que el componente sistemático
consisten en cinco o más errores elementales con aproximadamente los mismos límites. Si
el número de mediciones excede 20, entonces al calcular los límites de la
componentes sistemática y aleatoria, el coeficiente cuantil será el mismo para
la misma probabilidad de confianza. Tendremos = t Sx¯ y ÿÿa= t Sÿ . Como antes,
S2 = S2 + S2 o t 2 S2 = t 2 S2 + t 2 S2
C ÿ X C ÿ x¯ . De aquí se sigue que

t Sc = (t Sÿ )2 + (t Sx¯ )2

o porque uc = t Sc,

+ 2 (5.16)
uc = ÿ 2 a una.

Claramente, esta incertidumbre corresponde a la misma probabilidad de confianza para la cual

a y ÿÿ fueron calculados.
Ahora discutiremos los errores elementales absolutamente constantes. sus limites
se suman a la suma de los otros errores utilizando el mismo procedimiento que el estudiado
arriba para mediciones individuales:
k
ut = Hf + uc, (5.17)
f=1

donde {Hf }, f = 1, ..., k, son los límites de la elemental absolutamente constante

errores
Machine Translated by Google

5.7. Comparación de diferentes métodos 149

Observamos que si algunos errores elementales tienen límites asimétricos, entonces

están representados por límites simétricos después de ser desplazados en relación con el resultado de
medida por aj . Los cálculos se realizan por el mismo método que en el
caso de mediciones individuales. Recordemos una vez más que los sesgos aj no pueden ser
compensado mediante la introducción de correcciones: Las estimaciones de error son demasiado poco fiables para
cambiar el resultado de la medición.
Ahora haremos algunas notas con respecto a las mediciones múltiples con
errores cuasi aleatorios. El principal problema aquí es cómo construir la composición.
de las distribuciones de los errores cuasi aleatorios y sistemáticos. La distribución de
el error cuasi aleatorio se representa mediante un histograma, que se construye a partir de
los datos experimentales La distribución del error sistemático, sin embargo, es más
a menudo se obtiene en forma analítica, es decir, en forma de ecuación. Este último
ecuación, sin embargo, se transforma fácilmente en un histograma, después de lo cual el problema
de construir la composición de dos histogramas se resuelve mediante el método numérico
método estudiado en el Capítulo 3.
Finalmente, notamos que al medir cantidades promedio (que es precisamente
cuando pueden aparecer errores cuasi aleatorios), los errores sistemáticos a menudo son insignificantemente
pequeño, lo que en general me elimina el problema de combinar errores.

5.7. Comparación de diferentes métodos para combinar

Errores sistemáticos y aleatorios

El método anterior para combinar errores sistemáticos y aleatorios no es el único

método.
(1) El Instituto Nacional de Estándares y Tecnología de EE. UU. (NIST) da en
[21] la fórmula

tu = ÿ + a, (5.18)

metro
2
donde ÿ = ÿ
yo = 1 yo , si {ÿi},i = 1,..., m, son componentes sistemáticos independientes
metro

nentes, y ÿ = yo=1 ÿi , si son dependientes, y = tq Sx¯ . a

Primero, [21] es un documento de trabajo de NIST, una organización que es especialmente

interesado en los problemas de verificación y calibración de instrumentos de medición.
Las mediciones en este caso pueden tener errores elementales absolutamente constantes más
a menudo que en otros casos. Si tales componentes predominan, entonces la fórmula (5.18)
está justificado. Pero este método de cálculo de errores no puede extenderse a arbitrariamente.
mediciones, porque en la mayoría de los casos, resulta en una sobreestimación de la incertidumbre.
Estas fórmulas también se mencionan en [3].
Es necesario tener en cuenta que NIST emitió en l994 Directrices [51], donde se combinan
la incertidumbre se calcula de acuerdo con la Guía [1].
(2) La referencia estándar [3] y el manual [14] que la precede dan dos
fórmulas para calcular las incertidumbres con probabilidades de confianza de 0.95 y
0,99:

uc,0.99 = ÿ + t0.95 Sx¯ , uc,0.95 = ÿ 2 + (t0.95 Sx¯ )2.

Machine Translated by Google

150 5. Mediciones directas

El coeficiente t0.95 se elige según la distribución de Student en ambos casos para

la probabilidad de confianza 0.95(q = 0.05) y ÿ = n ÿ 1.
Las fórmulas parecen extrañas. No están relacionados con relaciones probabilísticas, mientras
que tienen una probabilidad de confianza establecida de 0.99 o 0.95 a la
resultado.

(3) Antes de que se publicara la Guía [l], el grupo de trabajo ISO/TAG4/WG3 presentó varios
borradores de la misma. El Cuarto Borrador contenía un nuevo método para medir
cálculo de la incertidumbre.1 Este método se reflejó en [19].
Los errores sistemáticos elementales se consideran errores aleatorios uniformemente distribuidos.
cantidades. Sin embargo, el límite de su suma se calcula con la fórmula ÿ = ÿ i , es decir, sin utilizar
2
i=1 el modelo indicado.
norte

Los errores sistemáticos y aleatorios se combinan con una fórmula que es esencialmente la
misma que (5.13). La única diferencia radica en el coeficiente tc. Aquí el
El coeficiente se encuentra a partir de la distribución de Student correspondiente a la probabilidad
de confianza seleccionada y el grado de libertad efectivo ÿeff . La siguiente fórmula
se da para calcular ÿeff:

metro 2 2
S4C S4X yo

= +
yo
.
eff
norte 3
yo=1

Se supone aquí que el componente aleatorio de la incertidumbre tiene un grado de

libertad ÿ = n ÿ 1, y cada componente del error sistemático tiene un grado de
libertad igual a uno. Sin embargo, la noción de un grado de libertad no es aplicable
a variables aleatorias con una función de distribución totalmente definida. Por tanto, es
imposible suponer que una cantidad con distribución uniforme dentro de límites dados
tiene un grado de libertad igual a uno (o a cualquier otro número finito). Por lo tanto, la
fórmula en discusión no está matemáticamente fundamentada.
(4) El método [l] de la Guía. En general, este método es el mismo método que
fue descrito en el Cuarto Borrador (y en otros borradores). Pero la deficiencia de la
El Cuarto Borrador se evita aquí suponiendo que el coeficiente tc sea constante: t = 2 paraC
ÿ = 0,95 y t = 3 para ÿ = 0,99.
C

(5) Método propuesto en este libro. Las fórmulas resultantes son (5.13) y (5.14).
Compararemos todos los métodos enumerados anteriormente para sumar la sistemática
y errores aleatorios en dos ejemplos numéricos.
Suponga que como resultado de alguna medición los siguientes indicadores de su
se obtuvieron errores:

Sx¯ = 1, n = 16, ÿ = 3.

Suponga también que los errores aleatorios tienen una distribución normal y que los errores
sistemáticos tienen una distribución uniforme. Entonces para la solución exacta podemos tomar

1 “Guía para la Expresión de la Incertidumbre en la Medición; Cuarto Borrador”. 13 de julio de 1990.

ISO/TAG4/WG3.
Machine Translated by Google

5.7. Comparación de diferentes métodos 151

los límites de confianza presentados en la Tabla 5.1. Como de costumbre, tomaremos ÿ1 = 0.95
y ÿ2 = 0,99. Después

uT, 0,99 = 4,49, uT, 0,95 = 3,67.

Aquí hay un error: Asumimos que Sx¯ = ÿx¯ . Pero para n = 16, este error no es
significativo, y lo descuidaremos.
Presentaremos los resultados computacionales obtenidos usando todos los métodos
examinado arriba.
(1) Referencia [21]. Los coeficientes de la distribución de Student con ÿ = n ÿ 1 =
15 y los valores indicados de las probabilidades de confianza serán los siguientes:

t0.99(15) = 2.95, t0.95(15) = 2.13,

0.99 = 2.95 × 1 = 2.95, 0,95
= 2,13 × 1 = 2,13.

Por lo tanto, u1,0.99 = 3 + 2.95 = 5.95 y u1,0.95 = 3 + 2.13 = 5.13.

(2) Referencia [3]. Haremos uso de los cálculos que acabamos de hacer.
realizado:

u2,0.99 = 3 + 2.13 x 1 = 5.13, u2,0.95 = 32 + (2.13)2 = 3.68.

(3) Referencia [19].

S2ÿ = 9/3 = 3, Sÿ = 1,73,

S2C = 1 + 3 = 4, SC = 2.

Calcularemos el número efectivo de grados de libertad:

42 1 dieciséis

= + 32 , = 9.07, y ÿeff = 2.
eff 15 eff

Luego, encontramos de la distribución de Student t3,0.99 = 9.9 y t3,0.95 = 4.3.

Correspondientemente, obtenemos

u3,0.99 = 9.9 × 2 = 19.8, u3,0,95 = 4,3 × 2 = 8,6.

(4) Referencia [1]. Tenemos, en este caso, Sc = S2 X

+ S2ÿ = ÿ1 + 3 = 2,0. Ser
causa t0.99 = 3 y t0.95 = 2, obtenemos

u4,0.99 = 3 · 2 = 6, u4,0.95 = 2 · 2 = 4.

(5) Las fórmulas (5.13) y (5.14) dan Sÿ = 1.73 y Sc = 2.0.

2,95 × 1 + 0,99 × 3 5.92
t5,0.99 = = 2,17,
= 1 + 1.73 2.73

2,13 × 1 + 0,95 × 3 4.98

t5,0.95 = = = 1,82,
1 + 1,73 2.73

u5,0.99 = 2.17 × 2 = 4.34, u5,0,95 = 1,82 × 2 = 3,64.

Machine Translated by Google

152 5. Mediciones directas

Tabla 5.5. Errores de diferentes métodos de incertidumbre

cálculo, por ejemplo, con ÿ = 3, ÿx = 1, n = 16.

(ui ÿ uT )/ uT × 100%

Método de cálculo ÿ = 0,99 ÿ = 0,95

32 39.0
1 14 0.3
2 340 132.0
34 34 6.0
5 3 0.8

Tabla 5.6. Errores de diferentes métodos de incertidumbre

cálculo, por ejemplo, con ÿ = 0,5, ÿx = l, n = 16.

(ui ÿ uT )/ uT × 100%

Método de cálculo ÿ = 0,99 ÿ = 0,95

1 30 29
2 27
38 13
42 12
5 43

Compararemos las incertidumbres estimadas con los valores exactos uT,0.99 y

uT,0.95 presentado inicialmente para los intervalos de confianza correspondientes. Los resultados
se resumen en la Tabla 5.5. Los errores para el caso ÿ = 0.5 y el anterior
los valores Sx¯ = 1 y n = 16 se calcularon de manera análoga. Los resultados se presentan
en la Tabla 5.6. En comparación con el ejemplo anterior, el método 4 y especialmente
el método 3 en este caso muestra una disminución significativa en el error. No es sorprendente
porque ahora el componente sistemático es insignificante en relación con el aleatorio
componente.
Los ejemplos presentados muestran lo siguiente:

(a) Como era de esperar, el método de [19] no se puede utilizar cuando el error sistemático es
significativo.1
(b) El método de la referencia estándar [3], independientemente de las observaciones hechas
anterior, dio en ambos ejemplos resultados satisfactorios.

1 Las deficiencias de este método se discutieron en el informe “The USA and the
Estándares de la URSS para la incertidumbre de la medición” impartida por S. Rabinovich en la
Conferencia de Ciencias de la Medición en Anaheim, CA, el 31 de enero y el 1 de febrero de 1991.
Machine Translated by Google

5.8. Aspectos Esenciales de la Estimación de Errores de Medición 153

(c) El método de [21], como se esperaba, dio en los ejemplos estudiados estimaciones de que
eran demasiado altos.

(d) El método 4 es bueno si el componente sistemático es pequeño en relación con el aleatorio

componente.
(e) Las fórmulas (5.13) y (5.14) dieron los mejores resultados en ambos ejemplos.

Los ejemplos no son, por supuesto, una prueba, pero sin embargo ilustran bien la
consideración expresada anteriormente.

5.8. Aspectos Esenciales de la Estimación de Errores de

Medición cuando el Número de Mediciones es Pequeño

En la práctica, las mediciones se realizan a menudo con un número muy pequeño de

observaciones, por ejemplo, dos o tres observaciones. Esta cantidad no es suficiente para el
análisis estadístico, y tales medidas no pueden llamarse medidas múltiples. Al mismo tiempo,
tampoco son medidas únicas.
¿Cuál es el sentido de esta aparentemente extraña elección del número de medidas? El
análisis muestra que esta pequeña cantidad comprueba la idoneidad del modelo seleccionado
para el objeto de estudio. Por ejemplo, cuando se mide el diámetro de un eje, se mide en
varios lugares a lo largo del eje y en diferentes direcciones. Si las condiciones en las que se
realizan las mediciones son suficientemente estables y el modelo (cilindro) corresponde al
objeto (eje), las diferencias entre los resultados de una sola medición deben ser pequeñas y,
en cualquier caso, menos del doble del error de una sola medida. Si la diferencia entre las
medidas es grande, no tiene sentido utilizar el método de medida seleccionado. Si la diferencia
entre las mediciones es pequeña, entonces surge la pregunta de qué debe considerarse como
el resultado de una medición y cuál es su

error.
En este caso, en principio, el resultado de cualquier medición única se puede utilizar como
resultado de la medición. Pero debido a que las mediciones ya se han realizado, aún sería
bueno usarlas de alguna manera. Por esta razón, la media aritmética de los resultados de
observación se utiliza como resultado de la medición.
A este respecto, este caso no es diferente del caso de las mediciones múltiples.
Sin embargo, la situación es diferente con respecto a la incertidumbre de medida.
Aquí hay que tener en cuenta dos casos.

(1) La diferencia entre los resultados de observación es insignificante, es decir, tres o más
veces menor que el límite de error. Este resultado significa que el modelo se corresponde bien
con el objeto y que el componente aleatorio del error de los resultados observacionales es
pequeño. En cuanto a los errores sistemáticos, debido a que las condiciones bajo las cuales
se realizan las observaciones son constantes y los instrumentos de medición no cambian, el
error sistemático será el mismo para todas las mediciones.
Machine Translated by Google

154 5. Mediciones directas

Por ello, en este caso, el error de medida es también el error de un solo

medición.
(2) La diferencia entre los resultados observacionales es significativa. Dejanos ver
cómo se puede estimar el error de medición en este caso.

La diferencia entre los valores más grande y más pequeño de n observaciones

Se llama en estadística matemática al rango Rn de las observaciones en una muestra.
La función de distribución del rango se tabula para distribuciones aleatorias normalmente distribuidas.
cantidades. Suponiendo que el error aleatorio de una sola medida tiene un valor normal
distribución, podemos escribir

P{Rn ÿ a} = ÿ,

donde a es el límite elegido para Rn. A continuación, suponga que tenemos tres medidas
individuales y que ÿ = 0,95.
De la tabla1 encontramos, para ÿ = 0.95 y n = 3, que a = 3.3ÿ o ÿ = a/3.3.
Sea a = b , donde es el límite de error de una sola medición. Pero para
ÿ = 0.95, el límite de error aleatorio se puede estimar como

1.96
1 = 1.96ÿ = a = 0.594b
3.3

Deje que el error sistemático conste de más de cuatro componentes. Después

2 ÿ= 2 2 = 1 ÿ 0.353b2.
= ÿ2 +
ÿ

1, 1

El radicando debe ser mayor que 0. Entonces el valor máximo del coeficiente
es bm = 1.7.
Ahora consideraremos el error de la media aritmética. La desviación estándar
en este caso será ÿx¯ = ÿ/ÿn = ÿ/ÿ3. A partir de aquí, encontramos el valor límite de
el error aleatorio:

1 0.594
0.95 =
3 t0.95ÿx¯ = = segundo _

ÿ3

El valor límite del error sistemático ya ha sido estimado:

ÿ = 1 ÿ 0.353b2.

Para el error de medida total, obtenemos de aquí la expresión

2
0.594b
=ÿ2+ 2 = 1 ÿ 0.235b2.
X a = (1 ÿ 0.353b2) +
ÿ3

1
Véase, por ejemplo, A. Hald, Statistical Theory With Engineering Applications (Wiley, New
York, 1952).
Machine Translated by Google

5.9. Plan General de Estimación de la Incertidumbre de Medida 155

Ahora podemos estimar la disminución del error de la media aritmética en comparación

con el error de una sola medida con n = 3 medidas: µ = x¯/ = ÿ 1 ÿ 0.235b2

b = 0,5, µ = 0,97, b = 1,0,

µ = 0,87, b = 1,5, µ = 0,69,
b = 1,7, µ = 0,57.

El caso b = 1.7 significa que todo el error de una sola medición está determinado por el
componente aleatorio. En este caso, la medición debe diseñarse como una medición
múltiple.
Para b = 1,0, tenemos µ = 0,87; es decir, el error en el resultado de la medición es igual
al error en una sola medida.
Así, si suponemos que el rango, es decir, la mayor diferencia entre las medidas, para n
= 3 puede alcanzar el límite de error permisible de una sola medida, entonces el error de
la media aritmética se aproximará igual que el error de una sola medida. Además, exigir
que el límite de error de una sola medida sea la fracción más pequeña del rango no reducirá
significativamente la estimación del error de la media aritmética.

5.9. Plan General de Estimación

de la Incertidumbre de Medida

El propósito de esta sección es dar, sin entrar en detalles, un plan general para estimar las
incertidumbres de las mediciones directas. Este plan debe ayudar al lector a concentrarse
en los puntos esenciales de cada paso en la solución del problema.

1. Analizar los datos iniciales.

1.1. Estudia el problema de la medida. Para esto, primero se debe tener una idea del
objeto cuyo parámetro se está midiendo, el propósito de la medición y la precisión de
medición requerida. En relación con estas preguntas, es necesario determinar un modelo
del objeto y tratar de comprobar que el parámetro a medir (la cantidad medida) corresponde
a la precisión de medición requerida. A continuación, es necesario escribir las cantidades
físicas que caracterizan el entorno circundante y que afectan el tamaño del parámetro
medido, estimar sus valores nominales y rango de variación, y determinar cómo deben
medirse estas cantidades, si la medición está siendo planificada. , o fueron medidos, si la
medición ya se ha realizado.

1.2. Establecer cuáles de las propiedades metrológicas de los instrumentos de medición

elegidos para la medición, o ya empleados para realizar la medición, son importantes para
la medición dada.
Machine Translated by Google

156 5. Mediciones directas

2. Prepare los datos para los cálculos.

2.1. Compile una lista de todos los posibles errores elementales en la medida dada.
2.2. Estime los límites de todos los errores elementales. Expréselos en forma de
errores absolutos o relativos y escala a la entrada del aparato, instrumento o canal de
medición.
2.3. Determinar si es útil introducir correcciones y la posibilidad de obtener
estimaciones puntuales de los correspondientes errores elementales necesarios para
ello. Esta cuestión debe resolverse primero para los errores elementales dominantes.
Determinar las correcciones a realizar. Estime los límites de imprecisión de cada
corrección y agréguelos a la lista de errores elementales.
2.4. Comprobar la independencia de los errores elementales. Si los errores ÿ1 y ÿ2
por diferentes causas dependen de una tercera cantidad física, entonces estos errores
serán dependientes. Para eliminar esta dependencia, a menudo es suficiente introducir
un nuevo error elemental que refleje el efecto de esta tercera cantidad en el resultado
de la medición. Entonces, en lugar de ÿ1 y ÿ2, tendremos nuevos errores elementales1
ÿ y ÿ que ahoraerrores
aquellos pueden
elementales considerarse
encuyos
errores independientes.
condicional
límites difieren yen 2, 2.5.
absolutamente
magnitud Dividaes
todos
constantes,
absoluta, ylos errores
señale
decir, son
asimétricos en relación con el resultado de la medición. Si la medida es múltiple,
entonces es necesario determinar si su error es puramente aleatorio o casi aleatorio.
Estime los límites de confianza de este error.

2.6. Estime las cantidades necesarias para calcular los errores adicionales. Por esta
razón, es deseable medir estas cantidades; este proceso es necesario si se pretende
introducir las correcciones correspondientes. En el caso de que se estime el valor
límite del error adicional, suele ser suficiente tener el valor límite de la cantidad
influyente.
2.7. Estime el posible cambio en el error intrínseco de los instrumentos durante el
período de tiempo desde que fueron calibrados. Si existen motivos para suponer que
el error intrínseco podría haber excedido los valores permisibles, dichos instrumentos
deben volver a verificarse antes de realizar la medición y, si es necesario, ajustarse o
recalibrarse.

3. Calcular el resultado de la medición.

3.1. En el caso de mediciones individuales, el resultado de una medición a menudo
se obtiene directamente de la indicación del instrumento de medición y no se requieren
cálculos para esto. A veces, sin embargo, la indicación de un instrumento en unidades
de las graduaciones de la escala debe multiplicarse por el factor de escala, deben
introducirse correcciones y deben realizarse otros cálculos no específicos. En el caso
de mediciones múltiples, se suele tomar la media aritmética como resultado de la
medición. Sin embargo, también se puede utilizar un algoritmo diferente, determinado
por la definición de la cantidad medida. Las correcciones, si son iguales para todas las
medidas individuales, pueden introducirse en la media aritmética y no en el resultado
de cada medida.
3.2. Se suele hacer una estimación a priori del error o la incertidumbre para el caso
menos favorable. Si se planifican mediciones múltiples, entonces el posible valor de la
Machine Translated by Google

5.9. Plan General de Estimación de la Incertidumbre de Medida 157

la desviación estándar se toma en base a las recomendaciones de los expertos. Los métodos
para realizar los cálculos se presentaron en este capítulo.
3.3. La estimación a posteriori del error o la incertidumbre se realiza utilizando los métodos
presentados en este capítulo.
3.4. La forma en que se presentan los resultados de la medición y su error.
o incertidumbre se presentaron en el Capítulo 1.
Machine Translated by Google

6
Mediciones indirectas

6.1. Términos básicos y clasificación

La medición indirecta es una medición en la que el valor de la cantidad desconocida

buscado se calcula utilizando medidas de otras cantidades relacionadas con la medida por alguna
relación conocida. Llamaremos a estas otras cantidades medida
argumentos o, brevemente, argumentos.
En una medición indirecta, el valor verdadero de un mensurando A está relacionado con el verdadero
valores de los argumentos Aj(j = 1,..., N) por una función conocida f. Esta relacion
puede representarse en forma general como

A = f (A1,..., AN ). (6.1)

Esta ecuación se llama ecuación de medida. Las formas específicas de las ecuaciones de
medición pueden considerarse como modelos matemáticos de efectos indirectos específicos.
mediciones.
Son posibles varias clasificaciones de medición indirecta. vamos a limitar
nosotros mismos a clasificaciones que serán útiles para nuestros propósitos.
Desde la perspectiva de realizar una medición , distinguiremos
y múltiples mediciones indirectas. En mediciones individuales, todos los argumentos son
medido una vez. En la medición múltiple, todos los argumentos se miden varios
veces.
Según la forma de la dependencia funcional (6.1), distinguiremos
mediciones indirectas lineales y no lineales. En el caso de una medición indirecta lineal, la
ecuación de medición tiene la forma
norte

A = b0 + hola _ (6.2)
j=1

donde {bj} son coeficientes constantes. Las medidas indirectas no lineales son diversas,
y por lo tanto, es imposible representarlos a todos con una forma general de
ecuación de medida.
La física de los procesos de medidas indirectas nos da otro importante criterio de clasificación.
Para motivar esta clasificación, comparemos las
Machine Translated by Google

160 6. Mediciones indirectas

medición precisa de la densidad de un sólido y la medición del coeficiente de temperatura de la

resistencia eléctrica de una resistencia.
Para medir la densidad de un sólido, su masa y volumen deben medirse de forma
independiente, con una precisión constante.
En la medida del coeficiente de temperatura, la resistencia de la resistencia y su temperatura
se miden simultáneamente, lo que significa que las medidas de estos argumentos no son
independientes. Así, distinguiremos medidas indirectas dependientes e independientes.

Las mediciones indirectas, al igual que las mediciones directas, se dividen en estáticas y
dinámicas. Las mediciones indirectas estáticas pueden ser diferentes según las propiedades de
los argumentos medidos. Si los argumentos medidos pueden considerarse constantes en el
tiempo, entonces la cantidad medida indirectamente también es constante; es decir, tenemos la
situación estática habitual.
Sin embargo, la cantidad medida también puede ser constante cuando los argumentos varían.
Por ejemplo, suponga que estamos midiendo la resistencia de un resistor por el método del
amperímetro y el voltímetro, y el voltaje de la fuente cambia con el tiempo según las condiciones
de la medición. Aunque los argumentos medidos cambian, la cantidad medida permanece sin
cambios.
Para obtener el resultado correcto en el caso bajo estudio, los argumentos deben medirse con
instrumentos de manera que los argumentos no cambien significativamente durante el intervalo
de tiempo durante el cual se establecen las indicaciones de los instrumentos.

6.2. Coeficiente de Correlación y su Cálculo

Los métodos tradicionales para estimar la incertidumbre de las medidas indirectas, como se
señala en la Guía [1], incluyen el cálculo del coeficiente de correlación.
Más adelante en este libro, desarrollaremos una nueva teoría que evita cualquier necesidad del
coeficiente de correlación. Sin embargo, dada la importancia tradicional del coeficiente de
correlación y la gran confusión en metrología con su cálculo,1 tiene sentido describir aquí un
procedimiento claro y correcto para el cálculo práctico del coeficiente de correlación.

La base matemática y los métodos de los cálculos del coeficiente de correlación se pueden
encontrar en muchos libros sobre teoría de la probabilidad y estadística matemática. Me refiero
a Mathematical Statistics de BL van der Waerden [52].
Considere dos cantidades aleatorias X e Y con expectativas matemáticas iguales a cero (E[X]
= 0 y E[Y ] = 0) y varianzas finitas. Denote sus varianzas como V[X] = ÿ2 y V[Y ] = ÿ2 La varianza
de una cantidad
X
aleatoria Z = X Y+. Y se puede calcular usando la ecuación

2 2
V[Z] = E[(X + Y ) ] = E[X2 ] + E[Y ] + 2E[XY ]. (6.3)

El último término E[XY ] se denomina segundo momento mixto o covarianza.

1 Estoy de acuerdo con RH Dieck en que “probablemente una de las estadísticas más incomprendidas y
mal utilizadas es el coeficiente de correlación” [22].
Machine Translated by Google

6.2. Coeficiente de Correlación y su Cálculo 161

La covarianza dividida por la raíz cuadrada del producto de las varianzas ÿ2 X p2Y
da el coeficiente de correlación ÿXY :

E[XY ]
ÿXY = .
ÿX ÿY

El valor del coeficiente de correlación siempre está dentro de [ÿ1, +1], y si |ÿXY | =
1, entonces existe una dependencia funcional lineal entre X e Y. Cuando ÿXY = 0, X
e Y no están correlacionados. Pero eso no significa que sean independientes. De lo contrario,
cuando 0 < |ÿXY | < 1, la naturaleza de la dependencia entre X e Y no puede ser
determinado inequívocamente: puede ser estocástico así como no lineal funcional
dependencia. Por lo tanto, en el último caso, si el conocimiento sobre la naturaleza del
Se requiere dependencia entre X e Y , solo se puede obtener en base a
propiedades del problema en lugar de inferirlas matemáticamente.
De las fórmulas anteriores, obtenemos

p2DE = ÿ2 X + p2 Y + 2ÿXY ÿX ÿY . (6.4)

En la práctica, tenemos que trabajar no con los valores exactos de los parámetros de azar
cantidades pero con sus estimaciones. Entonces, en lugar de varianzas ÿ2 con , p2x , p2Y y el
tenemos que usar sus estimaciones S2
coeficiente de correlación ÿXY , (también con ,
S2x , S2Y

use indistintamente S2(A) para denotar una estimación de la varianza de una cantidad aleatoria
A) y rXY . Si n es el número de pares medidos (xi, yi) de cantidades aleatorias X
y Y (i = 1,..., n), y x¯ y y¯ son promedios sobre n valores observados de X y
Y , después

norte norte

2 2
(xi - x¯) (yi - y¯)
yo=1 yo=1
S2X = , S2Y = .
norte - 1 norte - 1

La estimación de E[XY ] será

norte

(xi ÿ x¯ )(yi ÿ y¯)

yo=1
mXY = .
norte - 1

Entonces, rXY = mXY / SX SY .

Por lo tanto, las fórmulas para los cálculos son

norte

(xi ÿ x¯ )(yi ÿ y¯)

yo=1
rXY = , (6.5)
(n - 1) SX SY
S2DE = S2 X + S2Y + 2rXY SX SY. (6.6)

Se sabe que las estimaciones de las varianzas de los valores medios x¯ e y¯ son

S2X S2Y
S2X = y S2 = .
y¯
norte norte
Machine Translated by Google

162 6. Mediciones indirectas

Entonces, al dividir (6.6) por n, obtenemos la estimación de la varianza de la media

valor de Z:

S2Z¯ = S2 X + S2 + 2rXY Sx¯ Sy¯ . (6.7)

y¯

La estimación del coeficiente de correlación aquí es la misma que en (6.5). uno también puede
use Sx¯ y Sy¯ para el cálculo de la estimación del coeficiente de correlación usando el
hecho de que SX SY = nSx¯ Sy¯ . Entonces, (6.5) cambiará a lo siguiente:
norte

(xi ÿ x¯ )(yi ÿ y¯)

yo=1
rXY = . (6.8)
n (n - 1) Sx¯ Sy¯

Es necesario enfatizar que el número de realizaciones de X e Y (por ejemplo, el

número de mediciones de X e Y ) debe ser el mismo. Además, cada par de
estas realizaciones deben obtenerse en las mismas condiciones, por ejemplo, en el
mismo tiempo, a la misma temperatura, usando instrumentos de medición con el mismo
características dinámicas (en el caso de mediciones dinámicas), etc.
La teoría de las correlaciones dice que las realizaciones xi y yi deben pertenecer a la
mismo evento i. Una clara ilustración de esta afirmación la proporciona el ejemplo clásico del
análisis de precisión de la práctica de tiro. Aquí, cada evento es una toma.
Cada disparo i está descrito por un par de valores xi y yi que expresan la desviación de la bala del
centro del objetivo en coordenadas ortogonales. En el
En el caso de una medición indirecta, un evento es el conjunto de mediciones coincidentes
resultados de todos los argumentos. Este evento corresponde a un punto en el espacio
multidimensional con argumentos como coordenadas. Llamaremos a este punto una medida
vector.
En el ejemplo mencionado anteriormente de la medición del coeficiente de temperatura de la
resistencia eléctrica de una resistencia, cada par de mediciones de la
la resistencia y la temperatura es un vector de medida.

6.3. El método tradicional de experimentación

Procesamiento de datos

El procesamiento de los datos experimentales obtenidos en una medición consta de dos

pasos. En el primer paso, estimamos el valor del mensurando, y en el segundo
paso, calculamos la inexactitud de esta estimación.
En una medición indirecta, el primer paso tradicionalmente se basa en la suposición
que la estimación A˜ del mensurando A puede obtenerse sustituyendo A˜ en (6.1): j para aj

A˜ = f (A˜1,..., A˜N ). (6.9)

El segundo paso, también tradicionalmente, se resuelve mediante la expansión de la función (6.1) en

una serie de Taylor.
Machine Translated by Google

6.3. El método tradicional de procesamiento de datos experimentales 163

Por lo general, la serie de Taylor se escribe en forma de un valor aproximado de la función dada,
que se lleva a su valor real con la ayuda de correcciones. Queremos, sin embargo, trabajar con
errores más que con correcciones. Por lo tanto, escribiremos la serie de tal forma que el valor
aproximado de la función se exprese sumando algo a su valor verdadero.

Para simplificar aún más el cálculo, suponga que el número de argumentos N = 2.

Entonces tenemos la serie de Taylor en la forma:

ÿ ÿ
f (A˜1, A˜2) = f (A1, A2) + A1 ÿ A2 ÿ2 f (A1, A2) ÿ1 + ÿ

2
1 ÿ ÿ
+ ÿ1 + ÿ2 ÿ A1 ÿ f (A1, A2) +···
2! A2
metro

1 ÿ ÿ
+ ÿ1 + ÿ2 ÿ A1 ÿ f (A1, A2) + Rm+1, (6.10)
m! A2

donde A˜1 = A1 + ÿ1, A˜2 = A2 + ÿ2 (ÿ1 y ÿ2, los errores de A˜1 y A˜2), y Rm+1 es el resto del
término.
El resto del término se puede expresar en la forma de Lagrange:

m+1
1 ÿ ÿ
Rm+1 = ÿ1 + ÿ2 ÿ A1 ÿ f (A1 + v1ÿ1, A2 + v2ÿ2), (6.11)
(m + 1)! A2

donde 0 < v1,2 < 1.

Si la medida indirecta es lineal, todos los términos, excepto el lineal, son iguales
a cero.
La forma general del error de una medida indirecta es

ÿ = A˜ ÿ A = f (A˜ 1, A˜ 2) ÿ f (A1, A2).

Volviendo a la serie de Taylor, se obtiene

ÿ ÿ
z= A1 ÿ A2 ÿ2 f (A1, A2) ÿ1 + ÿ

2
1 ÿ ÿ
+ ÿ1 + ÿ2 ÿ A1 ÿ f (A1, A2) +···+ Rm+1. (6.12)
2 A2

En la práctica, sin embargo, solo se utiliza el primer término lineal para los cálculos de error:

ÿ F ÿ F ÿ = ÿ1 +
ÿ2. ÿ A1 ÿ A2

Las derivadas parciales anteriores se denominan habitualmente coeficientes de influencia. Los

denotaremos de la siguiente manera:

ÿf
wj = ÿ Aj , j = 1,..., N.
Machine Translated by Google

164 6. Mediciones indirectas

Ahora la ecuación anterior se puede escribir en la forma general:

norte

z= wj ÿ j . (6.13)
j=1

Tenga en cuenta que todas las derivadas parciales se calculan para las estimaciones A˜1, A˜2 porque se
desconocen los valores verdaderos A1, A2 .
Dejando de lado por un tiempo los errores absolutamente constantes, podemos escribir

= ÿj + ÿj , ÿj

donde ÿj y ÿj son componentes condicionalmente constantes y aleatorias del error,

respectivamente. Entonces, (6.13) toma la forma:
norte norte

z= wjÿj + wjÿj . (6.14)

j=1 j=1

La última fórmula dice que, en medidas indirectas, no sólo el error sistemático consta de
componentes, sino también el error aleatorio.
Consideraremos en esta sección solo los errores aleatorios, lo que significa que no hay
errores sistemáticos en la estimación del argumento, es decir, que E|ÿ1| = 0 y E|ÿ2| = 0.
Tendremos en cuenta estos errores más adelante, en la Sección 6.7.
La característica más importante de un error aleatorio es su varianza. De acuerdo con la
definición matemática de la varianza, obtenemos de (6.13), para N = 2,
2 2 2
V[ÿ] = E[(w1ÿ1 + w2ÿ2) ] = w2 1E + g1 , + w2 2E + ÿ 2 , + 2w1w2E[ÿ1 × ÿ2].

Esta fórmula es diferente de (6.3) solo en las notaciones. Por lo tanto, se puede escribir ÿ2 = w2

1ÿ2 1 + w2 2ÿ2 2 + 2ÿ1,2w1w2ÿ1ÿ2, (6.15)

dónde

2 2
ÿ2 = V[ÿ] = E[ÿ ], p2 1 = mi + z 1 , ,

2 E[ÿ1 × ÿ2] y
p22 = mi + z 2 , , ÿ1,2 = .
p1p2

Nos gustaría señalar que la varianza de un error aleatorio de la medida

El resultado de la medición es idéntico a la varianza del resultado de la medición:

V[ÿ] = V[A˜].

También tenga en cuenta que (6.15) tiene tres elementos, lo que corresponde al caso cuando N = 2.
Cuando N = 3, tendremos seis elementos. Así, con el aumento del número de argumentos, la
complejidad de los cálculos aumenta rápidamente. y el coeficiente de correlación ÿk,l son
En (6.15), los valores de varianza ÿ2 desconocidos y en su lugar se utilizan rk,l . Teniendo
j
y, en la práctica, sus estimaciones S2 esta en cuenta
j
sustitución y suponiendo el caso general de N argumentos, (6.15) se convierte en
norte

= w2j S2 (A˜ j) + 2 rk,lwkwl S(A˜k )S(A˜l). (6.16)

S2 (A˜) = S2 r
j=1 k<l
Machine Translated by Google

6.3. El método tradicional de procesamiento de datos experimentales 165

Se introduce la notación
r
S2 para enfatizar que esta estimación de la varianza refleja la
solo errores aleatorios.
Para estimar la varianza y el coeficiente de correlación, tenemos las fórmulas

1
norte

ÿ
2
S2 = S2(A˜ j) = j
n(n ÿ 1) ( xji ÿ x¯ j) ,
yo=1
(6.17)
norte

(xki - x¯k )(xli - x¯l) ÿÿÿÿÿÿ

yo=1
rk,l = .
n(n ÿ 1)S(A˜k )S(A˜l) ÿÿÿÿÿÿ

Aquí, n es el número de vectores de medición. El hecho de que las realizaciones xki y tengan el
mismo subíndice i significa que estas realizaciones deben tomarse del mismo vector x pi i.

Si las medidas de todos los argumentos son independientes, es decir, ÿk,l = 0, entonces (6.16)
se simplifica:

norte

S2r = w2 S2 (A˜ j). j

j=1

Esta ecuación da la siguiente expresión para la desviación estándar:

Sr = w2 1 S2(A˜1) +···+ w2 norte

S2(A˜N ). (6.18)

Las dos últimas fórmulas a menudo se denominan fórmulas de propagación de errores, aunque
en realidad expresan la propagación de varianzas.
Aunque (6.18) se dedujo solo para los errores aleatorios, tiene un amplio uso como fórmula
universal para la suma de todo tipo de errores. Esta forma de cálculo de errores tiene incluso un
nombre específico: el método de la suma de la raíz cuadrada.
El siguiente problema es calcular el intervalo de confianza para el valor verdadero del
mensurando. Este problema se puede resolver para mediciones indirectas lineales. Para
mediciones no lineales, no se puede resolver porque, en general, es imposible formar la distribución
de errores para estas mediciones.
Considere la medida indirecta lineal. La dispersión en las observaciones del error aleatorio en
la medición de cada argumento generalmente se puede considerar como una cantidad aleatoria
normalmente distribuida. Pero incluso si se debe suponer que una de estas distribuciones es
diferente de una distribución normal, la distribución de la media aritmética, en la práctica, aún
puede considerarse normal. El error aleatorio en el resultado de una medida indirecta, que se
determina sumando los errores aleatorios en las medidas de los argumentos, puede considerarse
con mayor justificación que una cantidad aleatoria normalmente distribuida.

Si el número de mediciones de cada argumento es mayor que 25–30, luego de elegir la

probabilidad de confianza ÿ, el límite del intervalo de confianza será

| un| = z 1ÿa Sr,

2
Machine Translated by Google

166 6. Mediciones indirectas

donde z 1ÿÿ es el cuantil de la distribución normal estandarizada. Su valor también se puede

2
encontrar en la tabla de distribución de Student, en la línea con el número infinito de grados
de libertad.
Surge una dificultad cuando el número de observaciones es inferior a 25-30. En este caso,
en principio, se podría utilizar la distribución de Student, pero no se conoce una expresión
exacta para los grados de libertad. Una solución aproximada, que da una estimación de los
grados de libertad, llamada número efectivo de grados de libertad, viene dada por la conocida
fórmula de Welch-Satterthwaite [3],
metro
2
b2i S2i (Ai)
yo=1
eff = metro , (6.19)
b4i S4i (Ai)

yo=1 yo

donde ÿi = ni ÿ 1. El límite a en este caso se puede calcular como

| ÿ| = tq Sr,

donde tq se encuentra a partir de la tabla de distribución de Student para el grado de libertad

ÿeff y la probabilidad de confianza elegida ÿ = 1 ÿ q.
Hemos mencionado anteriormente que los intervalos de confianza en general no se pueden
calcular para mediciones indirectas no lineales. Por lo tanto, en la práctica, la incertidumbre a
menudo se calcula mediante la fórmula de la suma de la raíz cuadrada

norte

ut = w2 ju2 j, (6.20)
j=1

donde u j es la incertidumbre de la medida del j-ésimo argumento y wj es el coeficiente de

influencia. Pero la fórmula de la suma de la raíz cuadrada es correcta para sumar varianzas,
no intervalos. Por lo tanto, obtenido de esta manera, es difícil llamar a este resultado un
intervalo de confianza o incertidumbre. Pero (6.20) es correcta solo si los errores de medición
de todos los argumentos después de la expansión de la serie de Taylor se distribuyen
normalmente y todas las
confianza.
incertidumbres
La prueba
u j se
de han
estacalculado
afirmación
para
es obvia
la misma
a partir
probabilidad
de la de
discusión de la fórmula (5.8).
El siguiente problema es cómo calcular el error sistemático del resultado de una medición
indirecta y cómo combinarlo con el error aleatorio para obtener la incertidumbre del resultado
de la medición indirecta. Una solución razonable de este problema se discutirá más adelante
en la Sección 6.7.

6.4. Deficiencias del método tradicional

El método tradicional se ha utilizado durante mucho tiempo. Pero como mostró el análisis
presentado en [46], tiene una serie de deficiencias.
Primero, para una función no lineal f

E[ f (X1,..., XN )] = f ( E [X1],..., E[XN ] ),

Machine Translated by Google

6.4. Deficiencias del método tradicional 167

donde X1,..., X N son cantidades aleatorias. Por tanto, la estimación del mensurando dada por
(6.9) es incorrecta cuando la ecuación de medida no es lineal. Evaluemos esta incorrección.

Regrese a (6.10) y ahora retenga no solo el primer término sino también el segundo.
Nuevamente, asumiendo N = 2 por simplicidad, obtenemos

ÿ ÿ 2
ÿ F ÿ F 1 ÿ1 + ÿ2 + 2 ÿ A1
z= ÿ A2 ÿ1 + ÿ2 ÿ A1 ÿ f (A1, A2).
A2

Supongamos, como antes, que ÿ1 y ÿ2 están libres de errores sistemáticos: E[ÿ1] = 0 y E[ÿ2]
= 0. Entonces la expectativa matemática del primer término es igual a cero:

ÿ F ÿ F ÿ1 +
Y ÿ2 = w1E[ÿ1] + w2E[ÿ2] = 0. ÿ A1 ÿ A2

Pero las varianzas de los errores ÿ1 y ÿ2

V[ÿ1] = ÿ2 1 > 0 y V[ÿ2] = ÿ2 >20,

y por lo tanto la expectativa matemática del segundo término no es igual a cero.

Por cierto

1 ÿ ÿ 2
E[ÿ] = E ÿ1 + ÿ2 ÿ A1 ÿ
2 A2 f (A1, A2) !

=
1 ÿ2 de 2 1 ÿÿ2
FF 2 · ÿ f E[ÿ1 × ÿ2] ÿ
mi + ÿ 1 , + mi + ÿ 2 , +
ÿ A2 2 ÿ A2 2 ÿ A1 A2
1 2
1 ÿ2 F ÿ2 F ÿ F ÿ2
1 ÿ2 + + ÿ A2 ÿ A2
= 2 2 ÿ A1 · ÿf (6.21)
1 2 ÿ1,2ÿ1ÿ2. ÿ
1 2
A2

Como ÿ2 > 0, ÿ2 > 0 y |ÿ1,2| < 1, E[ÿ ] = B = 0.

1 2
Por lo tanto, para mediciones indirectas no lineales, ¡la estimación del mensurando dada
por el método tradicional está sesgada! El sesgo del resultado de la medición se puede reducir
mediante la corrección C:

C = ÿB.

Pero incluso después de la corrección, la estimación de un mensurando no será exacta porque

solo tiene en cuenta dos términos, mientras que la serie de Taylor puede tener un número
infinito de términos.
Esta es la primera deficiencia de la teoría tradicional de las medidas indirectas.
Debe considerarse como una desventaja esencial ya que afecta los resultados de
mediciones.
La segunda deficiencia es la siguiente. La estimación de la varianza del resultado de la
medición, dada por (6.16), es imperfecta porque se obtuvo usando solo un término lineal en la
serie de Taylor. En otras palabras, la teoría tradicional no utiliza toda la información contenida
en los resultados de las mediciones de argumentos.
La siguiente desventaja de la teoría tradicional es el problema de los intervalos de confianza.
De hecho, esta teoría no proporciona métodos sólidos para construir
Machine Translated by Google

168 6. Mediciones indirectas

los intervalos de confianza para el valor verdadero de un mensurando en el caso de una

ecuación de medición no lineal.
Un problema adicional es el problema mencionado anteriormente de estimar la correlación
coeficientes que forman parte del método tradicional.

6.5. El método de reducción

La esencia del método de reducción es la siguiente. Suponga que x1i, x2i,..., xNi son resultados
de medición de argumentos de un vector de medición i. Recuerde que un vector de medida
recopila medidas de todos los argumentos realizadas en las mismas condiciones y al mismo
tiempo. Cada medida indirecta dependiente consta siempre de un número definido de vectores
de medida.
Entonces, sea n el número de vectores de medida obtenidos. Estos vectores pueden ser
representado como un conjunto:

{x1i, x2i,..., xNi} i = 1,..., n.

Sustituyendo los resultados del vector i-ésimo en la ecuación de medida, obtenemos el valor
i-ésimo del mensurando. Denotarlo por yi . Esta transformación está
obviamente justificada porque refleja la relación física entre un mensurando y los argumentos
de medición.
De la misma forma, n vectores de medida nos dan un conjunto de n valores de la medida:

{hacer}, i = 1,..., n.

Este conjunto no difiere de un conjunto de datos obtenidos por mediciones directas del
mensurando A. Por lo tanto, ahora podemos usar todos los métodos simples y bien entendidos
de mediciones directas, lo que proporciona de inmediato una estimación del mensurando.
norte

1
A˜ = y¯ = hacer, (6.22)
norte
yo=1

y una estimación de la varianza

norte

1 2
S2 (A˜) = S2 r = (yi - y¯) . (6.23)
n (n - 1) yo=1

El método de reducción también resuelve el problema del cálculo de los intervalos de

confianza, porque ahora tenemos el conjunto de n valores del mensurando. Los límites de un
intervalo de confianza y, por lo tanto, la incertidumbre del resultado de la medición.
son

u = tq S(A˜), (6.24)

donde tq se encuentra a partir de la distribución de Student para la probabilidad de confianza

elegida y obtuvo el número exacto de grados de libertad

v = norte - 1.
Machine Translated by Google

6.6. El método de transformación 169

Se podría pensar que el método de reducción impone requisitos especiales para realizar
la medición, a saber, que las mediciones de los argumentos se realicen de modo que los
resultados puedan representarse como una serie de vectores de medición. Sin embargo, el
método tradicional también impone este requisito. De hecho, si tenemos una medida indirecta
dependiente, todos los argumentos deben medirse en las mismas condiciones que el método
tradicional también, porque, de lo contrario, es imposible calcular los coeficientes de
correlación y, por lo tanto, es imposible estimar la varianza del resultado de la medida.

Por lo tanto, el método de reducción tiene algunas ventajas importantes sobre el método
utilizado tradicionalmente:

(1) Produce una estimación imparcial del mensurando.

(2) Utiliza toda la información obtenida en el curso de la medición para
estimación de la varianza de los resultados de la medición indirecta.
(3) Elimina el coeficiente de correlación en el cálculo de la incertidumbre de medición.
laciones
(4) Da el número exacto de grados de libertad y nos permite calcular los intervalos de
confianza para el valor real del mensurando.

Las ventajas enumeradas nos llevan a concluir que el método de reducción es el

método preferible para todo tipo de mediciones indirectas dependientes.
Es importante enfatizar aquí que las medidas indirectas independientes no necesitan
coeficientes de correlación. Como el método de reducción elimina la necesidad de coeficientes
de correlación en el caso de mediciones indirectas dependientes, el concepto de coeficiente
de correlación ya no es necesario en el procesamiento de datos de medición.

Para concluir, me gustaría señalar que propuse por primera vez este método de reducción
aproximadamente en 1970. Encontró una aplicación inmediata en las comparaciones
nacionales e internacionales de estándares de masa de radio unitaria y en mediciones de
otras cantidades radiactivas llevadas a cabo en All-Union State Research. Instituto de
Metrología que lleva el nombre de DI Mendeleev en la antigua Unión Soviética. Con los
informes de estas mediciones, la información sobre el Método de Reducción se difundió fuera
de ese Instituto y fuera del país. La primera publicación formal apareció en 1975 [34]. A estas
alturas, este método se ha vuelto bien conocido; se menciona en la Guía [1] bajo el nombre
“Método 2” y con una nota de que este método es preferible al “Método 1” (que es el método
tradicional).

6.6. El método de transformación

El método de reducción descrito en la Sección 6.5 reemplaza el método tradicional de
procesamiento de datos obtenidos de mediciones indirectas. Desafortunadamente, ese
método no es aplicable a las mediciones indirectas independientes y, por lo tanto, no había
una alternativa al método tradicional para ese tipo de mediciones. Pero el método tradicional
no satisface ni la teoría ni la práctica de las mediciones porque no proporciona una forma
fundamentada de construir intervalos de confianza y
Machine Translated by Google

170 6. Mediciones indirectas

por lo tanto, para calcular la incertidumbre de un resultado de medición. La Sección 6.4 discute
los inconvenientes de este método con más detalle. En consecuencia, estamos presentando un
nuevo método aquí, que llamamos el método de transformación y que es libre
de los inconvenientes anteriores.

La esencia del método de transformación puede entenderse intuitivamente si uno

considera una caja negra con los argumentos como su entrada y los valores del mensurando
como su salida. La caja negra transforma cada valor observado de cada argumento en
el valor correspondiente del mensurando. El conjunto obtenido de valores mensurando
proporciona la base para la estimación del mensurando junto con su incertidumbre para
una probabilidad de confianza elegida.
Volviendo a una descripción más detallada, sean Aj, j = 1,..., N los argumentos
de una medida indirecta independiente de un mensurando x:

x = f (A1,..., AN ). (6.25)

Primero, obtenemos las estimaciones de todos los argumentos, normalmente como valores medios A¯ j . Próximo,
sustituimos todos menos uno de los argumentos en (6.25) con sus estimaciones. El restante
argumento se denotará como Av y se considerará como una cantidad variable. Sea Av,i i =
1,...,..., nv serán los valores del argumento Av. Cada valor Av,i de la variable
Av, junto con las estimaciones de todos los demás argumentos, produce un valor de la
mensurando Por lo tanto, (6.25) se puede presentar en la nueva forma

xv, i = f (A¯1, ..., A¯ v ÿ 1, Av, i, A¯ v+1,..., A N ), i = 1,..., nv. (6.26)

Esta fórmula también se puede escribir como

xv, i = Cv v (Av, i), (6.27)

dónde

Cv = v (A¯ j), j = v. (6.28)

El coeficiente Cv se determina mediante estimaciones de los j y por lo tanto es constante para todo
valores A¯ Av,i . De manera similar, la función enestodo
la misma
Av,i . para De esta forma, un conjunto de nv
medidas de Av se transforma en el conjunto de los valores correspondientes de la
mensurando {xv,i}, i = 1,..., nv. Se realizan los mismos cálculos para cada
argumento, produciendo N conjuntos de valores del mensurando. El problema ahora es cómo
utilizar estos conjuntos para estimar el mensurando y su incertidumbre.
Comencemos con el análisis de error en el coeficiente calculado Cv. En el
medida realizada de x (que consta de múltiples medidas de argumentos), este coeficiente es
constante. Por tanto, su varianza es cero: V[Cv] = 0.
Pero debido a que A¯ = Aj , el valor de Cv no es absolutamente exacto. imagina ahora
j una repetición de la misma medida de x (quizás en otro laboratorio). los
las nuevas estimaciones A¯ serían ligeramente diferentes de A¯ j . Por lo tanto, el coeficiente
C j tampoco sería lo mismo que Cv. Por lo tanto, el error en xv,i causado por la inexactitud de
en

Cv es un error sistemático condicionalmente constante: es constante en el

medida realizada pero puede variar en otras medidas posibles del mismo
mensurando Teniendo las estimaciones de las varianzas S2(A¯ j), el cambio en Cv puede ser
caracterizado por la varianza S2(Cv) sobre posibles medidas de x.
Machine Translated by Google

6.6. El método de transformación 171

Ahora podemos pasar a los cálculos. La estimación del mensurando, obtenida

de un conjunto {xv,i}, es
Nevada

1
x¯v = xv, yo . (6.29)
nv yo=1

Por conveniencia, introduzcamos una nueva variable yv,i para reemplazar (Av,i) en (6.27): yv,i = (Av,i).
Entonces, (6.27) se puede reescribir como

xv,i = Cv yv,i .

Obtenemos de esta ecuación:

ÿ (xv,i) = wy ÿ (yv,i) + wcÿ (cv),

donde ÿ (xv,i), ÿ (yv,i) y ÿ (Cv) son los errores de, respectivamente, xv,i, yv,i y Cv, y wy y wc son los
coeficientes de influencia de yv,i y CV. Esta ecuación proporciona la dependencia entre las varianzas:

S2 (xv,i) = w2 S2 (yv,i)
y + w2 S2 (Cv).C (6.30)

Denote los términos en la Ec. (6.30) como =

S2 w2 S2 (yv,i);
S2 = w2 S2 (Cv). 2 C
1, yo y

El coeficiente Cv en el conjunto {xv,i} es constante como se discutió anteriormente. Por lo tanto,

para la medición realizada, S2 = 0.2Entonces,
expresa laS2(xv,i) = S2de
dispersión El xv,i
cálculo
en laanterior
1, yo significa
. medición quey,S2por
realizada 1,ilo
tanto, se puede calcular en la forma habitual:

Nevada

1 2
S2 .
1, yo = S2 (xv,i) = nv (xv,i ÿ x¯v)
ÿ1 yo=1

Entonces, la varianza de la estimación x¯v se puede encontrar como

Nevada

1 2
S2 (x¯v) = S2 1 = (xv,i ÿ x¯v) . (6.31)
nv(nv ÿ 1) yo=1

Ahora podemos dar cuenta de las variaciones de Cv en otras medidas posibles del mismo
mensurando, lo que dará como resultado un valor distinto de cero de S2(Cv). Si supiéramos S2(Cv),
2
podríamos entonces calcular S2 = w2 S2(Cv) y estimar la Cvarianza combinada S2 (x¯v):
C

S2
C (x¯v) = S2 1 + S2 2 . (6.32)

Sin especificar una función concreta en (6.28), no podemos proporcionar una fórmula general para
S2(Cv). Sin embargo, en cualquier medición específica, se conoce la función y se puede calcular
S2(Cv) . Un ejemplo de dicho cálculo se presenta en la Sección 7.2. Por lo tanto, consideramos que
S2 (x¯v) es conocido. Solo notaremos aquíCque estos cálculos
las varianzas son másen
se expresan simples
forma si las estimaciones de
relativa.
Machine Translated by Google

172 6. Mediciones indirectas

Recuerde que el cálculo anterior se realizó para un conjunto {xv,i} obtenido

suponiendo que un argumento Av en (6.25) era una variable. Al repetir esto
y S2 j, jC =
cálculo para cada argumento Aj , obtenemos las estimaciones x¯ j (x¯ j) para
1,..., N. A partir de estas estimaciones, ahora necesitamos encontrar la estimación general de la
mensurando y su incertidumbre.
Para la estimación del mensurando, podemos tomar la media ponderada x¯¯ de todos los x¯ j
y calcularlo de acuerdo con la recomendación del Capítulo 9:
norte

x¯¯ = gj x¯ j . j=1 (6.33)

Los pesos gj se encuentran como

gj 1
= . (6.34)
gj = norte ygj S2
j=1 gramo j
C (x¯j )

La estimación de la varianza de x¯¯ es

1
S2 (x¯¯) = . (6.35)
norte 1
j=1 S2
C (x¯j )

Teniendo S2(x¯¯), podemos calcular el intervalo de confianza para el valor verdadero de la

norte

mensurando Sea K el número total de elementos en todos los conjuntos{x j,i}: K = n j . j=1
Entonces, el número de grados de libertad es ÿ = K ÿ 1. Tenga en cuenta que este valor es
preciso. Se puede suponer que la función de distribución de x¯¯ es normal porque es
resultado de la suma lineal de muchos elementos. Entonces, la distribución de Student con entradas
ÿ y la probabilidad de confianza elegida ÿ proporciona el valor de tq , lo que nos permite
calcule el intervalo de confianza y, por lo tanto, la incertidumbre total ut de la medición
resultado como

ut = tq S(x¯¯). (6.36)

En la Sección 7.2 se presenta un ejemplo detallado del uso de este método.

En la mayoría de los casos, la ecuación de medición se puede transformar en la siguiente
forma:

x = f1(A1) ÿ f2(A2) ÿ ... ÿ fN (AN ),

donde ÿ denota una operación aritmética arbitraria (suma, resta, multiplicación o división) y los
términos del lado derecho están ordenados de acuerdo con
el orden de cálculo (es decir, la operación más a la izquierda se aplica primero a la primera
dos términos, entonces la segunda operación se aplica al resultado de la primera operación
y el tercer término, y así sucesivamente). Entonces, los cálculos para la medición indirecta
el procesamiento se puede simplificar mediante una serie de sustituciones sucesivas de argumentos. Cada
paso de este proceso sustituye un par de argumentos con un nuevo argumento. Después
(N ÿ 2) pasos, la ecuación original con N argumentos se transformará en
una ecuación de medida equivalente que tiene sólo dos argumentos. El procesamiento en cada
paso, así como el manejo de la ecuación final, utilizan el mismo
Machine Translated by Google

6.7. El método de transformación 173

cálculos basados en el método de transformación para una medición con dos

argumentos
Para ilustrar la idea principal de este método, considere una medición indirecta
con cuatro argumentos:

x = f1(A1) ÿ f2(A2) ÿ f3(A3) ÿ f4(A4).

Empezamos sustituyendo los dos primeros argumentos, A1 y A2. Con este fin, nosotros
reemplace los términos correspondientes con un nuevo argumento B = f1(A1) ÿ f2(A2). los
la ecuación de medición ahora se convierte en

x = B ÿ f3(A3) ÿ f4(A4).

Ahora aplicamos el método de transformación a la expresión de B anterior. (Un

ejemplo de aplicación del método de transformación a una medida indirecta
con dos argumentos se describe a continuación en la Sección 7.2.) De acuerdo con este método,
usamos los datos de medición para los argumentos A1 y A2 para obtener el conjunto de datos para
B ,{B i},i = 1, (n1 + n2), y de ahí la estimación B˜ y su desviación estándar,
que se utilizará en el siguiente paso.
Continuando con el proceso de sustitución, sustituimos el primer par de argumentos en
la ecuación que resultó del paso anterior, B y A3, con un nuevo argumento
segundo = segundo ÿ f3(A3). La ecuación de medición ahora se convertirá en

x = B ÿ f4(A4).

Similar al primer paso, usamos el conjunto de datos para la , su estimación y estándar

desviación B (del paso anterior), así como los datos de medición para A3, para
producir el conjunto {Bi },i = 1, (n1 + n2 + n3) para el argumento B su , su estimación B˜ y
desviación estándar.
La ecuación de medida producida por el último paso contiene sólo dos argumentos. Usando el
conjunto de datos y la estimación para B y los datos de medición para A4 ,
norte
ahora puede obtener el conjunto de datos para el mensurando x, {xk }, k = 1,..., Este j . j=1n
,
último conjunto, junto con la desviación estándar de B nos permite obtener la estimación
del mensurando y su incertidumbre.
Los cálculos anteriores se refieren al error aleatorio de la medición indirecta.
Pero una medida real también puede verse distorsionada por un sesgo (si la función f no es lineal)
y errores sistemáticos. Uno debe verificar la presencia del sesgo y corregirlo.
si es necesario como se describe en la Sección 6.4. El método de contabilización sistemática
errores se presenta más adelante en la Sección 6.7.
Para concluir, el método de transformación proporciona la incertidumbre de los resultados
de mediciones indirectas independientes bien fundamentadas y más precisas
de lo que era posible con el método tradicional. El método de transformación
complementa el método de reducción, que resolvió el mismo problema para el
mediciones indirectas dependientes. Por lo tanto, estos dos métodos juntos permiten un
procesamiento bien fundamentado de datos de cualquier medición indirecta múltiple.
Machine Translated by Google

174 6. Mediciones indirectas

6.7. Errores e incertidumbre de los resultados

de la medición indirecta

La incertidumbre de un resultado de medición indirecta se calcula sobre la base de la

estimación de sus componentes, es decir, errores sistemáticos y aleatorios.
Los errores aleatorios se caracterizan por su varianza cuya estimación viene dada por
(6.16) y (6.23) para medidas indirectas dependientes y por (6.18) y (6.30) para medidas
independientes.
Los errores sistemáticos no son aparentes en el proceso de medición, por lo que
deben ser evaluados teniendo en cuenta las posibles causas de los mismos: en primer
lugar, los errores sistemáticos en las mediciones de argumentos. Los cálculos para
estimar estos errores son los mismos para los dos tipos de mediciones indirectas. Son los
mismos también para mediciones múltiples e individuales.
La relación entre los errores de medición de los argumentos y el error de la medición
indirecta está representada por (6.13). Esta ecuación refleja la transformación de los
errores en las medidas de los argumentos en el error de una medida indirecta.

Además del error de los errores de medición de los argumentos, las mediciones
indirectas tienen una fuente adicional de error. Es una inexactitud de la ecuación de
medición. El siguiente ejemplo ilustrará este error.
Supongamos que debemos medir el área de un terreno que está representado por un
rectángulo en un croquis. Aquí el rectángulo es el modelo del objeto. Su área es Sm = ab,
donde a y b son las longitudes de los lados del rectángulo.
Las discrepancias entre el modelo y el objeto pueden expresarse en este caso por el
hecho de que el ángulo entre los lados no será exactamente de 90°, que los lados
opuestos de la sección no serán exactamente idénticos y que las líneas que delimitan el
área no será estrictamente recto. Cada discrepancia se puede estimar cuantitativamente
y luego se puede calcular el error introducido por ella. Por lo general, es obvio de
antemano qué fuente de error será la más importante.
Suponga que en nuestro ejemplo la fuente de error más importante es que el ángulo
entre los lados adyacentes difiere de 90° por ÿ, como se muestra en la figura 6.1. Entonces
habría que calcular el área de la parcela según la fórmula St = ab cos ÿ.
Por lo tanto, el error de la discrepancia de umbral en este caso será

S1 ÿ S2 = ab(1 ÿ cos ÿ).

Figura 6.1. Rectángulo y paralelogramo como modelo del terreno.

Machine Translated by Google

6.7. Errores e incertidumbre de los resultados de la medición indirecta 175

El ángulo admisible ÿa debe estimarse a partir de la precisión requerida para determinar el

área del piloto de terreno. Si ÿ ÿ ÿa, entonces el modelo debe ser redefinido
y la cantidad medida debe definirse de manera diferente. Correspondientemente, haremos
obtener una fórmula diferente para calcular el área medida.
Debemos tener en cuenta que la inexactitud de la ecuación de medición, o el umbral
discrepancia entre el modelo de un objeto a estudiar, y el objeto es un
error metodológico y es un error sistemático absolutamente constante.
Los errores aleatorios de las medidas indirectas fueron analizados previamente en este
capítulo. Comencemos ahora el análisis de los errores sistemáticos de las mediciones indirectas.

El enfoque general del problema de la estimación de errores sistemáticos es

similar al desarrollado para mediciones directas. Aún así, mediciones indirectas
tener algunos detalles. Una diferencia tiene que ver con los coeficientes de influencia de la
existencia wj . Por lo general, sus valores se calculan sustituyendo las estimaciones de
argumentos a favor de sus verdaderos valores. En otros casos, estos coeficientes se obtienen a partir de
experimentos especiales. En todos los casos, se obtienen con algunos errores. estos errores
se puede evitar si la ecuación de medición tiene la forma

A = Ak 1 Al 2 ... Un metro. (6.37)

En este caso, los coeficientes de influencia vienen determinados por las expresiones
ÿ un
w1 = = k Akÿ1
1 Alabama
2 ... Un
N,
ÿ A1
ÿ un
w2 = = Ak 1l Al 2ÿ ...
1 Un
N,
ÿ A2
···
ÿ un
wN = = Ak 1Al 2 ... Anÿ1
norte
n_
ÿ AN
El error absoluto está determinado por la fórmula (6.13). Ahora vamos a transferir de
el error absoluto al error relativo:
A˜ ÿ A a Akÿ1
1 Alabama Un l Ak 1Al2ÿ...1 Un
= 2 ... norte norte

mi = z1 + g2
A A A

Y 1Al 2 ... norte Anÿ1

norte

+···+ ÿN .
A
Sustituyendo la fórmula (6.37) por A, obtenemos
g1 g2 ÿN
mi = k + l +···+ n A1 .
A2 UN
Así, los coeficientes de influencia para los errores relativos en las mediciones de la
argumentos son iguales a las potencias de los argumentos correspondientes: w t, 1 = k, w 2
=
= norteanteriormente
w N señalado Los coeficientes k,l ... n se conocen exactamente a priori, por lo que el error
no surge.

Este resultado se puede obtener sin usar (6.13), en otras palabras, sin aplicar la serie de
Taylor. De hecho, tomemos el logaritmo de la ecuación (6.37). Eso
estarán

ln A = k ln A1 + l ln A2 + n ln AN .
Machine Translated by Google

176 6. Mediciones indirectas

Su diferencial es d A d A1
d A2 d AN = k + l +···+ n A1 A2 Los errores
de medición son pequeños.
tanto, puedenPor lo
los diferenciales .
A reemplazarsedespués
por inde
crimenets
que laUN
última ecuación obtenga la misma forma que se obtuvo anteriormente.

Por lo tanto, la forma relativa de errores proporciona los cálculos de incertidumbre con
valores exactos de coeficientes de influencia. Esta es otra ventaja de expresar los errores de
medición en forma de errores relativos.
El error sistemático de la medida de cada argumento consta de componentes elementales.
Como siempre, se pueden dividir en dos categorías: errores absoluta y condicionalmente
constantes.
Los errores absolutamente constantes son cantidades deterministas. Sin embargo, no
podemos encontrar sus valores exactos y solo podemos estimar sus límites. Estos límites se
estiman de manera diferente en cada caso específico. En general, estas estimaciones se
basan en la experiencia de la persona que realiza la medición. Por lo general, hay muy pocos
errores de este tipo y son pequeños. Pero es necesario tenerlos en cuenta.
Un ejemplo de errores absolutamente constantes es el error en una ecuación de medición
considerada anteriormente. Otro ejemplo es el error de linealización de la característica
estándar de un termopar.
Los errores condicionalmente constantes se pueden calcular utilizando el primer término de (6.14):
norte

ÿcc = wjÿj,
j=1

donde ÿcc es el error condicionalmente constante de una medida indirecta.

Esta fórmula se puede representar de la forma
norte kj

ÿcc = wjÿji, (6.38)

j=1 yo=1

donde kj _ es el número de errores condicionalmente constantes en la medición del j-ésimo

argumento.
Es necesario señalar que la fórmula obtenida se basa en la serie de Taylor.
Las deficiencias de este enfoque ya se han discutido en este capítulo.
Pero a diferencia de los errores aleatorios, no hay alternativa a este método en la evaluación
de errores sistemáticos.
Ahora pasaremos del análisis a la síntesis. Como se discutió en el Capítulo 5, es posible
considerar todos los errores condicionalmente constantes como cantidades aleatorias con una
distribución uniforme. Pero ahora hay una peculiaridad: en el caso de medidas indirectas
dependientes, algunos errores elementales en las medidas de diferentes argumentos son
causados por la misma cantidad de influencia. Cuando tal cantidad crece, algunos de estos
errores también pueden crecer, el resto van en la dirección opuesta.
Por ejemplo, suponga que dos instrumentos de medición utilizados en una medición
indirecta tienen errores de temperatura. Cuando la temperatura cambia, estos errores también
cambiarán, y ambos pueden cambiar en la misma dirección o en direcciones opuestas.
Machine Translated by Google

6.7. Errores e incertidumbre de los resultados de la medición indirecta 177

Entonces, la suma de los errores elementales causados por la misma cantidad de influencia puede
obtener simplemente sumando todos los valores de error conservando sus signos.
Tomando en consideración esta peculiaridad, (6.38) se convierte en
k 1ÿm1 kN ÿmN

ÿcc = w1 ÿ1i +···+ wN ÿNi

yo=1 yo=1

+ (w1ÿ1t ± w2ÿ2t ±···) + (w1ÿ1p ± w2ÿ2p ±···), (6.39)

donde m j es el número de componentes elementales del error de medida de los j-ésimos

argumentos, que son causados por la misma cantidad de influencia que algunos componentes
de los errores de medida de otros argumentos; los índices t, p denotan estas cantidades de
influencia.
La ecuación (6.39) permite obtener la expresión de la varianza ÿ2 error s del
condicionalmente constante del resultado de la medición:
k 1ÿm1 kN ÿmN
2
p2CC = w2 p21i +···+ w2 p2En
1 norte + (w1ÿ1t ± w2ÿ2t ±···)
yo=1 yo=1

+ (w1ÿ1p ± w2ÿ2p ±···) 2 +··· . (6.40)

Los dos últimos términos aparecieron como consecuencia de (6.4) para ÿ1,2 = ±1. En efecto, si
ÿ1,2 = ±1, entonces (6.4) tiene la forma ÿ2 = ÿ2 + ÿ2 ± 2ÿxÿy = (ÿx ± ÿy )
2
2 X y
.

Recuerde que la varianza ÿ2 y los límites ÿ de una cantidad aleatoria que tiene una función
de distribución uniforme relacionada por la fórmula son

1 ÿ2 = 2 ÿ 3 .

Por tanto, conociendo los límites ÿ de jitodos los errores

también elementales
conocemos condicionalmente
las estimaciones constantes,
de sus varianzas.
Insertándolos en (6.40), obtenemos
N ÿm metro metro

1
S2CC = w2 2+ÿj ji
(6.41)
(semana ÿkÿ ± wlÿlÿ ±···)
3 j=1 yo=1 µ=1 2!,

donde m es el número de cantidades de influencia que afectan a dos o más medidas de los
argumentos.
Los límites de confianza del error condicionalmente constante de una medición indirecta se
pueden calcular usando el mismo método que se discutió en el Capítulo 5.
La única diferencia es que ahora tenemos que tener en cuenta los coeficientes de influencia.
Entonces, de (5.3), obtenemos

N ÿm metro metro

2
w2 ÿ + j ji
ÿca = k (wk ÿRÿ ± wlÿlÿ ±···)2, (6.42)
j=1 yo=1 µ=1

donde ÿcÿ es el límite de confianza de un error condicionalmente constante. Los valores de k

se dan en la Sección 3.5. En particular, para la probabilidad ÿ = 0,95, k = 1,1.
Machine Translated by Google

178 6. Mediciones indirectas

Si m = 0, o la medición indirecta se realiza en condiciones de referencia,

entonces (6.42) tiene la forma

norte

2
ÿca = k w2jjj . _ (6.43)
j=1

Quisiera recordar aquí que el error aleatorio de una medición múltiple incluye todos los
componentes aleatorios de los errores condicionalmente constantes de esta
medición. Por lo tanto, los restos de errores condicionalmente constantes en mediciones múltiples
son errores puramente sistemáticos.
Ahora volvamos a los errores absolutamente constantes. Resumiendo sus límites,
obtenemos los límites H del error absolutamente constante del resultado de un indirecto
medición:
norte gj
H = él + wj Hola, (6.44)
j=1 yo=1

donde He son los límites de un error de la ecuación de medida; Hji son los límites
de la i-ésima componente absolutamente constante del error de medida del j-ésimo argumento; y
qj es el número de componentes absolutamente constantes de la medida
error del j-ésimo argumento.
Así, tenemos la estimación de la varianza de los errores condicionalmente constantes S2 CC

y los límites del error absolutamente constante H. También tenemos la estimación de la

varianza de errores aleatorios S2 . Estos resultados son exactamente los mismos que los utilizados
r
para el cálculo de la incertidumbre en el Capítulo 5 para mediciones directas. Por lo tanto,
del mismo modo, ahora podemos calcular la incertidumbre de las medidas indirectas.
Las fórmulas resultantes se repiten a continuación.
La desviación estándar combinada Sc se puede calcular usando (5.12):

SC = S2 + S2 . (6.45)
CC r

La incertidumbre combinada se puede encontrar a partir de (5.13)

uc = tcSc, (6.46)

y el coeficiente tc se calcula por (5.14):

ÿcÿ + tq Sr .
tc = (6.47)
S2CC + Sr

En el caso en que ÿcÿ consta de muchas componentes aproximadamente iguales (cinco

o más), su distribución es aproximadamente normal y por lo tanto podemos suponer
tc = 1,96 para ÿ = 0,95 y tc = 2,58 para ÿ = 0,99.
Teniendo en cuenta el límite del error absolutamente constante, obtenemos el total
incertidumbre del resultado de la medición:

as = H + uc. (6.48)
Machine Translated by Google

7
Ejemplos de medidas y
Procesamiento de datos de medición

7.1. Una medición indirecta de la electricidad

Resistencia de un resistor

Considere la medición de la resistencia eléctrica usando un amperímetro y un voltímetro. La

ecuación (6.1) ahora se convierte en R = U/ I, donde R es la resistencia eléctrica del resistor,
U es la caída de voltaje en el resistor e I es la intensidad de la corriente. Esta medida es un
ejemplo de medidas indirectas dependientes.
De hecho, el valor de I depende del valor de U. Por lo tanto, podemos usar en este ejemplo
tanto el método tradicional como el método de reducción. Usemos cada uno por separado y
comparemos los cálculos y los resultados. Las conexiones de los instrumentos y la resistencia
se muestran en la Fig. 7.1. Suponga que la medición se realizó en condiciones de referencia
para los instrumentos y que la resistencia de entrada del voltímetro es tan alta que su influencia
en la precisión de la medición puede despreciarse.

Los resultados de las mediciones de la fuerza de la corriente y el voltaje se dan en la Tabla

7.1. De acuerdo con la nota dada en la Sección 6.2, todos los resultados presentados en la
tabla se obtuvieron en pares, lo que significa que los resultados con el mismo subíndice
pertenecen al mismo vector de medición.
Usando los valores de nU¯ y n ¯I dados en la Tabla 7.1 (columnas 2 y 3, la última
fila), obtenemos la estimación para R:

nU¯ 66.002
R˜ = = = 100,0075 ÿ 100,01 . 0.659
norte ¯I 97

Dividiendo las sumas dadas en las columnas 2 y 3 por 11, obtenemos las estimaciones de
yo y v:

¯I = 0.059 997 ÿ 0.060 00 A, U¯ = 6,000 18 ÿ 6,0002 V.

Ahora debemos calcular la varianza y la desviación estándar de este resultado.

Machine Translated by Google

180 7. Ejemplos de mediciones y procesamiento de datos de medición

Figura 7.1. Las conexiones para la medida indirecta de una resistencia eléctrica.

Primero estimaremos las varianzas de ¯I, U¯ , sus desviaciones estándar y la

coeficiente de correlación. Usando (6.17), obtenemos
norte
2 74,19 × 10ÿ10
i = 1 (Ii - ¯I) =
S2 (¯I) = = 0,674 × 10ÿ10 A2 ,
n (n - 1) 11 × 10
norte
2 63,61 × 10ÿ6
yo = 1 (Ui ÿ U¯) =
S2 (U¯ ) = = 0,578 x 10ÿ6 V2 .
n (n - 1) 11 × 10

Las estimaciones de las desviaciones estándar son

S(¯I) = 0,82 × 10ÿ5 A, S(U¯ ) = 0,76 × 10ÿ3 V.

La estimación del coeficiente de correlación es

norte

i = 1 (Ii - ¯I) (Ui - U¯) 29,6 × 10ÿ8

rI, U = = = 0,43.
n(n ÿ 1)S(I)S(U) 110 × 0,82 × 10ÿ5 × 0,76 × 10ÿ3

Tabla 7.1. Procesamiento de datos para la medición indirecta de la resistencia eléctrica utilizando
el método tradicional.

2 2
II interfaz de usuario
(Ui ÿ U¯) (Ui ÿ U¯)
( yo ÿ ¯ yo) ( yo ÿ ¯ yo) (Ii - ¯I) (Ui - U¯)
Núm. A V ×10ÿ5 A ×10ÿ10 A2 ×10ÿ3 V ×10ÿ6 V2 × 10ÿ8AV

1 23 4 5 6 7 8

1 0,059 96 6,003 ÿ3,7 13.69 +2,82 7.95 ÿ10,4

2 0,060 01 6,001 +1,3 1.69 +0,82 0,67 +1.1
3 0.059 98 5.998 ÿ1,7 2.89 ÿ2,18 4.75 +3.7
4 0,060 03 6,001 +3,3 10.89 +0,82 0,67 +2.7
5 0,060 01 5,997 +1,3 1.69 ÿ3,18 10.11 ÿ4,1
6 0,059 98 5,999 ÿ1,7 2.89 ÿ1,18 1,39 +2.0
7 0,060 03 6,004 +3,3 10,89 +3,82 14,59 +12.6
8 0,059 95 5,997 ÿ4,7 22,09 ÿ3,18 10,11 +14.9
9 0,060 02 6,001 +2,3 5,29 +0,82 0,67 +1.9
10 0,060 01 6,003 +1,3 1,69 +2,82 7,95 +3.7
11 0,059 99 5,998 ÿ0,7 0,49 ÿ2,18 4,75 +1.5

Suma 0.659 97 66.002 74.19 63.61 +29.6

Machine Translated by Google

7.1. Una medida indirecta de la resistencia eléctrica de una resistencia 181

Es interesante notar que este valor es estadísticamente insignificante. En efecto,

aplicando un método estándar de [20] y [52], podemos comprobar la hipótesis H0 : ÿI, =U0
contra H1 : ÿI, U = 0. El grado de libertad aquí es ÿ = 11 ÿ 2 = 9, y
tome el nivel de significación q = 0.05 como de costumbre, lo que da los valores críticos
2
tq = 2,26 y rq = tq / t y q
+ v = 0,60. Como 0.43 < 0.60, debemos aceptar H0
concluir que el valor obtenido rI, U = 0,43 no es significativo, lo que significa
que, cuando el número de medidas n aumenta la estimación rI, U de la
el coeficiente de correlación en general disminuirá. Sin embargo, no significa que
el valor de rI, U obtenido para una muestra específica puede despreciarse. Por el
contrario, debe tenerse siempre en cuenta a la hora de calcular la estimación
de varianza para esa muestra.
En nuestro ejemplo, insertando los valores obtenidos en (6.16), podemos calcular
la estimación deseada S(R˜). Pero antes hay que calcular la influencia
coeficientes Están

ÿR 1 ÿR EN
w1 = = , w2 = =ÿ
,
ÿU yo ÿ yo yo 2

2
U¯ 1 U¯ 1
S2 (R˜) = × S2 (¯I) + × S2 (U¯ ) ÿ rI, U × × S(¯I)S(U¯ )
¯I 2 ¯I 2 yo 2 yo

2
6 1
= × 0,674 × 10ÿ10 + × 0,578 × 10ÿ6
36 × 10ÿ4 36 × 10ÿ4
6 1
ÿ 2 × 0,43 × × × 0,82 × 10ÿ5 × 0,76 × 10ÿ3
36 × 10ÿ4 6 × 10ÿ2
= 1,87 × 10ÿ4 + 1,61 × 10ÿ4 ÿ 1,49 × 10ÿ4
= 1,99 × 10ÿ4 2 ,

S(R˜) = S2(R) = 1,41 × 10ÿ2 .

Pasamos ahora al método de reducción.

Los datos iniciales de la Tabla 7.1 se repiten en las columnas 2 y 3 de la Tabla 7.2.
Los valores calculados de Ri(i = 1,..., 11) se dan en la columna 4. Tratando estos
valores como si fueran obtenidos por medidas directas, obtenemos inmediatamente
la estimación de R como

1 norte

R¯ = Ri = 100,0075 ÿ 100,01
norte

yo=1

y las estimaciones de su varianza y desviación estándar como

1 norte

2
2,184 × 10ÿ2
S2 (R¯ ) (Ri - R¯) = = 1,99 × 10ÿ4 2 ,
= n(n ÿ 1) 11 × 10
yo=1

S(R¯ ) = 1,41 × 10ÿ2 .

Machine Translated by Google

182 7. Ejemplos de mediciones y procesamiento de datos de medición

Tabla 7.2. Procesamiento de datos para la medición indirecta de

resistencia eléctrica por el método de reducción.
2
yo interfaz de usuario Rhode Island
(Ri - R¯) (Ri - R¯)
En A EN ×10ÿ2 2
uno. 1 23 4 5 6

0,059 96 6.003 100.117 +0,109 1.188

1 0,060 01 6.001 100.000 ÿ0,002 0.000
2 0,059 98 5.998 100.000 ÿ0,002 0.000
34 0,060 03 6.001 99.967 ÿ0,041 0.168
5 0,060 01 5.997 99.933 ÿ0,075 0.562
6 0,059 98 5.999 100.017 +0,009 0.008
7 0,060 03 6.004 100.017 +0,009 0.008
8 0.059 95 5.997 100.033 +0,025 0.0625
9 0.060 02 6.001 99.983 ÿ0,025 0.0625
10 0.060 01 6.003 100.033 +0.025 0.0625
11 0.059 99 5.998 99.983 ÿ0.025 0.0625

Suma 1100.083 2.184

La comparación muestra la coincidencia de R˜ y R¯ y S(R˜) y S(R¯ ), que

podría haberse predicho porque se trata de una medición precisa. En el
Al mismo tiempo, es una medida con una ecuación de medida simple. Incluso en este
caso simple, los cálculos con el método de reducción son mucho más simples que
con el método tradicional.
Los cálculos adicionales para este ejemplo son de poco interés y por lo tanto no son
presentado aquí.

7.2. La medida de la densidad de un cuerpo sólido

La medida precisa de la densidad de un cuerpo sólido puede servir como ejemplo
de una medida indirecta múltiple independiente no lineal. O lo tradicional
o el nuevo método de transformación podría usarse para procesar los datos de medición en
este caso. Usaremos ambos para resaltar los beneficios de
este último. Comenzaremos con el método tradicional.
La densidad de un cuerpo sólido viene dada por la fórmula

r = m/ V,

donde m es la masa del cuerpo y V es el volumen del cuerpo. en el experimento

considerado, la masa del cuerpo se midió por métodos de pesaje preciso
usando una colección de pesas estándar cuyos errores no excedan 0.01 mg. los
el volumen del cuerpo se determinó por el método de pesaje hidrostático usando
el mismo conjunto de pesos.
Los resultados de las mediciones se presentan en la Tabla 7.3 en el primer y cuarto
columnas
Machine Translated by Google

7.2. La medida de la densidad de un cuerpo sólido 183

Tabla 7.3. Los resultados de las mediciones de la densidad de un cuerpo sólido y los datos
desde el procesamiento inicial.

2 2
Masa del (mi - m¯) × (mi ÿ m¯ ) Volumen del cuerpo (Vi ÿ V¯ ) (Vi - V¯)
cuerpo mi × 10ÿ3 kg 10ÿ7 kg ×10ÿ14 kg2 Vi × 10ÿ6 m3 × 10ÿ10 m3 ×10ÿ20 m6

1 23 4 5 6

252.9119 ÿ1 195.3799 +1 1
252.9133 +13 1 195.3830 +32 1024
252.9151 +31 169 195.3790 ÿ8 64
252.9130 +10 961 195.3819 +21 441
252.9109 ÿ11 100 195.3795 ÿ3 9
252.9094 ÿ26 121 195.3788 ÿ10 100
252.9113 ÿ7 195.3792 ÿ6 36
252.9115 ÿ5 195.3794 ÿ4 dieciséis

252.9119 ÿ1 676 49 25 1 195.3791 ÿ7 49

252.9115 ÿ5 25 195.3791 ÿ7 49
252.9118 ÿ2 4 195.3794 ÿ4 dieciséis

La diferencia entre los resultados observacionales se explica por el azar

error de los saldos. Como se desprende de los datos presentados, este error es tanto
mayor que los errores sistemáticos en las masas de los pesos que estos errores pueden
ser descuidado
Como la masa del cuerpo sólido y su volumen son constantes, para estimar la
la densidad del sólido, la masa y el volumen del sólido deben estimarse con
se debe formar la precisión requerida y su relación. Por esta razón, encontramos la
valores medios de los resultados observacionales y estimaciones de las desviaciones estándar
para los grupos de medidas:

m¯ = 252,9120 × 10ÿ3 kg, V¯ = 195,3798 × 10ÿ6 m3 ,

1 n1 2132 × 10ÿ14
2
S2 (mi) = (mi ÿ m¯ ) = = 213,2 × 10ÿ14 kg2 ,
n1 - 1 yo=1
10

1 n2 1805 × 10ÿ20
2
S2 (Vi) = (Vi - V¯) = = 180,5 × 10ÿ20 m6 .
n2 ÿ 1 yo=1
10

Las estimaciones de las varianzas, en la forma relativa, son iguales a

213 × 10ÿ14
S2
r (mi) = = 3,32 × 10ÿ11,
(252,9 × 10ÿ3)2 180
× 10ÿ20
S2
r (Vi) = = 4,74 × 10ÿ11.
(195,4 × 10ÿ6) 2

La estimación de la cantidad medida es

metro 252,9120 × 10ÿ3

ÿ˜ = = = 1,294 463 x 103 kg/m3 .
V¯ 195,3798 × 10ÿ6
Machine Translated by Google

184 7. Ejemplos de mediciones y procesamiento de datos de medición

Para calcular la incertidumbre del resultado utilizamos aquí el método habitual de linealización,
pero es necesario comprobar que sólo el primer término de la serie de Taylor
es suficiente. Por esta razón, es necesario estimar el resto R2 según
a la fórmula (6.11):

1 ÿ2ÿ 2 ÿ2ÿ 2 ÿ2ÿ

R2 = 2 ( m) + ( V) +2 metro V ,
ÿm2 ÿV2 ÿm ÿV

ÿÿ 1 ÿ2ÿ
= , = 0,
ÿm EN ÿm2
ÿÿ metro
ÿ2ÿ 2m
=ÿ
, = ,
ÿV V2 ÿV2 1 V3
ÿÿ
=ÿ .
ÿm ÿV V2

Calcularemos las derivadas parciales en el punto de coordenadas m¯ y

V¯ , de modo que los errores m y V son relativamente insignificantes. Obtenemos

2
metro 1 metro EN metro metro EN EN EN metro

R2 = ( V) 2ÿ mV = ÿ

=ÿ˜
ÿ

V¯ 3 V¯ 2 V¯ V¯ V¯ metro V¯ V¯ V¯ metro

R2 EN EN metro

= ÿ

.
ÿ˜ V¯ V¯ metro

Para V y m, tomamos las mayores desviaciones de los valores promedio observados

en el experimento:

V = 32 × 10ÿ10 m3 , m = 31 × 10ÿ7 kg.

Los errores relativos son iguales a

EN 32 × 20ÿ10
= = 1,64 × 10ÿ5 ,
V¯ 195,4 × 10ÿ6 31
metro × 10ÿ7
= = 1,22 × 10ÿ5 .
metro 252,9 × 10ÿ3

Como los errores son aleatorios, no se debe especificar el signo del error. Obtenemos

R2/ÿ˜ = 1,64 × 10ÿ5 (1,64 + 1,22) × 10ÿ5 = 4,7 × 10ÿ10.

Este error es mucho más pequeño que los errores asociados con V/ V¯ y m/ m¯ .
Es obvio que la linealización es posible.
Estimaremos la desviación estándar en forma relativa usando la fórmula (6.18)

S2
r (yo) S2
r (Nosotros)
Sr( ˜ÿ) = + = 2,7 × 10ÿ6 .
n1 n2 = *3,32 × 10ÿ11 + 4,74 11
× 10ÿ11

Aquí los coeficientes de influencia son k = 1 y l = ÿ1 (ver pág. 174). Para porcentajes,
S%( ˜ÿ) = 2,7 × 10ÿ4%.
Machine Translated by Google

7.2. La medida de la densidad de un cuerpo sólido 185

En unidades de densidad, obtenemos

S( ˜ÿ) = 2,7 × 10ÿ6 × 1,294 × 103 = 3,5 × 10ÿ3 kg/m3 .

Hallaremos ahora la incertidumbre del resultado. Con base en la fórmula (6.14), podemos
escribir

ÿÿ = ÿm - ÿV .

Como los errores son aleatorios, no es necesario incluir el signo menos. Encontraremos la
incertidumbre de los componentes. Tomaremos la probabilidad de confianza ÿ = 0,95.
Además, tenemos ÿ = 10. Entonces podemos encontrar a partir de la distribución de Student tq
= 2,23.
En la forma relativa, las incertidumbres son

Sr(m¯ )
um% = 100tq ÿn1 = 3,88 × 10ÿ4 %,
= 100 × 2,23*3,32 × 10ÿ1111

Sr(V¯ )
uv% = 100tq ÿn2 = 4,64 × 10ÿ4 %.
= 100 × 2,23*4,74 × 10ÿ1111

De acuerdo con (6.20), podemos encontrar el valor de la incertidumbre combinada

uc% = u2 metro%
+ u2 en% = 10ÿ4 3,882 + 4,642 = 6,0 × 10ÿ4 %.

Entonces, la incertidumbre relativa combinada del resultado de la medición es

uÿ % = 6 × 10ÿ4 %.

Los cálculos anteriores son similares a los recomendados por la Guía [1]
(Enfoque 1). Ambos métodos se basan en transformar la ecuación de medida en una forma
lineal mediante la aplicación de una serie de Taylor. La diferencia está solo en el último paso del
cálculo de la incertidumbre, que usa la fórmula de la suma de la raíz cuadrada (6.20) en los
cálculos anteriores y la distribución de Student en la Guía. Reproduzcamos el cálculo de la Guía .

Como en el caso de las medidas lineales indirectas, se calcula el número efectivo de grados
de libertad dado por la fórmula (6.19). Ya hemos obtenido los valores de todos los términos en
esta fórmula. Tenga en cuenta que en nuestro caso n1 = n2 = n = 11 y ÿ1 = ÿ2 = ÿ = n ÿ 1.

De este modo,

2
S2r (millas) S2r (Vi)
+
norte norte
(3,32 + 4,74)2 × 10ÿ22 64,96
eff = = = × 10 =
S4r (millas) S4r (Vi) 3,322 4,742 + 19,33,49
+ × 10ÿ22
n2n n2n 10 10

Para ÿeff = 19 y ÿ = 0,95 encontramos en una tabla de distribución de Student tq = 2,10.

De aquí

en = 2,1 × 2,7 × 10ÿ6 × 100 = 5,7 × 10ÿ4 %.

pags%
Machine Translated by Google

186 7. Ejemplos de mediciones y procesamiento de datos de medición

Tabla 7.4. El conjunto de ÿm,i y los datos derivados de este conjunto.

2
i ÿm,i × 103 kg/m3 (ÿm,i ÿ ÿ¯m) × 10ÿ3kg/ m3 (ÿm,i ÿ ÿ¯m) × 10ÿ6 (kg/m3) 2

1 1.2944626 ÿ0,3 0.1

2 1.2944698 +6,9 47.6
3 1.2944790 +16,1 259.2
4 1.2944682 +5,3 28.1
5 1.2944575 ÿ5,4 29.2
6 1.2944498 ÿ12,1 146.4
7 1.2944595 ÿ3,4 11.6
8 1.2944605 ÿ2,4 5.8
9 1.2944626 ÿ0,3 0.1
10 1.2944605 ÿ2,4 5.8
11 1.2944620 ÿ0,9 0.8

Este valor es bastante cercano al obtenido por la fórmula de la suma de la raíz cuadrada pero
tampoco está bien fundamentado porque, después de linealizar la ecuación de medición,
la función de distribución de errores de medidas de volumen del cuerpo sólido es
desconocido.
Pasemos ahora al método de transformación descrito en la Sección 6.6. Nosotros
comenzar con los mismos datos de medición que se utilizaron en el método tradicional
y que se presentan en la Tabla 7.3. La ecuación de medición sigue siendo como
antes de:
metro

ÿ= .
EN

Sustituyamos primero el argumento V por su estimación V¯ , conservando m como variable

yo
argumento. Entonces, para cada valor mi del argumento m (6.26) da ÿm,i = V¯ . Comparando
con (6.27) y (6.28), concluimos que el coeficiente constante aquí es
1
Cm = m(V¯ ) = y (mi) = mi,i = 1,..., nm. El valor medio V¯ se calculó antes cuando aplicamos el
V¯
método tradicional. Once observaciones mi
se dan en la columna 1 de la Tabla 7.3. La división mi por V¯ proporciona el conjunto de
valores ÿm,i mostrados en la columna 2 de la Tabla 7.4.
De este conjunto obtenemos

1 Nuevo Méjico

ÿ¯m = ÿm, yo = 1,2944629 × 103 kg/m3

Nuevo Méjico
yo=1

1 Nuevo Méjico

534,7×10ÿ6
2 = 2.
S21 ( ÿm) = (ÿm,i ÿÿ¯m) = 4,86×10ÿ6 (kg/m3 )
nm (nm ÿ 1) 11×10
yo=1

La forma relativa de la varianza anterior es

S21 ( ¯ÿm) 4,86 × 10ÿ6

= = 2,93 × 10ÿ12.
S2 1r( ¯ÿm) = 1.292 × 106
ÿ¯2 metro
Machine Translated by Google

7.2. La medida de la densidad de un cuerpo sólido 187

= 1
Ahora la función metro es conocido, y por lo tanto podemos obtener la estimación de la
V¯

varianza del error sistemático condicionalmente constante S2(Cm) usando el método de Taylor
serie:

S2 (cm) = w2 en
S2 (V¯ )

donde wv es el coeficiente de influencia de V¯ . En la forma relativa de lo anterior vari = l = ÿ1,

ance, el coeficiente de influencia wv se convierte en w Por lo en

y S2 r (Cm) = Sr(V¯ ).
tanto, siguiendo (6.30), podemos calcular S2 2r( ¯ÿm):

S2 2r( ¯ÿm) = S2r (cm) = S2 r (V¯ ).

La estimación S2 r (Vi) ya se calculó en el curso de la aplicación de la tradi

método nacional:

S2
r (Vi) = 4,74 × 10ÿ11.

Como nv = 11, tenemos

4,74 × 10ÿ11
S2
r (V¯ ) = = 4,31 × 10ÿ12.
11

Así, S2 2r( ¯ÿm) = 4.31 × 10ÿ12 y la estimación de la varianza combinada de

ÿ¯m es

S2 rc( ¯ÿm) = S2 1r( ¯ÿm) + S2 2r( ¯ÿm) = (2,93 + 4,31)10ÿ12 = 7,24 × 10ÿ12.

Ahora sustituimos m con su estimación m¯ y tomamos V como variable, por lo tanto ob para cada
metro 1
teniendo ÿV ,i = V (m¯ ) valor
= m¯ yVi(Vi)
. Aquí,
Nosotros
= i =CV = nV .
1,..., nosotros _

El valor medio m¯ ya lo calculamos al aplicar el método tradicional. Por tanto,

podemos calcular el conjunto ÿV,i , que se muestra en la columna 2 de
Tabla 7.5.
De los datos de esta tabla se obtiene

1 Nevada

ÿ¯V = ÿV, i = 1,2944613 × 103 kg/m3

nV yo=1

Tabla 7.5. El conjunto de ÿV,i y los datos derivados de este conjunto.

2
i ÿV,i × 103kg/ m3 (ÿV,i ÿ ÿ¯V ) × 10ÿ3kg/ m3 (ÿV,i ÿ ÿ¯V ) × 10ÿ6 (kg/m3) 2

1.2944606 ÿ0,7 0.5

1 1.2944419 ÿ19,4 376.4
2 1.2944684 +7,1 50.4
34 1.2944474 ÿ13,9 193.2
1.2944633 +1,9 3.6
56 1.2944679 +6,6 43.6
7 1.2944653 +4,0 16.0
8 1.2944640 +2,7 7.3
9 1.2944659 +4,6 21.2
10 1.2944659 +4,6 21.2
11 1.2944640 +2,7 7.3
Machine Translated by Google

188 7. Ejemplos de mediciones y procesamiento de datos de medición

y
Nevada
1 2 740,7×10ÿ6 2
S21 ( ¯ÿV ) (ÿV,i ÿÿ¯V ) = = 6,73×10ÿ6 (kg/m3 ) .
= nV (nV ÿ 1) yo=1
11×10

En la forma relativa, la varianza anterior se convierte en

6,73 × 10ÿ6
S2 1r( ¯ÿV ) = = 4,04 × 10ÿ12.
1.292 × 106

Volvamos a la componente S2 2r( ¯ÿV ). Ahora, CV = m¯ y ,por lo tanto S2 2r( ¯ÿV ) =

S2r (CV ) = S2(m¯ ). El valor de S2 r (mi) = 3.32 × 10ÿ11 se encontró antes en el

aplicación del método tradicional. De este modo,

3,32 × 10ÿ11
S2 2r( ¯ÿV ) = = 3.02 × 10ÿ12,
11
y la varianza combinada es

S2 rc( ¯ÿV ) = S2 1r( ¯ÿV ) + S2 2r( ¯ÿV ) = (4,05 + 3,02) × 10ÿ12 = 7,07 × 10ÿ12.

En este punto, hemos obtenido los resultados para dos conjuntos de datos, {ÿm,i} y {ÿV,i},
y estamos listos para calcular el resultado global de la medición. Primero el
Se deben encontrar los pesos gj . Siguiendo (6.34), obtenemos
1 1
gramo metro
= = = 0,138 × 1012
S2 rc( ¯ÿm) 7,24 × 10ÿ12

y
1 1
gv_ _
= = = 0,141 × 1012.
S2 rc( ¯ÿV ) 7,07 × 10ÿ12

De este modo,

gramo metro

gramo = = 0,495
gramo metro + gV _

gv_ _
gV = g = 0,505.
metro + gV _

Tenga en cuenta que los pesos anteriores suman 1.

Entonces, de acuerdo con (6.33), la estimación del mensurando es

ÿ¯¯ = gmÿ¯m + gV ÿ¯V = 1,294462 × 103 kg/m3 .

La estimación de la varianza total es
1
S2 rt(ÿ¯¯) = 1 1
= 3,6 × 10ÿ12.
S2 + S2
rc ( ¯ÿm) rc ( ¯ÿV )

La desviación estándar es

Srt(ÿ¯¯) = S2 rt = 1,9 × 10ÿ6 ,

o, en porcentajes, Srt = 1,9 × 10ÿ4%.

Machine Translated by Google

7.3. La medición de la corriente de ionización por el método de compensación 189

Ahora podemos calcular la incertidumbre. El número de grados de libertad es

ÿ = K ÿ 1 = 21. Para la probabilidad de confianza ÿ = 0,95, el punto percentil de
La distribución de Student es tq = 2,08. Por lo tanto,

ut% = 2,08 · 1,9 × 10ÿ4 ÿ 4 × 10ÿ4 %.

La comparación del resultado obtenido con el resultado del método tradicional

muestra que las estimaciones del mensurando son las mismas (la diferencia en una última
dígito es absolutamente insignificante). Pero la incertidumbre obtenida por el método de
transformación es aproximadamente un 30% menor que la producida por el método tradicional. Pero
lo que es mucho más importante es que, a diferencia del método tradicional, la incertidumbre
obtenido por el método de transformación corresponde a la probabilidad elegida
y está bien fundamentado.1

7.3. La medición de la corriente de ionización

por el Método de Compensación
Mediciones precisas de corrientes débiles, generadas, por ejemplo, por rayos ÿ
de los estándares de unidad de masa de radio, se realizan por el método de compensación
utilizando un electrómetro. La fuerza medida de la corriente I está definida por la

1 Es fácil ver que el valor medio de ÿm,i (ver Tabla 7.4) es igual a

norte

1 Nuevo Méjico metro

ÿ¯m = ÿm,i =
= .
norte
yo=1
Nevada V¯

De manera menos obvia, también podemos mostrar que el valor medio de ÿV,i (ver Tabla 7.5) es igual a la
misma proporción. De hecho, tenemos
norte norte

1 metro 1
ÿ¯V = ÿV,i = .
norte norte
yo=1 yo=1 Nosotros

Una medida individual del volumen se puede representar en la forma Vi = V¯ + vi =

V¯ (l + i), donde vi es un error absoluto y las reglas de i es la forma relativa de la misma. De acuerdo con

cálculo aproximado,

1 1
(1 - yo).
Nosotros
V¯i

Como se puede ver en la Tabla 7.3, el valor absoluto más alto de ÿi es 32 × 10ÿ10 m3. De este modo,

iÿ 1.6×10ÿ3%, y la igualdad anterior puede considerarse precisa. Por lo tanto,

norte norte norte

1 1 norte 1
= (1 ÿ yo) =
ÿ

yo _

yo=1 Nosotros
yo=1 V¯i V¯ V¯i yo=1

norte norte
1 norte

Como se mostró en la Sección 5.6, = 0. Así, i=1 i =

yo=1 Nosotros V¯ , y por lo tanto,

norte

metro 1 metro

ÿ¯V = =
norte
yo=1 Nosotros V¯

como se iba a demostrar. Desafortunadamente, demostrar este resultado en forma general parece difícil.
Machine Translated by Google

190 7. Ejemplos de mediciones y procesamiento de datos de medición

expresión

yo = CU / ÿ,

donde C es la capacitancia del capacitor, con cuya ayuda la corriente de ionización

es compensado; U es el voltaje inicial en el capacitor; y ÿ es la compensación
tiempo.

Como U y ÿ son dependientes, es una medida dependiente.

Examinaremos la medición de la corriente de ionización en el aparato especial.
descrito en [33]. Un capacitor, cuya capacitancia C = 4006.3 pF se conoce
dentro del 0,005%, se emplea. El voltaje en el capacitor se establece con el
ayuda de un voltímetro de clase 0.1 con un rango de medición de 0–15 V. El tiempo es
medida con un cronómetro cuya escala se divide en décimas de segundo.
La medición se realiza haciendo observaciones repetidas. Cada vez que el
misma indicación del voltímetro U = 7 V se establece y la compensación
se mide el tiempo. Los resultados de 27 observaciones se dan en la primera columna de
Tabla 7.6.

Tabla 7.6. Los resultados de las mediciones de la

corriente de ionización y datos del procesamiento inicial.
2
t Ii (Ii - ¯I) × ( yo ÿ ¯ yo)
s × 10ÿ10 A 10ÿ14 A ×10ÿ28 A2

74.4 3.7694 7 49
74.6 3.7593 ÿ94 8836
74.3 3.7745 58 3364
74.6 3.7593 ÿ94 8836
74.4 3.7694 7 49
74.4 3.7694 7 49
74.4 3.7694 7 49
74.4 3.7694 7 49
74.4 3.7694 7 49
74.3 3.7745 58 3364
74.5 3,7643 ÿ44 1936
74,4 3,7694 7 49
74,5 3,7643 ÿ44 1936
74,4 3,7694 49
74,6 3,7593 7 8836
74,2 3,7705 324
74,5 3,7643 ÿ94 1936
74,3 3,7745 18 3364
74,4 3,7694 49
74,4 3,7694 49
74,5 3,7643 ÿ44 1936
74,5 3,7643 58 7 1936
74,3 3,7745 7 3364
74,3 3,7745 3364
74,3 3,7745 3364
74,4 3,7694 ÿ44 ÿ44 58 58 58 7 49
74,5 3,7643 ÿ44 1936
Machine Translated by Google

7.3. La medición de la corriente de ionización por el método de compensación 191

La mayor diferencia entre los valores obtenidos del tiempo de compensación es igual a 0,4
s; es decir, las desviaciones de la media alcanzan el 0,25%. ¿Qué puede explicar esta
propagación? Obviamente, los errores sistemáticos del instrumento de medición empleado
aquí no tienen nada que ver con el error. Estimaremos el error aleatorio de los instrumentos y
su papel.
De acuerdo con las normas establecidas, la banda muerta de un instrumento de medida
eléctrico no debe exceder el límite del error intrínseco permisible para el mismo. Este límite al
indicar un voltaje de 7 V es ÿU = 0.1 × (15/7) = 0.21%.
Por esta razón, cuando se ajusta un voltaje de 7 V en el voltímetro, se obtendrán en el
capacitor voltajes que pueden diferir del promedio en no más de la mitad de la banda muerta,
es decir, 0,1%.
El temporizador prácticamente no tiene errores aleatorios.
El tiempo de compensación es una función del voltaje en el capacitor, y la dispersión en el
voltaje en el capacitor está acompañada por la misma dispersión en el tiempo de compensación.
El margen obtenido de 0,25% es mayor de lo esperado.
Por lo tanto, el fenómeno observado debería tener una razón diferente.
En el experimento bajo estudio, la corriente de fondo podría ser la razón. Esta corriente se
suma a la corriente medida y es indistinguible de ella. Pero se sabe que se puede suponer que
la corriente de fondo es un proceso estacionario durante un intervalo de tiempo más corto que
el requerido para realizar una medición, lo que permite eliminar la corriente de fondo midiendo
durante el experimento la corriente de fondo promedio y restándola del valor obtenido para la
corriente de ionización. Por esta razón, sin embargo, la corriente de ionización también debe
medirse como corriente promedio.

Esencialmente, de esta manera, se redefinió el modelo del fenómeno y se

se dio una nueva definición de la cantidad medida específica.
Nuestra medida es una medida dependiente. Por esta razón, utilizaremos el método de
reducción; para cada valor de ÿi (i = 1,..., 27), encontramos la corriente Ii correspondiente y
luego calculamos, para todo el grupo de valores, el valor medio, dando una estimación de la
cantidad medida.
Los valores de Ii se presentan en la segunda columna de la Tabla 7.6. El valor medio ¯I =
3,7687 × 10ÿ10 A.
Ahora estimaremos los errores. Primero encontraremos una estimación de la norma
desviación del resultado de la medición. Como

27
2
( yo ÿ ¯ yo) = 59 171 × 10ÿ28,
yo=1

tenemos

27
(Ii - ¯I) 2 =
yo=1
S(¯I) = 9,2 × 10ÿ14 A.
27 × 26

En la forma relativa, S%(¯I) = 0,027%.

Machine Translated by Google

192 7. Ejemplos de mediciones y procesamiento de datos de medición

Ahora estimaremos los errores condicionalmente constantes. Los coeficientes de influencia

(en forma relativa) wC, wU y wÿ de los errores de las estimaciones
de los argumentos C, U y ÿ son iguales a wC = 1, wU = 1 y wÿ = ÿ1.
Por lo tanto, los errores condicionalmente constantes existentes están relacionados por la relación
ÿI% = ÿC% + ÿU% ÿ ÿÿ %.
Para cada error elemental, estimamos su límite |ÿi| ÿ ÿi .
El límite del error total del voltímetro (despreciando el signo) es igual a
0,21%. Como el voltímetro también tiene un error aleatorio, tomaremos ÿU = 0.15%. Para
se da el capacitor, ÿC = 0.05%. El límite del error del temporizador es igual a
el valor de una graduación, es decir, ÿÿ = 0,1 × 100/74 = 0,135%.
Volviendo a la fórmula (6.42) y haciendo ÿ = 0.95, obtenemos

ÿI% = k ÿ 2 + yo 2 + yo 2
C EN t

=1,1 (5 × 10ÿ2)2 + (13,5 × 10ÿ2)2 + (15 × 10ÿ2)2 = 0,23 % (ÿ = 0,95).

La corriente de fondo promedio suele ser igual a (0.5 ÿ 1) × 10ÿ12 A. Puede

medirse dentro del 5%. Con respecto a la corriente de ionización medida, esta
el error es igual a 0.013%, y obviamente puede despreciarse.
Si durante la medición la corriente de fondo promedio fue igual a ¯I 0.75 × 10ÿ12 A, =
b
entonces

˜yo = ¯yo ÿ ¯yo

b
= 3,7612 × 10ÿ10 A.

Asi que

˜I = 3,7612 × 10ÿ10 A, ÿI = S(˜I) = 9 × 10ÿ14 A (n = 27),

8,7 × 10ÿ13 A (ÿ = 0,95).

Como ÿ/S > 7, el error aleatorio puede despreciarse. Después de redondear, obtenemos
finalmente

I = (3,761 ± 0,009) × 10ÿ10 A (ÿ = 0,95).

7.4. La medición de potencia a alta frecuencia

Como ejemplo de una sola medida indirecta independiente, estudiaremos la
medida de la potencia generada por una corriente de alta frecuencia en una resistencia según la
fórmula P = I 2R, donde P es la potencia medida, I es la potencia efectiva
corriente, y R es la resistencia activa de la resistencia.
Las mediciones de la corriente y la resistencia dan estimaciones de sus valores ˜I y
R˜ y los límites de los errores relativos ÿ I = 0,5% y ÿR = 1%.
Los errores de medida de los argumentos se dan en forma relativa. Por lo tanto los coeficientes
de influencia son w = 2 y w IR = 1.
El límite del error del resultado debe encontrarse de manera diferente dependiendo de qué
se conoce acerca de los errores ÿI y ÿR. Incluso si estos errores se determinan sólo
Machine Translated by Google

7.5. Medición de voltaje con la ayuda de un potenciómetro 193

por las propiedades de los instrumentos empleados, varias situaciones son posibles. Estudiaremos
las más típicas.

(1) La medición se realiza en condiciones de referencia, los instrumentos de medición se

verificaron recientemente y los estándares de trabajo fueron al menos cinco veces más precisos
que los instrumentos. En este caso, se puede suponer que los límites de error de las medidas de
corriente y resistencia ÿ I y ÿR
son confiables Suponiendo que dentro de los límites estimados los errores reales ÿI y ÿR se
distribuyen uniformemente sobre el conjunto de instrumentos, la incertidumbre del resultado de la
medición se puede encontrar de acuerdo con la fórmula

u1(ÿ) = k 4( ÿI) 2 + (ÿR)2.

Para ÿ = 0.95, k = 1.1, y obtenemos

u1(0.95) = 1.1 ÿ 4 × 0.25 + 1 = 1.5%.

(2) La medición se realiza bajo las condiciones normales de operación apropiadas para los
instrumentos empleados y las estimaciones de los errores ÿI y ÿR se determinan en base a varios
componentes. Por esta razón, se puede suponer que los errores de las medidas de los argumentos
tienen una distribución normal. Si sus límites corresponden a la misma probabilidad ÿ.

Entonces la incertidumbre del resultado de la medición se puede encontrar a partir de la fórmula

(6.20).

u2(ÿ) = 4( ÿI) 2 + (ÿR)2 = 1,4%.

Esta estimación de incertidumbre es tan confiable como las estimaciones de sus componentes y
corresponde a la misma probabilidad de confianza.
(3) Otra situación ocurrirá si no tenemos información sobre el origen de los límites de error ÿI y
ÿR. En este caso, y dado que solo hay dos componentes del error de medida, los sumaremos
aritméticamente:

ÿP = 2ÿI + ÿR = 2%.

7.5. La Medición de Voltaje con la Ayuda de

un Potenciómetro y un Divisor de Voltaje
La medida de tensión con la ayuda de un potenciómetro es una medida directa. Sin embargo,
cuando los errores de los potenciómetros y los errores de la celda estándar se estandarizan por
separado, y cuando las mediciones se realizan utilizando un divisor de voltaje, el error del resultado
de dicha medición se estima mediante métodos que están específicamente diseñados para
mediciones indirectas.
Estudiaremos el caso de medidas individuales con estimación precisa de errores, por ejemplo,
medida de tensión con la ayuda de un potenciómetro clase 0.005 P309, una celda estándar clase
0.005 y un divisor de tensión clase 0.005 P35. Estos instrumentos fueron fabricados en la antigua
URSS.
Machine Translated by Google

194 7. Ejemplos de mediciones y procesamiento de datos de medición

Es bien sabido que cuando se trabaja con tales potenciómetros, al principio el poten se ajusta
corriente tiometrica I p en el circuito con resistencias precisas para que la
caída de voltaje en la sección del circuito con la resistencia Rsc equilibraría la
fem de la celda estándar Usc. En este caso,

Yo p = Usc/ Rsc.

A continuación, la celda estándar se desconecta y el voltaje medido Up se conecta

al circuito del potenciómetro. Cambiando el potenciómetro, una fracción de la
resistencias del potenciómetro se introduce en el circuito de comparación de tal manera que
la caída de tensión en su resistencia Rp compensaría Up; es decir, Arriba = I p Rp.
Después

Rp
Arriba = Usc,
RSC

y conociendo la fem de la celda estándar y la relación Rp/ Rsc, encontramos Up.

Las indicaciones del potenciómetro son proporcionales a Rp, pero el error del
potenciómetro está determinado no por los errores de las resistencias Rp y Rsc, pero
por el error de la relación Rp/ Rsc. La incertidumbre asociada a las operaciones.
de comparar los voltajes puede despreciarse, porque la suavidad de la unidad
el control del potenciómetro y la sensibilidad del indicador cero fueron diseñados
para que esta condición se cumpliera.
El potenciómetro tiene seis décadas y un amplificador autoequilibrado incorporado. los
se calcula el límite de error permisible en función de la tensión medida U
utilizando la fórmula (dada en la documentación del fabricante)

U = ±(50U + 0,04) × 10ÿ6 V.

El error del potenciómetro no supera los límites indicados si la temperatura ambiente

la temperatura del aire oscila entre +15 y +30 ÿC y difiere en no más de 2,5 ÿC
de la temperatura a la cual las resistencias de medición del potenciómetro fueron
ajustado (el potenciómetro P309 tiene sistemas de calibración y ajuste incorporados).
La fem de la celda estándar de clase 0.005 se puede determinar con un error de
±10 µV. El efecto de la temperatura se tiene en cuenta con la ayuda de un
conocida fórmula, que describe con precisión la dependencia de la temperatura de
la fem
Supongamos que en una medida de una misma tensión, realizada con un
divisor de tensión cuya relación de división de tensión se fijó igual a 1:10, la siguiente
Se obtuvieron las indicaciones del potenciómetro:

x1 = 1,256 316 V, x2 = 1,256 321 V, x3 = 1,256 318 V.

El límite de error permisible del potenciómetro en este caso es

U = ±50 × 1,26 × 10ÿ6 = ±63 µV.

Por esta razón, la diferencia de 5 µV entre los resultados de las tres observaciones presentadas
anteriormente puede considerarse como resultado del error aleatorio de la
Machine Translated by Google

7.5. Medición de voltaje con la ayuda de un potenciómetro 195

medida, cuya magnitud es aceptable. En el cálculo, por lo tanto, se puede utilizar cualquier
resultado obtenido o su valor medio.
En el proceso de ajuste de las resistencias de medida, que se realiza antes de la
medida, se estimaron las correcciones de las décadas de mayor orden. Los introduciremos
en las indicaciones del potenciómetro.
Sea la corrección para la indicación "12" de la década "×100 mV" igual a +15 × 10ÿ6 V,
y la corrección de la indicación "5" de la década "×10 mV" igual a ÿ3 × 10ÿ6 V Las
correcciones para las otras décadas son tan pequeñas que ya no son de interés. Cada
corrección se determina con un error de ±5 × 10ÿ8 V.
El error del potenciómetro correspondiente a las indicaciones de las décadas restantes
que son 0,0063 V cae dentro de los límites determinados de acuerdo con la fórmula dada
anteriormente y son iguales a

U = ±(50 × 0,0063 + 0,04) × 10ÿ6 = ±0,4 × 10ÿ6 V.

Además, es necesario tener en cuenta el posible cambio en la temperatura del aire en

la habitación. Si este cambio cae dentro de los límites permisibles, entonces de acuerdo
con las especificaciones del potenciómetro, el error puede cambiar aproximadamente por
Tomaremos como
1 4 del límite resultadoeseldecir,
permisible, valor por
promedio
16 µ[Link] las observaciones realizadas,

corrigiéndolo por la cantidad C = (15 ÿ 3) × 10ÿ6 = 12 × 10ÿ6 µV:

Arriba = x¯ = 1,256 318 + 0,000 012 = 1,256 330 V.

Los errores del potenciómetro, que entran en este resultado, son ÿ1 =

±16 × 10ÿ6 V, ÿ2 = ±0,4 × 10ÿ6 V.

El error en la determinación de las correcciones y el error ÿ2 pueden despreciarse.

Así, los límites de error del potenciómetro son iguales a ÿ1:

ÿp = ÿ1 = ±16 × 10ÿ6 V.

A continuación, debemos estimar los errores de la celda estándar y el divisor de voltaje.

Suponiendo que el coeficiente de división del divisor de voltaje es igual a Kd , el voltaje
medido se determina a partir de la fórmula Ux = KdUp, donde

Rp
Arriba = Usc,
RSC

y por esta razón, podemos escribir la ecuación de medida en la forma:

Rp
Ux = Kd Usc.
RSC

El error del divisor de voltaje puede llegar a 5 × 10ÿ3%. Pero se puede encontrar y
tener en cuenta el coeficiente de división real del divisor, que es precisamente lo que
debemos hacer en el caso que nos ocupa. En la medida dada, Kd = 10,0003 y el error al
determinar Kd está dentro del rango de ±2 × 10ÿ3%.
La fem de la celda estándar se tiene en cuenta con la ayuda de las décadas especiales
del potenciómetro. La discrepancia entre el valor real de la fem
Machine Translated by Google

196 7. Ejemplos de mediciones y procesamiento de datos de medición

de la celda estándar y el valor exhibido en el potenciómetro cae dentro de los límites de

error en la determinación de la fem de la celda estándar (±10 µV).
Estimamos el voltaje medido Ux como

U˜X = KdUp = 10,0003 × 1,256 330 = 12,563 68 V.

Para estimar el error de medida, utilizaremos el truco estándar. Primero, tomaremos el

logaritmo de la ecuación de medida obtenida. Luego encontramos las diferenciales de
ambos lados de la ecuación, y despreciando los errores que son infinitesimales de segundo
orden, reemplazamos las diferenciales por los incrementos. Este proceso da

kd (Rp/ Rsc) Usc

experiencia
= + + .
experiencia Kd Rp/ Rsc Usc

Para los términos, solo tenemos estimaciones de los límites, y no los valores de los
errores. Por esta razón, estimaremos los límites del error de medición. Entonces, podemos
usar la fórmula (5.3). Primero, todos los componentes deben representarse en forma de
errores relativos. El error relativo del potenciómetro, más precisamente, sus límites en
porcentaje, será

100ÿp = 100 (Rp/ Rsc) 100 × 16 × 10ÿ6 =

ÿp % = ±1,3 × 10ÿ3 %. = ±
Arriba Rp/ Rsc 1.26

Los límites del error relativo del divisor de voltaje se estimaron directamente como ÿK% =
±2 × 10ÿ3%. Los límites de error en la determinación de la fem del estándar.
celda en forma de un error relativo será

100 × 10 × 10ÿ6 =
=± ±1 × 10ÿ3 %. ÿsc%
1.018

Ahora encontramos el límite del error de medición según la fórmula (5.3):

voluntad% = k 1,32 + 22 + 12 × 10ÿ3 = k × 2,6 × 10ÿ3 %.

Sea ÿ = 0.95. Entonces k = 1.1 y

ÿ0,95 % = 1,1 × 2,6 × 10ÿ3 = 2,9 × 10ÿ3 ÿ 3 × 10ÿ3 %.

Finalmente, debemos verificar el número de cifras significativas en el resultado de la

medición. Por ello, pondremos los límites ÿ% en forma de errores absolutos ÿ0,95 = ±2,9 ×

10ÿ3 × 10ÿ2 × 12,6 = ±37 × 10ÿ5 V.

Como la medida es precisa, el error en el resultado de la medida se expresa con dos cifras
significativas y no hay cifras extra en el resultado obtenido. el resultado final es

Ux = (12 563 68 ± 0 000 37) V (ÿ = 0,95).

Si la medición se realizó con una estimación aproximada de los errores, entonces los
errores de todos los componentes tendrían que establecerse en 5 × 10ÿ3% y el
Machine Translated by Google

7.6. Cálculo de la Incertidumbre del Valor de una Resistencia Compuesta 197

el límite del error de medición sería

yo 0.95%
= 1,1 × 10ÿ3 3 × 52 = 0,01 %.

Entonces ÿ = ±0.0013 V y el resultado de la medición tendría que escribirse

con menos cifras significativas:

EN = (12,5637 ± 0,0013) V (ÿ = 0,95).

X

Aquí se retienen dos cifras significativas en el valor numérico de la medida

error porque el valor del dígito más significativo es menor que 3.

7.6. Cálculo de la Incertidumbre del Valor

de una resistencia compuesta

Estudiaremos el caso en el que se conectan en serie 12 resistencias de tres resistencias nominales

diferentes:

R = 2R1 + 4R2 + 6R3.

Esta ecuación es un caso particular de la dependencia (6.2) con N = 3, b1 = 2, b2 =

4 y b3 = 6.
Para resistores que tienen cada uno una resistencia nominal Ri , los límites de errores permisibles
ÿiÿ son conocidos:

Rhode Island la A
i

100,00 0.03
1 10,00 0.02
23 1,00 0.01

Para el caso que nos ocupa, supondremos que la distribución de la resistencia real
sobre el conjunto de resistencias que tienen la misma resistencia nominal es normal y
truncado en la probabilidad ÿ = 0.98.
La resistencia nominal de nuestra resistencia compuesta, según la relación (6.2), es
igual a

R = 2 × 100,00 + 4 × 10,00 + 6 × 1,00 = 246,00 .

Encontraremos la incertidumbre en el valor de la resistencia compuesta para ÿ = 0.98

usando la fórmula (6.20) teniendo en cuenta que ahora wj = bi y u j = ÿi :

3
en = 2 = 22 × 0,032 + 42 × 0,022 + 62 × 0,012 = 0,11 .
b2i yo
yo

yo=1
Machine Translated by Google

198 7. Ejemplos de mediciones y procesamiento de datos de medición

Redondeando, obtenemos u = 0.1. Finalmente, teniendo en cuenta el número requerido de

cifras significativas, podemos escribir

R = 246,0 ± 0,1 , ÿ = 0,98.

Si se debe suponer que las resistencias reales de los resistores se distribuyen uniformemente,
entonces la incertidumbre se debe calcular utilizando la fórmula (6.43); en cuyo caso,
obtendríamos para la misma probabilidad de confianza ÿ = 0,98

u = ku = 1,3 × 0,11 = 0,14.

La diferencia entre uyu para muchos casos es significativa.

Consideraremos la variante cuando N resistencias con la misma resistencia nominal
y la misma tolerancia están conectados en serie:

R = NA, ÿR = const.

Por ejemplo, R = resistencia , ÿR% = 0.5% y N = 10. ¿Cuál es el error de un com

de 100 libras?
El problema no es tan simple como parece, ya que su solución depende de la tecnología
empleada para fabricar las resistencias. Suponga que se conectan entre sí resistencias
fabricadas en diferentes momentos usando diferentes equipos. En este caso, sus errores son
independientes y el error de cada resistencia puede considerarse como la realización de una
cantidad aleatoria uniformemente distribuida. Entonces, de acuerdo con la fórmula (6.43),
tenemos

norte

2
voluntad = k yo
R
= kÿR ÿN.
yo=1

Es conveniente transformar esta fórmula para que contenga los errores relativos. Por esta
razón, dividiremos ambos lados de la ecuación por R = NR y escribiremos 100 × ÿ/R = ÿ%, 100
× ÿR/R = ÿR%. Entonces obtenemos

ÿ% = (k/ ÿN)ÿR%.

En el caso que nos ocupa, debemos centrarnos en una probabilidad de confianza alta. Sea ÿ = 0,99.
Entonces k = 1.4 y

ÿ0,99 % = 1,4/ ÿ 10 × 0,5 = 0,2 %;

es decir, la precisión de un resistor compuesto es mayor que la de un solo resistor.

Sin embargo, el aumento de la precisión está limitado por la precisión del instrumento de
medición utilizado para comprobar la resistencia de las resistencias.
A veces, una resistencia compuesta se puede fabricar a partir de resistencias cuya resistencia
fue ajustada individualmente por el mismo operador con la ayuda del mismo instrumento de
medición, lo que suele ser posible, especialmente cuando se fabrican resistencias precisas. Los
errores reales en todas las resistencias deben volverse aproximadamente iguales entre sí, y
debido a que todos son, esencialmente, sistemáticos, el error relativo de la resistencia compuesta
será el mismo que el de las resistencias separadas.
Machine Translated by Google

7.6. Cálculo de la Incertidumbre del Valor de una Resistencia Compuesta 199

Ampliando este ejemplo, podemos pasar al caso cuando algún aditivo

la cantidad se mide en varias aplicaciones idénticas del mismo instrumento de medición, por
ejemplo, la medición de la longitud de un cuerpo plano con la ayuda de un
regla corta. Es obvio a partir de la discusión anterior que la sistemática relativa
componente del error de tal medida de longitud será igual a la relativa
error sistemático del gobernante. El componente aleatorio, sin embargo, debe estimarse
para una medida concreta.
Machine Translated by Google

8
Medidas combinadas

8.1. Observaciones generales sobre el método de

los mínimos cuadrados

Las medidas combinadas, como se señaló en el Capítulo 1, son medidas realizadas de

modo que el número de ecuaciones que relacionan las cantidades medidas es mayor que el
número de estas últimas. Debido a los errores de medición, es imposible encontrar valores
de las incógnitas que satisfagan todas las ecuaciones. Bajo estas condiciones, los valores
estimados de las incógnitas generalmente se encuentran con la ayuda del método de mínimos
cuadrados.
El método de mínimos cuadrados es una técnica computacional ampliamente utilizada que
permite eliminar la falta de unicidad de los datos experimentales. Este método se implementa
fácilmente con la ayuda de computadoras y hay disponible un buen software de mínimos
cuadrados.
Existe una extensa literatura sobre el método de mínimos cuadrados, y ha sido bien
estudiado. Se sabe que este método no siempre da resultados que satisfagan los criterios de
optimalidad de la teoría de la estimación. No obstante, el método de mínimos cuadrados es
ampliamente utilizado, ya que en general es sencillo y el sesgo de las estimaciones obtenidas
no suele ser significativo.
Una alternativa al método de los mínimos cuadrados es el método de minimizar la suma
de las desviaciones absolutas. Este método proporciona resultados aún más visuales que el
primero. Sin embargo, la aplicación de este método no es un problema ahora, rara vez se
usa.
En la primera edición de este libro, la clasificación de medidas contenía categorías de
medidas combinadas y simultáneas.
Un ejemplo de medidas simultáneas es encontrar los parámetros de la ecuación

R = R20 + un(t - 20) + segundo (t - 20)2 ,

que expresa la dependencia de la temperatura de una resistencia de medición precisa.

Machine Translated by Google

202 8. Medidas combinadas

Midiendo simultáneamente R (la resistencia del resistor) y t (la temperatura del resistor) y
variando la temperatura, obtenemos varias ecuaciones,
de donde es necesario encontrar R20—la resistencia del resistor en t = 20ÿC—
y los coeficientes de temperatura a y b.
Pero, de acuerdo con los nuevos resultados en la teoría de las medidas indirectas,
este ejemplo es un ejemplo de medidas indirectas dependientes, y el método
de reducción le es pertinente. Entonces, generalizando el ejemplo discutido, podemos decir
que la categoría de medidas simultáneas no es necesaria, y esta categoría
fue eliminado de este libro.
Discutiremos el método de los mínimos cuadrados, porque es el método computacional principal
método usado para mediciones combinadas, y para usar este método a sabiendas, es
necesario conocer sus ideas básicas.
Podemos escribir la ecuación básica en la forma general

F0(A, B, C,..., x, y, z,...) = l, (8.1)

donde x, y, z y l son coeficientes conocidos y cantidades medidas directamente, y

A, B y C son las incógnitas a determinar.
Sustituyendo los valores numéricos obtenidos experimentalmente de xi , yi y zi en
(8.1), obtenemos una serie de ecuaciones de la forma .

Fi(A, B,C,..., xi, yi,zi) = li, (8.2)

que contiene sólo las cantidades desconocidas A, B y C que se van a encontrar y la

coeficientes numéricos o números.
Las cantidades buscadas se encuentran resolviendo simultáneamente las ecuaciones obtenidas.

Un ejemplo de medida combinada es encontrar las capacidades de dos condensadores a partir

de las medidas de la capacidad de cada uno de ellos por separado,
así como cuando los capacitores están conectados en paralelo y en serie. Cada medición se
realiza con una observación, pero en última instancia, tendremos cuatro
ecuaciones para dos incógnitas:

C1C2
C1 = x1, C2 = x2, C1 + C2 = x3, = x4.
C1 + C2
Sustituyendo en estas ecuaciones los valores de xi encontrados experimentalmente , obtenemos
un sistema de ecuaciones análogo a (8.2).
Como ya hemos señalado, el número de ecuaciones en el sistema (8.2)
es mayor que el número de incógnitas, y debido a los errores de medición,
es imposible encontrar valores de las cantidades medidas tales que todas las ecuaciones
se satisfarían simultáneamente, incluso si son ecuaciones conocidas exactamente. Para
Por esta razón, (8.2), en contraste con las ecuaciones matemáticas normales, se dice que son
ecuaciones condicionales. Cuando los valores de las incógnitas encontradas por algún método
se sustituyen en las ecuaciones condicionales (8.2), por las razones mencionadas,
obtener

Fi(A˜,B˜,C˜,...) ÿ li = vi = 0.
Machine Translated by Google

8.2. Mediciones con ecuaciones condicionales lineales igualmente precisas 203

Las cantidades vi se llaman residuales. La solución de la ecuación condicional que

minimiza la suma de los cuadrados de los residuos es generalmente reconocido. Este
La proposición fue publicada por primera vez por Legendre y se llama principio de Legendre. Él
implementó este principio por el método que ahora se llama el método de menor
cuadrícula.

8.2. Mediciones con lineales igualmente precisos

Ecuaciones Condicionales

Para simplificar las fórmulas, consideraremos el caso de tres incógnitas. Deja el

sistema de ecuaciones condicionales tiene la forma

Axi + Byi + C zi = li (i = 1,..., n, n > 3), (8.3)

donde A, B y C son las incógnitas a determinar, y xi , yi , zi y li son

los resultados de la i-ésima serie de mediciones y coeficientes conocidos.
En el caso general, el número de incógnitas m < n; si m = n, entonces el sistema
de ecuaciones condicionales se pueden resolver de forma única, aunque los resultados obtenidos son
cargado de errores.
Si algunas estimaciones de las cantidades medidas A˜, B˜ y C˜ se sustituyen en
(8.3), entonces obtenemos los residuos

vi = Ax˜ yo + segundo y˜ yo + C z˜ yo ÿ li .

Encontraremos estimaciones de A˜, B˜ y C˜ a partir de las condiciones

norte

Q= v2 = mín.
i
yo=1

Para que esta condición se cumpla, es necesario que

ÿQ ÿQ ÿQ
= = = 0.
ÿA˜ ÿB˜ ÿC˜

Encontraremos estas derivadas particulares y las igualaremos a 0:

norte

ÿQ
=2 (Ax˜ i +B y˜ i + C z˜ i ÿ li)xi = 0,
ÿA˜
yo=1

norte

ÿQ
=2 (Ax˜ i +B y˜ i +C z˜ i ÿ li)yi = 0,
ÿ B˜
yo=1

norte

ÿQ
=2 (Ax˜ i +B y˜ i +C z˜ i ÿ li)zi = 0.
ÿC˜
yo=1
Machine Translated by Google

204 8. Medidas combinadas

De aquí obtenemos un sistema de las llamadas ecuaciones normales:

norte norte norte norte

2
A x
yo
+ B˜ xi yi +C˜ khizi = tiempo,
yo=1 yo=1 yo=1 yo=1
norte norte norte norte

A yi xi + B˜ y2i +C˜ estos = año,

yo=1 yo=1 yo=1 yo=1
norte norte norte norte

A zi xi + B˜ zi yi +C˜ z2i = es _
yo=1 yo=1 yo=1 yo=1

Las ecuaciones normales a menudo se escriben usando la notación de Gauss:

norte norte

2
x
yo = [ xx], xi yi = [x y], y así.
yo=1 yo=1

Eso es obvio
norte norte

xi yi = yi xi y por lo tanto [x y] = [yx].

yo=1 yo=1

En la notación de Gauss, las ecuaciones normales asumen la forma más simple

[x x]A˜ + [x y] B˜ + [x z]C˜ = [xl],

[x y]A˜ + [yy]B˜ + [yz]C˜ = [yl], (8.4)

[x z]A˜ + [yz] B˜ + [zz]C˜ = [zl].

Llamamos la atención sobre dos propiedades obvias pero importantes de la matriz de

coeficientes de las incógnitas en el sistema de ecuaciones (8.4):

(1) La matriz de estos coeficientes es simétrica con respecto a la diagonal principal.

(2) Todos los elementos de la diagonal principal son positivos.

Estas propiedades son generales. No dependen del número de incógnitas,

pero en este ejemplo, se muestran en aplicación al caso con tres incógnitas.
El número de ecuaciones normales es igual al número de incógnitas, y resolviendo
estas ecuaciones por métodos conocidos obtenemos estimaciones de las cantidades medidas.
La solución se puede escribir de forma más compacta con la ayuda de los determinantes

Dx dy Diario
A˜ = , B˜ = , C˜ = , (8.5)
D D D
dónde
"

"
[x x] [x y] [x z] "

"

" "

re = "
[yx] [yy] [yz] " .
" "

"

"
[zx] [zy] [zz] "

"

El determinante Dx se obtiene a partir del determinante principal D del sistema

reemplazando la columna con los coeficientes de la incógnita A˜ con la columna
Machine Translated by Google

8.3. Reducción de ecuaciones condicionales lineales desigualmente precisas 205

de términos libres:

" [xl] [x y] [x z] " " " " " "

"

"

"

Dx = " " " " [yl] [yy] [yz] .

[zl] [zy] [zz]

Los determinantes Dy y Dz se encuentran de manera análoga, es decir, reemplazando la

segunda y tercera columna, respectivamente, con la columna indicada.
Ahora debemos estimar los errores de los resultados obtenidos. La estimación de la
la varianza de las ecuaciones condicionales se calcula a partir de la fórmula

norte

v2i
yo=1
S2 = , (8.6)
norte - metro

donde vi es el residuo de la i-ésima ecuación condicional. Luego, las estimaciones de las

varianzas de los valores encontrados para las incógnitas se pueden calcular utilizando las
fórmulas

D11 D22 D33

S2 (A˜) = S2 , S2 (B˜ ) = S2 , S2 (C˜ ) = S2 , (8.7)
D D D

donde D11, D22 y D33 son los complementos algebraicos de los elementos [x x], [yy] y [zz]
del determinante D, respectivamente (se obtienen quitando de la matriz del determinante D
la columna y la fila cuya intersección es el elemento dado).

Los intervalos de confianza para los valores verdaderos de las cantidades medidas se
construyen con base en la distribución de Student. En este caso, el número de grados de
libertad para todas las cantidades medidas es igual a ÿ = n ÿ m.

8.3. Reducción de precisión desigual lineal

Ecuaciones condicionales a igualmente precisas
Ecuaciones Condicionales

En la Sección 8.2, estudiamos el caso en el que todas las ecuaciones condicionales tenían la
misma varianza. Se dice que tales ecuaciones condicionales son igualmente exactas. En la
práctica, puede haber casos en los que las ecuaciones condicionales tengan diferentes
varianzas, lo que suele ocurrir si se añaden al sistema de ecuaciones ecuaciones que reflejan
las medidas realizadas en diferentes condiciones. Por ejemplo, si al calibrar una colección de
pesas no se toman medidas especiales, debido a la diferente carga de las pesas, los errores
de pesaje serán diferentes para las diferentes combinaciones de pesas. En consecuencia, las
ecuaciones condicionales tampoco serán igualmente precisas.
Machine Translated by Google

206 8. Medidas combinadas

Para ecuaciones condicionales desigualmente precisas, el conjunto más probable de valores

de las incógnitas A, B, C, . . . se obtendrá si la expresión

norte

Q= giv2yo ,
yo=1

donde gi es el peso de la i-ésima ecuación condicional, se minimiza.

La introducción de pesos equivale a multiplicar las ecuaciones condicionales por ÿgi .
Finalmente, los cofactores gi aparecerán en los coeficientes de las incógnitas en las ecuaciones
normales.
Así, la primera ecuación del sistema de ecuaciones normales (8.4) asumirá la forma

[gxx]A˜ + [gxy]B˜ + [gxz]C˜ + [gxl] = 0.

Todas las ecuaciones restantes cambiarán de manera análoga. Cada coeficiente en la ecuación
es una suma de términos de la forma

[gxy] = g1x1 y1 + g2x2 y2 + ···+ gn xn es.

Los pesos de las ecuaciones condicionales se encuentran a partir de las condiciones

norte

yo = 1 gi = 1,

1 : 1 : ··· : .
g1 : g2 : ··· : gn = p21 p22 1 p2
norte

Por tanto, para resolver el problema, es necesario conocer la varianza de las ecuaciones
condicionales. Si se han determinado (o elegido) los pesos, luego de las transformaciones
presentadas anteriormente, la solución adicional del problema procede de la manera descrita en la
Sección 8.2, y finalmente obtenemos estimaciones de las cantidades medidas y sus desviaciones
rms. Sin embargo, los pesos suelen determinarse de forma aproximada.

8.4. Linealización de ecuaciones condicionales no lineales

Por varias razones fundamentales, el método de mínimos cuadrados se ha desarrollado solo para
ecuaciones condicionales lineales. Por esta razón, las ecuaciones condicionales no lineales deben
expresarse en forma lineal.
El método general para realizar esta tarea se basa en la suposición de que la incompatibilidad
de las ecuaciones condicionales es pequeña; es decir, sus residuos son pequeños.
Luego, tomando del sistema de ecuaciones condicionales tantas ecuaciones como incógnitas y resolviéndolas, encontramos las estimaciones

iniciales de las incógnitas A0, B0, C0. A continuación, suponiendo que

A = A0 + a, B = B0 + b, C = C0 + c,
Machine Translated by Google

8.4. Linealización de ecuaciones condicionales no lineales 207

y sustituyendo estas expresiones en las ecuaciones condicionales, desarrollamos las

ecuaciones condicionales en serie. Dejar

Fi(A, B, C) = li .

Entonces, conservando solo los términos con las primeras potencias de las correcciones a, b y c,
obtenemos

ÿfi _ ÿfi _ ÿfi _

fi(A0, B0,C0) ÿ li + un + b+ c = 0.
ÿ un ÿ segundo ÿC
0 0 0

Encontramos las derivadas parciales derivando las funciones fi(A, B,C) con respecto a A, B
y C, respectivamente, y luego sustituimos A0, B0 y C0 en las fórmulas obtenidas y encontramos
sus valores numéricos. Además,

fi(A0, B0,C0) ÿ li = ÿi = 0.

Así, obtenemos un sistema de ecuaciones condicionales lineales para a, b y c. La solución de

este sistema da sus estimaciones y desviaciones estándar. Después

A˜ = A0 + a˜, B˜ = B0 + b˜, C = C0 + c˜.

Como A0, B0 y C0 son cantidades no aleatorias, S2(A˜) = S2(a˜), S2(B˜) = S2(b˜),

y así.
En principio, una vez A˜ , B , y C˜ se han obtenido, la segunda aproximación
se puede construir
Además del método anterior de linealización de las ecuaciones condicionales, se emplea el
método de sustituciones. Así, si, por ejemplo, la ecuación condicional tiene la forma

yi = xi sen A + zi eÿ2B,

donde x, y y z son cantidades medidas directamente, y se deben determinar A y B , entonces

la sustitución

U = sen A, E = eÿ2B,

Puede ser hecho.

Entonces obtenemos la ecuación condicional lineal

yi = xiU + ziE .

La solución de estas ecuaciones da U˜ y E˜ y estimaciones de sus varianzas que luego se

pueden usar para encontrar las cantidades requeridas A y B.
El método de sustituciones es conveniente, pero no siempre es aplicable. En principio, uno
puede imaginar otro método general para resolver un sistema de ecuaciones cuando el número
de ecuaciones es mayor que el número de incógnitas.
Este método es el siguiente.
Tomar de las ecuaciones condicionales disponibles un grupo de ecuaciones tal que su
número sea igual al número de incógnitas. Tal grupo da un valor definido para cada incógnita.
Machine Translated by Google

208 8. Medidas combinadas

Luego, reemplazando a su vez las ecuaciones en el grupo por cada una de las otras ecuaciones
que no estaban en el grupo, obtenemos otros valores de las mismas incógnitas.
Independientemente del método utilizado para combinar las ecuaciones, todas las combinaciones posibles
de ecuaciones deben clasificarse, y para cada combinación, los valores de las
se deben encontrar las incógnitas. Como resultado de tales cálculos, obtenga para cada incógnita
un grupo de valores que puede considerarse como el grupo de observaciones obtenidas con
mediciones directas.
Todos los valores del grupo son equivalentes, pero, lamentablemente, no son independientes.
Este resultado presenta dificultades para estimar las varianzas de los valores
obtenido para las incógnitas.

8.5. Ejemplos de las aplicaciones de la

Método de los mínimos cuadrados

Los ejemplos estudiados a continuación se presentan para demostrar la técnica computacional,

así como el significado físico del método, y por esta razón, fueron
elegido para que los cálculos sean lo más sencillos posible. Los datos iniciales de
los ejemplos están tomados de [35].

Ejemplo 1. Determinar los ángulos de un prisma triédrico. Cada ángulo se mide

tres veces. Las medidas de todos los ángulos son igualmente precisas. Los resultados de
todas las medidas individuales son las siguientes:

x1 = 89ÿ 55 , y1 = 45ÿ 5 , z1 = 44ÿ 57 ,

x2 = 89ÿ 59 , y2 = 45ÿ 6 , z2 = 44ÿ 55 ,

x3 = 89ÿ 57 , y3 = 45ÿ 5 , z3 = 44ÿ 58 .

Si cada ángulo se encuentra como la media aritmética de las observaciones correspondientes,

entonces obtenemos

A0 = 89ÿ 57 , B0 = 45ÿ 5,33 , C0 = 44ÿ 56,67 .

La suma de los ángulos del triplete debe satisfacer la condición

A + B + C = 180ÿ .

Obtenemos A0 + B0 + C0 = 179ÿ 59 . Esta discrepancia es el resultado de errores de

medición. Los valores de A0, B0 y C0 obtenidos deben cambiarse para que el
se satisface la condición exactamente conocida.
Las relaciones entre las incógnitas que deben satisfacerse exactamente se denominan
restricciones
En [35], el problema se resuelve por el método de mínimos cuadrados. Sin embargo, en este
caso, el método de los mínimos cuadrados debe considerarse sólo como un procedimiento que conduce a
una respuesta única. Su aplicación aquí puede justificarse porque el residual es igual
a solo 180ÿ ÿ 179ÿ 59 = 1 para que,los cambios en los valores obtenidos directamente
Machine Translated by Google

8.5. Ejemplos de las aplicaciones del método de los mínimos cuadrados 209

de los ángulos debe ser insignificante. Por lo tanto, estos cambios no necesitan ser encontrados
con alta precisión. Procedemos ahora a la solución del problema.
Si tenemos n ecuaciones condicionales, m incógnitas y k restricciones, y
n > m ÿ k y m > k, entonces se pueden eliminar k incógnitas del condicional
ecuaciones expresando estas incógnitas para las incógnitas restantes. Luego, usando el
método de mínimos cuadrados, encontramos los valores de m ÿ k incógnitas y el
estimaciones de las desviaciones estándar de estas estimaciones. Obtenemos el k restante
incógnitas utilizando las ecuaciones de restricción. Para encontrar sus desviaciones estándar, estrictamente
hablando, otro ciclo de cálculos con las ecuaciones condicionales, en el que
las incógnitas previamente excluidas se conservan y las demás incógnitas se excluyen,
debe realizarse. Este cálculo repetido no se realiza con frecuencia, debido a que no se
llega a ninguna conclusión sobre la desviación estándar de los valores previamente excluidos.
las incógnitas se pueden hacer usando la estimación de la desviación estándar de los otros
incógnitas
Volvamos a nuestro problema. Para simplificar los cálculos, supondremos que

A = A0 + a, B = B0 + b, C = C0 + c,

y encontraremos los valores de las correcciones a, b y c.

El sistema de ecuaciones condicionales se transforma en el siguiente sistema:

a1 = ÿ2 , b1 = ÿ 0,33 , c1 = + 0,33 ,
a2 = +2 , b2 = + 0,67 , c2 = ÿ1,67 c3 ,
a3 = 0, b3 = ÿ 0,33 , = +1,33 .

La ecuación de restricción asumirá la forma

A0 + a + B0 + b + C0 + c = 180ÿ .

Por lo tanto

a + b + c = 180ÿ ÿ 179ÿ 59 = 1 .

Excluimos c de las ecuaciones condicionales usando la relación

c = 1 - un - segundo,

y en cada ecuación indicamos ambas incógnitas. Obtenemos el siguiente sistema

de ecuaciones condicionales:

1 × a˜ + 0 × b˜ = ÿ 2 1 , 0 × a˜ + 1 × b˜ = ÿ 0,33 0 × , 1 × a˜ + 1 × b˜ = + 0,67 1 × ,
× a˜ + 0 × b˜ = + 2 1 × , a˜ + 1 × b˜ = 0,67 0 × a˜ + , a˜ + 1 × b˜ = + 2,67 1 × a˜ ,
a˜ + 0 × b˜ = 0 , 1 × b˜ = ÿ0,33 , + 1 × b˜ = ÿ 0,33 .

Ahora construimos el sistema de ecuaciones normales. Su forma general será

[x x]a˜ + [x y]b˜ = [xl],

[x y]a˜ + [yy]b˜ = [yl],

Machine Translated by Google

210 8. Medidas combinadas

Aquí obtenemos:

[x x] = 1 + 1 + 1 + 1 + 1 + 1 = 6,
[x y] = 1 + 1 + 1 = 3,
[aa] = 1 + 1 + 1 + 1 + 1 + 1 = 6,
[xl] = ÿ2 + 2 + 0,67 + 2,67 ÿ 0,33 = +3 ,
[yl] = ÿ0,33 + 0,67 ÿ 0,33 + 0,67 + 2,67 ÿ 0,33 = +3 .
Por lo tanto, las ecuaciones normales asumirán la forma
6a˜ + 3b˜ = 3 3a˜, + 6b˜ = 3 .

De acuerdo con las relaciones (8.5), calculamos

"
63 "

re = " "
= 36 ÿ 9 = 27,
"

"
36 "

"

"
33 "

si =
" "
= 18 - 9 = 9 .
"

"
36 "

"

"
63" "

DB =
"
= 18 ÿ 9 = 9 ,
"
33" "

"

y encontramos

a˜ = b˜ = 9 /27 = 0,33 .

Por lo tanto, c˜ = 0.33 también.

Sustituyendo las estimaciones obtenidas en las ecuaciones condicionales, calculamos
los residuos:
vi = 2,33 , v4 = 0,67 , v7 = 0,
v2 = 1,67 , v5 = ÿ0,33 , v8 = 2 ,
v3 = 0,33 , v6 = 0,67 , v9 = ÿ1 .
A partir de la fórmula (8.6), calculamos una estimación de la varianza de las ecuaciones
norte 9
v2i v2i
14.34
S2 = yo=1 = yo=1 = = 2,05.
norte - metro + k 9-2 7

Ahora D11 = 6, D22 = 6 y las fórmulas (8.7) dan

6
S2 (a˜) = S2 (b˜) = × 2,05 = 0,456, 27 S(a˜) = S(b˜) = 0,675.

Como las ecuaciones condicionales son igualmente precisas y las estimaciones a˜, b˜ y
c˜ son iguales entre sí, no es necesario realizar los cálculos repetidos, y
, =
podemos escribir inmediatamente S(c˜) = 0.675. Finalmente, obtenemos A˜ = 89ÿ 57.33 B˜
45ÿ 5.67 , C = 44ÿ 57.00 , y S(A˜ ) = S(B˜ ) = S(C˜ ) = 0,68.
Construimos el intervalo de confianza para cada ángulo con base en la distribución
de Student. El número de grados de libertad en este caso es igual a 9 ÿ 2 = 7, y para
Machine Translated by Google

8.5. Ejemplos de las Aplicaciones del Método de los Mínimos Cuadrados 211

ÿ = 0,95, coeficiente de Student t0,95 = 2,36. Por lo tanto, 0,95 = 2,36 × 0,68 =
1.6 . Así, obtenemos finalmente

A(0,95) = 89° 57,3 ± 1,6 , B(0,95) = 45ÿ 5,7 ± 1,6 ,

C(0,95) = 44° 57,0 ± 1,6 .

Ejemplo 2. Estudiaremos el ejemplo, que se presentó al comienzo de

este capítulo, de mediciones combinadas de la capacitancia de dos capacitores. los
Los resultados de la medición directa son los siguientes:

x1 = 0,2071 µF, x2 = 0,2056 µF,

x1x2
x1 + x2 = 0,4111 µF, = 0,1035 µF.
x1 + x3
La última ecuación es no lineal. Lo expandimos en una serie de Taylor, para lo cual primero
encontrar las derivadas parciales

ÿf C2(C1 + C2) ÿ C1C2 C2

2
= =
ÿC1 (C1 + C2)2 (C1 + C2)2
y análogamente
ÿf C21
=
ÿC2 (C1 + C2)2
Como C1 ÿ x1 y C2 ÿ x2, podemos escribir

C1 = 0,2070 + e1, C2 = 0,2060 + e2.

Hacemos la expansión para el punto con las coordenadas C10 = 0.2070 y
C20 = 0,2060. Obtenemos
C10C20
= 0.103 25,
C10 + C20
ÿf 0.2062
= = 0.249,
ÿC1 (0,207 + 0,206)2
ÿf 0,2072
= = 0,251.
ÿC2 (0,207 + 0,206)2

Encontramos las ecuaciones condicionales, haciendo x1 = C1 y x2 = C2:

1 x e1 + 0 x e2 = 0,0001,
0xe1 + 1xe2 = ÿ0.0004 ,
1xe1 + 1xe2 = ÿ0.0019 ,
0.249e1 + 0.251e2 = 0.000 25.

Ahora calculamos los coeficientes de las ecuaciones normales

[x x] = 1 + 1 + 0,2492 = 2,062, [aa] = [x y] = 1 + 0.249 × 0.251 = 1.0625,

1 + 1 + 0,2512 = 2,063, [xl] = ÿ0,0004 ÿ 0,0019 + 0,249
× 0,00025 = ÿ0,001 738,
[yl] = ÿ0,0004 ÿ 0,0019 + 0,251 × 0,00025 = ÿ0,002 237.
Machine Translated by Google

212 8. Medidas combinadas

Las ecuaciones normales serán

2.062e1 + 1.0625e2 = ÿ0.001 738,

1.0625e1 + 2.063e2 = ÿ0.002 237.

Ahora encontramos las incógnitas e1 y e2. De acuerdo con (8.5), calculamos

" 2.062 " " 1.0625 "

re = " 1.0625 "
= 3.125,
" 2.063 "

" ÿ0.001 738 " " 1.0625

Dx = " "2.063
= ÿ0.001
" 22, "
ÿ0.002 237 "

" 2.062 "

" 1.0625 "
" ÿ0.001 738 "
=_ = ÿ0.002 75.
" ÿ0.002 237 "

A partir de aquí encontramos

Dx Dy
e1 = = ÿ0.000 39, e2 = = ÿ0.000 88.
D D

Por lo tanto,

C 1 = 0.2070 ÿ 0.000 39 = 0.206 61µF,

C 2 = 0,2060 = 0,000 88 = 0,205 12 µF.

Encontramos los residuos de las ecuaciones condicionales sustituyendo las estimaciones

obtenidas para las incógnitas en las ecuaciones condicionales:

v1 = 0,000 49, v3 = ÿ0.000 63, v4

v2 = 0,000 58, = 0.000 48.

Ahora podemos calcular a partir de la fórmula (8.6) una estimación de la varianza de las
ecuaciones condicionales:
4
v2i
yo=2 120 × 10ÿ8
S2 = = = 6 × 10ÿ7 .
4ÿ2 2

Los complementos algebraicos del determinante D serán D11 = 2.063 y D22 = 2.062. Como
D11 ÿ D22,

D11 2.063 S2 (C˜

1) = S2 (C˜ 2) = S2 = × 6 × 10ÿ7
10ÿ7 4 × S(C˜ 1) = S(C˜ 2) = 6.3 × 10ÿ4 ,
= 3.125
D µF.

El método, examinado anteriormente, para medir las capacitancias de los capacitores

aparentemente se eligió para reducir algo el error sistemático de la medición, que es diferente
en diferentes puntos del rango de medición; para reducir la componente aleatoria del error,
sería suficiente multiplicar la medida de cada capacitancia.
Machine Translated by Google

8.6. Determinación de los parámetros en fórmulas a partir de datos empíricos 213

8.6. Determinación de los Parámetros en Fórmulas a

partir de Datos Empíricos y Construcción de
Curvas de Calibración

El propósito de casi cualquier investigación en ciencias naturales es encontrar regularidades

en los fenómenos del mundo material, y las mediciones son el método característico que
brinda datos objetivos para lograr este objetivo.
Es deseable representar las correlaciones regulares determinadas entre cantidades físicas
basadas en mediciones en forma analítica, es decir, en forma de fórmulas.
La forma inicial de las fórmulas suele establecerse a partir de un análisis no formalizado de la
recopilación de datos obtenidos. Un requisito previo importante del análisis es la suposición
de que la dependencia buscada debe expresarse mediante una curva suave; Las leyes físicas
normalmente corresponden a curvas suaves. Una vez que se elige la forma de la fórmula, se
encuentran sus parámetros mediante una aproximación por interpolación de los datos
empíricos mediante la fórmula obtenida, y esto se hace con mayor frecuencia mediante el
método de mínimos cuadrados.
Este problema es de gran importancia, y se le dedican muchos trabajos matemáticos y
aplicados. Discutiremos algunos aspectos de la solución de este problema que están
relacionados con la aplicación del método de mínimos cuadrados. La aplicación de este
método se basa en el supuesto de que se puede suponer que el criterio de elección óptima
del parámetro buscado es que se minimiza la suma de los cuadrados de las desviaciones de
los datos empíricos de la curva obtenida. Esta suposición a menudo está justificada, pero no
siempre. Por ejemplo, a veces la curva debe dibujarse de modo que pase exactamente por
todos los puntos prescritos, lo cual es natural, si las coordenadas de los puntos mencionados
se dan como coordenadas exactas. El problema se resuelve mediante los métodos de
aproximación por interpolación, y se sabe que el grado del polinomio de interpolación será
sólo uno menos que el número de puntos fijos.

A veces se minimiza la desviación máxima de los datos experimentales de la curva. Sin

embargo, como hemos señalado, la mayoría de las veces la suma de los cuadrados de las
desviaciones indicadas se minimiza mediante el método de los mínimos cuadrados. Para ello,
todos los valores obtenidos para las cantidades (en combinaciones físicamente justificadas)
se sustituyen sucesivamente en la fórmula elegida. En última instancia, se obtiene un sistema
de ecuaciones condicionales, a partir del cual se construyen las ecuaciones normales; la
solución de estas ecuaciones da los valores buscados para el para
metros
Luego, sustituyendo los valores obtenidos para los parámetros en las ecuaciones
condicionales, se pueden encontrar los residuos de estas ecuaciones y se puede estimar la
desviación estándar de las ecuaciones condicionales a partir de ellos.
Es significativo que en este caso, la desviación estándar de las ecuaciones condicionales
está determinada no solo por los errores de medición sino también por la estructura imperfecta
de la fórmula elegida para describir la dependencia buscada. Por ejemplo, es bien sabido que
la dependencia de la temperatura de la resistencia eléctrica de muchos metales recuerda a
una parábola. En ingeniería, sin embargo, a menudo es
Machine Translated by Google

214 8. Medidas combinadas

encontró que alguna sección de definición de esta dependencia se puede aproximar mediante una
función lineal. La inexactitud de la fórmula elegida, naturalmente, se refleja en la desviación estándar
de las ecuaciones condicionales. Incluso si todos los datos experimentales estuvieran libres de
errores, la desviación estándar seguiría siendo diferente de 0. Por esta razón, en este caso, la
desviación estándar caracteriza no solo el error de las ecuaciones condicionales, sino también que la
fórmula empírica adoptada no no corresponden a la verdadera relación entre las cantidades.

En relación con lo que hemos dicho anteriormente, las estimaciones, obtenidas por el método
descrito anteriormente, de las varianzas de los parámetros determinados de las fórmulas empíricas
se vuelven condicionales en el sentido de que caracterizan no solo la dispersión aleatoria en los
datos experimentales, como es habitual , sino también la incertidumbre de la aproximación, que no
es aleatoria.
Cabe señalar que si se puede suponer que la fórmula empírica es lineal, entonces los parámetros
de esta fórmula también se pueden determinar mediante el método de correlación y análisis de
regresión. También permiten construir los intervalos de confianza de los parámetros y la banda de
confianza de la recta de aproximación. En este caso, sin embargo, los métodos para mediciones
indirectas también son efectivos.

Todo lo dicho anteriormente es completamente relevante para el problema de construir curvas de

calibración de transductores e instrumentos de medición.
Discutiremos el problema de construir curvas de calibración lineales, que
se encuentran con mayor frecuencia en la práctica.
Así, la relación entre una cantidad y a la salida de un transductor y la cantidad x a la entrada del
transductor debe expresarse por la dependencia

y = a + bx. (8.8)

Al calibrar el transductor, los valores de {xi},i = 1,..., n, en el rango

Se dan [xmin, xmax] y se encuentran los valores correspondientes {yi} .

Usando estos datos, tenemos que estimar los coeficientes a y b. Comencemos con
el método de los mínimos cuadrados.
La relación (8.8) da un sistema de ecuaciones condicionales

b˜xi + a˜ = yi + vi .

Los residuos vi están determinados por la relación

vi = bx˜ yo + a˜ ÿ yi .

Siguiendo el esquema de mínimos cuadrados presentado anteriormente, obtenemos el sistema de

ecuaciones normales

norte norte norte norte norte

2
b x yo + a˜ xi = xi yi,
b xi + na˜ = yo _ (8.9)
yo=1 yo=1 yo=1 yo=1 yo=1
Machine Translated by Google

8.6. Determinación de los parámetros en fórmulas a partir de datos empíricos 215

El determinante principal del sistema (8.9) será

norte norte

2
x yo 2
" " xi " " " " " "
norte norte

" " " yo=1 " yo=1 2

re = "
"" norte
= norte x yo
ÿ

xi .
yo=1 yo=1
x norte " i = 1

El determinante Dx viene dado por

norte norte

" " xi yi " i=1 " " " xi " norte norte norte

i=1 " " " " "

Dx = " " " " i=1 = norte (xi yi) ÿ xi yo _

norte

yo=1 yo=1 yo=1

yin_ _

A partir de aquí encontramos una estimación del coeficiente b:

norte norte norte norte

norte
xi yi ÿ xi yi i=1 i=1 i=1 xi yi ÿ nx¯ y¯
Dx yo=1
b˜ = = = .
2
D norte norte
norte

2
2
norte x yo
ÿ

xi
x yo ÿ n(x¯)2
yo=1
yo=1 =1

No es difícil demostrar que

norte norte

xi yi ÿ nx¯ y¯ = (xi ÿ x¯ )(yi ÿ y¯) (8.10)

yo=1 yo=1

y eso
norte norte

2 2 ÿ nx¯ x 2
yo = (xi - x¯) . (8.11)
yo=1 yo=1

Entonces la expresión para b˜ asume la forma más simple

norte

(xi ÿ x¯ )(yi ÿ y¯)

yo=1
b˜ = norte
. (8.12)
(xi ÿ x¯)2
yo=1

El determinante Dy viene dado por

norte norte

"

2
x yo "

xi yi i=1 norte norte

"

" " " i=1

" " " " xi
=_
"

= ny¯ yo2 ÿ nx¯ x xi yi .

" i=1 norte norte "

"

yo=1 yo=1
yo "

=1 "

Por lo tanto
norte norte

Nueva York
yo2 ÿ nx¯ x xi yi

dy yo=1 yo=1
a˜ = = .
D norte

2
norte x yo ÿ n2(x¯)2
yo=1
Machine Translated by Google

216 8. Medidas combinadas

Usando la identidad (8.11), ponemos la estimación a¯ en la forma

norte norte

x 2 ÿ x¯
y¯ yo xi yi
yo=1 yo=1
a˜ = . (8.13)
norte

(xi ÿ x¯)2
yo=1

Las relaciones (8.12) y (8.13) resuelven el problema; es decir, determinan la calibración

curva

y = a˜ + bx˜ . (8.14)

Para evaluar la incertidumbre de la curva de calibración, las características de cada

problema específico debe ser analizado cuidadosamente.
A partir de los datos experimentales y las estimaciones obtenidas a˜ y b˜, encontramos la
residuos de las ecuaciones condicionales

vi = a˜ + bx˜ yo - yi .

A continuación, de acuerdo con el esquema general del método de mínimos cuadrados, calculamos
la estimación de la varianza de las ecuaciones condicionales utilizando la fórmula (8.6),

norte

v2
i
yo=1
S2 = ,
norte - 2

y estimaciones de las varianzas de a˜ y b˜ utilizando las fórmulas (8.7). Después de este proceso,
encontramos los límites de confianza queyesencialmente
b, resuelven el problema. Como
a
señalado anteriormente, los límites de confianza se construyen con base en la distribución de Student
con n ÿ 2 grados de libertad en nuestro caso, porque para nosotros dos parámetros
se están determinando.
Cuando se trabaja con transductores de medida, la dependencia x = f (y) y no
Se requiere y = ÿ(x) . Obviamente, no hay dificultad en marcar la transformación

x = (y ÿ a˜)/b˜.

Si se traza la curva de calibración, entonces no hay necesidad de convertirla; simplemente puede

usarse en la dirección "reversa".
Los métodos de análisis confluente en aplicación al problema de la construcción
dependencia lineal se revisan en [29].
Ahora discutiremos cómo se puede aplicar la teoría de las medidas indirectas
al problema de construir una curva de calibración lineal. Considere que tenemos un
estimar a˜ del coeficiente a. Entonces (8.8) se puede transformar en la forma.

y ÿ a˜
segundo = .
X

Esta ecuación se puede considerar la ecuación de medida para la medida indirecta del mensurando
b utilizando los argumentos de medida x e y. Porque el
los valores de y dependen de los valores de x, es una medida indirecta dependiente.
Machine Translated by Google

8.6. Determinación de los parámetros en fórmulas a partir de datos empíricos 217

Línea del límite superior de incertidumbre

Línea del límite inferior de incertidumbre

hacer

y0

xi ÿ ÿcx xi + ÿcx

0 xi X

Figura 8.1. Una línea de calibración y su banda de incertidumbre.

La estimación a˜ es fácil de encontrar: Para x0 = 0, (8.8) da

a˜ = y0.

La calibración nos proporciona n pares de xi , yi . Usando el método de reducción, transformamos

este conjunto de {xi , yi} en un conjunto de bi :

{con un}, i = 1,..., n,

lo que nos permite obtener

b˜ = b¯, S(b¯)

y la banda de errores de confianza de b¯.

La Figura 8.1 muestra un ejemplo de una línea de calibración encontrada usando el método
de reducción y la banda de su incertidumbre.
Al calibrar un transductor que creemos que tiene una curva de calibración lineal, tenemos que
comprobar su linealidad. Consideramos que la curva de calibración es lineal si su parámetro b
es constante o varía en los límites permisibles definidos. Estos límites se dan en las
especificaciones de cada tipo de transductor.
Machine Translated by Google

218 8. Medidas combinadas

Se considera que la inexactitud total de un transductor es igual a la inexactitud de

la estimación b˜, que se define por la desviación estándar S(b¯) y las incertidumbres
de las mediciones de los argumentos x e y. Los métodos presentados en el Capítulo
6 nos permiten realizar estos cálculos. La precisión de la estimación a es, por regla
general, mucho mayor que la precisión de b˜ porque no es necesario medir el valor
x0 = 0 y el valor y0 puede ajustarse. Por lo tanto, la inexactitud de a˜ a menudo se
puede despreciar.
Machine Translated by Google

9
Combinación de los
resultados de las mediciones

9.1. Notas introductorias

Las mediciones de la misma cantidad a menudo se realizan en diferentes laboratorios y,
por lo tanto, en diferentes condiciones y por diferentes métodos. A veces surge el problema
de combinar los datos obtenidos para encontrar la estimación más precisa de la cantidad
medida.
En muchos casos, en la investigación de nuevos fenómenos, las mediciones de las
cantidades correspondientes toman mucho tiempo. Al reunir en grupos las mediciones
realizadas durante un tiempo limitado, se pueden obtener estimaciones intermedias de la
cantidad medida en el transcurso de las mediciones. Es natural encontrar el resultado final
de una medición combinando los resultados intermedios.
Los ejemplos presentados muestran que el problema de combinar los resultados de las
mediciones es de gran importancia para la metrología. Al mismo tiempo, es importante
distinguir las situaciones en las que se justifica combinar resultados de aquellas en las que
no se justifica hacerlo. No tiene sentido combinar resultados de mediciones en las que se
midieron cantidades en esencia de diferente dimensión.
Debe tenerse en cuenta que cuando se comparan los resultados de las mediciones, el
análisis de datos a menudo se realiza en función de la intuición de los experimentadores
sin utilizar procedimientos formales. Es interesante que en el proceso, por regla general, se
extraen las conclusiones correctas. Por un lado, esto indica que los instrumentos de
medición modernos son de alta calidad y, por otro lado, que los experimentadores, quienes
al estimar los errores podían determinar todas las fuentes de error y mostraban un cuidado
razonable, estaban altamente calificados.

9.2. Principios teóricos

El siguiente problema tiene una solución matemáticamente rigurosa. Considere L grupos
de medidas de la misma cantidad A. Se hicieron estimaciones de la cantidad medida x¯1,...,
x¯L a partir de las medidas de cada grupo, y

mi [x¯1] = ··· = mi [x¯L ] = A.

Machine Translated by Google

220 9. Combinación de los resultados de las mediciones

Se conocen las varianzas de las medidas en cada grupo ÿ2 ,...,ÿ21 y el número

L de medidas en cada
grupo n1,..., nL .
El problema es encontrar una estimación de la cantidad medida basada en datos de todos los
grupos de medidas. Esta estimación se denota como x¯¯ y se denomina promedio combinado o
media ponderada.
Buscaremos x¯¯ como una función lineal de x¯ j ; es decir, como su media ponderada,

L
x¯¯ = gj x¯ j . (9.1)
t=1

lo tanto el problema se reduce a encontrar los pesos gj . Como E[x¯¯ j] = A y Por

E[x¯] = A, obtenemos de (9.1)
L L L
mi [x¯¯] = mi gj E[x¯ j], A = A
j=1 gj x¯ j ! = j=1 señora _ j=1

Por lo tanto,
L

gi = 1. j =
1

Luego, requerimos que x¯¯ sea una estimación eficiente de A; es decir, V[x¯¯] debe ser mínimo.
Por esta razón encontramos una expresión para V[x¯¯], usando la fórmula

L L
V[x¯¯]=V g2j V[x¯ j] = g2 1ÿ2 (x¯1) + g2 2ÿ2 (x¯2) +···+ g2 L ÿ2 (x¯L ).
j=1 gj x¯ j ! = j=1

(9.2)
L
Usando la condición j=1 gj = 1, escribimos gL = 1 ÿ g1 ÿ g2 ÿ···ÿ gLÿ1.
Ahora encontraremos la condición bajo la cual V[x¯¯] tiene un mínimo. Por ello derivamos (9.2) con
respecto a gj e igualamos las derivadas a 0. Como tenemos L ÿ 1 incógnitas, sacamos L ÿ 1 derivadas:

2g1ÿ2 (x¯1) ÿ 2(1 ÿ g1 ÿ g2 ÿ···ÿ gLÿ1)ÿ2 (x¯L ) = 0, 2g2ÿ2 (x¯2) ÿ

2(1 ÿ g1 ÿ g2 ÿ··· ÿ gLÿ1)ÿ2 (x¯L ) = 0,

...

2gLÿ1ÿ2 (x¯Lÿ1) ÿ 2(1 ÿ g1 ÿ g2 ÿ···ÿ gLÿ1)ÿ2 (x¯L ) = 0,

Como el segundo término es idéntico en cada ecuación, obtenemos

g1ÿ2 (x¯1) = g2ÿ2 (x¯2) =···= gL ÿ2 (x¯L ).

La transferencia de gLÿ1 a gL se hace porque la eliminación de gL no estuvo dictada

por algunas consideraciones fundamentales, y en lugar de gL , se podría
unhaber
coeficiente
tomado de
ponderación con cualquier número.
Machine Translated by Google

9.2. Principios teóricos 221

Así, hemos encontrado una segunda condición de que los pesos de las medias aritméticas
de los grupos de medidas debe satisfacer:

1 1 1
g1 : g2 : ··· : gL = : : ··· : . (9.3)
ÿ2(x¯1) ÿ2(x¯2) ÿ2(x¯L )

Para encontrar el peso gj , es necesario conocer las varianzas de la aritmética

medias o la razón de las varianzas. Si tenemos las varianzas ÿ2(x¯ j), entonces podemos
conjunto g yo = 1/ÿ2(x¯ j). Entonces obtenemos

gj
gj = . (9.4)
L
gj
j=1

Como los pesos son cantidades no aleatorias, no es difícil determinar el

varianza para x¯¯. De acuerdo con la relación (9.2), tenemos

L L 1 2

L (g j) 2V[x¯ j] ÿ2 (x¯j )
ÿ2(x¯j ) 1
j=1 = j=1 = .
V[x¯¯] = g2j V[x¯ j] = 2 2 L 1
j=1
L L 1
gj ÿ2(x¯j )
ÿ2(x¯j ) j=1
j=1 j=1
(9.5)

La relación (9.3) permite obtener los pesos exactos gj si las varianzas

ÿ2(x¯ j) no se conocen pero solo se conocen sus proporciones. En este caso, tener estimaciones
de las varianzas de las medias aritméticas de los grupos en lugar de sus valores, una
Se puede derivar una expresión para la estimación de la varianza de la media ponderada:

1 L L
norte j - 1 2
S2(x¯¯) = jj S2 + gj(x¯ j ÿ x¯¯) . (9.6)
norte - 1
jnj _ _
j=1 j=1

El caso particular cuando las varianzas de las medidas son las mismas para
todos los grupos, pero el número de observaciones en los grupos es diferente es de interés.
= njg._j _Entonces los pesos de las medias aritméticas serán
En este caso, podemos establecer

gj = n y / N, (9.7)

donde N = L
y la relación (9.6) asumirá la forma
= 1 njj

1 L L
2 .
S2(x¯¯) = ( nj ÿ 1)S2 j + norte j(x¯ j ÿ x¯¯ ) (9.8)
N (N - 1)
j=1 j=1

Este resultado también se puede obtener directamente, combinando las medidas de todos los grupos
en un gran grupo de medidas.
L
El número de mediciones en el grupo combinado es N = Nueva York._ _

j=1
Machine Translated by Google

222 9. Combinación de los resultados de las mediciones

Si las mediciones se recopilan por grupos, entonces el promedio combinado será

L nj
x de
j=1 yo=1
x¯¯ = .
norte

Expandamos el numerador, lo que da

(x11 + x12 +···+ x1n1 ) + (x21 + x22 +···+ x2n2 ) +··· x¯¯ =
norte

L
n1x¯1 + n2x¯2 +···+ nL x¯L
= =
gj x¯
norte
j, j=1

donde gj = n j / N es el peso de la j-ésima media aritmética.

El promedio agregado x¯¯, por esta razón, también se denomina media ponderada.
La estimación de la desviación estándar de la media ponderada se puede estimar considerando
la media ponderada como el promedio del gran grupo de mediciones combinadas:

norte

2
(xk ÿ x¯¯)
k=1
S2 (x¯¯) = .
N (N - 1)

Juntamos los términos en el numerador

L nj
2
(x de ÿ x¯¯)
j=1 yo=1
S2 (x¯¯) =
N (N - 1)

y realice transformaciones simples del numerador para simplificar los cálculos:

L nj L nj
2 = 2
(x de ÿ x¯¯) (x ji ÿ x¯ j + x¯ j ÿ x¯¯)
j=1 yo=1 j=1 yo=1

L nj L nj
= 2+2
( xji ÿ x¯ j) (x ji ÿ x¯ j)(x¯ j ÿ x¯¯)
j=1 yo=1 j=1 yo=1

L nj
2
+ (x¯ j ÿ x¯¯) .
j=1 yo=1

El segundo término de la última expresión es igual a cero, porque en virtud de las propiedades
nj
de la media aritmética, i=1(x ji ÿ x¯ j) = 0. Por esta razón,

1 L nj L nj
2 + 2 .
S2 (x¯¯) = (xi j - x¯ j) (x¯ j ÿ x¯¯)
N (N - 1)
j=1 yo=1 j=1 yo=1
Machine Translated by Google

9.3. Efecto del error de los pesos sobre el error de la media ponderada 223

Tenga en cuenta que

nj
2 2 2
( xji ÿ x¯ j) = ( nj ÿ 1)S2 j, (x¯ j ÿ x¯¯) = norte j (x¯ j ÿ x¯¯ ) .
yo=1 yo=1

Entonces, conservando la sumatoria sobre grupos, obtenemos

1 L L
S2 (x¯¯) = ( nj ÿ 1)S2 j + norte j(x¯ j ÿ x¯¯ )
N (N - 1) 2!.
j=1 j=1

El primer término de la fórmula obtenida caracteriza la dispersión de las medidas en grupos,

y el segundo término caracteriza la dispersión de las medias aritméticas de los grupos.

9.3. Efecto del error de los pesos sobre el error

de la media ponderada
Mirando la forma general de la fórmula que determina la media ponderada, uno pensaría, debido
a que los pesos gj y los valores ponderados de x¯ j aparecen simétricamente, que los pesos
deben encontrarse con la misma precisión que x¯ j .
En la práctica, sin embargo, los pesos suelen expresarse mediante números con una o dos cifras
significativas. ¿Cómo se refleja la incertidumbre de los pesos en el error de la media ponderada?

Consideraremos el peso gi en (9.1) como valores fijos y constantes. Además, como de

L
costumbre, supondremos que j=1 gj =de1. ponderación
Esta igualdaddeterminados
también se cumple para los coeficientes
incorrectamente, es decir,
para g˜ j . Por lo tanto,

L
gj = 0,
j=1

donde gj es el error en la determinación del coeficiente gj .

Suponiendo que el valor exacto de la media ponderada es y, estimamos el error
de su estimación:

L L L
y= =
g˜ j x¯ j ÿ gj x¯ j j=1 j=1 gj x¯ j .
j=1

Expresaremos g1 para los otros errores:

g1 = ÿ( g2 +···+ gL )

y sustituirlo en la expresión de y:

y = (x¯2 ÿ x¯1) g2 + (x¯3 ÿ x¯1) g3 +···+ (x¯L ÿ x¯1) gL

Machine Translated by Google

224 9. Combinación de los resultados de las mediciones

o en forma de error relativo

g2 gL
g2(x¯2 ÿ x¯1) + ··· + gL (x¯L - x¯1)
y g2 gL
= .
y
L
gj x¯ j
j=1

Se desconocen los errores de los pesos gj / gj . Pero supongamos que podemos

Estime sus límites y sea g/g el mayor valor absoluto de estos límites.
Reemplazando todos los errores relativos gj / gj por g/ g, obtenemos

y |g2(x¯2 ÿ x¯1) + g3(x¯3 ÿ x¯1) +···+ gL (x¯L ÿ x¯1)| gramo

ÿ .
y gramo
L
gj x¯ j
j=1

El numerador en el lado derecho de la desigualdad se puede poner en la siguiente forma:

g2(x¯2 ÿ x¯1) + g3(x¯3 ÿ x¯1) +···+ gL (x¯L ÿ x¯1)

= g2x¯2 + g3x¯3 +···+ gL x¯L ÿ (g2 + g3 +···+ gL )x¯1.

Pero g2 + g3 +···+ g2 = 1 ÿ g1, de modo que

L
g2(x¯2 ÿ x¯1) + g3(x¯3 ÿ x¯1) +···+ gL (x¯L ÿ x¯1) = gj x¯ j ÿ x¯1 = y ÿ x¯1.
j=1

De este modo,

y g |y ÿ x¯1|
ÿ .
y gramo y

Es obvio que si se repite toda la derivación, pero al hacerlo se elimina el error no en el coeficiente
g1 sino en algún otro peso, entonces aparecerá un valor ponderado distinto de x¯1 en el lado derecho
de la desigualdad. . Por tanto, el resultado obtenido se puede representar de la forma

X gramo
|x¯¯ ÿ x¯j |
ÿ .
X gramo
X

La desigualdad obtenida muestra que el error introducido en la media ponderada como consecuencia
del error de los pesos es muchas veces menor que este último error.
Se puede suponer que el cofactor |x¯¯ ÿ x¯ j|/ x¯¯ es del mismo orden de magnitud que el error relativo
de los términos. Así, si este error es del orden de 0,01, entonces el error introducido en la media
ponderada como consecuencia del error de los pesos será al menos 100 veces menor que éste.
Machine Translated by Google

9.4. Mediciones en las que predominan los errores aleatorios 225

9.4. Combinación de los resultados de mediciones en las

que predominan los errores aleatorios

Estudiaremos una variante que es posible en el caso de mediciones múltiples con errores sistemáticos
despreciablemente pequeños. Cada resultado que se combina en este caso suele ser la media
aritmética de las mediciones, y las diferencias entre ellos se explican por la dispersión aleatoria de
las mediciones en los grupos. Sin embargo, se debe verificar que el verdadero valor de la cantidad
medida sea el mismo para todos los grupos. Este problema se resuelve con los métodos presentados
en el Capítulo 4. Si no se puede suponer que se mide la misma cantidad en todos los casos,
entonces no tiene sentido combinar las medidas en grupos.

Si se justifica la unificación de los grupos, entonces es necesario comprobar la hipótesis de que

las varianzas de las medidas en los grupos son iguales. Los métodos para resolver este problema
también se presentan en el Capítulo 4.
En el caso en que se pueda suponer que las varianzas de los grupos son iguales, los pesos para
cada resultado se calculan a partir de la fórmula (9.7), el promedio combinado se calcula a partir de
la fórmula (9.1), y la varianza del promedio combinado se puede calcular determinado a partir de la
fórmula (9.8).
Cuando las varianzas de los grupos no pueden tomarse como iguales entre sí y se desconocen
las varianzas y sus razones, a veces se encuentran las ponderaciones sustituyendo sus estimaciones,
en lugar de las varianzas, en la fórmula (9.4). La varianza de la media ponderada obtenida se estima
sustituyendo en la fórmula (9.5) estimaciones de las varianzas de las cantidades combinadas; es
decir, de la fórmula,

1
S2 (x¯¯) = .
L 1

k=1 S2(x¯k )

Las estimaciones de las varianzas son cantidades aleatorias y los pesos obtenidos a partir de
ellas son cantidades aleatorias. Sin embargo, en el caso en que las observaciones se distribuyen
normalmente, la media ponderada sigue siendo una estimación no sesgada de la cantidad medida.
El error en la estimación de la desviación estándar, obtenido con base en la fórmula presentada para
estimar la varianza de la media ponderada, no excede el 10% ya con dos grupos de observaciones
que consisten en más de nueve observaciones.

Ejemplo. Se está midiendo la masa de algún cuerpo. En un experimento, se obtiene el valor m˜ 1 =

409,52 g como la media
en S2 aritmética
= 0,1 g2. de 15 mediciones.
En un diferente = 409,44 gLa
sevarianza del n2
obtuvo con grupo
= 10dey medidas
S2 = 0,03seg2.
estima
experimento, el valor m˜ 2 Se sabe que los errores sistemáticos de las mediciones
1
despreciables,
son pequeños
y se puede
y
masa del cuerpo usando datos de
suponer
ambosque
experimentos
las mediciones
y estimar
se distribuyen
la varianza
normalmente.
del resultado.
2
estimar
Es necesario
la
Machine Translated by Google

226 9. Combinación de los resultados de las mediciones

Primero determinaremos si la unificación está justificada, es decir, si una

existe una diferencia inadmisible entre las estimaciones de la cantidad medida:

S21 0.1 0,03

S2 (x¯1) = = = 0,0067, S2 (x¯2) = = 0,003,
n1 15 10

S2 (x¯1 ÿ x¯2) = S2 (x¯1) + S2 (x¯2) = 0,0097,

S(x¯1 ÿ x¯2) = 0,098,
x¯1 ÿ x¯2 = m˜ 1 ÿ m˜ 2 = 0,08.

Como x¯1 ÿ x¯2 < S(x¯1 ÿ x¯2), la unificación es posible.

Comprobaremos si ambos grupos de observaciones tienen la misma varianza
(ver Sección 4.6):

F = S2 1 / S22 = 0,1:0,03 = 3,3.

Los grados de libertad son ÿ1 = 14 y ÿ2 = 9. Supondremos que el nivel de significación es

del 2%. Además, q = 0.01 y Fq = 5 (ver Tabla A.5). Como F < Fq , se puede suponer que las
varianzas de los grupos son iguales.
Ahora encontraremos los pesos de las medias aritméticas. De acuerdo con (9.7), tenemos
g1 = 15/25 = 0.6 y g2 = 10/25 = 0.4. La media ponderada es m¯¯ = 0,6 × 409,52 + 0,4 ×
409,44 = 409,49 g. Ahora encontramos S(m¯¯ ). De acuerdo con la fórmula (9.8), tenemos

1
S2 (m¯¯ )
= 25 × 24(14 × 0,1 + 9 × 0,03 + 15 × 0,032 + 10 × 0,052 ) = 28 × 10ÿ4

g2 , S(m¯¯ ) = 5,3 × 10ÿ2 g.

Si además de estimar la desviación estándar también es necesario encontrar la

incertidumbre, entonces para usar la distribución de Student, se debe encontrar el número
efectivo de grados de libertad usando la fórmula (6.19).

9.5. Combinación de los resultados de las mediciones

Contiene errores sistemáticos y aleatorios

Supongamos que una cantidad A se mide por varios métodos. Cada método da el resultado
x j (j = 1,..., L) con error ÿ j :

x j = UN + ÿ j .

Para combinar de manera fundamentada la serie de valores de x y obtener una estimación

más precisa de la cantidad medida, se debe tener cierta información sobre los errores ÿ j .
Partiremos de la condición de que ninguna de las medidas tenga errores sistemáticos
absolutamente constantes. Sin embargo, esta suposición debe ser verificada. Si no es cierto,
entonces el problema planteado no se puede resolver.
Machine Translated by Google

9.5. Mediciones que contienen errores sistemáticos y aleatorios 227

El error ÿ j es la suma de las realizaciones de los errores condicionalmente constante ÿj y

aleatorio ÿj : ÿ j = ÿj + ÿj .
Teniendo en cuenta un posible conjunto de resultados con cada método de medición, el error
desconocido ÿj de una realización concreta del j-ésimo método de medición puede considerarse
como la realización de una cantidad aleatoria. Por lo general, se estiman los límites ÿ de ÿj j , y se
consideran simétricos con respecto al valor real de la cantidad medida: |ÿj| ÿ ÿ Se supone que el
error aleatorio ÿj es una cantidad centrada;
j y E[ÿj] =es
[Link], E[ÿj] = 0.

Así, cuando no hay errores absolutamente constantes, por ejemplo, errores metodológicos
errores, podemos escribir E[x j] = A.
Como se desprende de la teoría de la combinación de los resultados de las mediciones, los
pesos están determinados por las varianzas de estos resultados. En nuestro caso, podemos escribir

V [xj ] = V[ÿj] + V[ÿj].

Por lo tanto, dadas las varianzas V[ÿj] y V[ÿj], el problema puede resolverse de forma exacta y
única. Desafortunadamente, las varianzas siempre se desconocen y deben emplearse sus
estimaciones. Para estimar las varianzas de los errores condicionalmente constantes de cada
método de medición, utilizaremos el supuesto de que los errores se distribuyen uniformemente
dentro de los límites estimados. Si bien no es necesario encontrar los pesos con gran precisión,
todavía genera algunas dudas sobre si la media ponderada es una mejor estimación de la
cantidad medida que los resultados combinados.
Como resultado, en metrología, se tiene mucho cuidado al combinar los resultados de las
mediciones.
En base a lo dicho anteriormente, cuando se deben combinar los resultados de las mediciones,
siempre es necesario verificar la concordancia entre los datos de partida y los resultados
obtenidos. Si se descubre alguna contradicción, por ejemplo, el promedio combinado cae fuera
de los límites permisibles de algún término, entonces se debe determinar la razón de esto y se
debe eliminar la contradicción. A veces esto es difícil de hacer y se deben realizar experimentos
especiales.
Se debe tener mucho cuidado al combinar los resultados de las mediciones porque en este
caso la información sobre los errores se emplea para refinar el resultado de la medición y no para
caracterizar su incertidumbre, como se suele hacer.
Sin embargo, puede suceder que la media ponderada sea una estimación natural de la
cantidad medida. Un ejemplo es la medición precisa de la actividad de una fuente de partículas ÿ.
Para aumentar la precisión, la actividad se mide a diferentes distancias de la fuente al detector y
con diferentes diafragmas. La actividad medida sigue siendo la misma. Sin embargo, se encuentra
que las estimaciones de la actividad obtenidas con diferentes diafragmas difieren algo entre sí.
Sus errores también son diferentes. Por esta razón, al asignar pesos a las estimaciones obtenidas
de la cantidad medida, en este ejemplo, se debe partir de las estimaciones de las varianzas del
error total de los resultados de medición que se combinan. Este proceso, sin duda, conducirá a
un resultado más correcto que si se supusiera que todas las medidas tienen pesos iguales o si se
asignaran pesos teniendo en cuenta únicamente los errores aleatorios.
Machine Translated by Google

228 9. Combinación de los resultados de las mediciones

Entonces, en el caso que nos ocupa, los pesos de las medidas que se combinan deben
calcularse utilizando la fórmula

S2(ÿj) + S2(ÿj)
gj = L , (9.9)
1

S2(ÿj) + S2(ÿj) j=1

donde S2(ÿj) es una estimación de la varianza del posible conjunto de errores condicionalmente
constantes del j-ésimo resultado de medición y S2(ÿj) es una estimación de la
varianza del error aleatorio del mismo resultado de medición.
Ahora estimaremos los errores del promedio combinado. Al resolver este problema, debido a
que los errores de los pesos son insignificantes (vea la Sección 9.3), supondremos que los pesos
de los resultados de las mediciones combinadas se conocen exactamente.
En el caso de mediciones múltiples, se debe tener para cada resultado x j an y una estimación
estimación de los límites del error sistemático ÿ j desviación del estándar
Sj del error aleatorio. Luego, los indicadores correspondientes de precisión del promedio combinado
serán

L
2
voluntad(x¯¯) = k g2j ÿ j ,
j=1

S(x¯¯) = g2j S2j .

j=1

Los límites de confianza del error total del promedio combinado se pueden encontrar a partir
de las estimaciones obtenidas para ÿ(x¯¯) y S(x¯¯). El método para resolver este problema se
examinó en detalle en el Capítulo 5.
En el caso de mediciones individuales, por lo general sólo se conocen las estimaciones de los
límites de los errores de las mediciones que se combinan, es decir, j(j = 1,..., L).
Con base en la información disponible sobre la forma de la distribución de los posibles conjuntos
de errores reales de cada resultado de medición, es necesario pasar de los límites de los errores
a las estimaciones dees
j no lasdifícil
varianzas de estos
encontrar errores.
los pesos Unaresultados
de los vez que se
dehan obtenido
medición quelas
sevarianzas,
combinan.
A continuación, la incertidumbre de la media ponderada se puede calcular usando el esquema
desarrollado para mediciones indirectas lineales (ver Capítulo 6).

Discutiremos algunos casos particulares de mediciones individuales. Examinaremos la medida

de una cantidad con varios instrumentos.
Deje que los errores aleatorios de los instrumentos sean pequeños en comparación con el límite
errores permisibles, y que los errores permisibles sean los mismos e iguales para todos de
los instrumentos.
Machine Translated by Google

9.5. Mediciones que contienen errores sistemáticos y aleatorios 229

Sean las indicaciones de los instrumentos x1,..., xn y los errores reales en las indicaciones
sean ÿ1,...,ÿq (|ÿi| < ). Entonces podemos escribir

A = x1 ÿ ÿ1,..., A = xn ÿ ÿn. (9.10)

La estimación intuitiva natural del verdadero valor de la cantidad medida, en el caso en que
se utilicen varios instrumentos de igual precisión para realizar las mediciones, es la media
aritmética de las indicaciones instrumentales:

1 norte

A˜ = xi .
norte

yo=1

Se ha demostrado matemáticamente que en la clase de estimaciones lineales, esta estimación

es la mejor.
Debemos estimar el error en el resultado obtenido. Sumando los lados izquierdo y derecho
de (9.10) y dividiéndolos por n, obtenemos

1 norte
1 norte

un = xi - .i _
norte norte

yo=1 yo=1

No conocemos los errores reales de los instrumentos. Sólo sabemos que |ÿi| ÿ
para todo i = 1,..., n.
Para encontrar los límites de la suma de las cantidades aleatorias ÿi (y sus errores sobre un
conjunto de instrumentos de un tipo dado pueden asumirse como cantidades aleatorias), es
necesario conocer sus funciones de distribución. Como se señaló anteriormente, estas
funciones no se pueden encontrar a partir de los datos experimentales. Sin embargo, a menudo
se puede suponer que los errores de instrumentos complicados tienen distribuciones simétricas.
La expectativa matemática de la distribución está cerca de los errores de los estándares de
trabajo empleados para calibrar estos instrumentos. En una primera aproximación,
supondremos que E[ÿi] = 0.
Por ejemplo, si los errores de los instrumentos se distribuyen uniformemente, entonces
según la fórmula (5.3)

norte

tha1 = k 2
= k ÿn.
yo=1

A partir de aquí, la incertidumbre de la estimación A˜ será

k
= voluntad1
= .
A'1
norte
ÿn
Si se supone que los errores de los instrumentos tienen una distribución normal y = zÿÿ,
entonces

norte

ÿÿ2 = zÿ
ÿ2 = zaÿ ÿn = ÿn.
i
yo=1
Machine Translated by Google

230 9. Combinación de los resultados de las mediciones

Figura 9.1. Las indicaciones más alta y más baja del grupo de instrumentos y la
intervalos de sus posibles errores.

Después

A'2
= will2 = .
norte
ÿn

Esta estimación corresponde a la misma probabilidad ÿ, que se utilizó para establecer

el límite de error permisible. La comparación de ÿ1 muestra yque difieren
A'2

sólo por el factor k, que, dependiendo de la probabilidad de confianza, puede oscilar

de 1,1 (ÿ = 0,95) a 1,4 (ÿ = 0,99). Como era de esperar, el número de instrumentos
juega el papel principal. Se requieren de cinco a diez instrumentos para reducir el error en un
factor de 2 o 3. Pero tenemos que enfatizar aquí que una mejora real de los errores es
limitado por los errores de los estándares de trabajo empleados para calibrar estos instrumentos.
El problema también se puede resolver de la siguiente manera. Elegimos el máximo y el mínimo.
Indicaciones mínimas de los instrumentos: xmax y xmin. Verificamos que

( xmáx ÿ xmín) ÿ 2 . (9.11)

Si no se satisface la desigualdad (9.11), entonces uno de los instrumentos utilizados para realizar
la medida tiene un error inadmisiblemente grande o la variación de alguna influencia
cantidades es demasiado grande. La razón de este fenómeno debe ser determinada y
eliminado; es decir, debe satisfacerse la desigualdad (9.11).
La figura 9.1 ilustra las indicaciones xmax y xmin, y se marcan los intervalos correspondientes
a los límites de errores permisibles ±.
El valor real de la cantidad medida debe estar en la sección de la tolerancia
campo que pertenece simultáneamente al instrumento con indicación xmax y el
instrumento con indicación xmin. En la figura, esta sección está sombreada. sus límites
determinar con mayor precisión el campo de tolerancia.
Es natural tomar como estimación de la cantidad medida el centro de la
intervalo xmax ÿ xmin, que se encuentra a partir de

xmáx + xmín
A˜ = . (9.12)
2
Machine Translated by Google

9.5. Mediciones que contienen errores sistemáticos y aleatorios 231

La coordenada del punto a, que determina el límite izquierdo de la er

ro en el resultado, será xa = xmax ÿ . La coordenada del punto b, que

determina el límite de error de la mano derecha, es igual a xb = xmin + .

Por lo tanto, el límite de error 1 del resultado más preciso es

1 = |xb ÿ A˜|=|A˜ ÿ xa|

o
" xmáx + xmín " " xmáx ÿ xmín "

1 = "
+ÿ" "
= "

"
ÿ
"

"
.
" "xmin 2 " "
2 "

Es fácil ver que si el límite xmax ÿ xmin = 2 , el error 1 es formalmente igual

a cero. Está claro, sin embargo, que el valor mínimo de 1 no puede ser inferior al
error del estándar de trabajo utilizado para calibrar los instrumentos empleados.
Es interesante notar que la estimación, basada en (9.12), de la cantidad medida
matemáticamente da la mejor aproximación cuando los errores ÿi se distribuyen
uniformemente en el intervalo [ÿ, +].
Con base en los argumentos anteriores, se puede demostrar que una suposición bien conocida
de metrología es válida: Cuando se utilizan instrumentos de medición que tienen diferente precisión.
utilizado en paralelo, la precisión del resultado está determinada por el más preciso
instrumento de medición.
Por ejemplo, suponga que el voltaje de alguna fuente se midió simultáneamente
con tres voltímetros que tienen diferente precisión pero el mismo límite superior de
el rango de medición 15 V. Las mediciones se realizaron bajo referencia
condiciones. Los siguientes resultados fueron obtenidos.

(1) Voltímetro clase 0,5: U1 = 10,05 V; el límite de error intrínseco permisible

1 = 0,075 voltios

(2) voltímetro clase 1,0: U2 = 9,9 V; el límite de error intrínseco permisible 2 =

0,15 voltios

(3) Voltímetro de clase 2,5: U3 = 9,7 V, el límite de error intrínseco permisible 3 =

0,375 voltios

Como las medidas se realizaron en condiciones de referencia, supondremos

que los límites de error intrínseco permisibles de los instrumentos son iguales a
los límites de los errores de medida.
Suponga que los errores de los instrumentos de cada tipo tienen una distribución
uniforme. Después

ÿi = yo / ÿ 3.

Encontraremos los pesos de los resultados. Como límite superior de la medida

rango es el mismo para todos los instrumentos, el cálculo se puede realizar en base a
los límites de error fiduciario de los instrumentos:
1 1 1 1 1
gramo 1
= 2 = = 4, gramo 2
= 2 = 1, gramo 3 = 2 = = 0,16.
1 0.25 2 3 6.25
Machine Translated by Google

232 9. Combinación de los resultados de las mediciones

De aquí,

4
g1 =
gramo
= = 0,77,
13
5,16
g yo
yo=1

0,20 0,16
g2 =
gramo 2
= = 0,20, g3 = 5,16
gramo 3
= = 0,03. 5.16
3 3

gramo gramo

yo yo = 1 yo yo = 1

Ahora encontramos la media ponderada

3

U˜ = giUi = 0,77 × 10,05 + 0,2 × 9,9 + 0,03 × 9,7 = 10,01 V.

yo=1

Los límites de confianza del error en la media ponderada se pueden encontrar en la fórmula (6.43)

3
2

U˜ = k g2i yo

yo=1

= k 0.772(7.5 × 10ÿ2)2 + 0.22(15 × 10ÿ2)2 + 0.032 × 0.3752 = k (33 + 9 + 1.3)

× 10ÿ4 = 0.066k.

Suponiendo, como de costumbre, ÿ = 0,95, tomamos k = 1,1 y encontramos U˜ = 0,07 V.

En la Fig. 9.2, se trazan las indicaciones de los tres instrumentos y se marcan los límites de error
permisible de los instrumentos. Allí también se indica el valor obtenido para la media ponderada.
Este valor permaneció en el campo de tolerancia del resultado más preciso, pero se desplazó un
poco en la dirección de las indicaciones de los instrumentos menos precisos; esto es natural Los
límites de error del resultado disminuyeron de manera insignificante en comparación con el error del
término más exacto.
Si se supusiera que todas las distribuciones son distribuciones normales, truncadas al mismo
nivel descartando instrumentos cuyo error excede zÿÿ (zÿ = const), entonces los pesos no cambiarían
y la media ponderada tendría el mismo valor que encontramos arriba. Solo cambiaría la estimación
de los límites de error, porque ahora debe calcularse a partir de la fórmula (6.43) con k = 1.

Figura 9.2. Indicaciones de los instrumentos y los intervalos de sus posibles errores.
Machine Translated by Google

9.6. Ejemplo: medición de la actividad de nucleidos en una fuente 233

Obtenemos ( U˜ ) = 0.066 V. Sin embargo, la diferencia entre U˜ y ( U˜ )

es insignificante
Veamos qué pasaría si diferentes instrumentos tuvieran diferentes distribuciones. Por ejemplo,
suponga que los instrumentos de clase 0.5 y 1.0 tienen un uniforme
distribución, que los instrumentos de clase 2.5 tienen una distribución normal truncada,
y que zÿ = 2,6. Después
0.075 1
ÿ1 = = 0.043, = = 306,
gramo 1

ÿ3 p2
1
0.15 1
ÿ2 = = 0.087, = = 78,
gramo 2

ÿ3 p2
2
0.375 1
ÿ3 = = 0,144, = = 42.
gramo 3

2.6 p2
3

Por lo tanto,
306
g1 =
gramo 1
= = 0,72,
3 426
g yo
yo=1

78
g2 =
gramo 2
= = 0,18,
3 426
g yo
yo=1

42
g3 =
gramo 3
= = 0,10.
3 426
g yo
yo=1

De aquí,

U˜1 = 0,72 × 10,05 + 0,18 × 9,9 + 0,1 × 9,7 = 9,99 V.

Los valores obtenidos para U˜ y U˜ 1 son muy cercanos, lo que indica que un cambio significativo
en la forma de las funciones de distribución en este caso no
afectar sensiblemente el resultado.
El ejemplo anterior también podría haber sido resuelto por un gráfico-analítico
método, similar al método utilizado para resolver el problema de combinar las indicaciones de
instrumentos igualmente precisos. Ahora, sin embargo, la relación que determina A˜
debe contener los pesos de los términos. De acuerdo con las consideraciones anteriores, estos
pesos pueden tomarse como inversamente proporcionales a los cuadrados de
los límites de errores permisibles de los instrumentos.

9.6. Ejemplo: Medición de la Actividad

de nucleidos en una fuente

Examinaremos la medida de la actividad de nucleidos por el método de

conteo absoluto de partículas ÿ emitidas por la fuente en un pequeño ángulo sólido. los
Machine Translated by Google

234 9. Combinación de los resultados de las mediciones

Tabla 9.1. Los resultados de las mediciones de la actividad de nucleidos por diferentes
factores geométricos.

Distancia Estimación
Estimaciones de las desviaciones estándar
fuente- Radio del de medidas
Número de detector diafragma cantidad Errores aleatorios Errores sistemáticos
grupo i (mm) (mm) xi × 105 del resultado (%) del resultado (%)

97.500 20.017 1.65197 0,08 0.52

1 97.500 12.502 1.65316 0,10 0.52
2 397.464 30.008 1.66785 0,16 0.22
34 198.000 20.017 1.66562 0,30 0.42
5 198.000 30.008 1.66014 0,08 0.42

la actividad medida se determina a partir de la fórmula

A = GN0ÿ,

donde G es el factor geométrico del aparato, N0 es el conteo de partículas ÿ

rate, y ÿ es la eficiencia de detección de partículas ÿ [15].
El factor geométrico depende del diámetro de la fuente, la distancia
entre la fuente y el detector, así como el diámetro del diafragma,
y se calcula a partir de mediciones de estas cantidades. en el curso de un
medida, G no cambia, por lo que los errores de G crean un error sistemático
de medición de la actividad A. Mediciones del número de partículas ÿ,
sin embargo, tienen errores aleatorios.
Para reducir el error derivado del error del factor geométrico, las mediciones se realizaron
para diferentes valores de este factor (cambiando la distancia
entre la fuente y el detector y el diámetro del diafragma). Todas las mediciones se realizaron
utilizando la misma fuente de 239Pu. La tabla 9.1 da los cinco
combinaciones de los parámetros geométricos estudiados. En cada caso, 50 medidas
se realizaron, y las estimaciones de la cantidad medida y los parámetros de
se calcularon sus errores, que también se presentan en la Tabla 9.1. Las desviaciones rms de
los errores sistemáticos de los resultados se calcularon a partir de la estimación
valores límite de todos los componentes bajo el supuesto de que pueden ser considerados
como cantidades aleatorias centradas uniformemente distribuidas.
Los datos de la tabla 9.1 muestran, en primer lugar, que los errores sistemáticos son mucho mayores
que los errores aleatorios, por lo que el número de mediciones en los grupos fue
suficiente. La diferencia observada entre los valores obtenidos de la actividad de
los nucleidos en los grupos pueden explicarse por sus diferentes errores sistemáticos.
En el ejemplo estudiado, se midió la misma cantidad en todos los casos. Por esta razón,
aquí la media ponderada es una estimación bien fundamentada de la cantidad medida.
Con base en las consideraciones presentadas en la Sección 9.5, usaremos la fórmula (9.9) para
calcular los pesos. Primero, calcularemos una estimación de la varianza combinada

S2
C (x¯i) = S2 (ÿi) + S2 (ÿi).

Los resultados de los cálculos se dan en la Tabla 9.2.

Machine Translated by Google

9.6. Ejemplo: medición de la actividad de nucleidos en una fuente 235

Tabla 9.2. Las estimaciones de varianzas y pesos combinados

de resultados de medición por diferentes factores geométricos.

Estimación de combinado
Número de grupo varianza S2 (x¯i) Peso gi
C

0,28 0.12
1 0,28 0.12
2 0,07 0,46
3 0,27 0.12
45 0,18 0.18

Como ejemplo, calcularemos g1:

1
0.28 3.57
g1 = = = 0,12.
1 1 1 1 1 30.7
+ + + +
0.28 0.28 0,07 0,27 0.18
5
Ahora encontramos la media ponderada: A˜ = i=1 gi x¯i = 1,6625 × 105.
Queda por estimar el error en el valor obtenido. Calcularemos un
estimación de la varianza de la media ponderada con la ayuda de la fórmula
1 1
S2 (A˜) = = = 0,033.
5 30.7
[1/S2C (x¯i)]
yo=1

De aquí SA˜ = 0,18%. Como el error de la media ponderada está determinado por
el componente sistemático, se presenta mejor en forma de límites (en este caso,
límites de confianza). Para el valor estimado de la varianza, los límites se calculan
para la distribución normal. En este caso, este proceso está tanto más justificado cuanto que,
como hemos visto, el error de la media ponderada consiste principalmente en cinco términos.
Incluso si todos los términos estuvieran distribuidos uniformemente, la distribución de su composición
puede considerarse como una distribución normal.
Para la probabilidad de confianza estándar ÿ = 0.95,z 1ÿÿ = 1,96 y u%0,95 =
2
1,96 × 0,18 = 0,35%. En forma de incertidumbre absoluta, obtenemos uc0.95 =
0,006 × 105.
El resultado de la medición se puede dar en la forma

A(0,95) = (1,662 ± 0,006) × 105 .

Se puede ver que en este ejemplo la media aritmética simple, igual a 1.660 ×
105, de las estimaciones obtenidas para la cantidad medida no difiere significativamente
de la media ponderada. Este acuerdo, sin embargo, es puramente accidental. En casos
similar a la examinada anteriormente, la media ponderada, por supuesto, es una mejor fundamentada
estimación del mensurando que la media aritmética simple.
Machine Translated by Google

10
Cálculo de los errores de
los instrumentos de medida

10.1. Los problemas de calcular los errores de los

instrumentos de medición

Los instrumentos de medición son extremadamente diversos, pero debido a que se usan para un
propósito común, existe una teoría general de sus errores. El problema central de esta teoría es
calcular el error intrínseco de los instrumentos de medida, que es su característica metrológica más
importante. El cálculo de los errores adicionales, causados por cambios controlados en las
cantidades de influencia, depende de la disposición de un instrumento de medición. Por esta razón,
el cálculo de estas características metrológicas cae dentro del ámbito de la teoría de los
instrumentos de medida con un principio de funcionamiento particular.

En forma general, un instrumento de medida puede ser considerado como varias unidades
funcionalmente relacionadas que transforman una señal de entrada en una señal de salida. Durante
el proceso de fabricación, primero se obtiene una forma deseable de dependencia funcional entre
estas señales (una función de transferencia) ajustando algunas unidades. Luego, cada instrumento
es graduado o calibrado. En esencia, el propósito de estas operaciones es fijar y representar la
función de transferencia obtenida del instrumento por medio de una escala o un gráfico o una
ecuación.
No importa cuán precisas sean estas operaciones, el instrumento resultante tendrá
algunos errores por las siguientes razones:

(a) inexactitud al fijar la función de transferencia, es decir, inexactitud al construir la escala o el

gráfico o la ecuación;
(b) imperfección del dispositivo de lectura del instrumento de medición; (c)
variaciones de las cantidades de influencia (dentro de los límites de las condiciones de
referencia); (d) deriva de algunas propiedades de las unidades del instrumento de medición con el tiempo.

Cada problema contribuye con un componente al error intrínseco de un instrumento de medición.

Los errores de los instrumentos de medida en condiciones normales de funcionamiento (es

decir, cuando las cantidades de influencia se desvían de sus valores de referencia o cuando
superan los límites del rango de valores de referencia), y su cálculo basado en
Machine Translated by Google

238 10. Cálculo de los errores de los instrumentos de medida

las propiedades conocidas de los instrumentos de medición y las condiciones de medición,

se consideran parte integral del problema de estimación de errores de medición.
El problema de estimar el error resultante puede formularse para un instrumento separado
o una colección de instrumentos de un tipo definido. En el primer caso, el problema consiste
en estimar el error de un determinado instrumento a partir de los parámetros conocidos de
los componentes de dicho instrumento. Al hacerlo, uno puede encontrar los errores del
instrumento en segmentos definidos de la escala del instrumento o una estimación de los
límites de error del instrumento dado. Estos problemas deben resolverse al diseñar
instrumentos de medición únicos y al realizar una calibración por elementos.

En el segundo caso, es decir, para un conjunto de instrumentos de medida, el problema

se formula de forma diferente. Los límites de error de los instrumentos se pueden estimar en
base a las propiedades de los componentes del instrumento (problema directo). Pero la
mayoría de las veces se prescriben los límites de error del instrumento y se requiere encontrar
el porcentaje de instrumentos cuyo error caerá dentro de estos límites (problema inverso).
Es cierto que cada problema puede formularse, con algunas modificaciones, para cualquier
tipo de instrumento de medida —para patrones, transductores de medida o instrumentos y
sistemas de medida— sólo si sus errores son causados por desviaciones de los valores
nominales de los parámetros de los componentes de el instrumento de medida

10.2. Métodos para calcular errores de instrumentos

Examinaremos ambos métodos sucesivamente, es decir, los problemas directo e inverso,

referidos a colecciones de instrumentos de medida.
De forma general, la señal de salida y de un instrumento está relacionada con el
parámetro formativo de la señal de entrada A, los parámetros xi de los componentes del
instrumento (i = 1,..., n), el ruido y otros factores que dan lugar a errores zj(j = 1,..., m), por la
relación

y = f (A, xi, zj). (10.1)

Para cada parámetro, se establecerá el valor nominal, es decir, el valor para el cual los
instrumentos de medida no tendrían error. Las desviaciones de las propiedades reales de los
componentes de las propiedades nominales dan como resultado el error del instrumento.
Llamaremos convencionalmente a la desviación de los valores nominales de los parámetros
de los componentes los errores de los componentes, y supondremos que se expresan en
forma de errores relativos

cerrar - xi
ÿi = , (10.2)
xi
donde xi es el valor nominal y xir es el valor real del parámetro del componente.

El efecto del error de cada componente sobre el error del instrumento se determina de la
forma estudiada en el Capítulo 6 para determinar los coeficientes de influencia del error de
medida de los argumentos sobre el error de una medida indirecta.
Machine Translated by Google

10.2. Métodos para calcular errores de instrumentos 239

Para errores relativos, podemos escribir

y 1 ÿf 1 ÿf
= xi = ÿi xi .
y y ÿxi ÿxi y

A partir de aquí, el coeficiente de influencia del error xi será, en forma relativa,

y/y ÿ fxi
Wi = = . (10.3)
si ÿxi y _

Expresaremos los coeficientes de influencia para fuentes de errores aditivos, porque no

pueden representarse como una desviación de algunos valores nominales, en la forma estándar

ÿf
wj = . (10.4)
ÿzj

En lo que sigue nos referiremos, un tanto arbitrariamente, a los factores responsables de los
errores aditivos como ruido.
El error absoluto de un instrumento en la indicación y está determinado por la relación
norte metro

z=y Wi ÿi + wjzj . (10.5)

yo=1 j=1

Encontramos (10.1) y los coeficientes de influencia Wi y wi basados en el diseño estructural

del instrumento. Habiendo derivado (10.5), ya no necesitamos el diseño estructural del
instrumento, y solo necesitamos estudiar los componentes del error. En (10.5), los componentes
de error se refieren a la salida del instrumento.
Ahora estudiaremos con mayor detalle el problema directo, es decir, el problema de estimar
el error del instrumento. Tenemos en mente la estimación de errores en cualquier punto del
rango de indicación. Si se conoce el punto donde el error del instrumento es máximo, entonces,
en muchos casos, solo se necesita calcular el error para este punto.
A menudo, este punto es el punto final yf de la escala del instrumento, porque en este caso, los
componentes multiplicativos del error son máximos.
Los cálculos se realizan más convenientemente para los errores relativos y no para los
absolutos. Para y = yf, el error relativo del instrumento, como sigue de la fórmula (10.5), será

norte
1 metro

ÿf = Wi ÿi + wjzj. yfj =1 (10.6)

yo=1

Dividiremos todos los errores que aparecen en el lado derecho de las fórmulas (10.5) o
(10.6) en sistemáticos y aleatorios. Si algún término en la fórmula (10.5) tiene componentes
sistemáticos y aleatorios, entonces los separaremos y reemplazaremos dicho término en la
fórmula (10.5) con dos términos. Al hacerlo, se supone, como siempre, que los componentes
sistemáticos de los errores tienen un valor fijo para cada muestra del instrumento o para cada
componente del instrumento.
Los componentes sistemáticos forman el error sistemático del instrumento, y el ran
componentes dom forman el error de instrumento aleatorio.
Machine Translated by Google

240 10. Cálculo de los errores de los instrumentos de medida

El error aleatorio del instrumento se manifiesta de manera diferente en cada aplicación

del instrumento. Por ejemplo, si queremos estimar el mayor error del instrumento,
entonces debemos sumar a la estimación de los límites de su error sistemático el
máximo error aleatorio.
Cabe señalar que en la descripción teórica del error aleatorio del instrumento, este
error se considera una cantidad aleatoria y, con frecuencia, se supone que tiene una
distribución normal. Tal modelo admite la posibilidad de errores de cualquier tamaño, y
no queda claro cómo encontrar el error instrumental aleatorio limitante en el modelo.

Me gustaría enfatizar que surgen diferentes situaciones cuando se estiman los

errores de medición y los errores de los instrumentos de medición. En el primer caso,
los errores aleatorios ya se han realizado, por lo que los componentes aleatorios y
sistemáticos se pueden sumar estadísticamente. En el segundo caso, estamos
estimando el mayor error del instrumento que se puede manifestar en cualquier
experimento futuro, por lo que las componentes deben sumarse aritméticamente.
Los errores sistemáticos de una colección de componentes de instrumentos del
mismo tipo pueden considerarse como un conjunto de realizaciones de una cantidad
aleatoria. Esta cantidad se describe estadísticamente, por ejemplo, mediante un
histograma. Para componentes que tienen un error sistemático, no es difícil construir el
histograma de la distribución de errores sistemáticos. Para componentes con un error
aleatorio, dicha descripción se vuelve más complicada, porque se vuelve bidimensional:
la realización depende tanto de la muestra del componente como de la realización del
error aleatorio de este componente en un experimento dado. Pero generalmente se
puede suponer que todos los componentes del mismo tipo tienen la misma distribución
del error aleatorio, de modo que las diferencias de sus errores están determinadas solo
por el cambio en algún parámetro de esta distribución. Esta característica se puede
tener en cuenta y se pueden estudiar las distribuciones unidimensionales del parámetro
correspondiente y el error sistemático del componente en lugar de la distribución
bidimensional de la cantidad aleatoria.
La suma de cantidades aleatorias implica la construcción de la composi
ción de sus funciones de distribución.
Si el instrumento consta de muchos componentes y hay muchos términos en las
fórmulas (10.5) o (10.6), entonces la composición de los componentes de error dará,
como es bien sabido, una distribución cercana a la normal, lo que hace posible simplificar
la solución, porque no es difícil encontrar los parámetros de la distribución resultante:

norte
1 metro

E[ÿf] = Nosotros E[ÿi] wjE[zj],

yo=1 + y f j=1
(10.7)
norte
1 metro

V[ÿf] = W2i V[ÿi] + w2 jV[zj],

yo=1
y2 f
j=1

Utilizando las estimaciones de las expectativas matemáticas de los componentes de

error y sus varianzas, se puede calcular la estimación de la expectativa matemática y la
varianza de la distribución normal resultante a partir de las relaciones presentadas. Este
Machine Translated by Google

10.2. Métodos para calcular errores de instrumentos 241

El problema se resuelve primero para los errores sistemáticos. Tomando el porcentaje de

instrumentos cuyo error debe ser menor que la estimación calculada como la probabilidad de
confianza ÿ, encontramos el límite de error sistemático correspondiente:

ÿr = E˜[ÿf] + zÿÿ˜(ÿf), ÿl =
(10.8)
E˜[ÿf] ÿ zÿÿ˜(ÿf).

A continuación estimamos el error aleatorio prácticamente limitante. Por lo general, el número

de términos aquí es muy pequeño y este error no se calcula en absoluto, sino que se estima en
función de los datos experimentales. Si encontramos una estimación de la desviación estándar
del error aleatorio resultante, entonces para el valor prácticamente límite, tomamos =a tqÿ˜(y),
donde q =
1 ÿ ÿ, y encontramos tq de una tabla de distribución de Student teniendo en cuenta cuenta el
grado de libertad de los datos experimentales.
A continuación, de acuerdo con lo dicho anteriormente, encontramos la prácticamente limitante
errores de los instrumentos:

r = ÿr + a, yo
= ÿl + una. (10.9)

Normalmente E[ÿf] = 0 y |ÿl|=|ÿr|, de modo que | l|=| r|.

Cuando el número de términos es pequeño, el problema debe resolverse construyendo una
composición de las distribuciones de los términos.
Cabe señalar que, en el caso general, la probabilidad adoptada para calcular los límites de
error sistemático puede no ser igual a la probabilidad correspondiente al error aleatorio
prácticamente limitante. Se deben indicar ambas probabilidades.
Si los términos están dados por sus límites permisibles y ningún dato favorece una distribución,
entonces se supone que los errores correspondientes están distribuidos uniformemente.
En este caso, el límite de confianza del error sistemático del instrumento se puede encontrar a
partir de la fórmula (6.42), algo transformado:

norte
1 metro

voluntad = k (Wi ÿi)2 + (wjj )2, (10.10)

y2
yo=1 j=1

donde los valores del coeficiente k se presentan en la Tabla 3.1; ÿi(i = 1,..., n) son los límites de
los errores sistemáticos permisibles (de los componentes del instrumento) que forman el
componente multiplicativo del error del instrumento; y j(j = 1,..., m) es lo mismo, pero para los
errores que componen el error del instrumento aditivo.
El error aleatorio prácticamente limitante ÿ(y) se encuentra de la misma manera que en otros
casos, y el error total del instrumento se calcula de la misma manera. Como se supone que los
errores sistemáticos de los instrumentos son cantidades aleatorias, la probabilidad de confianza
ÿ utilizada para calcular los límites del error sistemático indica el número relativo de instrumentos
cuyos errores sistemáticos no superan estos límites.
A menudo, los errores de los componentes del instrumento están dados por sus límites
permisibles, incluidos los componentes de error sistemático y aleatorio. En este caso, se puede
proceder de dos maneras. El error de cada componente del instrumento se puede dividir en
componentes separados basados en el experimento, después de lo cual el problema se resuelve
de acuerdo con el esquema presentado anteriormente. Pero los errores totales de la
Machine Translated by Google

242 10. Cálculo de los errores de los instrumentos de medida

Se puede suponer que los componentes del instrumento, sin separar el error aleatorio, se
distribuyen uniformemente dentro de los límites prescritos y se pueden sumar
estadísticamente. En ausencia de datos para separar los errores en componentes, es
preferible el segundo método.
Los cálculos de los errores se repiten para una serie de indicaciones del instrumento. En
el proceso, las probabilidades de confianza, una de las cuales se usó para determinar los
límites de error sistemático de un conjunto de instrumentos y la otra se usó para determinar
el error aleatorio prácticamente límite de los instrumentos, deben mantenerse constantes.
A partir de los datos obtenidos, es posible construir un gráfico del error del instrumento
límite en función de la indicación del instrumento. El error se puede expresar como un error
absoluto o relativo, pero el error absoluto suele ser más conveniente.

Ahora consideramos el segundo problema: se prescribe el límite de error permisible del

instrumento y se requiere estimar la probabilidad de encontrar un instrumento con un error
menor que este límite.
Esbozaremos el esquema general de la solución. La probabilidad pg de encontrar un
instrumento cuyo error no exceda el límite permisible es igual a

pg = 1 ÿ (pr + pl), (10.11)

donde pr y pl son las probabilidades de encontrar un instrumento cuyo error exceda el límite
superior y caiga por debajo del límite inferior, respectivamente.
Podemos escribir

pr = P{ÿ ( ÿ ÿ)}, pl = PAG{ÿ ÿ ÿ( ÿ ÿ)},

donde es el límite de error permisible del instrumento y el límite a es el practicamente

del error aleatorio.
Para resolver el problema, es necesario conocer la función de distribución de la
errores sistemáticos de los instrumentos en toda la colección de instrumentos.
Pero no se puede suponer que el error aleatorio prácticamente limitante sea siempre el
mismo para todos los instrumentos; por lo general es diferente para diferentes instrumentos.
Para obtener una solución más precisa del problema, es necesario encontrar la distribución
del error de instrumento aleatorio prácticamente limitante. En la figura 10.1 se presenta un
ejemplo de una posible densidad de tal distribución. Las probabilidades pl y pr deben

Figura 10.1. Forma posible de la densidad

de probabilidad del error instrumental
aleatorio prácticamente limitante.
Machine Translated by Google

10.2. Métodos para calcular errores de instrumentos 243

ahora se calcula a partir de las fórmulas

pl = Kl PAGS{ÿ < ÿ( ÿ ÿ)} f ( ÿ) re ,

1
(10.12)
4

pr = Kr PAGS{ÿ > ( ÿ ÿ)} f ( ÿ) re ,

3

en el que los valores de la densidad de probabilidad f ( ÿ) juegan el papel de pesos y Kl y Kr son

factores de normalización. Si la densidad de probabilidad es f ( ÿ) y es simétrica con respecto al
eje de ordenadas, entonces pl = pr y Kl = Kr = 2. Sin embargo, en el caso general,

1 1
Kl = , Kr = .
& 2 f ( 1ÿ) re & 4 f (3ÿ) re

Los coeficientes Kl y Kr se introdujeron en relación con el hecho de que, por construcción de

las funciones de distribución, el área bajo toda la curva de la densidad de probabilidad es igual a
la unidad, y requerimos que el área bajo cada rama de la curva sea igual a unidad (para ÿ < 0 y
para No es difícil derivar fórmulas (10.12) si seque
danocurre
varios cada
valores > 0).
valor
a de seleccionado.
y el porcentajeHabiendo
de casos en
encontrado pl para cada uno, es natural agregarlos, ponderando cada uno por un peso
a

proporcional al porcentaje de veces que se encuentra A partir de aquí, extrapolando a una

distribución continua
a, de llegamos a las fórmulas (10.12)

a,

Así, podemos encontrar la probabilidad de fabricar un instrumento de medida cuyo error sea
menor que un límite fijo, si tiene una única señal de salida. Ejemplos de tales instrumentos de
medición son las medidas de un solo valor.
Sin embargo, con mucha más frecuencia, los instrumentos de medición tienen un rango definido
de medición. En este caso, la probabilidad de obtener un buen instrumento es igual a la probabilidad
de que el error del instrumento seleccionado en todo el rango de medición sea menor que el límite
prescrito. ¿Cómo se estima esta probabilidad?
Uno pensaría que para un instrumento de tipo puntero, la probabilidad pgi se puede calcular
para cada marcador de la escala del instrumento y se puede encontrar pg multiplicando las
probabilidades. Sin embargo, no se puede proceder de esta manera, porque los errores en
diferentes puntos de la escala no son independientes entre sí, principalmente por el componente
multiplicativo. Además, tales cálculos serían demasiado laboriosos, porque la escala del instrumento
suele tener de 100 a 150 marcadores.
Examinaremos un método diferente para resolver el problema. Para mayor precisión,
consideraremos un instrumento tipo puntero con un rango de medición. El método descrito
anteriormente permite encontrar todos los componentes del error del instrumento en cualquier
marcador de la escala del instrumento. Los calcularemos para el valor final de la escala y f .
El componente aleatorio generalmente varía de manera insignificante a lo
largo de la escala del instrumento. Por esta razón, una vez que el error aleatorio prácticamente limitante
Machine Translated by Google

244 10. Cálculo de los errores de los instrumentos de medida

ya que se ha estimado el valor final de la escala, podemos suponer que lo tenemos para toda la
escala del instrumento.
Supondremos en un principio que el error aleatorio prácticamente limitante, igual a es el a,

mismo para todos los instrumentos estudiados.

Antes de sumar los componentes del error sistemático, los separamos en componentes
aditivos y multiplicativos, después de lo cual los sumamos por separado. La suma se realiza por
métodos estadísticos. Como resultado, obtenemos la densidad de probabilidad de los
componentes de error aditivo y multiplicativo para y = yf, es decir, para el valor final de la escala.

Sin embargo, el instrumento puede tener un error inadmisiblemente grande en cualquier

marcador de la escala, y esto debe tenerse en cuenta.
El error sistemático ÿy de un instrumento elegido arbitrariamente en el punto y de la escala del
instrumento consiste en el componente multiplicativo ÿmy y el componente aditivo ÿay:

ÿy = ÿmi + ÿay .

Además,

|ÿmi | ÿ ÿmi ,

donde ÿmy = ÿm f y/ yf y ÿm f es el componente multiplicativo más grande del error (despreciando

el signo) en y = y f .
En la figura 10.2 se muestra un ejemplo del cambio en los errores multiplicativos de un
instrumento a lo largo de la escala del instrumento, junto con la densidad de probabilidad de este
error en y = y f .

Figura 10.2. Ejemplo de representación de errores de instrumentos multiplicativos

junto con su densidad de probabilidad.
Machine Translated by Google

10.2. Métodos para calcular errores de instrumentos 245

Figura 10.3. Posible forma de la densidad de

probabilidad del instrumento aditivo extremal
errores

Recordamos que el error multiplicativo aumenta desde el principio hasta el final de la escala
en proporción a las indicaciones del instrumento.
Los componentes aditivos del error, sin embargo, varían a lo largo de la escala de manera
aleatoria, pero de modo que |ÿay | ÿdel
ÿayerror
, donde
(despreciando
ÿay = ÿ(y) es
el signo)
el mayor
en componente
el punto y deaditivo
la escala.
Por esta razón, el componente aditivo debe considerarse como una cantidad aleatoria
bidimensional: cambia en cada sección de la escala (en cada marcador de escala), así como
a lo largo de la escala.

Para nuestro problema, es mejor no estudiar la colección completa de los componentes

aditivos de los errores sistemáticos de los instrumentos, sino solo la colección de los errores
más grandes y más pequeños, elegidos por separado para cada instrumento. Estadísticamente
(sobre el conjunto de instrumentos), estos componentes aditivos extremos del error ático del
sistema ÿa están determinados por dos funciones de distribución, que se muestran en las
Figs. 10.3 y 10.4.
El gráfico presentado en la Fig. 10.3 permite encontrar la probabilidad de los valores
extremos de ÿa, y el gráfico presentado en la Fig. 10.4 permite encontrar la probabilidad de
encontrar un valor extremo (positivo o negativo) en una u otra sección de la escala. del
instrumento
Dadas estas dependencias, podemos encontrar la probabilidad de que el error del
instrumento fabricado sea menor que un límite predeterminado en cualquier punto de su escala.
La solución se obtiene por métodos numéricos. El esquema de los cálculos es el siguiente:

(1) Pasamos de las distribuciones continuas f (ÿm) y f (ÿa) a distribuciones discretas. Por
esta razón, los rangos de valores posibles de los componentes [ÿÿm f , +ÿm f ] y [ÿÿaf, +ÿaf] y
se dividen en varios intervalos para que cada intervalo pueda ser reemplazado por el error
promedio en él ÿmi(i = 1,..., h) y ÿaj(j = 1,..., t).

Figura 10.4. Forma posible de la densidad de

probabilidad de los errores de instrumento
aditivos positivos y negativos extremos a lo
largo de la escala.
Machine Translated by Google

246 10. Cálculo de los errores de los instrumentos de medida

Establecemos la probabilidad de que cada promedio aparezca en el intervalo de error

igual al área bajo la curva de la densidad de probabilidad del error correspondiente en este
intervalo.
Así, obtenemos una serie de errores multiplicativos y aditivos y las probabilidades
correspondientes:

ÿmi, pmi, yo = q,..., h, j =

ÿaj, flor, 1,..., t.

Observamos que los errores multiplicativos ÿmi corresponden a y = yf y los errores aditivos
ÿai son independientes de la posición en la escala.
(2) Encontramos la sección de las escalas en la que pueden cometerse errores inadmisiblemente grandes.
Aparecer.
Los errores inadmisiblemente grandes, por definición, son errores que satisfacen las desigualdades

ÿl ÿ - , ÿr ÿ + . (10.13)

Tomamos un par de componentes ÿaj y ÿmi y encontramos un punto en la escala del

instrumento yij tal que para y > yij, se puede satisfacer una desigualdad (10.13). Es mejor
estudiar al mismo tiempo solo componentes positivos o solo negativos.
Con base en los argumentos anteriores sobre la separación de los errores aleatorios, las
a ÿaj
desigualdades (10.13) asumirán la forma ÿaj + ÿmyi ÿ ÿ para ÿaj y ÿmi positivos y la+ forma
ÿmyi ÿ
ÿ + para componentes negativos. Aquí a

ÿmyi = ÿmi este / yf.

La solución de las desigualdades da

a ÿ ÿaj
ÿ

yj ÿ
ÿmi yf, si ' ÿaj ÿmi
> 0, >yf,0,
(10.14)
a ÿ ÿaj |
ÿ

yj ÿ
ÿmi| si ' ÿaj > 0,ÿmi < 0,

Así, la sección de la escala donde pueden aparecer errores inadmisiblemente grandes para
cada par de componentes es y f ÿ yij.
(3) Calcularemos la probabilidad de que un instrumento con un error menor que
se fabrica el límite prescrito.
La probabilidad de que el par seleccionado de componentes ÿmi y ÿaj aparezcan simultáneamente
taneously es igual a (porque son independientes)

p = pmi paj . (10.15)

La probabilidad de que el componente aditivo seleccionado ÿaj aparezca en la sección

de la escala yf ÿ yij se determina en base a una de las dos funciones f (y) y es igual a

yf
p= f (la) casa.
yij
Machine Translated by Google

10.2. Métodos para calcular errores de instrumentos 247

A partir de aquí, encontramos la probabilidad de que un instrumento con un valor inadmisiblemente grande
se fabricará el error para ÿmi y ÿaj elegidos :

sif
pij = pmi paj f (y) dy. (10.16)
yij

A cada par de componentes se le asocia una única probabilidad pij . El cálculo debe realizarse por
separado para pares de componentes positivos y negativos,
porque en el esquema computacional presentado arriba, la izquierda y la derecha
ramas de la función de distribución del error sistemático del instrumento resultante
se tienen en cuenta por separado.
En los casos en que las funciones f (ÿm) o f (ÿa) sean asimétricas, o las funciones f (y)+ÿa y f (y)ÿÿa
no sean iguales, los cálculos de pij deben repetirse debido a que las probabilidades difieren ahora
corresponden a los errores positivos y negativos con
el mismo valor absoluto. Pero si las funciones son simétricas y f (y)+ÿa = f (y)ÿÿa ,
entonces los cálculos se pueden acortar configurando

sif
pij = 2pmi flores f (y) tu, (10.17)
yfÿyij

donde los índices i y j ahora enumeran los errores positivos y negativos con el
misma magnitud.
Como resultado del cálculo, encontramos

por favor = Pij, pr = Pij,

ÿ<0 ÿ>0

y luego la probabilidad pg, que buscamos, de fabricar un instrumento con

un error menor que el límite prescrito es

pg = 1 ÿ (pl + pr).

Obtuvimos la respuesta para el caso en que el azar prácticamente limitante

error a es el mismo para todos los instrumentos. A menudo, sin embargo, como ya hemos señalado,

es necesario tener en cuenta que diferentes instrumentos pueden tener diferentes

errores aleatorios, es decir, diferentes una.

Para resolver este problema, se deben usar las fórmulas (10.12). Primero es necesario
establecer varios valores discretos de y las probabilidades
s correspondientes ps.
A continuación, utilizando el esquema presentado anteriormente, se pueden encontrar pgs para cada s. promedio
las probabilidades obtenidas con los pesos ps, obtenemos la solución.

pag = pd págs. (10.18)

s

Por lo tanto, es posible encontrar la probabilidad de fabricar un instrumento con

un error menor que el límite prescrito si el instrumento tiene un rango de medición.
Machine Translated by Google

248 10. Cálculo de los errores de los instrumentos de medida

La solución de este problema para instrumentos con muchos rangos de medición es, en
principio, la misma que la solución presentada anteriormente.
Los instrumentos con divisores de tensión, derivaciones, transformadores de medida y
dispositivos similares con un coeficiente de transferencia variable tienen varios rangos de
medida. Cada instrumento tiene una muestra de tales dispositivos de un tipo u otro.
Uno pensaría que para estimar la probabilidad de obtener un instrumento con un error
inadmisiblemente grande, es necesario tener la función de distribución de los errores de todos
los componentes del instrumento. Dadas estas funciones, todas las posibles combinaciones de
errores en un instrumento deben clasificarse y luego seleccionarse las combinaciones
particulares que dan errores que son menores (o mayores) que un límite prescrito. Este proceso
es posible pero complicado.
El problema se simplifica significativamente si se estudia por separado la distribución de los
errores más altos y más bajos de los componentes del instrumento (divisores de tensión o
shunts) que dan a los instrumentos varios rangos de medida. Llamaremos a estos dispositivos
dispositivos multivaluados.
Cada unidad multivaluada (una muestra particular de la unidad) puede ser descrita por solo
dos errores con los valores absolutos más grandes: errores positivos y negativos. Un conjunto
de unidades de un tipo corresponderá entonces a la función de distribución de los errores más
grandes y más pequeños.
El error más grande (más pequeño) de cada instrumento consta de los errores más grandes
(más pequeños) de sus componentes. En consecuencia, la función de distribución de los errores
de instrumento más grandes (más pequeños) se puede construir de acuerdo con funciones
análogas de los componentes. Para unidades multivaluadas, esta es la función de distribución
de los errores más grandes y más pequeños sobre el conjunto de unidades. Una unidad de un
solo valor tiene un error distribuido en el conjunto de unidades. Una vez determinada la función
de distribución de los mayores errores de los instrumentos, encontramos la probabilidad
buscada. Un ejemplo del cálculo descrito se presenta en la Sección 10.4.

La solución anterior contiene una inconsistencia fundamental. La esencia de esta

inconsistencia es que los errores de los instrumentos deben calcularse cuando se desarrollan
los instrumentos, y el cálculo se basa en datos sobre las unidades físicamente inexistentes de
estos instrumentos. Es posible salir de esta dificultad centrándose en unidades de instrumentos
análogos que ya se están produciendo. Las funciones de distribución de los parámetros de
dichas unidades pueden estimarse. Por supuesto, los expertos pueden introducir en estos datos
ciertas correcciones para poder extrapolarlos a los parámetros de las unidades que se están
diseñando.
En conclusión, debe agregarse que la precisión de los cálculos en los que se reemplazan
distribuciones continuas por distribuciones discretas depende del número de intervalos discretos,
que pueden hacerse muy grandes si se emplean computadoras.
Sin embargo, no es necesario encontrar con gran precisión la probabilidad de fabricar un
instrumento con un error menor que el límite prescrito.
Sin embargo, si los datos iniciales se representan en forma de histogramas, entonces en la
solución en estudio, se emplea toda la información contenida en ellos y la incertidumbre
computacional se determina principalmente por la incertidumbre de los histogramas.
Machine Translated by Google

10.3. Cálculo de los Errores de Balances Eléctricos (Instrumento Único) 249

10.3. Cálculo de los Errores de Balances Eléctricos

(Instrumento Único)

Las balanzas eléctricas son un instrumento en el que la fuerza de interacción de las bobinas
móviles e inmóviles, a través de las cuales fluye la misma corriente constante, se equilibra con
la fuerza de gravedad de las pesas. Los estándares de la unidad de intensidad de la corriente
eléctrica (amperios) se han desarrollado en los Estados Unidos y en la antigua URSS sobre la
base de este principio. (Ahora el amperio se reproduce con mayor precisión usando estándares
de voltios y ohmios. Por lo tanto, el balance eléctrico perdió su valor).
Calcularemos los errores de las balanzas eléctricas de fabricación soviética. Usaremos los
datos presentados en [27].
La intensidad de la corriente en el punto de equilibrio de la balanza eléctrica se determina
extraído por la expresión

= mg/F , (10.19)

donde m es la masa del peso de equilibrio, g es la aceleración de la gravedad y F es la

constante del equilibrio eléctrico.
La constante del equilibrio eléctrico es igual a la derivada de la inductancia mutua de las
dos bobinas (móvil e inmóvil) con respecto al desplazamiento vertical de la bobina móvil y se
calcula a partir de sus dimensiones geométricas.
La diferencia entre el valor de la intensidad de corriente calculado con la fórmula (10.19) y
su valor real, es decir, el error del balance eléctrico, está determinada por la incertidumbre en
las cantidades que entran en esta fórmula, así como por el efecto del campo. de los hilos que
llevan la corriente a la bobina móvil. Estas fuentes de error crean el error sistemático del
balance eléctrico.
El equilibrio de la balanza, sin embargo, también va acompañado de errores aleatorios, que
son causados por fricción en los soportes de la cruceta de la balanza, fluctuaciones de la
temperatura del aire ambiente, cambios en el campo magnético externo, efecto de los flujos
de aire, y algunos otros factores.
El error sistemático del balance eléctrico debe estimarse por un método computacional; no
se puede determinar experimentalmente (siempre y cuando no se trate de comparar el estándar
nacional de la unidad de intensidad actual con el estándar de esta unidad en otros países). Sin
embargo, es virtualmente imposible calcular los parámetros de los errores aleatorios, pero se
pueden estimar en base a los datos experimentales. Para nuestros saldos, la desviación
estándar relativa de la intensidad actual es Srel = 2 × 10ÿ6.

La incertidumbre de las cantidades que entran en la fórmula (10.19) se caracteriza por los
siguientes datos. Para la masa de la carga de equilibrio, el error relativo cae dentro de los
límites ±1,25 × 10ÿ6, y para la aceleración de la gravedad, el error cae dentro de los límites ±4
× 10ÿ6. (Actualmente, este error puede ser significativamente menor).

El error en la constante del balance eléctrico es a su vez causado por varios factores. La
tabla 10.1 da los límites de los errores introducidos en la constante del balance eléctrico por
cada factor [27].
Machine Translated by Google

250 10. Cálculo de los errores de los instrumentos de medida

Tabla 10.1. Límites de las componentes de los errores ÿ(F).

Límites de error ÿF
fuente de error en la constante ×10ÿ6

Incertidumbre en la medida de las dimensiones radiales:

Bobina inmóvil ÿF (borde) ±3
Primera parte de la bobina móvil ÿF(rm1) ±3
Segunda parte de la bobina móvil ÿF(rm2) ±2
Incertidumbre en la medida de las dimensiones axiales:
Bobina inmóvil ÿF( im) ±2
Primera parte de la bobina móvil ÿF( m1) ±1,3
Segunda parte de la bobina móvil ÿF( m2) ±0,7
Desviación de las bobinas de la forma cilíndrica ÿF(R) ±2

Encontraremos los coeficientes de influencia de los errores relativos de las medidas de la masa
ÿ(m), la aceleración de la gravedad ÿ(g), y el cálculo de la constante del balance eléctrico ÿ(F) hi de
acuerdo con la fórmula (10.3) .
Representamos la expresión (10.19) en la forma del producto de los argumentos: I =

m1/2g1/2Fÿ1/2 .

Como se muestra en la Sección 6.6, en este caso, los coeficientes de influencia son iguales a las
potencias de los argumentos correspondientes, es decir,
1 ÿ1
wm = 12, wg = 2 , wF = 2 .

Aparte de los componentes enumerados y estimados del error, también es necesario tener en
cuenta el error mencionado anteriormente debido a la influencia del campo generado por los cables
que conducen la corriente a la bobina móvil.
Los experimentos muestran que este campo crea una fuerza adicional en la parte móvil que cae
dentro de ±2 × 10ÿ6 veces la fuerza nominal de la interacción de las bobinas. 1 Como el coeficiente
de
influencia de la fuerza de interacción (mq) es wmq = este 2 ,
error tiene el mismo coeficiente de influencia wH = De 12.

acuerdo con la fórmula (10.6), el error sistemático total del balance eléctrico (en la forma relativa)
será

ÿ = wH ÿ(H) + wmÿ(m) + wgÿ(g) + wF ÿ(F), donde |ÿ(H)| ÿ

2 × 10ÿ6, |ÿ(m)| ÿ 1,25 × 10ÿ6, |ÿ(g)| ÿ 4 × 10ÿ6, y se dio una serie de componentes para el error
ÿ(F).
Todos los componentes del error ÿ están determinados por sus límites. Por esta razón, usaremos
la fórmula (10.10) y hallaremos el error sistemático de confianza del balance eléctrico. Tomaremos
ÿ = 0.95 yk = 1.1. Después

2
0,95 = 1,1 (22 + 1,252 + 42 + 2 × 32 + 3 × 22 + 1,32 + 0,72) × 10ÿ12
12

= 1,1 × 10ÿ6 ÿ 13,5 = 4 × 10ÿ6 .

El error aleatorio prácticamente limitante se puede estimar si conocemos Srel y tenemos alguna
idea sobre la forma de distribución de los datos experimentales. si puede
Machine Translated by Google

10.4. Cálculo del error de voltímetros ca (instrumento producido en masa) 251

suponga que los datos corresponden a una distribución normal y la confianza = 1.96Srel
0,95 =el
también se toma como 0,95, entonces prácticamente 4 error
× 10ÿ6. Entonces
límite la probabilidad
del balance eléctrico
en el régimen de balance simple será, según la fórmula (10.9),

ÿ I(0.95) = voluntad + a
= 8 × 10ÿ6 .

Cuando se mide con la ayuda de balanzas eléctricas la fem de celdas estándar, se

pueden realizar varios balanceos y se puede reducir el error en el resultado promediando
los datos obtenidos.
Resaltamos que el resultado obtenido corresponde a una muestra específica de
balanzas eléctricas, ya que se obtuvo utilizando datos de los parámetros de los
componentes de este instrumento.

10.4. Cálculo del error de voltímetros ca

(instrumento producido en masa)
Estudiaremos el problema inverso. Se da el límite de error instrumental permisible como
error fiduciario, y se requiere calcular el porcentaje de instrumentos que cumplen con
este requisito cuando se fabrican utilizando una tecnología con un grado de desarrollo
prescrito.
Estudiaremos el voltímetro en un sistema ferrodinámico. La figura 10.5 muestra el
diagrama de bloques de este instrumento. Este diagrama fue construido de acuerdo con
la teoría de instrumentos de este sistema. La figura 10.6 muestra una representación
gráfica de la escala del instrumento.
El bloque 1 convierte el voltaje medido Ux en la corriente de fuerza

I = Ux/R,

donde R es la resistencia del circuito de entrada del voltímetro.

La corriente I se convierte con la ayuda del bloque 2 en un par
2
Mt = KI ,

donde K es la constante electrodinámica del instrumento.

El bloque 3 genera un contrapar

Mc = Wÿ,

Figura 10.5. Diagrama de bloques de un voltímetro.

Machine Translated by Google

252 10. Cálculo de los errores de los instrumentos de medida

Figura 10.6. Construcción gráfica de la escala del voltímetro.

donde W es la rigidez del resorte y ÿ es el ángulo de rotación del movimiento

parte.
Cuando la parte móvil está en posición de equilibrio, Mt = Mc, y de
aquí,
k
un = U2
X
. (10.20)
WR2

Cuando se fabrica el instrumento, la combinación particular de los parámetros K, W y R

que se realiza en el instrumento se fija ajustando el
instrumento y calibrando su escala. Por esta razón, surgirán errores de instrumentos.
solo como resultado de cambios en la rigidez del resorte y la resistencia de entrada
con respecto a sus valores en el momento de la regulación. La constante K, sin embargo, es
prácticamente sin cambios y no da lugar a ningún error.
En cuanto a los parámetros W y R, la fórmula (10.20) es exacta y permite financiar el error
de instrumento introducido por cambios en estos parámetros. estructuralmente
es idéntica a la fórmula (6.37). Por esta razón, los valores de los coeficientes de influencia
para los cambios relativos en la rigidez W y la resistencia R pueden escribirse
inmediatamente:

wW = ÿ1 y wR = ÿ2.

Además de la inestabilidad de los parámetros de los bloques, también puede aparecer error
del rozamiento en los apoyos de la parte móvil y la incertidumbre de la escala.
Las fuentes de estos errores se indican en la figura 10.5. Como estos errores son aditivos,
es mejor expresarlos como errores absolutos. Los expresaremos en unidades del
ángulo de rotación de la parte móvil.
La fricción introduce un error aleatorio (M f es el momento de fricción). Se acostumbra
describirla como banda muerta, es decir, por la diferencia de las indicaciones de los
instrumento que se obtiene acercándose continuamente de derecha e izquierda
un marcador particular en la escala. Se determina la banda muerta más grande (ver, para
ejemplo, las normas para instrumentos de medida eléctricos). El azar más grande
Machine Translated by Google

10.4. Cálculo del error de voltímetros ca (instrumento producido en masa) 253

el error por fricción es igual a la mitad de la banda muerta. Por lo tanto, los límites de t
este error también son conocidos. Se supone que los errores aleatorios de cada instrumento
se distribuyen uniformemente dentro de estos límites. Los límites, sin embargo, pueden ser diferentes.
para diferentes instrumentos.
El error en la escala del instrumento ÿs para cada marcador de escala de un determinado
instrumento es un error sistemático. Pero este error varía de un marcador a otro.
También varía de un instrumento a otro. Para cada instrumento en particular, es
posible encontrar el mayor error de la escala. Se puede suponer que este error es
encontradas con igual probabilidad en cualquier marcador de escala. El conjunto de instrumentos es
caracterizado por la distribución de estos errores de escala más grandes.
Entonces, los componentes de los errores del instrumento son los siguientes:

(a) el error de la variación de la rigidez del resorte ÿ1 = ÿÿW ;

(b) el error de la variación de la resistencia de entrada ÿ2 = ÿ2ÿR;
(c) el error de la fricción ÿ = ÿf; y
(d) el error de las imprecisiones de la escala ÿ3 = ÿs.

Los errores ÿ1 y ÿ2 son multiplicativos y se expresan en porcentaje; la

los errores ÿ3 y ÿ son aditivos y se expresan en unidades del ángulo de rotación
de la parte móvil del voltímetro (en grados); es decir, se refieren a la
producción. Por esta razón, el error del instrumento escalado a la salida está dado por el
relación

a
za = (10.21)
100(ÿ1 + ÿ2) + ÿ3 + ÿ,

donde ÿ es el ángulo de rotación de la parte móvil del instrumento, que

corresponde a su indicación Ux para la cual se calcula el error.
Supongamos que los límites de error intrínseco están dados y son ±1% (como el
errores fiduciarios). A continuación, suponemos que los datos dados en la tabla 10.2 son conocidos por

Tabla 10.2. Datos iniciales sobre las fuentes de errores sistemáticos de los instrumentos.

Intervalo de probabilidad
distribución
Frecuencia de ocurrencia
Fuente de error o error límite izquierdo Límite derecho del intervalo

Cambio relativo en la rigidez del resorte ÿW ÿ0,3 % ÿ0,2 % 0.2

ÿ0,2 % ÿ0,1 % 0.5
ÿ0,1 % 0,0 % 0.3

Cambio relativo en la resistencia ÿR ÿ0,3% ÿ0,1% 0.2

ÿ0,1% +0,1% 0.2
+0.1% +0,3% 0.6

ÿ0,6ÿ ÿ0.2ÿ 0.5

Error absoluto de la escala del instrumento ÿs ÿ0.2ÿ +0.2ÿ 0.0
+0.2ÿ +0.6ÿ 0.5
Machine Translated by Google

254 10. Cálculo de los errores de los instrumentos de medida

Tabla 10.3. Descripción de histogramas de distribuciones

de los componentes multiplicativos del error del instrumento.

Intervalo de distribución de error (%)

Frecuencia de
Error Límite izquierdo Límite derecho ocurrencia de intervalo

ÿ1 +0.2 +0.3 0.2

+0.1 +0.2 0.5
0.0 +0.1 0.3
ÿ2 +0,2 +0,6 0.2
ÿ0,2 +0,2 0.2
ÿ0,6 ÿ0,2 0.6

cada componente del error. Estos datos caracterizan el grado de desarrollo

de la tecnología de fabricación.
Supondremos también que en el 30% de los instrumentos, prácticamente la mayor parte muerta
banda no supera los 0,8ÿ, y que en el 70% de los instrumentos no supera
0.4ÿ. Así, el error aleatorio cae dentro de los límites = ±0.4ÿ para el
A'130% de los
instrumentos y dentro de los límites = ±0,2ÿ para el 70% de los instrumentos. Dado
ÿ2 estos datos, debemos hallar la probabilidad de que el error fiduciario de los voltímetros
cae dentro de los límites = ±1%.
El error fiduciario debe ponerse en la forma de un error absoluto. vamos a expresar
en grados de rotación de la parte móvil, que se puede hacer con la ayuda de un
gráfico similar al presentado en la Fig. 10.6. Supongamos que en nuestro caso, el límite de
error permisible en grados = 1ÿ (despreciando el signo).
Centrándonos en la fórmula (10.21), primero encontraremos la composición de los errores
multiplicativos ÿ1 y ÿ2. Usando los datos presentados en la Tabla 10.2 y la influencia
coeficientes encontrados, no es difícil describir los histogramas de las distribuciones
de estos errores. Estas descripciones se dan en la Tabla 10.3.
Es conveniente resolver el problema por el método de clasificación, descrito en
Sección 3.6. Por esta razón, los histogramas deben ser reemplazados por distribuciones discretas.
A cada intervalo se le asigna un error igual al centro del intervalo. los
Se supone que la probabilidad de aparición de este error es igual a la frecuencia
de este intervalo.
Sea el error ÿ1 representado por la cantidad aleatoria discreta ÿ1 y el error
ÿ2 por la cantidad aleatoria discreta ÿ2. Obtenemos lo siguiente:

ÿ1 +0,25 +0,15 +0,05,

0,20 0,50 0,30,
p1
ÿ2 +0,40 0,00 ÿ0,40,
0,20 0,20 0,60.
p2

La cantidad aleatoria ÿ = ÿ1 + ÿ2 corresponde al error ÿ1 + ÿ2. sus realizaciones

se presentan en la Tabla 10.4.
Machine Translated by Google

10.4. Cálculo del error de voltímetros ca (instrumento producido en masa) 255

Tabla 10.4. Representación discreta de la distribución

del error del instrumento multiplicativo.

Número ÿ = ÿ1 + ÿ2 p = p1 p2

1 +0,25 + 0,4 = +0,65 0.04

2 +0,25 + 0,0 = +0,25 0.04
3 +0,25 ÿ 0,4 = ÿ0,15 0.12
4 +0,15 + 0,4 = +0,55 0.10
5 +0,15 + 0,0 = +0,15 0.10
6 +0,15 ÿ 0,4 = ÿ0,25 0.30
7 +0,05 + 0,4 = +0,45 0.06
8 +0,05 + 0,0 = +0,05 0.06
9 +0,05 ÿ 0,4 = ÿ0,35 0.18

Los valores límite del error total ÿmin = ÿ0.6% y ÿmax = +0.9% (ver
Tabla 10.3); estos errores corresponden a probabilidades de 0 y 1, respectivamente. los
la distribución de probabilidad se construye en base a los datos obtenidos. el numérico
los valores se resumen en la Tabla 10.5.
Con base en estos datos, construimos una curva escalonada como una primera aproximación a la
función de distribución que se busca para el error multiplicativo de los instrumentos,
después de lo cual la función se suaviza por el método de aproximación lineal. los
La función de distribución así obtenida se presenta en la Fig. 10.7.
Ahora expresaremos el error multiplicativo en forma de error absoluto:
como fracciones del ángulo de rotación de la parte móvil. encontraremos el mayor
error, es decir, el error correspondiente a la flecha máxima. Suponemos que ÿmax =
100ÿ. Entonces los valores numéricos del error ÿm = (ÿ1 + ÿ2) (ÿmax/100) serán
ser igual a los valores dados en la Tabla 10.5. Usando estos datos y el gráfico en
Fig. 10.7, construimos un histograma del error multiplicativo del instrumento con

Tabla 10.5. Tabla de los valores calculados de la probabilidad

distribución del error del instrumento multiplicativo.

la ÿ0,6 ÿ0,35 ÿ0,25 ÿ0,15 +0.05

pags
0 0.18 0.30 0.12 0.06

pags 0 0.18 0.48 0,60 0,66

la +0.15 +0.25 0,45 0,55 0,65 0.9

pags
0.10 0.04 0.06 0.10 0.04 0.0

pags 0.76 0.80 0.86 0,96 1.00 1.0

Machine Translated by Google

256 10. Cálculo de los errores de los instrumentos de medida

Figura 10.7. Aproximaciones escalonadas y lineales de la función de distribución de los errores

multiplicativos de los voltímetros.

ángulo máximo de rotación de la parte móvil. Los datos para este histograma son como
sigue:

Número de intervalo i 12345

Límites de intervalo para el error ÿm (grados)

izquierda +0,60 +0,30 +0.00 ÿ0,30 ÿ0,60
Correcto +0,90 +0,60 +0.30 0,00 ÿ0,30
Valor promedio de ÿmi +0,75 +0,45 +0.15 ÿ0,15 ÿ0,45
Probabilidad de caer
dentro del intervalo pmi 0.05 0.15 0.20 0.42 0.18

Obtenemos, análogamente, de los datos de la tabla 10.2, los valores medios de las
intervalos de la distribución de los mayores errores de escala de los instrumentos y la
probabilidades correspondientes:

Número de intervalo j 123

Valor medio ÿaj de la

error en el intervalo +0.4 0 ÿ0,4
Probabilidad de caer dentro de la
flores de intervalo
0.5 0 0.5

De acuerdo con las fórmulas (10.14), encontramos las secciones de la escala donde
el instrumento puede ser rechazado. En nuestro caso, 1 ÿ1 = 0.6ÿ y = ÿ =
2
ÿ a2 = 0,8ÿ (para el 30% y el 70% de los instrumentos, respectivamente).
Machine Translated by Google

10.4. Cálculo del error de voltímetros ca (instrumento producido en masa) 257

Para ÿaj > 0, ÿmi > 0, y 1 = 0.6ÿ, obtenemos

0,6 - 0,4 0,6 - 0,4

y11 = f = 0.27y f , y y21 = y f = 0.45y f ,
0,75 0,45
0,6
y12 = y f 0.75 = 0.8y f .

Las combinaciones restantes dan yi j > y f , lo que significa que es imposible

obtener un error inadmisiblemente grande.
Supondremos que la función de distribución de los errores aditivos de la
instrumentos a lo largo de la escala uniformes e idénticos para errores positivos y negativos:
f (y) = 1/y f . Entonces para cada sección de escala estudiada, obtenemos

yf 1
= yij
dy = 1 - yf .
p ij
yij yf

Por lo tanto,

p = (1 ÿ 0,27) = 0,73, p 21 = (1 ÿ 0,45) = 0,55,

11 = (1 ÿ 0,80) = 0,20.
pág . 12

Para ÿaj < 0, ÿmi < 0, y 1, obtenemos

0,6 - 0,4
y53 = y f = 0.45y f , p 53 = 0.55.
0,45

A partir de aquí, encontramos la probabilidad de que un instrumento sea rechazado para cada com.
combinación de componentes del instrumento:

p11 = 0,73 × 0,05 × 0,5 = 0,018,

p21 = 0,55 × 0,15 × 0,5 = 0,041,

p12 = 0,

p53 = 0,55 x 0,18 x 0,5 = 0,050.

Por lo tanto,

pl = p53 = 0.050, pr = p11 + p21 + p12 = 0,059.

La probabilidad de fabricar un instrumento de alta calidad es

Pg1 = 1 ÿ (0,050 + 0,059) = 0,89.

Cálculos análogos para 2 = 0.8 dar

0,8 - 0,4
y11 = f = 0.53y f , y pág . 11 = 0,47,
0,75
0,8 ÿ 0,4
y21 = f = 0.89y f , y pág . 21 = 0,11,
0,45
0,8 ÿ 0,4
y53 = y f = 0.89y f , pág . 53 = 0,11;
0,45
Machine Translated by Google

258 10. Cálculo de los errores de los instrumentos de medida

p11 = 0,47 × 0,05 × 0,5 = 0,012, p21 =

0,11 × 0,15 × 0,5 = 0,008, p53 = 0,11 ×

0,18 × 0,5 = 0,010.

Ahora pl = 0.010 y pr = 0.020 y pg2 = 0.97.

La probabilidad media ponderada de fabricar un instrumento cuyo error es
menos que el límite prescrito es igual a

pg = 0,3pg1 + 0,7pg2 = 0,3 × 0,89 + 0,7 × 0,97 = 0,95.

Por lo tanto, para las propiedades de los componentes del instrumento y la calidad de fabricación
de la escala presentadas anteriormente, aproximadamente el 95 % de los instrumentos tendrán un
error fiduciario que no exceda el 1 %.
Este cálculo se realizó para condiciones de referencia y determina la
límites del error intrínseco del instrumento.
Para un límite prescrito de error del instrumento, el porcentaje de rechazos obtenido puede servir
como base para aumentar el requisito de calidad para uno u otro de los componentes del
instrumento, mejorar la tecnología utilizada para fabricar los componentes, etc. Los límites de
errores permisibles de todos los componentes se pueden calcular de forma única si se asignan los
pesos para sus errores. Estos pesos son aparentemente difíciles de determinar objetivamente y, en
ocasiones, es imposible hacerlo. Por esta razón, el método principal es estimar el porcentaje de
rechazos y seleccionar las especificaciones de los componentes del instrumento para que el
porcentaje de rechazos sea aceptable.

10.5. Cálculo del error de termómetros digitales

(instrumento producido en masa)
Los termómetros digitales generalmente se construyen de acuerdo con un esquema en el que el
integrador digital-analógico convierte la fem del termopar en un voltaje correspondiente, después
de lo cual este voltaje se convierte en un intervalo de tiempo proporcional y, por lo tanto, en la
indicación del instrumento. Este proceso se explica mediante los gráficos presentados en la Fig.
10.8.
El gráfico de la figura 10.8(a) se refiere a un integrador analógico-digital. El tiempo de integración
se mantiene estrictamente constante y la pendiente de las líneas rectas es proporcional a la fem en
la entrada del integrador (de acuerdo con el principio de funcionamiento del integrador). Por esta
razón, el voltaje a la salida del integrador Ui es proporcional a la fem del termopar.

El gráfico de la figura 10.8(b) muestra cómo el voltaje Ui se convierte en un intervalo de tiempo

proporcional ti ; esto es equivalente a la conversión en un número: la indicación del instrumento.

Como se conoce la dependencia de la fem del termopar con la temperatura, las indicaciones
del instrumento dan la temperatura medida.
Machine Translated by Google

10.5. Cálculo del error de los termómetros digitales 259

Figura 10.8. Gráficos que explican el principio de funcionamiento de un instrumento

integrador digital.

Se realizan dos procedimientos especiales en el proceso de las conversiones. Uno es la

linealización de la dependencia de la temperatura de la fem del termopar. El otro es la
compensación del efecto de una desviación de la temperatura en los llamados extremos
fríos del termopar desde el nivel de referencia. Este último se supone que es 0 ÿC, el punto
de fusión del hielo.
Las especificaciones proporcionadas por los fabricantes de termómetros de termopar aún
no brindan al usuario indicaciones claras sobre la precisión de medición de temperatura que
se puede lograr con el instrumento. Uno pensaría que la conocida empresa Fluke, que
introdujo el concepto de precisión total de los termómetros digitales [13], habría suplido esta
omisión. El catálogo de la firma muestra, sin embargo, que da el error del termómetro sin
tener en cuenta el error del termopar; es decir, no completa la solución del problema.

Estudiaremos el cálculo del error de los termómetros digitales a partir de datos sobre la
precisión de sus componentes y la precisión de la calibración. Tomaremos un termómetro
con un termopar de tipo J y un rango de medición de 0 a 750 ÿC.
El instrumento se puede utilizar en el rango de +25 ± 10 ÿC, y después de la calibración, se
puede utilizar durante un año. Consideraremos el problema directo.
Centrándonos en [13], supondremos que se conocen los siguientes datos (los números
para el cálculo aquí son arbitrarios):

1. Linealidad: Los límites del error del instrumento causado por la desviación de la linealidad
de la característica ÿL = ±0.1 ÿC.
2. Unión de referencia
Machine Translated by Google

260 10. Cálculo de los errores de los instrumentos de medida

2.1. Los límites de error del instrumento causados por el efecto de una desviación de la
temperatura de 10 ÿC de la temperatura normal (+25 ÿC) en este circuito ÿTJ = ±0.2
ÿC.
2.2. Los límites de error del instrumento causados por el cambio en los parámetros de este
circuito durante un período de un año (inestabilidad), ÿSJ = ±0.2 ÿC.
3. Tensión de referencia.
3.1. Los límites de error del instrumento causados por el efecto de una desviación de la
temperatura de 10 ÿC de la temperatura normal en este circuito, ÿT U ±0.5 ÿC. =

3.2. Los límites de error del instrumento causados por un cambio en los parámetros de este
circuito durante un período de un año (inestabilidad), ÿSU = ±0.2 ÿC.
4. Correspondencia con los datos de NBS (NIST). Los límites de error del instrumento causados
por una linealización imprecisa de la característica estándar del termopar, ÿsc = ±0,15 ÿC.

5. Los límites del error del instrumento causado por la discreción de las indicaciones,
= ±0,5 ÿC.
D 6. Los límites de error de calibración del instrumento, ÿC = ±0,15 ÿC.

El error absolutamente constante, es decir, el error que es el mismo para todos los
instrumentos de un tipo dado, será el error causado por la inconsistencia con los datos del
NBS (NIST).
El error aleatorio será el error introducido por la discreción del instrumento.
indicaciones de tratamiento. Todos los demás errores deben considerarse como condicionalmente constantes.
Consideraremos los errores condicionalmente constantes como cantidades aleatorias
uniformemente distribuidas, como ya se supuso anteriormente. Su rasgo característico, en
nuestro caso, es que algunos de ellos dependen unos de otros. Teniendo en cuenta esta
dependencia, el error total condicionalmente constante de los termómetros debe calcularse
mediante la siguiente fórmula (para probabilidad ÿ = 0,95):

ÿ1 = 1,1 ÿ 2 2 = 1,1 ÿ 1,01 = 1,1 ÿ

C.
L + (ÿTJ + ÿTU )2 + (ÿSJ + ÿSU )2 + ÿ C

Los límites de error absolutamente constante deben sumarse con los límites
ÿ1 aritméticamente. Obtenemos

ÿ2 = ÿsc + ÿ1 = 0,15 + 1,1 = 1,25 ÿ

C.

Los límites del error aleatorio también deben tenerse en cuenta mediante la suma aritmética,
porque estamos estimando errores del instrumento en cada uso del instrumento en el futuro:

= ÿ2 + D = 1,25 + 0,5 = 1,75 ÿ

C.

Aunque se expresa en unidades de la cantidad medida, todavía no es el error total del

instrumento como termómetro, porque no incluye el error del termopar, y sin el termopar, el
instrumento no puede funcionar como termómetro.

Según la norma ANSI MC 96.1, los límites de error de los termopares de tipo J en el rango
de temperatura de 0 a 750 ÿC son de ±2,2 ÿC o ±0,75 %, cualquiera que sea
Machine Translated by Google

10.5. Cálculo del error de los termómetros digitales 261

mayor que. Es fácil calcular que hasta 293 ÿC, los límites de error serán de ±2,2 ÿC,
luego de lo cual deben calcularse usando la relación ±0.75 × 100 × Tx , donde
Tx es la temperatura medida. A Tx = 750 ÿC, este error estará dentro del
límites ±5,6 ÿC.
Los errores del termopar deben considerarse como condicionalmente constantes y, por ello,
razón, deben tenerse en cuenta al calcular ÿ1. Tomando este componente
en cuenta, obtenemos ÿ 1 = 1,1 ÿ1,01 + 5,62 = 1,1 ÿ32,4 = 6,3 ÿC.
Después de este resultado, encontramos el valor absoluto de los límites del instrumento total
error:

= ÿ 1 + ÿsc + D = 6,3 + 0,15 + 0,5 = 6,95 ÿ 7 ÿ

C.

Si este límite se representa en forma de error fiduciario, obtenemos ÿ =

±7 ÿC/750 ÿC × 100 ÿ ±1%.
En este caso, este valor del error fiduciario será idéntico al límite de error relativo en el rango
300–750 ÿC. Bajo este rango de temperatura, el límite de
el error relativo comienza a aumentar. Por lo tanto, los límites de error del instrumento encontrados en el
rango 300–750 ÿC también son una estimación de los límites de error mínimo en la medición
la temperatura con la que se puede contar cuando se utiliza un termómetro que consta de un
termopar tipo J y el indicador digital en estudio. En otras palabras, esta estimación del error
caracteriza la precisión máxima de medición de temperatura
esperado para este termómetro.
Caracterizar la imprecisión del indicador del termómetro no solo es
insuficiente para el usuario, pero incluso puede inducir a error al usuario, porque su error es
expresada en unidades de medida de temperatura, mientras que caracteriza sólo la
indicador del termómetro. La diferencia es significativa: = 1,75 ÿC, mientras que
= 7 ÿC.
Machine Translated by Google

11
Problemas en la Teoría
de la Calibración

11.1. Tipos de Calibración

Cada país desea tener medidas confiables de todas las cantidades físicas.
Uno de los arreglos más importantes para lograr este objetivo es tener un sistema para mantener los
errores de todos los instrumentos de medición dentro de los límites permisibles. Por lo tanto, todos los
instrumentos de medición en uso se revisan periódicamente. En el proceso, se utilizan estándares de
trabajo para verificar que los errores de los instrumentos de medición que se verifican no excedan sus
límites o se recalibran los instrumentos de medición.
El término general para los procedimientos anteriores es calibración. Pero uno debe des
distinguir entre una calibración real y una calibración simplificada.
La calibración real da como resultado la determinación de una relación entre las indicaciones de un
instrumento de medición y los valores verdaderos correspondientes de un mensurando. Esta relación
se puede expresar en forma de una tabla, un gráfico o una función. También se puede expresar en
forma de tabla de correcciones a las indicaciones del instrumento de medida.

La calibración simplificada (también llamada verificación) simplemente revela si los errores de un

instrumento de medición exceden sus límites especificados.
Esencialmente, la verificación es un caso específico de control de calidad, muy parecido al control
de calidad en la fabricación. Y debido a que es un control de calidad, los resultados de la verificación
tienen algunos rechazos.
Además, una verificación de un conjunto completo de elementos se distingue de una verificación
de un solo elemento. En una verificación completa, el error del instrumento de medición verificado se
determina como un todo, mientras que en el caso de una verificación por elementos, se determinan
los errores de los elementos del instrumento de medición que se verifica. Siempre es preferible una
revisión completa; tal control da la solución más confiable al problema. En algunos casos, sin embargo,
es imposible realizar una verificación completa y se debe recurrir a una verificación por elementos.

En una verificación por elementos, el error del instrumento de medición que se verifica se calcula
mediante los mismos métodos que se examinaron en la Sección 10.2 para resolver el problema directo
de calcular los errores de un instrumento de medición a partir de los errores de sus componentes. Los
datos necesarios para el cálculo se obtienen midiendo los parámetros de los componentes del
instrumento de medida que se está
Machine Translated by Google

264 11. Problemas en la teoría de la calibración

comprobado. Sin embargo, por lo general, este problema se resuelve por completo solo una vez y, al
hacerlo, se determinan los estándares para los errores de los componentes. En el futuro, cuando se
realiza una verificación, solo se verifican los parámetros de los componentes y la capacidad de
servicio del instrumento de medición. Si los parámetros de los componentes satisfacen los estándares
establecidos para ellos, entonces el error del instrumento de medición verificado de esta manera está
dentro de los límites establecidos.

La calibración por elementos se emplea a menudo para verificar los sistemas de medición cuando
no se puede entregar todo el sistema a un laboratorio estándar y el laboratorio no tiene los estándares
de trabajo necesarios que podrían transportarse al sitio del sistema.

La estandarización de las propiedades metrológicas de las unidades de un sistema no

no presenta ninguna dificultad, y las unidades deben ser controladas por métodos estándar.
Por regla general, el funcionamiento de los sistemas de medición no puede interrumpirse y la
interrupción para la comprobación es inadmisible. Por esta razón, en la mayoría de los casos, los
sistemas se ensamblan con un conjunto redundante de unidades, de modo que las unidades que se
retiran para su verificación puedan reemplazarse con unidades que se sabe que se pueden reparar.
Durante la revisión regular del sistema, las unidades se intercambian una vez más.
Sin embargo, cuando se verifica un sistema, además de verificar las unidades, también es
necesario verificar la capacidad de servicio del sistema como un todo. Los métodos para resolver
este problema dependen de la disposición del sistema, y es casi imposible hacer aquí recomendaciones
generales. Por ejemplo, el siguiente procedimiento se puede utilizar para un sistema con un canal de
medición de temperatura.
Después de verificar la capacidad de servicio de todas las unidades del sistema, notamos alguna
indicación del instrumento a la salida del sistema. Suponga que la indicación es +470 ÿC. Luego
encontramos a partir de la característica de calibración nominal del transductor de medición primario
la señal de salida que debe observarse para el valor dado de la cantidad medida. Por lo tanto, si se
usó un termopar de platino-rodio-platino como transductor de medición, entonces cuando se mide
una temperatura de +470 ÿC, la fem a la salida del termopar debe ser igual a 3.916 mV. Luego,
desconectando los cables del termopar y conectándolos a un voltaje exactamente igual a la señal de
salida nominal del termopar, nuevamente notamos la indicación del sistema. Si permanece igual o ha
cambiado dentro de los límites de error permisible del termopar y el voltímetro, entonces el sistema
es reparable.

Por supuesto, este método de verificación no detectará el caso en que el error del termopar sea
mayor que el error permisible y lo mismo sea cierto para el voltímetro, y estos errores se cancelen
mutuamente. Sin embargo, este resultado puede ocurrir solo en raras ocasiones. Además, tal
combinación de errores es en realidad permisible para el sistema.

Al mismo tiempo, este método de control permite evaluar al mismo tiempo el estado del termopar.
El error del termopar generalmente hace la mayor contribución al error del sistema de medición. Por
esta razón, la diferencia de las indicaciones observadas en el momento de la verificación y obtenidas
después de desconectar el termopar y reemplazar su señal de salida por una nominal
Machine Translated by Google

11.2. Estimación de los errores de los instrumentos de medida en la verificación 265

señal: debe ser inferior al límite de error permisible de los termopares; eso
es permisible que este límite sea excedido por una cantidad insignificante, lo cual es
determinada por la precisión del sistema.
El método anterior para verificar el estado metrológico de los sistemas de medición.
basado en el uso de unidades redundantes también es prometedor en la aplicación a muchos
otros complicados dispositivos de medición modernos, que son técnicamente difíciles o
imposibles de transportar a una organización metrológica, así como a dispositivos cuya
la operación no puede ser interrumpida.

11.2. Estimación de los errores de medición

Instrumentos en Verificación

El error ÿ de un instrumento de medida se define mediante la fórmula

ÿ = Ac ÿ A,

donde Ac es la indicación del instrumento que se está comprobando, el valor nominal

del estándar, y así sucesivamente, y A es el valor verdadero de la cantidad medida, el
cantidad reproducida por el estándar que se está comprobando, y así sucesivamente.
El verdadero valor A es siempre desconocido. Si en lugar del valor verdadero el corresponde
se utiliza la indicación de un estándar de trabajo Ar , entonces en lugar de ÿ, obtenemos

ÿ = Y ÿ En. (11.1)

Para estimar el error ÿ por ÿ, la diferencia ÿ ÿ ÿ debe ser pequeña. el error de

el estándar de trabajo es

ÿ = Ar ÿ A.

Por esta razón,

ÿ - ÿ = ÿ. (11.2)

La mayoría de las veces, solo se sabe que el error del estándar de trabajo no
Exceder el límite s establecido para ello. Después

|ÿ ÿ ÿ | ÿ s.

En la forma relativa, el error del error ÿ , como sigue de la expresión

|ÿ ÿ ÿ |
mi = ,
gramo

depende del error ÿ y aumenta a medida que ÿ disminuye.

Es natural estimar este error relativo como

ÿ˜ = s/ÿ .

Cuando se elige un patrón de trabajo, el límite de error permisible del

instrumento de medición que se está comprobando por lo general sirve como punto de partida. En esto
Machine Translated by Google

266 11. Problemas en la teoría de la calibración

caso, la relación

k = s/

entra en juego.
El error relativo del error se puede expresar en términos de k:

ÿ˜ = k . (11.3)
gramo

Por ejemplo, para k = 0,1, el error ÿ ÿ 0,3 se estima con un error relativo que llega al 30%.

No es necesario estimar los errores con precisión, pero el error en la estimación de errores
no supera el 30 %. Cuando los errores superan este límite, y teniendo en cuenta la inestabilidad
de los instrumentos de medida, las estimaciones obtenidas pierden rápidamente su sentido.

En la práctica, se suele utilizar el valor k = 0,3. Entonces, como se desprende de la relación

(11.3), se puede estimar un error de solo ÿ ÿ con un error que no exceda el 30%.
Es interesante extender los argumentos anteriores al caso en que los instrumentos de
medida tengan errores aleatorios significativos.
Los errores aleatorios hacen que las indicaciones de los instrumentos no sean de un solo
valor y dificultan tanto la verificación como el uso de los instrumentos. Si, por ejemplo, al
comprobar un instrumento de tipo puntero sólo se necesita comprobar si sus errores no
superan el límite establecido para ellos, entonces habrá que repetir varias veces las medidas
y encontrar los errores más grandes. En muchos campos de medición, la entrada a un
instrumento se puede variar continuamente. En tales casos, para determinar el mayor error en
cada marcador de escala verificado, dos mediciones suelen ser suficientes: una acercándose
al marcador de escala desde abajo y la otra acercándose desde arriba.

Examinaremos un control en el que se mide la misma cantidad simultáneamente con un

patrón de trabajo y el instrumento que se está controlando. Sea y las indicaciones del patrón
de trabajo y x las del instrumento que se está comprobando.
La diferencia de las indicaciones de los dos dispositivos es

z = x ÿ y. (11.4)

En el caso general,

xi = A + ÿx + ÿxi, yi = A + ÿy + ÿyi, (11.5)

donde ÿx y ÿy son los errores sistemáticos y ÿxi y ÿyi son los errores aleatorios de los
instrumentos en la i-ésima comprobación.
Para los errores aleatorios del instrumento, tenemos

E[ÿxi] = 0, E[ÿyi] = 0.
Machine Translated by Google

11.2. Estimación de los errores de los instrumentos de medida en la verificación 267

Suponga que para encontrar las correcciones, las indicaciones de los instrumentos son aver
Envejecido. Usando las relaciones (11.4) y (11.5), obtenemos
norte norte norte

día xi ÿyi
yo=1 yo=1 ÿ yo=1 ÿ
= ÿx +
ÿ ÿ

ÿ y+
ÿ

ÿ
.
norte norte norte

ÿ ÿ

Para un número suficientemente grande de observaciones, el efecto de los errores aleatorios del
instrumento que se verifica se vuelve insignificante. Por eso,
norte norte

xi día
yo=1 yo=1
.
norte norte

Suponiendo que el error del patrón de trabajo también es pequeño, obtenemos el

responder

C˜ = ÿz¯.

La estimación obtenida se encontró con un error no menor al error sistemático del estándar de
trabajo. Este error se puede estimar por el método descrito en la Sección 5.6. El número requerido de
observaciones se puede encontrar con la ayuda del criterio presentado en la misma sección. Por esta
razón, S(z¯) debe compararse con el límite de error permisible del patrón de trabajo:
s

s
ÿ 7.
S(z¯)

De aquí,

norte

(zi - z¯) 2
yo=1
norte ÿ 7 .
s

Si, para el estándar de trabajo, se conoce el límite de error sistemático ÿs

|ÿy | ÿ ÿs,

entonces, en las relaciones presentadas, ÿs debe sustituirse por El s.

método de verificación estudiado anteriormente es conveniente para el análisis, pero en la práctica

se evita porque es difícil leer con precisión fracciones de una graduación en la escala del instrumento
que se está verificando. Los resultados presentados para este método de verificación son, sin embargo,
generales. En particular, también serán válidos para el método principal de verificación, en el que el
indicador del instrumento que se verifica se fija cada vez en el marcador de la escala que se verifica,
y el valor real correspondiente de la cantidad medida se encuentra en base a las indicaciones. de un
estándar de trabajo.
Lo mismo es cierto para los instrumentos digitales.
Si la comprobación se realiza con un número reducido de medidas, gracias a la suave aproximación
por ambos lados del mismo marcador de escala del instrumento que se está
Machine Translated by Google

268 11. Problemas en la teoría de la calibración

verificada, entonces la estimación de la corrección se encuentra en base a la media aritmética

de las dos estimaciones obtenidas para el error.
Aunque la corrección se estimó promediando las indicaciones de los instrumentos, puede
introducirse en cada indicación por separado. Una vez introducida la corrección, se puede
suponer que para los errores aleatorios, E[ÿ] = 0.
Cuando los errores aleatorios son significativos, a veces es deseable estimar la varianza o
la desviación estándar de este error. Si la verificación se realiza midiendo una cantidad
conocida y sin cambios, entonces (11.4) es válida y es obvio que

norte

(xi ÿ x¯)2
yo=1
S(xi) =
norte - 1

y formalmente no hay dificultades para resolver el problema; sin embargo, es difícil obtener
lecturas xi que sean lo suficientemente precisas.
Sin embargo, si en cada observación, el indicador del instrumento que se está comprobando
se coloca en el mismo marcador de escala, entonces del experimento no obtendremos los
datos necesarios para resolver el problema. En este caso, de acuerdo con (11.1),

gramo

i = Ac ÿ y yo, (11.6)

y Ac = constante. Por lo tanto,

V[g i ] = V[y yo]

y la estimación obtenida para la varianza de acuerdo con esta relación depende tanto del error
aleatorio del instrumento que se verifica como del error aleatorio del patrón de trabajo. Para
resolver este problema, es necesario tener una estimación de la desviación estándar del
estándar de trabajo S(y).
Supongamos para ambos instrumentos la misma cantidad que tiene el valor verdadero A.
Entonces A = x ÿ ÿ = y ÿ ÿ , y por lo tanto,

ÿ - ÿ = x - y.

De aquí, en base a las relaciones (11.2) y (11.4), obtenemos

gramo

i
= día,

donde zi = xi ÿ yi .
Por tanto, para las indicaciones obtenidas de acuerdo con la fórmula (11.6), tenemos

V[g i ] = V[ yi] = V[xi] + V[yi].

En consecuencia,

S2 (y ) = S2 (x) + S2 (y).

Conociendo S2(y), y teniendo S2(y ) basado en los datos experimentales, encontramos

S2 (x) = S2 (y ) ÿ S2 (y). (11.7)

Machine Translated by Google

11.3. Rechazos de verificación y formas de reducir su número 269

La relación (11.7) indica que es deseable conocer la desviación estándar para el estándar
de trabajo. Sin embargo, los instrumentos de medición, para los que se conocen las
desviaciones típicas y, por ejemplo, los límites de error de las correcciones, son difíciles
de utilizar para comprobar instrumentos de medición que deben fabricarse para mediciones
individuales. En tales casos, para el patrón de trabajo, sería útil conocer, además de las
características mencionadas anteriormente, los límites de error total. Por ello, no es
necesario determinar por separado tanto los componentes como los límites de error total
en cada comprobación. Obviamente, la relación entre el error total y sus componentes
para cada tipo de instrumento de medida es la misma. Por esta razón, si tal relación se
establece en el curso de las investigaciones, realizadas, por ejemplo, al certificar los
estándares de trabajo, en el futuro, cuando los instrumentos de medición se verifiquen
rutinariamente, podría ser suficiente para determinar solo una parte de los errores. bajo
estudio

11.3. Rechazos de verificación y

formas de reducir su número

Debido a los errores de los patrones de trabajo, una fracción de instrumentos útiles, es
decir, instrumentos cuyos errores no excedan los límites establecidos para ellos, es
rechazada en una verificación —rechazo falso— y una fracción de instrumentos que en
realidad están fuera de servicio son aceptadas. —falsa retención. Esta situación es típica
para monitorear la calidad de la producción, y al igual que con el control de calidad, aquí
es interesante un análisis probabilístico del procedimiento.
Suponga que la misma cantidad se mide simultáneamente con un patrón de trabajo y
el instrumento que se está comprobando. Como se señaló anteriormente, para el análisis,
dicho esquema es más simple que otros esquemas, pero esto no se refleja en la
generalidad de los resultados obtenidos. De acuerdo con las condiciones del experimento, tenemos

UN = X - ÿ = y - ÿ ,

donde x e y son las indicaciones del estándar verificado y de trabajo y ÿ y ÿ son los errores
del estándar verificado y de trabajo. De aquí,

z = x - y = ÿ - ÿ. (11.8)

Estamos obligados a demostrar que |ÿ | ÿ ,donde es el límite de error permisible del

instrumento comprobado. A partir de los datos experimentales, podemos encontrar z;
supondremos que si |z| ÿ, entonces no
el instrumento
es reparable.
comprobado es reparable, y si |z| > ,

Para realizar un análisis probabilístico de esta manera, es necesario conocer la

distribución de probabilidad de los errores de los instrumentos verificados y estándar.
Supongamos que los conocemos.
La probabilidad de un falso rechazo es

p1 = PAGS {|ÿ ÿ ÿ | > ||ÿ |ÿ },

Machine Translated by Google

270 11. Problemas en la teoría de la calibración

y la probabilidad de una retención falsa es

p2 = PAGS{|ÿ ÿ ÿ | ÿ ||ÿ |> }.

Se obtiene un falso rechazo para |z | ÿ cuando |ÿ ÿ ÿ | > , es decir,

ÿÿÿ> , ÿ-ÿ<- ,

ÿ <ÿ ÿ , c>z+.

Si la distribución de probabilidad de los errores del estándar verificado y de trabajo son

f (ÿ) y ÿ(ÿ), respectivamente, entonces
gÿ +ÿ

p1 = f (g) ÿ(ÿ ) dÿ + ÿ(c ) dÿ dz.

ÿ

ÿÿ g+

Una retención falsa es posible cuando |ÿ | > , es decir, cuando ÿ > + y ÿ < ÿ .
En este caso, |ÿ ÿ ÿ | ÿ , es decir,

ÿ-ÿÿ , ÿ-ÿÿ- .

A partir de aquí, ÿ ÿ ÿ ÿ ÿ ÿ + . Por lo tanto,

ÿ

g+ +ÿ g+

p2 = f (g) ÿ(ÿ ) dÿ dÿ + f (g) ÿ(c ) dÿ dz.

ÿÿ gÿ gÿ

Así, si se conocen las densidades de probabilidad y sus parámetros, entonces se

pueden calcular los valores correspondientes de p1 y p2 , y se puede rastrear su
dependencia de las relaciones entre los límites de los errores permisibles del estándar
y los instrumentos verificados.
Si, además, se agregan consideraciones de costos, entonces, uno pensaría que el
problema de elegir esta relación puede resolverse de manera única. En realidad, cuando
aumenta la precisión de los estándares de trabajo, también aumenta el costo del control.
Un rechazo también tiene un cierto costo. Por lo tanto, al variar los límites de error de los
estándares de trabajo, es posible encontrar las pérdidas mínimas y esta variante se considera óptima.
Las relaciones matemáticas para resolver el problema se pueden derivar fácilmente.
Lamentablemente, sin embargo, en el caso general, es imposible estimar las pérdidas
por el uso de instrumentos cuyos errores superan los límites establecidos. En general,
es difícil expresar en términos de dinero el efecto económico a menudo significativo de
aumentar la precisión de la medición. Por esta razón, sólo en casos excepcionales
pueden utilizarse criterios económicos para justificar la elección de la relación entre los
límites de error permisibles del patrón de trabajo y los instrumentos controlados.

Además, como ya se ha señalado anteriormente, el problema fundamental es determinar

la distribución de probabilidad de los errores de los instrumentos. Los resultados,
presentados en el Capítulo 2, del análisis estadístico de los datos de una verificación de
una serie de instrumentos mostraron que los datos de la muestra son inestables. Por lo
tanto, la función de distribución de los errores del instrumento no se puede encontrar a partir de estos datos.
Sin embargo, no hay otros datos; simplemente no se pueden obtener en ningún lado.
Machine Translated by Google

11.3. Rechazos de verificación y formas de reducir su número 271

Figura 11.1. Ejemplos de posibles cambios en las densidades de probabilidad de los errores de
los instrumentos de medida en el tiempo.

Además, el hecho de que los datos de muestreo sean inestables podría significar que las funciones
de distribución de los errores de los instrumentos cambien en el tiempo. Hay razones definidas para
esta suposición.
Suponga que los errores de un conjunto de instrumentos de medida de algún tipo, en el momento
de su fabricación, tienen una distribución normal truncada con media cero. Para medidas (medida de
resistencias, shunts, pesos, etc.), un error demasiado grande del mismo signo resulta en cierto
rechazo. Esto se tiene en cuenta cuando se fabrican medidas y, como resultado, la distribución de los
errores intrínsecos de las medidas suele ser asimétrica. Por ejemplo, si cuando se fabrica una pesa
se encuentra que su masa es incluso ligeramente menor que la masa nominal, entonces la pesa se
descarta. La Figura 11.1 muestra ambas variantes de las distribuciones.

Los errores del instrumento cambian en el curso del uso. Por lo general, los errores solo aumentan.
En aquellos casos en los que, como en el caso de los pesos, se conoce de antemano la dirección del
cambio de los errores, y esto se tiene en cuenta en las reglas de fabricación, los errores pueden
reducirse en un principio, pero luego se seguirán reduciendo. aumentar.
Correspondientemente, los cambios en los errores del instrumento deforman las funciones de
distribución de los errores. Este proceso, sin embargo, no ocurre solo de manera espontánea. En el
momento de las comprobaciones de rutina, se desechan los instrumentos de medida cuyos errores
superan los límites establecidos. La figura 11.1 muestra el cuadro general aproximado de los cambios
que ocurren en la distribución de probabilidad en el tiempo. El proceso finalmente termina cuando los
instrumentos de medición en estudio ya no existen: o sus errores exceden los límites establecidos o
ya no son útiles por otras razones.

El cuadro real es aún más complicado, porque el stock de instrumentos de medida de cada tipo
también puede cambiar periódicamente como resultado de la aparición de nuevos instrumentos de
medida.
Cabe señalar que las propiedades de los instrumentos de medición, como las funciones de
influencia y los factores de influencia de diferentes cantidades de influencia, por regla general, no
cambian con el tiempo y, por esta razón, hay una base mucho mejor para describirlos con el ayuda de
un modelo probabilístico.
Machine Translated by Google

272 11. Problemas en la teoría de la calibración

Las consideraciones anteriores muestran que las probabilidades de rechazo en un cheque deben
calcularse cuidadosamente.
No obstante, es interesante analizar situaciones puramente abstractas y examinar una serie de
modelos para arrojar luz sobre las leyes generales. Este análisis ha sido realizado por varios autores.

EF Dolinskiÿÿ obtuvo los siguientes resultados bajo el supuesto de que el

los errores de los instrumentos estándar y comprobados tienen distribuciones normales [23]:

(i) El rechazo en una verificación depende principalmente de la relación entre el límite de error
permisible de los instrumentos verificados y la desviación estándar de los errores de estos
instrumentos; a medida que disminuye la desviación estándar, disminuye el número de
instrumentos rechazados en un control.
(ii) La relación entre los errores de los instrumentos verificados y estándar (entre los límites
permisibles de sus errores o entre las desviaciones estándar de estos errores) afecta el número
de rechazos en una verificación mucho menos que las propiedades de la distribución de los
errores de los instrumentos comprobados.

Divagando de la inestabilidad estadística de la distribución de errores de los instrumentos

verificados, debe señalarse que este enfoque para describir la calidad de una verificación tiene un
inconveniente fundamental. Supongamos que tenemos la función de distribución de los errores del
instrumento comprobado; es decir, conocemos el error de toda la colección de instrumentos. Sin
embargo, para cada lote específico de instrumentos, el número rechazado dependerá de cuántos
de los instrumentos del lote estén fuera de servicio. Por lo tanto, la probabilidad de rechazo no es un
buen indicador de la efectividad de la verificación, porque un indicador de la efectividad de la
verificación no debería depender de si el número de instrumentos defectuosos que se verifican es
grande o pequeño.
Si se comprobaran lotes de instrumentos, se podría hablar de funciones de distribución para cada
lote y, en consecuencia, de rechazos para cada lote y el número medio de rechazos. Pero los
instrumentos se controlan por separado o en lotes pequeños (varios instrumentos a la vez), por lo
que en este enfoque no se puede hablar de funciones de distribución.

Esta contradicción se puede resolver recurriendo a algunas distribuciones elegidas

condicionalmente. Para obtener una estimación de la probabilidad más alta de retención falsa, se
puede, por ejemplo, tomar la distribución de errores de instrumentos defectuosos, es decir,
instrumentos cuyo error excede los límites permisibles. Como en la práctica los malos instrumentos
no son los únicos instrumentos que se comprueban, está claro que en realidad la probabilidad de
falsa retención siempre será menor que el valor obtenido por este método.
Análogamente, para estimar el límite superior de la probabilidad de falso rechazo, se puede
tomar alguna distribución de errores que no supere los límites de error permisibles.
errores
Cuando el problema se resuelve de esta manera, surge el problema de elegir la forma de las
peores distribuciones. Esta pregunta no se puede resolver objetivamente y se pueden proponer
muchas variantes. Ejemplos de dichas distribuciones de prueba son los siguientes: para instrumentos
“malos”: la distribución simétrica, construida a partir de ramas positivas y negativas de la distribución
, uniformelacon
normal, separadas por 2 con desviación estándar ÿ = /ÿ3; para instrumentos "buenos": distribución
la
Machine Translated by Google

11.3. Rechazos de verificación y formas de reducir su número 273

límites ± . La distribución de los errores de las normas de trabajo, por precaución,

debe tomarse como uniforme con límites permisibles de ± s.

Sin embargo, esta suposición no puede justificarse, y por esta razón, no se puede
insistir en ello.

Por lo tanto, con base en el método de verificación ampliamente utilizado que se examinó
anteriormente, es imposible encontrar un método suficientemente convincente para elegir de manera bien fundada
la relación entre los errores del estándar y los instrumentos verificados. Para
por ello, en la práctica, esta cuestión se resuelve mediante un método volitivo estandarizando la
relación crítica entre los límites de errores permisibles. Así, en electricidad
técnicas de medición, se supone que el error de los estándares de trabajo no debe
ser más de un quinto del límite de error permisible de los instrumentos controlados. En
estándares basados en instrumentos electrónicos, los requisitos de precisión para trabajar
estándares no son tan estrictos: esta proporción suele ser igual a 3. Otras proporciones (por
ejemplo, 1:10) rara vez se encuentran.
Las proporciones 1:10 y 1:5 por lo general no son objetables, pero a menudo es técnicamente
difícil realizarlos. La proporción de 1:3, sin embargo, siempre es criticada por ser
inadecuado.
¿Es posible elegir una regla diferente para señalar instrumentos inservibles?
para evitar las dificultades relacionadas con la justificación sobre la base de la probabilidad de la
elección de la relación entre los errores de los instrumentos estándar y comprobados? Este
problema puede, en principio, ser resuelto de la siguiente manera.
Con base en la definición, un instrumento reparable es un instrumento para el cual
|x ÿ A| ÿ y un instrumento es inservible si |x ÿ A| > .
Desigualdades análogas también son válidas para un estándar de trabajo: |y ÿ A| ÿ el s, si
si reparable,
instrumento es útil y |y ÿ A| > Para x > A, para un instrumento
s
no es reparable.
xÿAÿ.ÿy+
instrumento, Pero y ÿ ÿ A s
s. Por esta razón, reemplazando A por y ÿ s, obtenemos por un servicio

xÿyÿÿ s. (11.9)

Análogamente, para x < A, para un instrumento útil,

x ÿ y ÿ ÿ( ÿ s). (11.10)

Repitiendo los cálculos para un instrumento inservible, no es difícil

derivar las desigualdades correspondientes:

xÿy>+xÿy<ÿ s, (11.11)

( + s). (11.12)

La figura 11.2 representa gráficamente las relaciones anteriores. Sea la escala de la

instrumento comprobado sea el eje de abscisas. En el eje de ordenadas marcamos los puntos
+yÿ , y alrededor de cada uno de estos puntos, marcamos los puntos desplazados de
ellos por + s
y- s. Si y permanece
s
igual para toda la escala de la
instrumento, luego dibujamos desde los puntos marcados en el eje de ordenadas líneas rectas
paralela al eje de abscisas.
Machine Translated by Google

274 11. Problemas en la teoría de la calibración

Figura 11.2. Zonas de servicio definido

(I), rechazo definitivo (II y III) e incertidumbre
(IV y V) cuando la verificación de instrumentos
de medición con el límite de permisible
error basado en un patrón de trabajo cuyo límite
de error permisible es s.

La Región I corresponde a las desigualdades (11.9) y (11.10). El instrumento para

que las diferencias x ÿ y caen dentro de esta región son definitivamente útiles independientemente
de la relación de los errores de los instrumentos estándar y comprobados.
Las desigualdades (11.11) y (11.12) corresponden a las regiones II y III. Los instrumentos
para los cuales las diferencias x ÿ y caen dentro de las regiones II o III son definitivamente
inservible
Algunos instrumentos comprobados pueden tener errores tales que

< |x ÿ y| < +
ÿ

s s.

Estos errores corresponden a las regiones IV y V de la figura 11.2. Esencialmente, tales instrumentos
no pueden ser rechazados o juzgados como útiles, porque en realidad,
incluyen tanto instrumentos reparables como inservibles. Si se supone que son
reparable, entonces el usuario obtendrá algunos instrumentos inservibles. Este rechazo
puede dañar al usuario. Sin embargo, si todos esos instrumentos dudosos son rechazados, entonces
en realidad, algunos instrumentos útiles serán rechazados. Para instrumentos que son
dudoso cuando se fabrican o cuando se revisan después del servicio, es
es mejor que sean juzgados inservibles. Esta táctica es útil para cualquiera que utilice instrumentos
y obliga a los fabricantes a utilizar instrumentos estándar más precisos.
pero esto no siempre es posible en los controles regulares.
En aquellos casos en los que el porcentaje de títulos dudosos sea significativo
y los instrumentos son caros y difíciles de arreglar, lo mejor es revisarlos
otra vez. Aquí son posibles varias variantes. Una variante es volver a comprobar lo dudoso.
instrumentos con la ayuda de estándares de trabajo más precisos.
En aquellos casos en los que no se puedan utilizar instrumentos más precisos por una razón
u otro, la verificación también se puede hacer con la ayuda de otras muestras de trabajo
estándares clasificados con la misma precisión que los utilizados en la verificación inicial. Como
diferentes estándares de trabajo tienen errores algo diferentes, los resultados de comparar los
instrumentos comprobados con ellos serán algo diferentes. Como resultado,
algunos instrumentos dudosos se juzgarán absolutamente útiles y algunos serán
rechazado con confianza.
Machine Translated by Google

11.4. Cálculo de un número necesario de estándares 275

El mejor método es aumentar la precisión del patrón de trabajo. Sin embargo, entonces surge
la pregunta de cuánto se debe aumentar la precisión de los instrumentos estándar.

Si no hay limitaciones técnicas, entonces la precisión del estándar de trabajo puede aumentarse
hasta que el instrumento que se está comprobando pueda juzgarse como reparable o inservible.
Sin embargo, si el límite de error permisible del instrumento estándar se vuelve de 5 a 10 veces
menor que el límite de error permisible del instrumento verificado, entonces la precisión del patrón
de trabajo no debe incrementarse más: Los errores de los instrumentos por lo general no son
suficientemente estable para ser estimado con alta precisión.

Para una diferencia de cinco a diez veces en los errores, el error del patrón de trabajo por lo
general siempre se puede despreciar. Esta práctica puede justificarse porque, en este caso, la
probabilidad de rechazo siempre es baja (porque la zona de incertidumbre es estrecha, el porcentaje
de instrumentos juzgados incorrectamente como útiles o rechazados siempre es bajo) y porque
solo aquellos instrumentos cuyos errores no difieren mucho del límite establecido para ellos pueden
juzgarse incorrectamente como útiles.
El rechazo de instrumentos en los controles se elimina por completo si en lugar de verificación
se recalibran los instrumentos. La precisión de la nueva característica de calibración puede ser casi
igual a la precisión del estándar de trabajo, lo que hace que este método sea extremadamente
atractivo.
El inconveniente de este método es que la nueva característica de calibración suele construirse
con la ayuda de una tabla de correcciones a la antigua característica de calibración, lo que no es
conveniente para usar el instrumento. Más importante aún, en este método, se oculta la estabilidad
del instrumento. El poseedor del instrumento debe acumular los resultados de la calibración y
analizarlos. El análisis hace posible juzgar la estabilidad de un instrumento, con qué frecuencia se
debe recalibrar el instrumento y, por lo tanto, la conveniencia de continuar usando el instrumento,
si se debe calibrar con frecuencia.

11.4. Cálculo de un Número Necesario de Estándares

La calibración, la prueba y la verificación son operaciones metrológicas, con cuya ayuda las
dimensiones de las unidades decretadas de cantidades físicas se transfieren a todos los
instrumentos de medición. Las unidades, sin embargo, se reproducen con la ayuda de patrones de
referencia.
Los estándares de referencia no se crean para todas las unidades. Las circunstancias bajo las cuales
los estándares de referencia necesitan ser creados merecen discusión.
Primero, notamos que los patrones de referencia siempre son necesarios para las unidades de
las cantidades básicas. La cuestión de si es deseable crear patrones de referencia se refiere
únicamente a las unidades de cantidades derivadas. Las cantidades físicas derivadas incluyen
cantidades medidas solo por métodos indirectos, por ejemplo, un área. Está claro que no se
requieren patrones de referencia para las unidades de tales cantidades.
Pero tampoco siempre se requieren patrones de referencia para las unidades de cantidades
medidas por métodos directos. Un patrón de referencia no es necesario si el
Machine Translated by Google

276 11. Problemas en la teoría de la calibración

El instrumento utilizado para medir una cantidad determinada puede comprobarse con la
precisión y eficiencia adecuadas con la ayuda de patrones de trabajo para otras cantidades.
Por ejemplo, para comprobar los tacómetros, basta con tener un dispositivo para girar el
eje del tacómetro y un temporizador estroboscópico; no se requiere un estándar en este
caso.
Cuando se crea un patrón de referencia, se centraliza la reproducción de la unidad. Por
un lado, este resultado complica las medidas que deben tomarse para asegurar la
uniformidad de los instrumentos de medida, porque algunos instrumentos de medida
estándar (como mínimo, los patrones de referencia de trabajo) deben compararse con el
patrón de referencia. Por otro lado, se encuentra que las mediciones indirectas generalmente
complicadas, con cuya ayuda se certifican las configuraciones primarias iniciales cuando la
reproducción de unidades no está centralizada, solo son posibles para certificar un
instrumento de medición: el patrón de referencia primario.
La pregunta de si se debe crear un estándar de referencia se responde comparando
estos factores contradictorios. Por lo tanto, la solución de esta pregunta se basa en
consideraciones técnicas y económicas, por lo que es difícil resolver el problema.

También debe tenerse en cuenta que, en muchos casos, las mediciones indirectas, que
se requieren para reproducir las unidades de una cantidad derivada, no brindan la precisión
necesaria. La creación de un patrón de referencia, es decir, la centralización de la
reproducción de la unidad, permite en este caso lograr una mayor uniformidad del
instrumento de medida que en ausencia de un patrón de referencia, porque cuando el
tamaño de la unidad reproducida con el se transfiere la ayuda del patrón de referencia, se
puede despreciar el error sistemático del patrón. Esta circunstancia se aprovecha a menudo,
aunque es posible que los instrumentos de medición más precisos de un país puedan tener
un error sistemático significativo en comparación con los instrumentos de medición análogos
de otro país. La comparación de estándares de referencia de diferentes países permite
evitar los malentendidos que pueden surgir debido a esto.

Los tamaños de las unidades reproducidas con la ayuda de patrones de referencia

primarios se transfieren a los patrones de trabajo con la ayuda de un sistema de patrones.
La coordinación metrológica de los patrones, su relación con los instrumentos de trabajo y
los principios de los métodos de comparación empleados en Rusia se representan
habitualmente con la ayuda de los llamados esquemas de verificación o calibración.
Los estándares físicos se dividen en rangos. El número de un rango indica el número de
pasos incluidos en la transferencia del tamaño de una unidad desde el estándar de
referencia primario a un estándar de trabajo dado.
Una de las preguntas más difíciles que surgen en la construcción de esquemas de
control es la cuestión de cuántos rangos de estándares deben proporcionarse.
A medida que aumenta el número de rangos, aumenta el error con el que el instrumento
de medición de trabajo transfiere el tamaño de una unidad. Por esta razón, para obtener
una alta precisión, el número de rangos de estándares debe reducirse al mínimo.
Cuanto mayor sea la precisión de los estándares, más caros son. Además, las mediciones
más precisas suelen ser más difíciles de realizar. Aumentar el número de rangos permite
tener estándares menos precisos junto con
Machine Translated by Google

11.4. Cálculo de un número necesario de estándares 277

estándares más precisos y hace que todo el sistema de transferencia del tamaño de una unidad
sea más económico. Por esta razón, en los campos de medición donde hay un gran margen en
la precisión de los patrones de referencia, el número de rangos de patrones puede ser igual al
número de grados de precisión de los instrumentos de medición de trabajo.

Ampliar el stock de patrones y aumentar el número de rangos, es decir, el número de

gradaciones de precisión, dificulta el trabajo de los laboratorios de calibración e implica un
cierto costo. Al mismo tiempo, las operaciones de calibración de instrumentos de medida
suelen volverse más eficientes. Uno pensaría que es posible encontrar un número
económicamente óptimo de rangos del esquema de verificación.
Este proceso, sin embargo, requiere información sobre la dependencia del costo del equipo y
mano de obra en la precisión. Esta información generalmente no está disponible.
Por esta razón, en la práctica, no se pueden determinar los esquemas de control óptimos.
Los esquemas de verificación generalmente se construyen cuando los estándares de
referencia y los estándares de trabajo ya están parcialmente disponibles, y solo es necesario
organizarlos en un orden jerárquico. En este caso, se puede suponer que se conoce el número
de instrumentos de medición en funcionamiento, la frecuencia con la que deben calibrarse y el
número permitido de comparaciones anuales de los instrumentos de medición más precisos
con el patrón de referencia. Además, se puede estimar el tiempo requerido para calibrar una
muestra de cada tipo de instrumento de medición y estándar de trabajo, o el número límite de
calibraciones permitidas por los estándares de referencia dentro de un período de tiempo
prescrito. Esta información permite encontrar el número mínimo necesario de rangos del
esquema de verificación.
El problema se puede resolver por el método de aproximaciones sucesivas.
En el caso general, se puede suponer que los esquemas de verificación tienen la estructura
que se muestra en la Fig. 11.3. Primero estudiaremos el caso en el que el esquema de
verificación tiene solo una vertical (es decir, no tiene las ramas 2 y 3 que se muestran en la Fig. 11.3).

Figura 11.3. Estructura típica de los esquemas de cheques.

Machine Translated by Google

278 11. Problemas en la teoría de la calibración

Si el j-ésimo rango tiene Nj estándares, entonces el número máximo de estándares en el

rango (j + 1) será

ÿj Tj+1
Nj+1 = Nj , (11.13)
tj+1

donde ÿj es el factor de utilización de los patrones de rango j, Tj+1 es un tiempo igual al

intervalo de tiempo entre calibraciones del instrumento de medida de rango j +1, y tj+1 es
el tiempo necesario para calibrar un instrumento de medida en el rango (j + 1).

Al calcular los coeficientes ÿj , el tiempo de utilización del instrumento de medición debe

compararse con el tiempo calendario y deben tenerse en cuenta las pérdidas de tiempo de
trabajo. Por ejemplo, si algún aparato se usa ocho horas por día y se requiere una hora
para la preparación y terminación, y el mantenimiento preventivo, el servicio y la verificación
reducen el tiempo de trabajo en un 10%, entonces
8ÿ1
× 0,9 = 0,2625. h =
24

Transfiriendo, de acuerdo con el esquema de verificación, del patrón de referencia

primario (j = 0, N0 = 1) al instrumento de medición de trabajo, determinamos el número
máximo de patrones de cada rango y luego el número de instrumentos de medición de
trabajo Nm garantizado por calibración:

Tj+1
Nm = N0N1 ... Nmÿ1 = # ÿ1 ÿj tj+1 , (11.14)
j=0

donde m es el número total de pasos en la transferencia del tamaño de una unidad del
patrón de referencia al instrumento de medición de trabajo, inclusive.
Para resolver el problema, primero elegimos algún número o rangos j0 = m ÿ 1. En
principio, es posible comenzar con el número mínimo de rangos j0 = 1. Para j0 dado,
. Si N(0)
encontramos que N(0) es menor que funcionamiento
metro el número de instrumentos
metro que necesitan
de ser
medición
calibrados,
en entonces
el número de rangos o ÿj—el factor de utilización de los estándares—y la eficiencia de las
operaciones de calibración deben incrementarse; es decir, el tiempo tj(j = 0, 1) debe
reducirse. Si el problema no se puede resolver de esta manera, entonces se debe aumentar
el número de rangos.
Calculamos N(1) para el nuevo número de rangos. Tan pronto como el valor de N(i)
metro metro

obtenido es mayor que el número de instrumentos de medición en funcionamiento que

deben calibrarse, el número de rangos puede considerarse suficiente.
Para un esquema de verificación más general (Fig. 11.3), se deben verificar las
posibilidades de cada rama del esquema de verificación. Es mejor comenzar el cálculo con
la rama contigua a un estándar de alto rango y realizar el cálculo en el orden inverso al
método examinado anteriormente; es decir, es mejor comenzar con un número fijo de
instrumentos de medición en funcionamiento en cada clase que deben verificarse a lo largo
de una rama determinada. Usaremos la fórmula (11.13) para calcular el número de
estándares de trabajo Nj para la rama l-ésima que se requiere para calibrar los instrumentos
de medición Nj+1 . Por esta razón, es útil escribir la fórmula (11.13)
Machine Translated by Google

11.4. Cálculo de un número necesario de estándares 279

en la forma

tj + 1, l
.
Njl = Nj + 1, l ÿjlTj +
1, l

El cálculo avanza hasta los estándares que dan servicio a varias ramas del esquema de
cheques. En el proceso, se determina el número de estos estándares que se requiere para la rama
l-ésima. Entonces, para el resto del esquema de verificación, los estándares Nj ÿ Njl permanecen
en el rango dado. El número de instrumentos de medición que deben calibrarse de acuerdo con la
vertical del esquema (rama 1 en la Fig. 11.3) se encuentra utilizando la fórmula (11.14), teniendo
en cuenta las pérdidas de derivación:

N(1) metro = N0 (N1 - N12) ... (Nj - Njl) ... Nm ÿ 1.

El número N(1) obtenido debe ser mayor que el número prescrito de instrumentos de medida
metro

que deben calibrarse a lo largo de esta rama. Esta condición es necesaria para todas las sucursales.
Si no se cumple, entonces se debe aumentar el número de rangos. A medida que aumenta el
número de rangos, la eficiencia de la red de verificación, representada por el esquema de
verificación, aumenta rápidamente. Los esquemas de verificación empleados tienen el número
máximo de cinco rangos de estándares, incluso para los campos de medición más desarrollados.

Las relaciones presentadas anteriormente se referían al caso más simple, cuando en cada paso
de transferencia del tamaño de la unidad, el período de tiempo entre calibraciones y el tiempo de
calibración eran los mismos para todos los instrumentos de medición. En realidad, estos intervalos
de tiempo pueden ser diferentes para diferentes instrumentos de medición. Tener esto en cuenta
hace que los cálculos sean más complicados, pero no cambia sus características esenciales.

Es necesario pasar de diferentes intervalos de tiempo entre calibraciones a un intervalo de

tiempo Tcs condicionalmente estándar y encontrar el número de instrumentos de medición de cada
cs
tipo T que deben verificarse dentro
k fórmula
de este obvia
período. Este proceso se realiza con la ayuda de la

Tcs
Ncs = Nkk .
Tk

de
A continuación, es necesario encontrar el instrumento de necesario para comprobar una medición
tiempo promedio t j para cada paso del esquema de verificación:

norte

gracias
k
av k=1
tj = . (11.15)
norte

Nc k
k=1

Aquí n es el número de diferentes tipos de instrumentos de medición en el j-ésimo paso del

esquema de verificación.
Daremos un ejemplo numérico. Supongamos que se requiere organizar una calibración
ción de instrumentos de los tipos A y B y se dan los siguientes datos:
Machine Translated by Google

280 11. Problemas en la teoría de la calibración

(1) Instrumentos de tipo A: NA = 3 × 104; el intervalo de tiempo entre calibraciones TA1 = 1 año
para NA1 = 2,5 × 104 y TA2 = 0,5 años para NA2 = 5 × 103; el tiempo de calibración tA = 5 h.

(2) Instrumentos de tipo B: NB = 105; TB = 1 año; el tiempo de calibración tB = 2 h.

(3) Patrón de referencia primario: se permiten cuatro comparaciones por año; la frecuencia de
calibración de los instrumentos de medición más precisos, que pueden ser patrones de
trabajo de rango 1, es de 2 años; es decir, T1 = 2 años; para ellos, ÿ1 = 0,25.
Para instrumentos de medición que pueden ser patrones de trabajo de rango 2, T2 = 2 años,
t2 = 40 h y ÿ2 = 0,25.

El número posible de estándares de primer rango es

N1 = N0 f T1 = 8,

porque N0 = 1, f = 4 es el número máximo de comparaciones con un estándar de referencia por

año, y T1 = 2.
Es obvio que ocho estándares no son suficientes para verificar 130.000 instrumentos de
trabajo. Verificaremos si tres rangos de estándares son suficientes para esto.

Como el intervalo de tiempo entre controles es diferente para diferentes instrumentos,

introducimos el intervalo de tiempo condicionalmente estándar entre controles Tcs = 1 año y
encontramos el número de instrumentos que deben controlarse dentro de este período de tiempo.
La conversión es necesaria solo para instrumentos de tipo A con TA2 = 0,5 años:

1
Ncs
A2 = NA2 Tcs = 5 × 103 × = 10 × 103 .
0,5 TA2

Por lo tanto,

Ncs = NAB = NA1 + Ncs k A2 + NOTA = 135 × 103

k=A,B

los instrumentos deben ser calibrados dentro del tiempo Tcs.

Se requieren diferentes cantidades de tiempo para verificar los instrumentos de los tipos A y B.
de
Encontraremos el tiempo promedio de verificación t de en
estos
coninstrumentos
la fórmula (11.15),
de trabajo. De acuerdo

de (NA1 + Ncs A2) tA + NBtB 35 × 103 × 5 + 100 × 103 × 2 135 ×

t en = = = 2,78 h.
COGER 103

Ahora, usando la fórmula (11.13), encontraremos el número requerido de estándares de

segundo rango:
de
NABt en 135 × 103 × 2,78 =
N(1)
2 = = 250. 0,25
ÿ2Tcs × 6 × 103

Aquí se supuso que Tcs = 250 × 24 = 6 × 103 h.

Queda por verificar que se puedan verificar todos los estándares de trabajo del segundo rango.
Por esta razón, calculamos a partir de la fórmula (11.13) el número máximo posible
Machine Translated by Google

11.4. Cálculo de un Número Necesario de Estándares 281

de estándares de este rango:

h1T2 0,25 × 2 × 6 × 103 = 8

N2 = N1 × = 600.
t2 40

Como N2 > N(1)

2, en este caso, dos rangos de estándares de trabajo son suficientes.
Con la ayuda de cálculos similares a los presentados en el ejemplo anterior, es posible elegir
de manera bien fundamentada la estructura de un esquema de verificación y estimar el número
requerido de estándares de trabajo de cada rango.
Al calcular el esquema de verificación, no tuvimos en cuenta explícitamente la precisión de
los instrumentos de medición. Sin embargo, el esquema contemplado debe ser metrológicamente
realizable, lo que significa que la discrepancia entre la precisión del patrón de referencia primario
y la precisión de los instrumentos de medición de trabajo debe permitir insertar entre ellos el
número requerido de rangos de patrones de trabajo. El problema que enfrentan los fabricantes
de instrumentos y los metrólogos es proporcionar la combinación de precisión y eficiencia
requerida para implementar el esquema de verificación mediante el diseño de patrones de
trabajo y patrones de referencia.

Los esquemas de verificación suelen tener posibilidades adicionales de calibración, lo que

permite distribuir patrones de referencia y de trabajo para limitar su transporte, maximizar la
eficiencia de los laboratorios de calibración y tener en cuenta otras consideraciones prácticas.
Machine Translated by Google

12
Conclusión

12.1. Procesamiento de datos de medición:

pasado, presente y futuro

Érase una vez, los físicos creían que la distribución normal era una regla matemáticamente
probada para los fenómenos aleatorios, mientras que los matemáticos la consideraban una
ley natural descubierta por los físicos. Esta creencia se reflejó en el procesamiento de datos
de medición. Es decir, la varianza calculada de una muestra se tomó para la varianza de la
distribución normal correspondiente. Luego, el histograma empírico se cambió para que fuera
igual al histograma de esa distribución normal. Este procedimiento se denominó "suavizar las
frecuencias". Sin embargo, a principios del siglo pasado, los investigadores se dieron cuenta
de que los datos experimentales no debían distorsionarse y se abandonó este procedimiento.

Durante el siglo siguiente, la estadística matemática se desarrolló rápidamente y se utilizó

ampliamente en varios campos de la ciencia y la industria. Este mismo desarrollo también
sucedió con el procesamiento de datos de medición, que pasó a estar dominado por métodos
estadísticos matemáticos. Como resultado, la ciencia del procesamiento de datos de medición
se limitó a múltiples mediciones directas y se mantuvo libre de errores sistemáticos. Este
estado de cosas se puede ver claramente al examinar libros de ese período, por ejemplo,
'Análisis de datos para científicos e ingenieros' de S. Meyer, 'Reducción de datos y análisis
de errores para ciencias físicas' de Ph. Bevington y D. Robinson, y muchos otros. Incluso los
libros dirigidos específicamente a los profesionales, como el libro publicado recientemente
por I. Gertsbakh [26] y los excelentes libros de J. Mandel [36, 37], permanecieron dentro de
los límites anteriores. Debido a que esta teoría puramente matemática encontró aplicaciones
prácticas, incluso si en un caso restringido de errores aleatorios en múltiples mediciones,
esta teoría obtuvo el estatus de la teoría clásica del procesamiento de datos de medición. Sin
embargo, no fue suficiente en muchas situaciones prácticas. En particular, todos los
profesionales sabían que, además de los errores aleatorios, existen errores sistemáticos, y
la incertidumbre general del resultado de la medición combina ambos componentes. Pero la
teoría clásica ignoraba este hecho y, además, consideraba incorrecto combinar estos dos
componentes. Había otros problemas prácticos ignorados por la teoría clásica.
Machine Translated by Google

284 12. Conclusión

Como resultado, aquellos que encontraron estos problemas en su práctica recurrieron a

métodos ad hoc ya menudo incorrectos. Por ejemplo, en el caso de mediciones individuales,
los errores de medición a menudo se equiparaban a los errores intrínsecos de los dispositivos
de medición utilizados, lo cual es incorrecto. Para dar cuenta de los errores sistemáticos en
múltiples mediciones, la gente simplemente los agregaba a los errores aleatorios, lo que
sobrestimaba la inexactitud del resultado.
A partir de la década de 1970, en varias publicaciones, estaba tratando de resolver los
problemas prácticos que no eran atendidos por la teoría clásica. Una de las primeras
publicaciones en esta área fue el artículo [41], que condujo en 1976 a un estándar para
métodos de procesamiento de datos de medición que incluía la combinación de errores
aleatorios y sistemáticos [5]. En 1985 [3] apareció una norma americana que contenía una
solución a este problema, seguida de una recomendación británica en 1986 [6]. Finalmente,
en 1995, la Organización Internacional de Normalización publicó la Guía para la expresión de
la incertidumbre en la medición.1
El problema de combinar errores aleatorios y sistemáticos es solo un ejemplo de las
limitaciones de la teoría clásica. Hacia fines del siglo pasado, estas limitaciones se hicieron
evidentes y una nueva teoría comenzó a tomar forma. Esta teoría, que podemos llamar la
teoría física del procesamiento de datos de medición, no obvia sino que subsume la teoría
clásica y la aumenta con métodos para procesar mediciones individuales, contabilizar los
errores de los dispositivos de medición, combinar errores aleatorios y sistemáticos, y otros.
problemas prácticos. La teoría física también considera las cuestiones fundamentales de las
mediciones. Este libro ofrece un tratamiento sistemático de la teoría física y así define esta
nueva disciplina.
Al mismo tiempo, este libro obviamente no agota este tema, y varios
los problemas aún esperan sus soluciones. A continuación enumeramos algunas de estas lagunas.

La teoría de las mediciones individuales requiere un mayor desarrollo, especialmente en lo

que respecta a la contabilidad de los errores de los instrumentos de medición. Un factor que
complica este problema es la gran variedad de tipos de instrumentos de medición para los
que se deben desarrollar técnicas adecuadas.
Aunque la diversidad de instrumentos de medida impide el desarrollo de la teoría general
de su diseño, es posible y necesario desarrollar una teoría general de precisión de los
instrumentos de medida. La precisión es el aspecto común que une a estos dispositivos.
Este libro da un paso inicial hacia tal teoría, pero se requiere mucho más trabajo.

Una clase grande y común de mediciones que involucran instrumentos de registro (como
trazadores automáticos analógicos o digitales, registradores XY, etc.) se conoció como
mediciones dinámicas [28,49]. Hay muchos problemas abiertos en las mediciones dinámicas;
entre ellos se encuentra un problema atractivo para encontrar la forma y los parámetros de
una señal de entrada teniendo la señal de salida registrada y conociendo las propiedades
dinámicas del registrador. Las computadoras modernas hacen factible la solución de este
problema.

1
Aunque esta Guía proporciona un método para combinar errores sistemáticos y aleatorios,
tiene sus inconvenientes, que se analizan en detalle en la Sección 12.3.
Machine Translated by Google

12.2. Vocabulario internacional de términos básicos y generales en metrología 285

Los errores y la incertidumbre de las medidas siempre se estiman de forma indirecta, y

los cálculos incluyen algunas suposiciones. Sin embargo, la corrección de estas
suposiciones y la validez de las estimaciones resultantes nunca se han comprobado
experimentalmente. Por lo tanto, llenar este vacío es extremadamente importante. Un
enfoque general de este problema implicaría medir el mismo mensurando en paralelo por
diferentes métodos, siendo un método alrededor de diez veces más preciso que el otro,
y luego comparar los resultados de la medición y las incertidumbres calculadas.

Aunque esta lista de problemas es subjetiva e incompleta, es suficiente para mostrar

que la teoría física del procesamiento de datos de medición es una disciplina viva aún en
desarrollo.

12.2. Comentarios sobre el “Vocabulario internacional de

términos básicos y generales en metrología”

A finales del siglo pasado, la Organización Internacional de Normalización publicó un

importante documento, el “Vocabulario Internacional de Términos Básicos y Generales en
Metrología” (VIM) [2]. Este documento, preparado bajo la dirección de BIPM, será estudiado
y utilizado en todo el mundo. Dos términos definidos en el Vocabulario, error e incertidumbre,
tienen una relación particular con el presente libro y es apropiado discutirlos aquí.

La definición de error (VIM, Sección 3.10) dice que es el “resultado de la medición

menos un valor verdadero del mensurando”. También hay una nota: “Dado que no se puede
determinar un valor verdadero, en la práctica se usa un valor verdadero convencional”.
Desafortunadamente, la descripción anterior no puede considerarse una definición porque
no explica el significado del término, pero intenta proporcionar un algoritmo para su cálculo.
De hecho, el algoritmo no es realista: además de que se desconoce el valor verdadero, su
reemplazo por el valor verdadero convencional es imposible porque ninguna medición tiene
tal valor. De hecho, el valor real convencional puede atribuirse a un patrón de referencia y
utilizarse en procedimientos de calibración; permite estimar el valor concreto del error del
instrumento de medida en calibración, pero no el error de una medida.

Considero que el "error" se define correctamente como una desviación del resultado de
la medición del valor real del mensurando. Entonces la nota sobre el valor verdadero
convencional debe ser reemplazada por lo siguiente: Debido a que el valor verdadero de
una medida siempre se desconoce, la precisión de una medida se caracteriza por los límites
de error que se calculan de manera indirecta. Si estos cálculos involucran un modelo
probabilístico, entonces se usa el término incertidumbre de una medición en lugar de los
límites de error. La última definición del término “error” se da en [4] y es similar a la definición
en [7].
La definición de incertidumbre de VIM, Sección 3.9, se proporciona con una nota que
dice que la incertidumbre “puede ser, por ejemplo, una desviación estándar (o un múltiplo
dado de ella), o la mitad del ancho de un intervalo que tiene un nivel de confianza establecido. .”
Machine Translated by Google

286 12. Conclusión

Esta nota crea una ambigüedad que es inaceptable en la terminología científica. De hecho,
¿qué es la incertidumbre, una desviación estándar o un intervalo de confianza?
Esta ambigüedad no fue accidental; surgió porque no se sabía cómo construir intervalos
de confianza para muchos casos de medidas indirectas. Los métodos de reducción y
transformación descritos en este libro permiten la construcción de los intervalos de confianza
en todos los casos de mediciones indirectas y, por lo tanto, se puede eliminar la ambigüedad.
Por lo tanto, la "incertidumbre" se definiría correctamente como un intervalo dentro del cual el
valor verdadero de un mensurando se encuentra con la probabilidad dada.
Esta definición se puede acompañar con una nota de que la incertidumbre se define con sus
límites y la probabilidad de confianza correspondiente; los límites de incertidumbre se leen del
resultado de una medición.

12.3. Inconvenientes de la “Guía para la Expresión

de la Incertidumbre en la Medida”
Otro documento importante publicado por ISO y preparado bajo el liderazgo de BIPM es la
"Guía para la expresión de la incertidumbre en la medición" (generalmente denominada
simplemente "la Guía") [1]. El objetivo de la Guía es la unificación de los métodos de estimación
de la incertidumbre de medida y su presentación. La necesidad de tal documento es obvia.

De acuerdo con la Guía, la incertidumbre de una medición debe reflejar tanto errores
aleatorios como sistemáticos en la medición. Ambos componentes se caracterizan por
estimaciones de sus varianzas. La suma de ellos da la desviación estándar combinada. La
incertidumbre de la medición se obtiene multiplicando la desviación estándar combinada por
un factor de cobertura (se recomienda que sea 2 o 3).
Los factores de cobertura 2 o 3 corresponden a una probabilidad de confianza de 0,95 o 0,99,
respectivamente. El procedimiento anterior es correcto y, en esencia, es el mismo que se
proporciona en este libro. La diferencia, además de la terminología, es que la Guía elige los
factores de cobertura arbitrariamente, mientras que este libro proporciona una forma de calcularlos.
Pasemos ahora a las deficiencias de la Guía. La filosofía básica de la Guía es que el
concepto del verdadero valor de un mensurando no es necesario porque es el mismo que el
valor del mensurando (Ver Anexos B.2.3, D.3.5, etc.).
Pero esta declaración está en contradicción con VIM. De acuerdo con VIM, Sección 1.18, el
valor de un mensurando es el número denominado, que es el producto de la unidad de medida
y un número. Este valor se puede encontrar como resultado de la medición, mientras que el
valor real es un concepto puramente teórico y no se puede obtener (ver VIM, Sección 1.19).
Así, los significados del verdadero valor de un mensurando y el valor de un mensurando son
diferentes y la idea de reemplazar el primero por el segundo es incorrecta. Además, aunque
el valor real no se puede expresar en números, es necesario en la práctica para definir y
verificar el modelo del objeto en estudio. Remitimos al lector a la Sección 1.3, donde discutimos
este tema en detalle.

La eliminación del término valor verdadero en la Guía fue motivada por el deseo de eliminar
el término 'error'. La idea de eliminar "error" y siempre reemplazarlo con
Machine Translated by Google

12.3. Guía para la expresión de la incertidumbre en la medición 287

la “incertidumbre” no es nueva y tiene sus raíces en el artículo [18]. Sin embargo, como discutimos en la
Sección 3.1, esta idea está equivocada porque se basa en el uso incorrecto de “error” en [18]. Tenga en
cuenta que el reemplazo incondicional de "error" con "incertidumbre" también contradice la segunda edición
del VIM, que define ambos términos de manera similar a este libro.

Otra confusión en la Guía tiene que ver con la incertidumbre. La Guía introduce los términos "incertidumbre
estándar" e incertidumbre combinada. Sin embargo, estos términos son redundantes: la "incertidumbre
estándar" es simplemente la desviación estándar y la "incertidumbre combinada" es la desviación estándar
combinada. No hay razón para cambiar el nombre de los términos existentes.

Además, la Guía introduce dos nuevos términos, tipo A y evaluación de incertidumbre tipo B (Capítulo
“Definiciones”, Secciones 2.3.2 y 2.3.3). De acuerdo con las definiciones de estos términos, caracterizan los
métodos de estimación de la incertidumbre. Pero se usan en la Guía para denotar componentes de
incertidumbre expandida. (De hecho, la Guía describe cómo combinar la incertidumbre de tipo A y tipo B, y
obviamente los métodos no se pueden combinar). Más allá de eso, los términos incertidumbre de tipo A y tipo
B no son expresivos. El significado de estos términos (como componentes de la incertidumbre) se transmite
de manera más clara y apropiada mediante los términos errores sistemáticos y aleatorios, que se incluyen en
VIM. Pero como mencionamos anteriormente, la Guía evita específicamente el término “error” y sus derivados,
y esto la obligó a crear los términos artificiales “incertidumbre tipo A” y “tipo B”.

Tenga en cuenta que, a diferencia de los errores sistemáticos y aleatorios, estos términos no están incluidos
en VIM.

En resumen, las definiciones anteriores en la Guía contradicen la filosofía y la terminología de VIM.

Además, la Guía no refleja adecuadamente algunos resultados modernos. Por ejemplo, aunque menciona
brevemente el método de reducción (como segundo enfoque), no señala su principal ventaja, que es la
eliminación del coeficiente de correlación de los cálculos de incertidumbre. Por lo tanto, la Guía debe ser
revisada.
Machine Translated by Google

Apéndice

Tabla A.1. Valores de la función gaussiana normalizada (z) = 1 ÿ2ÿ &0 Con

eÿy2/2dy.

desde 0123456789
0,0 0,000 00 0,003 99 0,007 98 0,011 97 0,015 95 0,019 94 0,023 92 0,027 90 0,031 88 0,035 86
0,1 0,039 83 0,043 80 0,047 76 0,051 72 0,055 67 0,059 62 0,063 56 0,067 49 0,071 42 0,075 35
0,2 0,079 26 0,083 17 0,087 06 0,090 95 0,094 83 0,098 71 0,102 57 0,106 42 0,110 26 0,114 09
0,3 0,117 91 0,121 72 0,125 52 0,129 30 0,133 07 0,136 83 0,140 58 0,144 31 0,148 03 0,151 73
0,4 0,155 42 0,159 10 0,162 76 0,166 40 0,170 03 0,173 64 0,177 24 0,180 82 0,184 39 0,187 93
0,5 0,191 46 0,194 97 0,198 47 0,201 94 0,205 40 0,208 84 0,212 26 0,215 66 0,219 04 0,222 40
0,6 0,225 75 0,229 07 0,232 37 0,235 65 0,238 91 0,242 15 0,245 37 0,248 57 0,251 75 0,254 90
0,7 0,258 04 0,261 15 0,264 24 0,267 30 0,270 35 0,273 37 0,276 37 0,279 35 0,282 30 0,285 24
0,8 0,288 14 0,291 03 0,293 89 0,296 73 0,299 55 0,302 34 0,305 11 0,307 85 0,310 57 0,313 27
0,9 0,315 94 0,318 59 0,321 21 0,323 81 0,326 39 0,328 94 0,331 47 0,333 98 0,336 46 0,338 91
1,0 0,341 34 0,343 75 0,346 14 0,348 50 0,350 83 0,353 14 0,355 43 0,357 69 0,359 93 0,362 14
1,1 0,364 33 0,366 50 0,368 64 0,370 76 0,372 86 0,374 93 0,376 98 0,379 00 0,381 00 0,382 98
1,2 0,384 93 0,386 86 0,388 77 0,390 65 0,392 51 0,394 35 0,396 17 0,397 96 0,399 73 0,401 47
1,3 0,403 20 0,404 90 0,406 58 0,408 24 0,409 88 0,411 49 0,413 09 0,414 66 0,416 21 0,417 74
1,4 0,419 24 0,420 73 0,422 20 0,423 64 0,425 07 0,426 47 0,427 86 0,429 22 0,430 56 0,431 89
1,5 0,433 19 0,434 48 0,435 74 0,436 99 0,438 22 0,439 43 0,440 62 0,441 79 0,442 95 0,444 08
1,6 0,445 20 0,446 30 0,447 38 0,448 45 0,449 50 0,450 53 0,451 54 0,452 54 0,453 52 0,454 49
1,7 0,455 43 0,456 37 0,457 28 0,458 18 0,459 07 0,459 94 0,460 80 0,461 64 0,462 46 0,463 27
1,8 0,464 07 0,464 85 0,465 62 0,466 38 0,467 12 0,467 84 0,468 56 0,469 26 0,469 95 0,470 62
1,9 0,471 28 0,471 93 0,472 57 0,473 20 0,473 81 0,474 41 0,475 00 0,475 58 0,476 15 0,476 70
2,0 0,477 25 0,477 78 0,478 31 0,478 82 0,479 32 0,479 82 0,480 30 0,480 77 0,481 24 0,481 69
2,1 0,482 14 0,482 57 0,483 00 0,483 41 0,483 82 0,484 22 0,484 61 0,485 00 0,485 37 0,485 74
2,2 0,486 10 0,486 45 0,486 79 0,487 13 0,487 45 0,487 78 0,488 09 0,488 40 0,488 70 0,488 99
2,3 0,489 28 0,489 56 0,489 83 0,490 10 0,490 36 0,490 61 0,490 86 0,491 11 0,491 34 0,491 58
2,4 0,491 80 0,492 02 0,492 24 0,492 45 0,492 66 0,492 86 0,493 05 0,493 24 0,493 43 0,493 61
2,5 0,493 79 0,493 96 0,494 13 0,494 30 0,494 46 0,494 61 0,494 77 0,494 92 0,495 06 0,495 20
2,6 0,495 34 0,495 47 0,495 60 0,495 73 0,495 85 0,495 98 0,496 09 0,496 21 0,496 32 0,496 43
2,7 0,496 53 0,496 64 0,496 74 0,496 83 0,496 93 0,497 02 0,497 11 0,497 20 0,497 28 0,497 36
2,8 0,497 44 0,497 52 0,497 60 0,497 67 0,497 74 0,497 81 0,497 88 0,497 95 0,498 01 0,498 07
2,9 0,498 13 0,498 19 0,498 25 0,498 31 0,498 36 0,498 41 0,498 46 0,498 51 0,498 56 0,498 61

Nota: Los valores de (z) para z = 3,0ÿ4,5 son los siguientes:

3,0 0,498 65 3.4 0,499 66 3,8 0.499 93

3,1 0,499 03 3.5 0,499 77 3,9 0.499 95
3,2 0,499 31 3.6 0,499 84 4,0 0.499 968
3,3 0,499 52 3.7 0,499 89 4,5 0.499 997
Machine Translated by Google

290 Apéndice

Tabla A.2. Puntos percentiles de la distribución de Student.

Nivel significativo
q = (1 ÿ ÿ) × 100 (%)
Número de grados
de libertad f 10 5 1

1 6,31 12.71 63.66

2 2,92 4.30 9.92
3 2,35 3.18 5.84
4 2.13 2.78 4.60
5 2.02 2.57 4.03
6 1.94 2.45 3.71
7 1.90 2.36 3.50
8 1.86 2.31 3.36
9 1.83 2.26 3.25
10 1.81 2.23 3.17
12 1.78 2.18 3.06
14 1.76 2.14 2.98
16 1.75 2.12 2.92
18 1,73 2,10 2.88
20 1,72 2,09 2.84
22 1,72 2,07 2.82
24 1,71 2,06 2.80
26 1,71 2,06 2.78
28 1,70 2,05 2.76
30 1,70 2,04 2.75
ÿ 1,64 1,96 2.58
Machine Translated by Google

Apéndice 291

Tabla A.3. Valores críticos de la distribución de Tn = (xn ÿ x¯)/S

o T1 = (x¯ ÿ xi)/S (con comprobación unilateral).

Nivel de Nivel de 5% superior

Número de significancia significancia significado
observaciones, n superior al 0,5 % superior al 1% nivel

3 1.155 1.155 1.153

4 1.496 1.492 1.463
5 1.764 1.749 1.672
6 1.973 1.944 1.822
7 2.139 2.097 1.938
2.274 2.221 2.032
8 2.387 2.323 2.110
9 10 2.482 2.410 2.176
11 2.564 2.485 2.234
12 2.636 2.550 2.285
13 2.699 2.607 2.331
14 2.755 2.659 2.371
15 2.806 2.705 2.409
dieciséis 2.852 2.747 2.443
17 2.894 2.785 2.475
18 2.932 2.821 2.504
19 2.968 2.854 2.532
20 3.001 2.884 2.557
21 3.031 2.912 2.580
22 3.060 2.939 2.603
23 3.087 2.963 2.624
24 3.112 2.987 2.644
25 3.135 3.009 2.663
26 3.157 3.029 2.681
27 3.178 3.049 2.698
28 3.199 3.068 2.714
29 3.218 3.085 2.730
30 3.236 3.103 2.745
Machine Translated by Google

292 Apéndice

Cuadro A.4. Puntos percentiles de la distribución ÿ2 P{ÿ2 > ÿ2}.

q

Número de Nivel de significancia q (%)

grados de
libertad v 99 95 90 80 70 30 20 10 5 1

0,000 16 0,003 93 0,0158 0,0642 0,148 0,0201 0,211 0,713 1.074 1.642 2.706 3.841 6.635
1 2,408 3,219 4,605
0,1035,991 9,210 0,446
2 0,115 0,584 1,424
0,3523,665 4,642 6,251 7,815
1,005
11,345
3 0,7114,878 5,989 7,779 9,488
0,297 1,064 2,195 1,649
13,277
4 0,554 1,610 3,000
1.1456,064 7,289 9,236 11,070
2,34315,086
5 0,872 2,204 3,828
1.6357,231 8,558 10,645 12,592
3,070 16,812
6 2.1678.383 9.803 12.017 14.067
1.239 2.833 4.671 3,822 18.475
7 1.646 3.490 5.527
2.7339.524 11.030 13.362 15.507
4,594 20.090
8 2.088 4.168 6.393
3.32510.656 12.242 14.6845,380
16.919 21.666
9 2.558 4.865 7.267
3.94011.781 13.442 15.9876,179
18.307 23.209
10 3.053 5.578 8.148
4.57512.899 14.631 17.2756,989
19.675 24.725
11 3.571 6.304 9.034
5.22614.011 15.812 18.5497,807
21.026 26.217
12 4.107 7.042 9.926
5.89215.119 16.985 19.8128,634
22.362 27.688
13 4.660 7.790 9.467
6.57110.821 16.222 18.151 21.064 23.685 29.141
14 7.261 11.721 17.322 19.311 22.307 24.996 30.578
5.229 8.547 10.307
15 5.812 9.312 11.152
7.962 12.624 18.418 20.465 23.542 26.296 32.000
16 6.408 10.085 12.002
8.672 13.531 19.511 21.615 24.769 27.587 33.409
17 7.015 10.865 12.857
9.390 14.440 20.601 22.760 25.989 28.869 34.805
18 7.633 11.65110.117
13.716 15.352 21.689 23.900 27.204 30.144 36.191
19 20 8.260 12.44310.851
14.578 16.266 22.775 25.038 28.412 31.410 37.566
21 8.897 13.24011.591
15.445 17.182 23.858 26.171 29.615 32.671 38.932
22 9.542 16.31412.338 14.041
18.101 24.939 27.301 30.813 33.924 40.289
23 10.196 17.18713.091 14.848
19.021 26.018 28.429 32.007 35.172 41.638
24 10.856 13.848 15.659 18.062 19.943 27.096 29.553 33.196 36.415 42.980
25 11.524 14.611 16.473 18.940 20.867 28.172 30.675 34.382 37.652 44.314
26 12.198 15.379 17.292 19.820 21.792 29.246 31.795 35.563 38.885 45.642
27 12.879 16.151 18.114 20.703 22.719 30.319 32.912 36.741 40.113 46.963
28 13.565 16.928 18.939 21.588 23.647 31.391 34.027 37.916 41.337 48.278
29 14.256 17.708 19.768 22.475 24.577 32.461 35.139 39.087 42.557 49.588
30 14.953 18.493 20.599 23.364 25.508 33.530 36.250 40.256 43.773 50.892
Machine Translated by Google

Apéndice 293

Tabla A.5. Valores del 1% superior de puntos de la distribución F0.01 = S21 / S2

2.

Número de grados de libertad

n1

v2 2 3 4 5 6 8 12 dieciséis 24 50 ÿ

2 99,00 99,17 99,25 99,30 99,33 99,36 99,42 99,44 99,46 99,48 99,50
3 30,81 29,46 28,71 28,24 27,91 27,49 27,05 26,83 26,60 26,35 26,12
4 18,00 16,69 15,98 15,52 15,21 14,80 14,37 14,15 13,93 13,69 13,46
5 13,27 12,06 11,39 10,97 10,67 10,29 9,89 9,24 9,02 9,68 9,47
8,10 7,72 7,09 6,88 8,75
6 10,92 9,15 8,479,78 7,52 7,31
8,456,47 5,85 5,65 7,46
7 9,55 7,85 7,19 6,84 6,27 6,07
8 8,65 6,37 6,03
7.59 7.01 6.63 5.67 5.48 5.28 5,06 4,86
9 8.02 6.99 6.42 6.06 5,80 5,47 5.11 4.92 4.73 4.51 4.31
10 7.56 6.55 5.99 5.64 5,39 5,06 4,71 4.52 4.33 4,12 3,91
11 7.20 6.22 5.67 5.32 5.07 4,74 4,40 4.21 4.02 3,80 3,60
12 6.93 5.95 5.41 5.06 4,82 4,50 4,16 3.98 3.78 3,56 3,36
13 6.70 5.74 5.20 4.86 4,62 4,30 3.96 3.78 3.59 3.37 3.16
14 6.51 5.56 5.03 4.69 4.46 4.14 3.80 3.62 3.43 3.21 3.00
15 6.36 5.42 4.89 4.56 4,32 4,00 3.67 3.48 3.29 3.07 2.87
dieciséis 6.23 5.29 4.77 4.44 4,20 3,89 3.55 3.37 3.18 2,96 2,75
17 6.11 5.18 4,67 4.34 4,10 3,79 3.45 3.27 3.08 2,86 2,65
18 6.01 5.93 5.01
5.09 4,58 4.25 4.01 3.71 3.94 3.37 3.20 3.00 2,79 2,57
19 5.85 4.94 5.78
4.87 4,50 3.87 3.56 4.04
3.633.81
4.173.51
4.10 3,30 3,12 2,92 2,70 2,49
20 5.72 4.82 5.66 4,43 3.99 3.76 3.45 3.94 3.71
3.41 3,23 3,05 2,86 2,63 2,42
21 4.76 5.61 4.72 4,37 3.90 3.67 3.36
3.323.86
3.823.63
3.59
3.29 3,17 2,99 2,80 2,58 2,36
22 5.57 4.68 5.53 4,31 3.78 3.56 3.26
3.23 3.75
[Link]
3.53 3,12 2,94 2,75 2,53 2,31
23 4.64 5.49 4.60 4,26 3.70 2.82 3,07 2,89 2,70 2,48 2,26
24 5.45 4.57 5.42
4.54 4,22 3,03 2,85 2,66 2.44 2.21
25 5.39 4.51 5.27 4,18 2,99 2,81 2,62 2,40 2,17
26 4.40 5.18 4.31 4,14 2,96 2,78 2,58 2.36 2.13
27 5.11 4,11 2,93 2,74 2,55 2.33 2.10
28 4,07 2,90 2,71 2,52 2,30 2,06
29 4,04 2,87 2,68 2,49 2.27 2.03
30 4,02 2,84 2,66 2,47 2.24 2.01
35 3,91 2,74 2,56 2,37 2,13 1,90
40 3,83 2,66 2,48 2,29 2,05 1,80
45 4.25 3,77 2,61 2,43 2,23 1,99 1,75
50 5,06 4,20 3.72 3.41 2.56 2.38 2.18 1,94 1.68
60 4,98 4,13 3.65 3.34 2.50 2.32 2.12 1,87 1.60
70 4,92 4,07 3.60 3.29 3.07 2.78 2.45 2.28 2.07 1.82 1.53
80 4,88 4,04 3.56 3.26 3,04 2,74 2.42 2.24 2.03 1.78 1.49
90 4,85 4,01 3.53 3.23 3.01 2.72 2.39 2.21 2.00 1.75 1.45
100 4.82 3.98 3.51 3.21 2,99 2,69 2.37 2.19 1.98 1.73 1.43
125 4.78 3.94 3.47 3.17 2.95 2.66 2.33 2.15 1.94 1.69 1.37
ÿ 4,60 3.78 3.32 3,02 2,80 2,51 2.18 1.99 1.79 1.52 1.00
Machine Translated by Google

294 Apéndice

Tabla A.6. Valores del 5% superior de puntos de la distribución F0.05 = S21 / S2

2.

Número de grados de libertad

n1

n2 2 3 4 5 6 8 12 dieciséis 24 50 ÿ

2 19,00 19,16 19,25 19,30 19,33 19,37 19,41 19,43 19,45 19,47 19,50
3 9,55 9,28 9,12 8,84 8,74 8,69 8,53 9,01 8,94 8,64 8,58
4 6,94 6,59 6,39 6,04 5,91 5,84 5,63 6,26 6,16 5,77 5,70
5 5,79 5,41 5,19 4,82 4,68 4,60 4,36 5,05 4,95 4,53 4,44
6 5,14 4,76 4,53 4,15 4,00 3,92 3,67 4,39 4,28 3,84 3,75
7 4,74 4,35 4,12 3,73 3,57 3,49 3,23 3,97 3,87 3,41 3,32
8 4.46 4.07 3.84 3,69 3.58 3.44 3.28 3.20 3.12 3.03 2.93
9 4,26 3,86 3.63 3.48 3.37 3.23 3.07 2.98 2.90 2.80 2.71
10 4,10 3,71 3.48 3.33 3.22 3.07 2.91 2.82 2.74 2.64 2.54
11 3.98 3.59 3.36 3.20 3.09 2.95 2.79 2.70 2.61 2.50 2.40
12 3.88 3.49 3.26 3.11 3.00 2.85 2.69 2.60 2.50 2.40 2.30
13 3,80 3,41 3.18 3.02 2.92 2.77 2.60 2.51 2.42 2.32 2.21
14 3,74 3,34 3.11 2.96 2.85 2,70 2,53 2.44 2.35 2.24 2.13
15 3.68 3.29 3.06 2.90 2.79 2,64 2,48 2.39 2.29 2.18 2.07
dieciséis 3.63 3.24 3.01 2.85 2.74 2,59 2,42 2.33 2.24 2.13 2.01
17 3.59 3.20 3.55 2.96 2.81 2.70 2,55 2.38 2,29 2.19 2.08 1.96
18 3.16 3.52 3.13
3.49 2.93 2.77 2,66 2,51 2.34 2,25 2.15 2.04 1.92
19 3.10 3.47 3.07 2,90 2,74 2,63 2.48 2.31 2.31 2,21 2,11 2,00 1.88
20 3.44 3.05 3.42 2,87 2,71 2,60 2.45 2.28 2.42
2.25 2,18 2,08 1,96 1.64
21 3.03 3.40 3.01
3.38 2,84 2,68 2,57 2.40 2.23 2.38 2,15 2,05 1,93 1.81
22 2.99 3.37 2.98 2,82 2,66 2,55 2.20 2.36 2.18 2,13 2,03 1,91 1.78
23 3.35 2.96 3.34 2,80 2,64 2,53 2.34 2.16 2.32
2.15 2,11 2,00 1,88 1.76
24 2.95 3.33 2.93 2,78 2,62 2,51 2.30 2.13 2.29 2,09 1,98 1,86 1.73
25 3.32 2.92 3.26
2.87 2,76 2,60 2,49 2.12 2.28 2.10 2,07 1,96 1,84 1.71
26 2.84 2.81 2,74 2,59 2,47 2.27 2.09 2.22 2,05 1,95 1,82 1.69
27 2,73 2,57 2,46 2.04 2.18 2.00 2,03 1,93 1,80 1.67
28 2,71 2,56 2,44 2.15 1.97 1.95 2,02 1,91 1,78 1,65
29 2,70 2,54 2,43 1.92 2,00 1,90 1,77 1.64
30 2,69 2,53 2,42 1,99 1,89 1,76 1.62
35 2,64 2,48 2,37 1,94 1,83 1,70 1.57
40 3,23 45 2,61 2,45 2,34 1,90 1,79 1,66 1.51
3,21 2,58 2,42 2,31 1,87 1,76 1,63 1.48
50 3.18 2,79 2.56 2.40 2,29 2.13 1.85 1.74 1.60 1.44
60 3.15 2,76 2.52 2.37 2,25 2.10 1.81 1.70 1.56 1.39
70 3.13 2.74 2.50 2.35 2.23 2.07 1.89 1.79 1.67 1.53 1.35
80 3.11 2.72 2.49 2.33 2.21 2.06 1.88 1.77 1,65 1.51 1.32
90 3,10 2,71 2.47 2.32 2.20 2.04 1.86 1.76 1.64 1.49 1.30
100 3,09 2,70 2.46 2.30 2.19 2.03 1.85 1.75 1.63 1.48 1.28
125 3.07 2.68 2.44 2.29 2.17 2.01 1.83 1.72 1.60 1.45 1.25
ÿ 2,99 2,60 2.37 2.21 2.09 1.94 1.75 1.64 1.52 1.35 1.00
Machine Translated by Google

Glosario

Error absoluto (de un instrumento de medición): La diferencia entre un valor de un

mensurando obtenido por un instrumento de medición y el valor verdadero de este
mensurando. Nota: El error absoluto de una medida material es la diferencia entre el valor
nominal de esta medida y el valor real de una cantidad que fue reproducida por esta medida.

Error elemental absolutamente constante: error elemental que permanece en el

mismo valor en mediciones repetidas realizadas en las mismas condiciones utilizando un
instrumento de medición de un tipo dado elegido arbitrariamente. Se desconoce el valor de
un error absolutamente constante, pero se pueden estimar sus límites.
Clase de precisión: una clase de instrumentos de medición que cumple con ciertos
requisitos metrológicos destinados a mantener los errores dentro de los límites especificados
(Ref. 2, no. 5.19).
Precisión de la medida: Una expresión cualitativa de la cercanía de la
resultado de una medición al valor real del mensurando.
Precisión de un instrumento de medición: La capacidad de un instrumento de
medición para producir mediciones cuyos resultados se acercan al valor real de un mensurando.
Error adicional de los instrumentos de medida: La diferencia entre un error de un
instrumento de medida cuando el valor de una cantidad de influencia excede su valor de
referencia y el error del instrumento de medida bajo la condición de referencia.

Calibración: El conjunto de operaciones que establecen, bajo condiciones específicas,

la relación entre los valores indicados por un instrumento de medición o sistema de
medición o valores representados por una medida material y los correspondientes valores
conocidos de un mensurando (Ref. 2, no. 6.11). Los resultados de una calibración pueden
presentarse en forma de una curva de calibración, o una declaración de que los errores de
un instrumento exceden o no exceden ciertos límites.
Medida combinada: Medidas de varias magnitudes del mismo tipo basadas en
resultados de medidas directas de diferentes combinaciones de ellas (Ref. 4, nº 4.4). El
signo típico de la medición combinada es que el número de cantidades desconocidas es
menor que el número de mediciones realizadas. Ejemplo: la medición combinada se realiza
cuando las masas de pesos separados de un conjunto se encuentran utilizando el valor
conocido de un peso.
Machine Translated by Google

296 Glosario

Error elemental condicionalmente constante (de una medida): Un error elemental que
varía en medidas repetidas realizadas bajo las mismas condiciones o con diferentes
especímenes de instrumentos de medida del mismo tipo que tienen ciertos límites. Estos
límites se pueden calcular o estimar.
Banda muerta: Intervalo máximo a través del cual se puede cambiar un estímulo en
cualquier dirección sin producir un cambio en la respuesta de un instrumento de medición (Ref.
2, no. 5.13).
Deriva: Una variación lenta con el tiempo en la salida de un instrumento de medición que es
independiente de un estímulo.
Error elemental (de una medida): Un componente de error o incertidumbre de una medida
asociado con una sola fuente de inexactitud de la medida.
Error (de una medición): La desviación del resultado de una medición de
el verdadero valor del mensurando expresado en forma absoluta o relativa.
Error fiduciario: Una relación de error absoluto de un instrumento de medición y un valor
especificado para este instrumento. El valor especificado se denomina valor fiduciario. Puede
ser, por ejemplo, el span o el límite superior del rango nominal del instrumento de medida. El
error fiduciario se expresa como un porcentaje.
Inexactitud (de una medida): Una característica cualitativa del grado de desviación del
resultado de una medida del valor verdadero del mensurando. Cuantitativamente, la imprecisión
se puede caracterizar como un error de medición o como una incertidumbre de medición.

Instrumento indicador: Un instrumento de medición que muestra el valor de un mensurando.

Medición indirecta: una medición en la que el valor del mensurando se calcula usando
mediciones de otras cantidades relacionadas con el mensurando por alguna relación conocida.
Llamaremos a estas otras cantidades medidas argumentos o, brevemente, argumentos.

Coeficiente de influencia: Un factor que se multiplica por un valor de la variación de la

cantidad de influencia en relación con sus límites de condición de referencia da un valor adicional
error.
Función de influencia: Una característica metrológica del instrumento de medida que
expresa la relación entre los errores del instrumento de medida y una cantidad de influencia.

Parámetro informativo (de una señal de entrada): Un parámetro de un proceso de entrada

en un instrumento de medida que refleja el valor de un mensurando.
Error intrínseco: El error de un instrumento de medición, determinado bajo referencia
condiciones de ence (Ref. 2, no. 5.24).
Límites de error permisible (de un instrumento de medida): Valores extremos de un
error permitido por especificación, reglamentos, etc., para un instrumento de medida dado
(Ref. 2, no. 5.21).
Medida material: Un instrumento de medida que reproduce una cantidad física
con valor conocido.
Mensurando: Una cantidad física particular sujeta a medición.
Medida: El conjunto de operaciones experimentales que se realizan utilizando productos
técnicos especiales (instrumentos de medida) con el fin de determinar el valor de una cantidad
física (Ref. 4, núm. 4.1).
Machine Translated by Google

Glosario 297

Vector de medición: un conjunto de mediciones coincidentes de todos los argumentos que definen
una medida indirecta.
Instrumento de medida: Un objeto técnico desarrollado con el propósito de medir (Ref. 4, no.
5.1). El instrumento de medición tiene características metrológicas estandarizadas.

Patrón de medida: Instrumento de medida destinado a materializar y/o conservar una unidad de
una cantidad física para transmitir su valor a otros instrumentos de medida (Ref. 4, n.° 10.1).

Sistema de medición: conjunto completo de instrumentos de medición y equipos complementarios

ensamblados para obtener resultados de medición en la forma requerida y para ingresar datos a un
sistema de control.
Transductor de medición: Un instrumento de medición que convierte las señales de medición
en una forma adecuada para su transmisión o procesamiento. Las señales a la salida de un
transductor de medida no se pueden observar directamente.
Característica metrológica de un instrumento de medición: Una característica de un
instrumento de medición que es necesaria para juzgar la idoneidad del instrumento para realizar
mediciones en un rango conocido o que es necesaria para estimar la inexactitud de los resultados de
medición.
Metrología: Ciencia de la medida (Ref. 2, nº 2.2). La metrología es una ciencia aplicada. Incluye
el conocimiento de medidas de cualquier tipo de cantidades físicas y con cualquier nivel de precisión.

Condiciones normales de operación: Condiciones de uso de instrumentos de medición que dan

los rangos de las cantidades de influencia dentro de las cuales un instrumento de medición está
diseñado para operar y para las cuales las características metrológicas de este instrumento se
encuentran dentro de los límites especificados.
Patrón primario: Un patrón de medición que tiene la mayor precisión en un país.

Error aleatorio (de una medida): Componente de la imprecisión de una medida que, en el curso
de varias medidas del mismo mensurando bajo las mismas condiciones, varía de manera impredecible.

Condiciones de referencia: Un conjunto completo de valores de cantidades de influencia

estandarizados para tipos específicos de instrumentos de medición para garantizar la máxima
precisión de las mediciones realizadas y para calibrar estos instrumentos.
Patrón de referencia: Un patrón, generalmente de la más alta calidad metrológica disponible en
un lugar dado o en una organización dada, del cual se derivan las mediciones allí realizadas (Ref. 2,
no. 6.6).
Error relativo: Error absoluto dividido por un valor verdadero del mensurando (Ref. 2, no. 3.12).
En la práctica, el resultado de la medición sustituye al valor real.

Repetibilidad de una medida: La proximidad de acuerdo entre varias medidas consecutivas para
el mismo mensurando realizadas, bajo las mismas condiciones de operación con los mismos
instrumentos de medida, durante un corto período de tiempo.

Reproducibilidad de una medición: La proximidad de la concordancia entre mediciones

repetidas para el mismo mensurando realizadas en diferentes lugares, bajo diferentes condiciones
de operación o durante un largo período de tiempo.
Machine Translated by Google

298 Glosario

Resolución: El intervalo más pequeño entre dos valores adyacentes de la salida

señal de un instrumento de medición que se puede distinguir.
Tiempo de respuesta: El intervalo de tiempo entre el instante en que un instrumento de
medición recibe un estímulo y el instante en que la respuesta alcanza y permanece dentro de
los límites especificados de su valor estable final.
Resultado de la medición: El valor de un mensurando obtenido por medición (Ref. 4, no.
8.18). El resultado de la medición se expresa como el producto de un número y una unidad
propia. Por ejemplo, 1,25 m es el valor de la longitud de un cuerpo; aquí 1,25 es el número y m
(metro) es la unidad.
Patrón secundario: Patrón de medida que obtiene el valor de una unidad
del patrón primario.
Sensibilidad: El cambio en la respuesta de un instrumento de medición dividido por
el cambio correspondiente en el estímulo (Ref. 2, no. 5.10).
Span: El valor absoluto de la diferencia entre los dos límites de un rango nominal de un
instrumento de medición (Ref. 2, no. 5.02). El intervalo se expresa en una unidad de la cantidad
medida.
Ejemplo: un rango es de ÿ15 a +15 V; el intervalo es de 30 V.
Error sistemático (de medición): componente de la imprecisión de la medición que, en el
curso de varias mediciones del mismo mensurando, permanece constante o varía de manera
predecible.
Valor verdadero: El valor de un mensurando que, siendo conocido, idealmente reflejaría
tanto cualitativa como cuantitativamente la propiedad correspondiente de un objeto (Ref. 4, no.
2.5).
Incertidumbre de medida: Un intervalo dentro del cual se encuentra un valor verdadero
de una medida con una probabilidad dada. La incertidumbre se define con sus límites y la
probabilidad de confianza correspondiente. Los límites se leen a partir de un resultado de
medición. La incertidumbre se puede expresar en forma absoluta o relativa.
Verificación: Un tipo de calibración que revela si los errores de un instrumento de medición
se encuentran dentro de sus límites especificados.
Estándar de trabajo: Un estándar de medición que se utiliza para calibrar instrumentos de
medición.
Machine Translated by Google

Referencias

Estándares y Recomendaciones

1. Guía para la Expresión de la Incertidumbre en la Medición, ISO (1995).

2. Vocabulario internacional de términos básicos y generales en metrología, 2ª ed., ISO (1993).
3. Incertidumbre de medición, Estándar nacional estadounidense ANSI/ASME PTC 19.1 (1985).
4. Metrología, términos y definiciones, Norma estatal de la Unión Soviética, GOST 16263-70,
Moscú (1970).
5. Mediciones directas con observaciones múltiples, Métodos de procesamiento de los resultados de las
observaciones: principios básicos, Estándar estatal de la Unión Soviética, GOST 8.207–76, Moscú
(1976).
6. Servicio Nacional de Acreditación de Mediciones, B 3003, Laboratorio Nacional de Física Inglés,
Teddington (1986).
7. Terminología de instrumentación de procesos, estándar nacional estadounidense ANSI/ISA S51.1
(1979).
8. Publicación 51, PT 1-84 (1984), Instrumentos de medición eléctricos analógicos indicadores de acción
directa y sus accesorios, 4ª ed., Bureau Central de la Comission Electrotechnique Internationale,
Ginebra (1984).
9. Recomendación internacional 34, Clases de precisión de los instrumentos de medición, Organización
Internacional de Metrología Legal, París (1974).
10. Práctica estándar para el uso del Sistema Internacional de unidades (SI), American Society
para Pruebas y Materiales E 380–91 (1991).
11. Práctica estándar para tratar con observaciones atípicas, Sociedad Estadounidense de Pruebas
and Materials, E 178–80 (reaprobado en 1989).
12. Práctica estándar para la evaluación de balanzas mecánicas de plato único, American
Sociedad de Pruebas y Materiales, E 319–85 (1985).
13. Datos técnicos Fluke, Información de aplicación B0005, Precisión total del instrumento para
Termómetros digitales y registradores de datos (anteriormente AB-29).

Libros y artículos

14. RB Abernethy et al., Manual de Incertidumbre de Medición (Sociedad de Instrumentos de

América 1980).
15. V. Ya. Alekseev, FM Karavaev et al., “Estimación de la cantidad medida a partir de resultados de
mediciones con diferentes errores sistemáticos”, Metrologia (Suplemento de la revista Izmeritel'naya
Technika1), No. 1, 18–24 (1978).
Machine Translated by Google

300 Referencias

16. DF Andrews, PJ Bickel, FR Hampel, PJ Huber, WH Rogers y JW Tukey, Estimaciones robustas

de ubicación (Princeton University Press, Princeton, NJ, 1972).
17. H. B¨ackstrom, "Sobre la ecuación decimal al leer escalas", Journal fur
Instrumentología (1930-1932).
18. IE Burns, PJ Campion, y A. Williams, “Error e incertidumbre”, Metrología 9,
101-104 (1973).
19. ER Cohen, "Incertidumbre y error en las mediciones físicas", Escuela de verano de Enrico
Fermi, Sociedad Italiana de Física. Actas de la Escuela Internacional de Física, “Enrico Fermi”.
Curso CX, editado por L. Crovini y TJ Quinn. Villa Marigola, 27 de junio–7 de julio de 1989.
Metrology at the Frontiers of Physics and Technology (North-Holland, Amsterdam, 1992).

20. H. Cramer, Métodos matemáticos de estadística (Princeton University Press, Princeton,

Nueva Jersey, 1946).

21. C. Croarkin, Programas de Garantía de Medición, Parte II: Desarrollo e Implementación,

Publicación Especial NBS 676–11 (US GPO, Washington, DC, 1985).
22. RH Dieck, Incertidumbre de medida. Métodos y Aplicaciones, ISA (1992).
23. EF Dolinskii, Análisis de los resultados de las mediciones [en ruso], 2ª ed. (Izd.
standartov, Moscú, 1973).
24. BD Ellis, Conceptos básicos de medición (Cambridge University Press, Cambridge,
1966).
25. C. Eisenhart, “Evaluación realista de la precisión y exactitud del instrumento calibra
ción”, J. Res. nacional Rebaba. Puesto C 67, 161–187 (1963).
26. I. Gertsbakh, Teoría de la medición para ingenieros (Springer-Verlag, Berlín, 2003).
27. SV Gorbatsevich, "Análisis de errores en la medición de la fem de elementos normales estándar
de referencia en balanzas eléctricas", en Investigaciones en el campo de las mediciones
eléctricas, Actas del Instituto de Investigación Científica de Metrología de toda la Unión, No. 38
(98) [en ruso] (Standartgiz, Leningrad, 1959), págs. 5–20.
28. VA Granovskii, Mediciones dinámicas, principios de soporte metrológico [en
ruso] (Energoatomizdat, Leningrado, 1984).
29. VA Granovskii y TN Siraya, Métodos de procesamiento de las mediciones de datos
experimentales [en ruso] (Energoatomizdat, división de Leningrado, Leningrado, 1990).
30. IA Grachev y SG Rabinovich, “Método aproximado para construir el distrito
función de función del compuesto de varias distribuciones”, Izmeritel'naya Technika, No. 1, 8– 1
11 (1968).
31. RV Hogg, “Algunas observaciones sobre la estimación robusta”, Journal of the American Statis
tical Association, diciembre de 1967, vol. 62 Número 320, pág. 1179–1186.
32. AM Kagan y Yu.V. Linnik, “Sobre algunos problemas de estadística matemática en metrología”,
en Cincuenta años de reforma métrica en la URSS, Actas del Instituto Metrológico de la URSS
[en ruso], DI Mendeleev All-Union Scientific-Research Institutes of Metrology, No. 123 (183)
(Leningrado, 1970), págs. 39–47.
33. FM Karavaev, Mediciones de la actividad de los nucleidos [en ruso] (Izd. standartov,
Moscú, 1972).
34. Zn.F. Kudryshova y SG Rabinovich, "Métodos de procesamiento de datos experimentales en
mediciones indirectas", en Métodos de procesamiento de datos experimentales en mediciones,

1 La revista Izmeritel'naya Technika se publicó durante muchos años en los Estados Unidos en
inglés con el título de Técnicas de medición.
Machine Translated by Google

Referencias 301

Actas de los Institutos Metrológicos de la URSS, DI Mendeleev All-Union Scientific Institute of

Metrology, No. 172 (232), (Energia, Leningrad, 1975).
35. MF Malikov, Foundations of Metrology [en ruso] (Comité de Medidas y Aparatos de Medición en el
Consejo de Ministros de la URSS, Moscú, 1949).
36. J. Mandel, The Statistical Analysis of Experimental Data (Oficina Nacional de Normas, Interscience
Publishers, Nueva York, 1964).
37. J. Mandel, Evaluación y Control de Mediciones (Marcel Dekker, Nueva York, 1991).
38. BS Massey, Medidas en ciencia e ingeniería, su expresión, relación e interpretación (Wiley, Nueva York,
1986).
39. AI Mechanikov, “Métodos para el procesamiento inmediato de los resultados de las observaciones con
la ayuda de ordenar estadísticas”, Metrologia (Suplemento de Izmeritel'naya Technika1, No. 4, 47–58
(1972).
40. PJ Mohr y BN Taylor, “Valores recomendados por CODATA de la física fundamental
constantes”, J. Phys. química Árbitro. Datos 28, 1713–1852 (1999).
41. SG Rabinovich, “Método para calcular los errores de medición”, Metrología (Sup.
Plement a Izmeritel'naya Technika1), No. 1, 3–12 (1970).
42. SG Rabinovich, Galvanometric Self-Balancing Instruments [en ruso] (Izd. stan dartov, Moscú, 1972).

43. SG Rabinovich y TL Yakovleva, “Análisis de la estabilidad temporal de las distribuciones de los errores
de los instrumentos de medición”, Metrologia (Suplemento a Izmeritel'naya Technika1), No. 7, 8–15
(1977).
44. SG Rabinovich, Errores de medición [en ruso] (Energia, Leningrad, 1978).
45. SG Rabinovich, "Métodos de cálculo de errores de medición por sus componentes".
La 6ª Conferencia Internacional de la Sociedad Israelí para el Aseguramiento de la Calidad. Tel-Aviv,
noviembre de 1986, Paper and abstracts, 4.3.4, pp. 1–4.
46. SG Rabinovich, “Un cálculo eficiente para mediciones indirectas y un nuevo enfoque de la teoría de
las mediciones indirectas”, Actas de la Conferencia de Ciencias de la Medición, Anaheim, California,
25 y 26 de enero de 1996.
47. L. Sachs, Applied Statistics: A Handbook of Techniques (Springer-Verlag, Nueva York,
1984).
48. KP Shirokov, Basic Concepts of Metrology, Proceedings of the Metrological Institutes of the USSR [en
ruso], DI Mendeleev All-Union Scientific-Research Institute of Metrology No. 130 (190) (Izd. standartov,
M.-L. , 1972).
49. KP Shirokov, VO Arutyunov et al., “Conceptos básicos de la teoría de las medidas dinámicas”, Actas
del 8º Congreso IMEKO (Akademiai Kiado, Budapest, 1980).

50. VM Sviridenko, “Aspecto lógico-gnoseológico del problema de la precisión de

mediciones”, Izmeritel’naya Technika1, No. 5, 6–8 (1971).
51. BN Taylor y CE Kuyatt. “Pautas para evaluar y expresar la incertidumbre de los resultados de medición
del NIST”, Nota técnica del NIST 1297, edición de 1994.
52. BL van der Waerden, Mathematical Statistics (Springer-Verlag, Nueva York, 1969).
53. TL Yakovleva, "Sobre la homogeneidad estadística de las muestras de errores de instrumentos de
medición", Metrologiya (Suplemento de Izmeritel'naya Technika1), No. 2, 19–23 (1979).
Machine Translated by Google

Índice

A verificación elemental, 263

prueba, 275 verificación, 263
estimación a posteriori, 135
estimación a priori, 133 error
teorema del límite central, 68, 72, 138
absoluto, 2 errores absolutamente
centralización de la reproducción de la unidad, 276
constantes, 64, 128, 130,
Desigualdades de Chebyshev, 97,
176
99 esquemas de verificación, 277
precisión, 2
promedio combinado, 220 desviación
índice de clase de precisión,
estándar combinada, 143, 178, 287 incertidumbre
46 clases de precisión de instrumentos de medición,
combinada, 178 combinación de resultados de
132, 193, 231 estimación precisa a posteriori,
mediciones, 219 ecuaciones condicionales, 202,
136 estimación precisa de errores, 193 error
203, 214 errores condicionalmente constantes, 65,
adicional, 43 componente aditivo, 244 errores
176 intervalo de confianza , 71, 73, 97 probabilidad
aditivos, 246, 253 errores de instrumento aditivos,
de confianza, 97, 286 error sistemático de confianza,
245 parámetros de corriente alterna, 13 argumentos,
250 ecuación de restricción, 209 restricciones, 208
159 media aritmética, 93, 141, 221
esquema contaminado, 109 notaciones
convencionales, 27 coeficiente de correlación, 161,
180 covarianza, 160

parcialidad, 94,
167 parcialidad, 95 D
constante de Boltzmann, 82
banda muerta, 35, 252
Pesaje de Borda, 121
grado de libertad, 166
magnitudes físicas derivadas, 275
C
designaciones (errores de medida e
calibración, 263 incertidumbres), 28 instrumentos
curva de calibración, 216 digitales, 117 termómetros digitales, 258
esquemas de calibración, problema directo, 238 distribución, 66, 67
276 verificación, 276
verificación completa, 263
Machine Translated by Google

Índice 304

función de distribución, 57 errores

momentos centrales, 69 garrafales, 21 condicionalmente
composición de, 70 constante, 63 error de
exceso, 69 momentos confianza, 62 límite de confianza de error
iniciales, 69 expectativa aleatorio, 142 límites de confianza de error,
matemática de cantidad aleatoria, 69 62 errores sistemáticos constantes, 120
distribución normal, 65, 68 función dinámico, 22, 125 errores elementales, 62
gaussiana normalizada, 68 densidad de bruto, 21 error instrumental, 20 errores
probabilidad, 67 distribución de sistemáticos instrumentales, 119 límite de
probabilidad, 67 asimetría, 69 estabilidad error de medición permisible,
de , 59 desviación estándar de cantidad
aleatoria,
12
error metodológico, 20, 119, 175
69 mediciones múltiples con errores cuasi
uniforme, 65 aleatorios, 149 errores atípicos, 21
varianza de cantidad aleatoria, 69 errores periódicos, 120 error personal,
características dinámicas, 52 respuesta 20 errores sistemáticos personales, 119
de amplitud y frecuencia de fase, 53 errores progresivos, 120 cuasi aleatorio,
respuesta de amplitud-frecuencia, 64, 66, 149 aleatorio, 21, 63 que varía
54 características dinámicas completas, regularmente errores sistemáticos,
53 ecuación diferencial, 53 error dinámico,
56 respuesta de frecuencia, 54 respuesta
de frecuencia de fase, 54 característica de
impulso, 53, 55 característica dinámica 120
parcial, 53 tiempo de respuesta, 53 función error relativo, 2
de transferencia, 53 respuesta transitoria, estáticos, 22
54 banda de transmisión, 53 sistemáticos, 21, 63, 118
errores de instrumentos de medida
errores adicionales, 43, 44, 133, 237
errores adicionales en régimen dinámico,
126
aditivo, 252
errores de instrumentos digitales,
Y
42 error dinámico, 56 error de
grado de libertad efectivo, 150 medidas, 39 errores fiduciarios,
número efectivo de grados de libertad, 166, 38, 40, 41, 251 error intrínseco,
185 errores elementales, 177 errores 37 error absoluto permisible, 40
sistemáticos de eliminación, 121 error adicional permisible, 38 error
permisible, 38, 42 relativo permisible
método de observaciones simétricas, error, 41 variación de indicaciones,
123 43 estimaciones, 91, 94 consistente,
errores sistemáticos progresivos, 123 91 eficiente, 91 imparcial, 91
fórmula de propagación de errores, exceso, 69 expansión, 162
165 errores de medición, 2
estimación a posteriori de errores, 18
estimación a priori de errores, 18 error
absoluto, 2 absolutamente constante,
63, 178
Machine Translated by Google

Índice 305

F Organización Internacional de Asuntos Jurídicos

Metrología (OIML), 37
falso rechazo, 269, 270
Vocabulario Internacional de Basic y
falsa retención, 269, 270
Términos Generales de Metrología (VIM),
error fiduciario, 251 valor
285
fiduciario, 38, 40
Sistema Internacional de Unidades,
Distribución de Fisher, 106
3 error intrínseco, 237 problema
fluctuaciones, 82
inverso, 238

GRAMO

k
Método de pesaje de Gauss, 122
Notación de Gauss, 204 Prueba de Kolmogorov-Smirnov, 101

Conferencia General de Pesos y

Medidas (CIPM), 3 L

Guía para la Expresión de la Incertidumbre en

método de mínimos cuadrados, 214
Medida, 286
Principio de Legendre, 203
límite de error permisible del instrumento, 242
H
error límite del balance eléctrico, 251 error
histograma, 74 aleatorio límite, 250 límites de error, 285 límites
homogeneidad, 103 de error intrínseco del instrumento, 258 curvas
de calibración lineales, 214 ecuaciones
yo condicionales lineales, 206

problema planteado incorrectamente, 57,

127 inexactitud de las medidas, 2 medida METRO

indirecta, 159 dependiente, 160, 179

independiente, 160 lineal, 159 vector Prueba de M. Bartlett,
de medida, 162 no lineal, 159 medida 104 Prueba de Mann-
indirecta independiente no lineal, 182 Whitney, 106 instrumento producido en
masa, 251, 258 expectativa matemática
de calidad aleatoria, 70 fluctuaciones
cuadráticas medias, 83 cantidad medible,
1 mensurando, 1 argumentos de medición,
mediciones indirectas no lineales, 167 159 medición de corriente de ionización,
medición indirecta individual independiente, 190 medición de voltaje, 193 rango de
192 coeficientes de influencia, 33, 163, medición, 41 mediciones, 1 sesgo, 141
175 función de influencia, 33 cantidades de combinado, 15, 201 medición indirecta
influencia, 33 señal de entrada, 44, 237 dependiente, 216 directa, 15 mediciones
parámetro informativo, 44 parámetros no dinámicas, 17 error, 62 inexactitud de, 24
informativos, 44 error instrumental, 20 indirecta, 15 mediciones individuales, 18
límites de error, 62

Oficina Internacional de Pesos y

Medidas (BIPM), 3
Comisión Electrotécnica Internacional
(CEI), 37
Organización Internacional para
Normalización (ISO), 37
Machine Translated by Google

Índice 306

medidas (continuación) regulación, 31

mediciones de masa, 18 transductores de medición de escala, 30
ecuación de medición, 159 sensibilidad, 35 útil, 274 estabilidad de
medición de actividad de nucleidos, 233 instrumentos de medición, 45 uniformidad
mediciones de corrientes débiles, 189 mediciones de instrumentos de medición, 9 inservible,
múltiples, 17, 115, 116 límites naturales de, 81 274 valor de división de escala, 35 instrumento
observaciones, 17 parámetros de corriente de medición de trabajo, 8 método de mínimos
alterna, 13 parámetros de procesos aleatorios, 14 cuadrados, 201, 202, 206 método de máxima
preliminar mediciones, 19 repetibilidad de verosimilitud, 92 método de minimización de la
mediciones, 21 reproducibilidad de mediciones, suma de desviaciones absolutas, 201 método de
21 simultáneas, 15, 201 mediciones individuales, momentos, 113 método de sustituciones, 207
17, 115, 193 estáticas, 17 mediciones errores metodológicos, 20 métodos, 123, 181
suplementarias, 19 mediciones técnicas, 18
incertidumbre, 62 unidad de mediciones, 9
mediciones con estimación aproximada de
errores, 18

método de Borda, 121

Método de pesaje de Gauss, 122 método
de contraposición, 122 método de
reemplazo, 121 método de signo de
compensación de errores, 122 métodos de
mediciones con estimación exacta de procesamiento de datos de medición
errores, 18 método de reducción, 168, 179, 181, 191,
instrumentos de medida, 1, 29, 36 217, 286
clases de precisión de instrumentos método de transformación, 170, 186 método
de medida, 46 tradicional, 160, 179, 182
analógico, 30, 117 Convención Métrica (Tratado del Metro),
convertidores de analógico a digital, 3
30 índice de clase, 46 comparadores, características metrológicas, 32
29 banda muerta, 34 digital, 30 umbral metrología, 1, 3 metrología aplicada,
de discriminación, 36 deriva, 36, 45 4, 8 metrología general (teórica),
híbrido, 31 instrumentos indicadores, 4, 10 metrología legislativa, 8 metrología
29, 30 inestabilidad, 36, 45 medidas particular, 4, 10 modelo de objeto parámetro
materiales, 29 canal de medición, 131 de un modelo, 11, 12 modelos, 11 modelos
configuración de medición, 29, 31 matemáticos , 64 momentos de cantidades
sistemas de medición, 29, 31, 131 aleatorias, 69 galvanómetro de bobina móvil,
transductores de medición, 29, 30 82 componente multiplicativo, 244 errores
características metrológicas, 32 multiplicativos, 244, 253
dispositivos multivaluados, 248
características metrológicas nominales,

norte

33 ecuaciones condicionales no lineales, 206

dispositivos de lectura, métodos no paramétricos, 112 ecuaciones
30 grabación, 31 normales, 204, 214
Machine Translated by Google

Índice 307

condiciones normales de funcionamiento, estándares de referencia primarios, 7

37 función gaussiana normalizada, 98 estándares de referencia secundarios, 8
fórmula de Nyquist, 84 estándares de referencia de trabajo, 8
error relativo, 2 frecuencia relativa, 75
O reproducción de la unidad, 276 residuales,
203 estimaciones robustas, 109
objeto, 175
operador de instrumento de registro, 126 series
ordenadas, 112 señal de salida, 237
medios truncados, 109
rebasamiento por graduación, 90 rebasamientos,
medios ponderados, 109
89
Medias de Winsor, 109
redondeo, 26, 27 reglas, 26

PAGS

parámetros del proceso aleatorio, 14 S

Prueba de Pearson (prueba ÿ2 ),
inexactitudes de escala, 253
101 errores personales, 20
segundo momento mixto, 160
nanovoltímetro autoequilibrado
amplificadores autoequilibrados, 84
fotogalvanométrico, 86 constantes
ruido de disparo, 87
físicas, 10 ajuste, 10 cantidades físicas, 1
Prueba de Siegel-Tukey,
activo, 15 densidad de cuerpo sólido,
107 nivel de significación, 96,
182 resistencia eléctrica, 179 sistema
102 asimetría, 69 amplitud, 41
internacional de unidades (SI) , 3 pasivo,
fórmula de suma de raíces
15 unidades de, 7 potenciómetro, 193
cuadradas, 166 celda estándar, 193
presentación de resultados de medición,
desviación estándar, 94, 287
24 estándar de referencia primario, 276
desviación estándar de cantidad
probabilidad de rechazo falso, 272
aleatoria, 69 estandarización de instrumentos de
probabilidad de retención falsa, 272
medición, 36, 37 intervalo de tolerancia estadística,
probabilidad de obtener un buen instrumento,
52, 100 galgas extensométricas, 52
243 probabilidad de rechazo, 272

Distribución de Student, 98
error sistemático de balance eléctrico, 250

Serie de Taylor, 162, 163

q ruido térmico, 81 discrepancia
de umbral, 175 rango de
cuantiles, 71
tolerancia, 100 error total del
errores cuasi aleatorios, 66
instrumento, 241 incertidumbre
total, 178 método tradicional de
R
medición de datos
Prueba de R. Fisher, 104 procesamiento, 160
errores aleatorios, 65 transductor, 214
cantidades aleatorias, 66 función de transferencia,
condiciones de referencia, 37 237 transformación, 286
estándares de referencia, 7, 275 valor verdadero, 2, 286
dispositivos de medición inicial, 8 medios truncados, 109, 110
Machine Translated by Google

308 Índice

incertidumbre tipo A, 287 varianza de la media ponderada, 221

incertidumbre tipo B, 287 verificación, 269 divisor de tensión, 119,
193

EN
En
estimación imparcial, 93, 94
media ponderada, 110, 220, 235 pesos,
incertidumbre, 2, 285, 286
188
unidades de cantidades básicas, 275
fórmula de Welch-Satterthwaite, 166

EN
Prueba de Wilcoxon, 106
cantidad variable, 12, 15, 170 varianza Medios de Winsor, 109, 110
de cantidad aleatoria, 69 estándares de trabajo, 276