Академический Документы
Профессиональный Документы
Культура Документы
Objetivo:
Aplicar técnicas estadísticas para cumplir los requisitos 5.4.5 Validación
1
de métodos y 5.9 “Aseguramiento de la calidad de los resultados de
ensayo de la norma NMX-EC-17025-IMNC-2006/ ISO/IEC 17025: 2005
INTRODUCCION
2
VALIDACIÓN
¿qué es validación de un método de medición?
Es la,
3
VALIDACIÓN
¿qué es un método de validación?
Método
Instrumentos
Operadores
Proceso de
Mensurando Valor medido
medición
Y y=f (Xi)
i = 1, 2, ..., n
Condiciones ambientales
Y f ( X1 , X 2 , , X n ) 5
VALIDACIÓN
¿qué es un método de validación?
continua...
9
VALIDACIÓN
Validación en el diseño
De control de la calidad
10
VALIDACIÓN
Validación en el diseño
Diseño.
exactitud REQUISITO
conceptual DISEÑO
evaluación VALIDO
umur LIBERO
12
VALIDACIÓN
¿qué es un método de validación?
exactitud REQUISITO
DISEÑO
conceptual
NORMALIZO
evaluación EXPERIMENTO
VERIFICO REDISEÑO
no
si 13
LIBERO
VALIDACIÓN
Validación en el diseño
CIDESI
METRILAB
CERTIFIK
CIDESI
METRILAB
CERTIFIK
Cliente
15
VALIDACIÓN
Validación en el diseño
Se establece que un método es válido cuando está normalizado.
“Esto significa que siempre se mide igual y además que las variables
de influncia están controladas.”
Consecuencia:
“Cuando un método está normalizado, los posibles
resultados del proceso de medición de un mismo
mensurando se comportan muy semejante a una
distribución de frecuencias simétrica centrada.”
16
Continua.....
17
VALIDACIÓN
Validación en el diseño
Finalmente.....
• Se demuestra que la incertidumbre Um de la medición
debida a los errores aleatorios que suceden durante la
medición mas los heredados por trazabilidad u otras
fuentes de error es menor o igual a la máxima
incertidumbre Ur permitida por el cliente al nivel de
confianza establecido.
Um ≤ U r
18
”Porque la validación de métodos
Ambiente
Seguridad
Salud
Calidad
Desempeño
19
4/36
Control de Calidad.
20
Aseguramiento de calidad
Capacitación de personal (Programas).
Validación ó confirmación del método.
Demostración de la competencia del personal.
4.6.1 Error observado en calibración
Auditor 4.6.2
4.6.3 Valor patrón
5.6/MP-CA006 y MP-CA005
Repetibilidad
Tiempo
Observador
Instrumento
Reprodu-
Método de medición cibilidad
etc.
24
" Errores en la Medición"
error aleatorio
error sistemático
En cilindros:
Coeficiente de repetibilidad 2.9 %
Coeficiente de reproducibilidad 5.0 %
Cubos de 150 mm
Coeficiente de repetibilidad 3.2 %
Coeficiente de reproducibilidad 4.7 % 26
Limites de repetibilidad y reproducibilidad
(NMX-CH-5725-6-IMNC-2006)
En condiciones de repetibilidad
En condiciones de reproducibilidad
11 12 13 14 15 16 17 18 19 20
28
21 22 23 24 25 26 27 28 29 30
Áreas de criterios de aceptación
(Criterios predefinidos 5.9.2 norma )
¿Técnicas estadísticas
cuales y donde dice?
ÁREA DE ÁREA DE
NO NO
RECHAZO RECHAZO
ÁREA DE ÁREA DE
RECHAZO RECHAZO
-3 s -2 s -1 s 1 s 2 s 3 s 29
5.9.2, 5.9 c) y d) MP-FE005
Analizar los datos y si no satisfacen los criterios predefinidos, se deben
tomar las acciones planificadas para corregir el problema y evitar
consignar resultados incorrectos. 4.11
1er 2º
Paso Paso
¿Por que estudiar probabilidad y estadistica?
31
Histograma
32
También nos permitirá analizar el comportamiento (variación)
normal de un proceso y compararlo con la norma establecida o
variación permitida, y poder emitir un juicio acerca de si se está
cumpliendo o no con dicha normal o si se puede cumplir con ella.
33
Expresando los datos en un histograma de frecuencias se puede
conocer y analizar:
El comportamiento global de los datos (forma de distribución).
Cuál es su comportamiento promedio (posición central)
LIC HISTOGRAMA LSC
Mean 530.9
10 StDev 4.979
N 57
8
Frequency
0 34
520 524 528 532 536 540
C1
Histograma
La magnitud de la variación de los datos
Distribution of Sample Mean - Sample Size =5
Distribution of Sample Mean - Sample Size = 8
30%
30%
25%
25%
20% 20%
Percent
Percent
15%
15%
10%
10%
5%
5%
0%
2.05 2.06 2.07 2.08 2.09 2.10 2.11 2.12 2.13 2.14 2.15 2.16 2.17 2.18 2.19 2.20 2.21 2.22 2.23 2.24 2.25 2.26 2.27 2.28 2.29 2.30
0%
2.05 2.06 2.07 2.08 2.09 2.10 2.11 2.12 2.13 2.14 2.15 2.16 2.17 2.18 2.19 2.20 2.21 2.22 2.23 2.24 2.25 2.26 2.27 2.28 2.29 2.30 Plug Diameter (cm)
Plug Diameter (cm)
Distribution of Sample Means - Sample Size = 15 Distribution of Sample Means - Sample Size = 25
30% 30%
25%
25%
20%
20% Percent
Percent
15%
15%
10%
10%
5%
5%
0%
2.05 2.06 2.07 2.08 2.09 2.10 2.11 2.12 2.13 2.14 2.15 2.16 2.17 2.18 2.19 2.20 2.21 2.22 2.23 2.24 2.25 2.26 2.27 2.28 2.29 2.30
35
0%
2.05 2.06 2.07 2.08 2.09 2.10 2.11 2.12 2.13 2.14 2.15 2.16 2.17 2.18 2.19 2.20 2.21 2.22 2.23 2.24 2.25 2.26 2.27 2.28 2.29 2.30 Plug Diameter (cm)
Plug Diameter (cm)
Por medio del histograma también se puede facilitar el cálculo del
valor promedio
la desviación estándar,
% de defectos pronosticados. 36
¿Cómo se construye ?
Interpretación
37
Recolección de datos
Se recomienda dependiendo el tamaño de lote:
n=100; n=50; n=20
Control del proceso
Por muestreo; NMX-Z-12 (MilStd 105 D) o ISO/IEC 6558
Ejemplo;
Construir
un histograma
con la estatura de
98 empleados .
38
Recolección de datos
En el cuadro anterior se tiene ya los datos, ahora el paso siguiente
es agrupar y organizar los datos de manera que pueda obtenerse
conclusiones, a través de la secuencia que a continuación de
menciona:
Obtener el rango;
Es la diferencia entre el dato de mayor valor y el dato de
menor valor
Numero de intervalos = 𝑛
41
Intervalos recomendados
𝑹
H=
𝑲
𝟏𝟗
Del ejemplo: H = = 1.9 ≈ 2 42
𝟏𝟎
Obtener el limite interior del 1er. Intervalo:
𝑉𝑎𝑙𝑜𝑟 𝑚𝑖𝑛𝑖𝑚𝑜 𝑑𝑒 𝑙𝑎 𝑢𝑛𝑖𝑑𝑎𝑑 𝑚𝑖𝑛𝑖𝑚𝑎 𝑑𝑒 𝑚𝑒𝑑𝑖𝑐𝑖ó𝑛
LI=
2
1
LI= 156 – = 155.5
2
43
Para evitar esta confusión se divide la unidad mínima de medición
entre dos y se le resta al valor mínimo.
Una vez definido el valor del limite interior del primer intervalo agregar
consecutivamente el valor del intervalo (H) así:
𝑠𝑢𝑚𝑎 𝑑𝑒 𝑙𝑖𝑚𝑖𝑡𝑒𝑠
Marca de clase =
2
Del ejemplo:
155+157.5 313
Marca de clase 1er. Intervalo: = = 156.5
2 2
Y así sucesivamente. 45
La elaboración nos permite agrupar todos los datos de la muestra en
una tabla mas sencilla y mas útil para el estudio del comportamiento
del proceso.
47
Construcción
Una vez que han sido agrupados y agrupados los datos, ahora es necesario
representarlos en una forma ilustrativa y fácil de interpretar.
Para la construcción de histograma de frecuencia se usan los pasos siguientes:
Se trazan los ejes a una escala conveniente. En el eje vertical se indica las
frecuencias y en el eje horizontal los intervalos.
48
49
Interpretación del histograma
Es una curva que se obtiene al unir con una línea continua los puntos medios
o extremos superiores de cada barra consecutiva del histograma de
frecuencia.
50
51
Curva de distribución normal.
A la curva que resulta de trazar el polígono de frecuencia se le conoce curva
de distribución y si su forma se asemeja a una campaña se le llama curva de
distribución normal.
52
Procedimiento para evaluar la variación
53
Para nuestro ejemplo
𝑋ത
54
Desviación estándar.
55
El cálculo de la desviación estándar se lleva a cabo usando los datos de la
tabla de frecuencias y la media, siguiendo los pasos descritos a
continuación.
Tabla A para determinar la desviación estándar
56
Obtener la media
Elaborar la tabla A con los datos registrados
ഥ )2
Sumar los resultados de la columna 6 y obtener σ 𝑓(Xi – 𝑿
Dividir la suma del tamaño de la muestra y obtener la varianza o σ2
𝟐 ഥ 𝟐
σ 𝒇 𝑿𝒊 −𝑿
𝝈 =
𝒏
Obtenerla raíz cuadrada de la varianza y obtenemos la desviación
estándar
ഥ
σ 𝒇 𝑿𝒊 − 𝑿 𝟐
𝝈=
𝒏
Donde:
Σ = suma
f= frecuencia
Xi= marca de clase 57
ത media
𝑋=
n=Tamaño de la muestra
IMPORTANTE: Cuando el tamaño de la muestra sea menos de 30, n
< 30 debemos de introducir un factor de corrección para lograr que la
curva se comporte en una forma mas aproximada a la normal ya que
por lo reducido de la muestra tiende a comportarse en forma diferente.
1
Dicho factor es; 𝜋
𝑛−1
ഥ 𝟐
σ 𝒇 𝑿𝒊−𝑿
Por lo tanto: s = para n ˂ 30
𝒏−𝟏
68%
95 %
99.73%
60
Distribución normal
Con frecuencia a la distribución normal se le identifica como la
piedra angular de la estadística moderna . Esto se debe en parte
al papel que desempeña en el desarrollo de la teoría estadística y
en parte al hecho de que las distribuciones de datos observados
frecuentemente tienen el mismo patrón general de las
distribuciones.
60
50
40
30
20
10
1
520 525 530 535 540
HISTOGRAMA
62
n 1% 5%
3 1.155 1.155
4 1.496 1.481
5 1.764 1.715
6 1.973 1.887
7 2.139 2.020
8 2.274 2.126
9 2.387 2.215
10 2.482 2.290
11 2.564 2.355
12 2.636 2.412
13 2.699 2.462
14 2.755 2.507 65
15 2.806 2.549
66
ESTADISTICA CON POBLACIONES PEQUEÑAS
Confidence Interval
67
ESTADISTICA DE LA DEMOSTRACION DE MUESTRA GRANDE
CONCERNIENTE A LA MEDIA n ˃ 30 datos.
68
ESTADISTICA DE LA DEMOSTRACION DE MUESTRA
GRANDE CONCERNIENTE A LA MEDIA n > 30 DATOS
Que se explica en estas
demostraciones:
Si α = 0,05 - 1,96 y 1,96 en
relación con la alternativas
de dos lados.
a). Si α = 0,01 Las líneas
divisorias de los criterios son
-2,575 y 2,575 para
alternativas de dos lados.
69
ESTADISTICA DE LA DEMOSTRACION DE MUESTRA GRANDE CONCERNIENTE
A LA DIFERENCIA ENTRE MEDIAS MEDIA n ˃ 30 DATOS
Donde:
x1 x2
X1 = Promedio muestra 1 z
X2 = Promedio muestra 2 s12 s 22
σ1 = Desviación estándar muestra 1
+
σ2 = Desviación estándar muestra 2 n1 n2
0 z
z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
1.6 .4452 .4463 .4474 .4484 .4495 .4505 .4515 .4525 .4535 .4545
1.7 .4554 .4564 .4573 .4582 .4591 .4505 .4515 .4616 .4625 .4633
1.8 .4641 .4649 .4656 .4664 .4671 .4678 .4686 .4693 .4699 .4706
1.9 .4713 .4719 .4726 .4732 .4738 .4744 .4750 .4756 .4761 .4767
2.0 .4772 .4778 .4783 .4788 .4793 .4798 .4803 .4808 .4812 .4817
2.3 .4893 .4896 .4898 .4901 .4904 .4906 .4909 .4911 .4913 .4916
2.5 .4938 .4940 .4941 .4943 .4945 .4946 .4948 .4949 .4951 .4952
2.7 .4965 .4966 .4967 .4968 .4969 .4970 .4971 .4972 .4973 .4974 71
71
3.0 .4987 .4987 .4987 .4988 .4988 .4989 .4989 .4989 .4990 .4990
Estadística de la prueba correspondiente a la
media de muestra pequeña 2 ≤ n < 30 datos
Cuando no se conoce el valor de la desviación estándar de la población σ y la
muestra es pequeña 2 ≤ n < 30 datos, se supone que la población que se esta
muestreando tiene mas o menos la forma de una distribución normal basando
la decisión en la estadística cuya distribución de muestreo es la distribución de
t con n-1 grados de libertad.
Es importante aclarar que si no se puede suponer que la población que se
muestrea tiene mas o menos una distribución normal no se puede emplear
este procedimiento de muestra pequeña.
Los criterios que se aplican en esta
x 0 demostración son los mismos del valor
t de z, solo sustituir z por t, y solo
s cambian en relación con los grados de
libertad n-1. Todos los valores críticos
n de esta demostración de una solo
muestra se encuentran en la tabla
correspondiente. 72
ഥ y 𝒖𝟎 es significativa, es decir
Para decidir si la diferencia entre 𝒙
para contrastar 𝑯𝟎 ; la media de la población = 𝒖𝟎 se calcula el
estadístico t :
Donde:
n = tamano muestral
ഥ= media muestral
𝒙
s= desviación estándar muestral
t = calculada
DE t 0 t
Día h 1 2 3 4 5 6 Media S
8 8 y 10 536..33 534.78 531.53 522.82 529.19 537.68 532.1 5.49
Solución
1.- µ0 = 528.9 MPa
Donde el jefe del laboratorio desea conocer si el técnico mide igual ; 𝑥ҧ = µ0
2.- Nivel de significado 95 % de nivel de confianza, contraste de dos colas
79
Continuación ejemplo 1
3.- Criterio
Al colocar la mitad de 0.5 en cada extremo de la distribución y utilizando el
hecho de que 𝑡𝑐 = 2.57 (Ver en tablas de t de student en una cola) 95 %
4.- Cálculos Boxplot of Confirmación tensión
(with Ho and 95% t-confidence interval for the mean)
x 0
t ; │t│= 1.54
s
_
n
X
Ho
5.- Decisión
• Como t = 1.54 y no excede el valor critico de t = 2.57 el técnico realiza de forma
correcta el método
• Se confirma que el operador B no mide diferente al operador A.
80
Estadística correspondiente a la diferencia entre dos
medias
La diferencia que existe entre las medias de dos muestras se puede
basar en una estadística t con n1 + n2 -2 grados de libertad , debemos
suponer que tenemos muestras aleatorias independientes de
poblaciones que se pueden aproximar por medio de distribuciones
normales con la misma desviación estándar.
Desde luego, si no podemos suponer que las dos poblaciones a muestrear
son aproximadamente normales con α = 0,05 o α = 0,01, y tienen la
misma desviación estándar no se puede emplear este procedimiento de
muestra pequeña.
Para probar si 𝐻𝑜 ; 𝑥ҧ1 = 𝑥ҧ2 se calcula es estadístico t:
x1 x2
t
𝑛1 = tamaño de la muestra numero 1
(n1 1) s12 (n2 1) s22 1 1
n2 = tamaño de la muestra numero 2
𝑥ҧ1 = promedio muestra 1 n1 n2 2 n1 n2
𝑥ҧ 2 = promedio muestra 2 81
𝑠1 = Desviación estándar muestra 1
𝑠2 = Desviación estándar muestra 2
Ejemplo 2
En un laboratorio de construcción en su proceso inicial tiene que atender la
oportunidad de mejora de 5.9 de la norma del MP-FE005 es decir no tiene la forma de
control para la determinación de la resistencia a la compresión.
Decide que un técnico prepare 6 cilindros; ensaye tres a los 28 días a las
• 10 :00 y repita tres a las 14:00.
De este mismo elemento MEZCLA de ensayo otro técnico prepara 6; ensaya 3 el mismo
día a las 12:00 y lo repite a las 16:00 ambos en otra prensa.
Se decide comparar los resultados de ambos técnicos y máquinas.
Los resultados se registran en la tabla 4 y 5 respectivamente.
Establece los criterios de │t│ ≤ 𝑡𝑐 a un nivel de confianza con n1 + n2 -2 grados de
libertad en tabla de una cola ;
82
Como los valores de t son menores a los valores de t de tablas los ensayos
que realiza el laboratorio son SATISFACTORIOS.
Continuación ejemplo 2
Ensaye a la compresión Tabla 4
Operador Maquina Hora Probeta Resultado Hora Probeta Resultado
kg/cm2 kg/cm2
Estadístico t -0.46531804
Grados de libertad 4
P(T<=t) una cola 0.33295407
Estadístico t -0.465318038
Valor crítico de t (una cola) 2.13184679
P(T<=t) una cola 0.332954067
P(T<=t) dos colas 0.66590813
Valor crítico de t (una cola) 3.746947388 84
Valor crítico de t (dos colas) 2.77644511
P(T<=t) dos colas 0.665908134
Valor crítico de t (dos colas) 4.604094871
ENSAYE A LA COMPRESIÓN
Análisis al 95 % OPERADOR A MAQUINA 1 Análisis al 99 %
OPERADOR A MAQUINA 1 Mañana Tarde
Mañana Tarde 225 246
225 246 236 258.5
236 258.5 244 251.5
244 251.5 Prueba t para dos muestras suponiendo
varianzas iguales
Prueba t para dos muestras suponiendo varianzas iguales
Variable 1 Variable 2
Variable 1 Variable 2 Media 235 252
Media 235 252 Varianza 91 39.25
Varianza 91 39.25 Observaciones 3 3
Varianza agrupada 65.125
Observaciones 3 3
Diferencia hipotética de las medias 0
Varianza agrupada 65.125
Diferencia hipotética de las medias 0 Grados de libertad 4
Grados de libertad 4 Estadístico t -2.580005803
Estadístico t -2.5800058 P(T<=t) una cola 0.030663527
P(T<=t) una cola 0.03066353 Valor crítico de t (una cola) 3.746947388
Valor crítico de t (una cola) 2.13184679 85
P(T<=t) dos colas 0.061327054
P(T<=t) dos colas 0.06132705 Valor crítico de t (dos colas) 4.604094871
Valor crítico de t (dos colas) 2.77644511
Continuación ejemplo 2
TABLA 5: Ensaye a la compresión: Comparación de resultados
técnico/máquina 1 vs maquina 2
Técnico Maquin Hora Probeta Resultad Media s t LA COMPARACIÓN DEBIDA A MAQUINA 1 NO CALIBRADA
a o 280
kg/cm2
ESTE ANALISIS DE LA IMPORTANCIA DEL
8:00 1 212 270 TRABAJO DE ENSAYO NO CONFORME MUESTRA
QUE NO HAY QUE AVISAR AL CLIENTE
8:30 2 240 260
Ensayo compresión
9:00 3 272
245.5 19.71 250
A 1 14:00 4 254
240
14:30 5 250
15:00 6 244.5 0.21 230
12:00 7 225
220
12:30 8 236
13:00 9 244 210
B 2 243.2 11.89 1 2
16:00 10 246 Factor máquina
16:30 11 258.5
17:00 12 251.5 tcalculada = 0.21 86
ENSAYE DE COMPRESION
Maquina 1 Maquina 2 Maquina 1 Maquina 2
212 225 212 225
240 236 240 236
272 244 Análisis al 95 % (α=0.05) 272 244 Análisis al 99 % (α=0.01)
254 246 254 246
250 258.5 250 258.5
244.5 251.5 244.5 251.5
Prueba t para dos muestras suponiendo varianzas Prueba t para dos muestras suponiendo varianzas
iguales iguales
88
Análisis de Varianza
Los contrastes de significación descritos hasta ahora para comparar medias, y
por tanto, para detectar errores sistemáticos. En muchos casos es importante
también comparar las desviaciones estándar es decir, los errores aleatorios de
dos conjuntos de datos. Esta comparación, como en el caso de los contrastes de
medias, puede tomar dos formas. Se puede pretender si el método A es mas
preciso que el método (Es decir un contraste de dos colas). Por ejemplo, si
quisiéramos contrastar si un método analítico nuevo es mas preciso que un
método patrón deberíamos utilizar el contraste de una cola.
• Si quisiéramos contrastar si dos desviaciones estándar difieren significativamente
sería adecuado un contraste de dos colas.
• Para probar si es significativa la diferencia entre dos varianzas muéstrales, estos,
es probar H0: S1² = S2² se calcula es estadístico F:
𝑺𝟐 𝒎𝒂𝒙𝒊𝒎𝒂
F=
𝑺𝟐 𝒎𝒊𝒏𝒊𝒎𝒂
• Donde Smaxima y Sminima se disponen en la ecuación de modo que F sea siempre ≥
1. El numero de grados de libertad del numerador es n-1 y denominador n-1
respectivamente. El contraste supone que las poblaciones de donde se extraen
la muestras son normales.
ESTA TECNICA SE DEBE DE USAR PRIMERO ANTES QUE
LA PRUEBA DEL ANALISISIS DE DOS MEDIAS CON t 89
•
Ejemplo 3; del ejercicio 2 Ensaye de compresión
95 % 99 %
ENSAYE DE COMPRESION ENSAYE DE COMPRESION
MAQUINA 1 MAQUINA 2 MAQUINA 1 MAQUINA 2 Interval Plot of Mediciones vs Maquina
50
212 225 212 225
A B
244.5 251.5 244.5 251.5 Maquina
Prueba F para varianzas de dos muestras Prueba F para varianzas de dos muestras
Contenido
92
¿Por qué usar el ANOVA?
• .
96
Experimento de Tratamiento Térmico con esquema de una Vía
97
Gráfica de puntos de Dureza por Tratamiento
• .
98
Interpretación de la Gráfica
99
La premisa de ANOVA
SS total
Donde:
h = número de grupos
N = Número total de mediciones
Ti = Suma de las medidas de la i-esima muestra
T = Suma de todas las medidas gran total
𝑪𝒖𝒂𝒅𝒓𝒂𝒅𝒐 𝒎𝒆𝒅𝒊𝒐 𝒆𝒏𝒕𝒓𝒆 𝒎𝒖𝒆𝒔𝒕𝒓𝒂𝒔 𝑀𝑆 𝑒𝑛𝑡𝑟𝑒
F= =
𝑪𝒖𝒂𝒅𝒓𝒂𝒅𝒐 𝒎𝒆𝒅𝒊𝒐 𝒅𝒆𝒏𝒕𝒓𝒐 𝒅𝒆 𝒍𝒂𝒔 𝒎𝒖𝒆𝒔𝒕𝒓𝒂𝒔 𝑀𝑆 𝑑𝑒𝑛𝑡𝑟𝑜
102
Comparación de “Entre Tratamientos” y
“Dentro del Tratamiento”
• En lugar de establecer esta comparación, realizamos la comparación entre las Medias Cuadráticas.
Las Medias Cuadráticas proporcionan un estimado por grado de libertad de la variación de modo
que la comparación sea justa.
103
Comparación de las Medias Cuadráticas
106
Cálculo de la Suma de Cuadrados de “Entre
Tratamientos”
107
Cálculo de la Suma de Cuadrados “Dentro del
Tratamiento”
108
Ejemplo de ANOVA de un Factor
Grados de Libertad
109
Cálculo de la Media Cuadrática
110
Comprobación de la Significancia Estadística
111
La Prueba F
112
Comprobación Prueba F
113
La Distribución F
114
Boxplot of Resultado
100
95
Resultado
90
85
80
1 2 3
Tratamiento
115
Evaluación del desempeño de un signatario
en 3 días
Para la evaluación de desempeño el
laborotio decide que el signatario El resultado se determino en Excel y F
propuesto realice el ensayo en 3 dias
continuos, esperando no tener diferencia significativa critico se cambio y determino por la
Probetas
1 3 7
tabla de F en contraste de dos colas al
50
100
53
102
56
106
95 % de probabilidad, α=0,05 , debido
RESULTADOS a que Excel no tiene la función de
526,07 530,47 528,99
525,87 523,23 526,77 determinar F para contraste de dos
524,58 523,01 526,8
colas.
Análisis de varianza de un factor
RESUMEN
Grupos Cuenta Suma Promedio Varianza Análisis:
Columna 1 3 1576,52 525,506667 0,65403333
Columna 2 3 1576,71 525,57 18,0196 F =5,87 < 𝐹𝑐𝑟𝑖𝑡𝑖𝑐𝑎 = 7,26 : Satisfactorio
Columna 3 3 1582,56 527,52 1,6209
ANÁLISIS DE VARIANZA
Origen de las variaciones
Suma de cuadrados
Grados de
Promedio
libertad de los cuadradosF ProbabilidadValor crítico para F
Entre grupos 7,86002222 2 3,93001111 0,58094626 0,58799056 7,26
Dentro de los grupos 40,5890667 6 6,76484444
Total 48,4490889 8
116
Valores críticos de F en distribución de una cola
117
Valores críticos de F para contraste de dos
colas al 95 % de nivel de confianza
ν𝟐 ν𝟏
1 2 3 4 5 6 7 8 9
1 647,8 799,5 864,2 899,6 921,8 937,1 948,2 956,7 963,3
2 38.51 39 39,17 39,25 39,30 39,33 39,36 39,37 39,39
3 17,44 16,04 15,44 15,10 14,88 14,73 14,62 14,54 14,47
4 12,22 10,65 9,979 9,605 9,364 9,197 9,074 8,980 8,905
5 10,01 8,434 7,764 7,388 7,146 6,978 6,853 6,757 6,681
6 8,813 7,260 6,599 6,227 5,988 5,820 5,695 5,600 5,523
7 8,073 6,542 5,890 5,523 5,285 5,119 4,995 4,899 4,823
119
¿Qué es la Metrología?
NMX-Z-055-IMNC-2009
120
6 POLÍTICA
6.1 La incertidumbre de medida para cada paso en la cadena de
trazabilidad debe ser estimada (a través de cálculos) de
acuerdo a los métodos definidos en la norma NMX-CH-140-
IMNC-2002. Cuando un sistema particular de medición quede
fuera del alcance de esta norma, el laboratorio debe presentar
un procedimiento de estimación detallado generalmente
aceptado. En ambos casos debe ser declarada para cada paso
de la cadena de tal manera que la incertidumbre estándar
combinada pueda ser calculada para la cadena completa. Estas
incertidumbres deben estar soportadas matemáticamente y
estarán representadas como incertidumbres expandidas
usando un nivel de confianza de aproximadamente el 95 % y su
121
factor de cobertura correspondiente.
6.3 El laboratorio de ensayo debe:
Calibración:
Operación que bajo condiciones especificadas establece, en una primera etapa, una
relación entre los valores y sus incertidumbres de medida asociadas obtenidas a
partir de los patrones de medida y las correspondientes indicaciones con sus
incertidumbres asociadas y, en una segunda etapa, utiliza esta información para
establecer una relación que permita obtener un resultado de medida a partir de una
indicación. (2.39 ISO/IEC GUIDE 99:2007 /2.39 NMX-Z-055-IMNC-2009)
Nota 1: Una calibración puede expresarse mediante una declaración, una función de calibración, un
diagrama de calibración, una curva de calibración o una tabla de calibración. En algunos casos, puede
consistir en una corrección aditiva o multiplicativa de la indicación con su incertidumbre
correspondiente.
Nota 2: Conviene no confundir la calibración con el ajuste de un sistema de
medida, a menudo llamado incorrectamente “autocalibración” ni con
una verificación de la calibración.
Nota 3: Frecuentemente se interpreta que únicamente la primera 123
etapa de esta definición corresponde a la calibración.
Definiciones
Verificación: aportación de evidencia objetiva
de que un elemento satisface los requisitos
especificados.
Nota 1: Cuando sea necesario, es conveniente
tener en cuenta la incertidumbre de medida.
125
error aleatorio
error sistemático
Ejemplos:
Mensurando Modelo Magnitudes de entrada
V d 2
h
Volumen de un cilindro: 4 d : Diámetro .
h : Altura
130
• Longitud de un bloque: l = Lectura Vernier ( + Correcciones )
Medición directa
Identificación
E Linst . Lsist .
Lsist . Lpat . cero pat . E pat .
der . res. rep. Rep. met .
229.5 230.5
Condiciones ambientales a- a+
•Mediciones repetidas
•Pruebas
•Informes, certificados de calibración
•Especificaciones de fabricantes de instrumentos
•Normas
Resultado:
133
• Valores de la variabilidad de cada fuente de incertidumbre
Cuantificación
Tipo A Tipo B
Mediciones repetidas. Otras fuentes de información.
n n 1 i 1 u A (x) u A (x )
Distribución
normal
n número de lecturas.
xi valor de la lectura i. n
xi x
1
2
promedio (media) de las n lecturas. s
s desviación estándar experimental.
n 1 i 1
135
Cuantificación
Evaluación tipo B
Ejemplo 1:
Certificado de calibración.
Distribución normal.
Ejemplo 2: -u(xi ) +u(xi )
Resolución de un instrumento.
Distribución rectangular.
a- a+ 136
Reducción
Incertidumbre U
expandida.
Certificado de calibración. k
-U +U
D
Distribución a a a
a
rectangular. 12 12
a- a+
Distribución a 137
- triangular. 24
a a+
Combinación
1) Calcular o estimar el
coeficiente de sensibilidad ci
de cada fuente
2) Calcular la contribución
de cada fuente
3) Calcular la incertidumbre
estándar combinada uc
138
Combinación
Mesurando Y
Y = f(Xi)
-u(y) +u(y)
Y Y
ci Contribución a la u( y) ci u( xi )
X i X i incertidumbre de Y
139
Informe
Evaluación Expandida
Teorema del Límite Central:
Incertidumbre Expandida: U k uc
k 1 2 3
nivel de
confianza 68,3% 95,4% 99,7%
10.- ESTADISTICA
John E Freund
Richard Manning Smith