Académique Documents
Professionnel Documents
Culture Documents
El conocimiento y la expresin de la incertidumbre de medicin constituyen una parte indisoluble de los resultados de las mediciones, as como un elemento indispensable de la trazabilidad de las mediciones y en el control y regulacin de los procesos de manufactura. En el presente trabajo se lleva a cabo la determinacin de la incertidumbre de medicin a travs del mtodo de simulacin de Monte Carlo, a partir de la generacin de valores aleatorios, con el objetivo de comparar los resultados con los obtenidos por el mtodo GUM (gua para la estimacin de la incertidumbre de medicin). Como magnitud a medir, se utiliza el dimetro exterior de un eje macizo, el cual fue obtenido por un proceso de manufactura (torneado), y como medio de medicin se emplea un micrmetro analgico. Los resultados obtenidos por ambos mtodos se comparan entre s, llegndose de esta forma a importantes conclusiones. Palabras clave: incertidumbre de medicin, simulacin Monte Carlo.
_____________________
The knowledge and the expression of the measurement uncertainty constitute an indissoluble part of the measurement results, as well as an indispensable element of the Traceability of the measurements and in the control and regulation of the manufacturing processes. The determination of the measurement uncertainty through the method of simulation of Monte Carlo is carried out, from the generation of random values, with the objective of comparing the results with those obtained by the method GUM (Guide to the Expression of Uncertainty in Measurement). As magnitude to be measured is used the external diameter of a solid cylinder, which was obtained by the manufacturing process (lathed), and a analogical micrometer is used as measuring instrument. The results obtained by both methods are compared each other and important conclusions are obtained. Keywords: Measurement uncertainty. Simulation Monte Carlo.
Introduccin
La incertidumbre de medicin se define como un parmetro asociado con el resultado de una medicin que caracteriza la dispersin de los valores que pudieran ser atribuidos razonablemente al mesurando /1/. La misma es considerada tambin como un parmetro de entrada fundamental para modelos complejos de optimizacin en los procesos de fabricacin y aseguramiento de la calidad. Para la evaluacin de la incertidumbre de medicin existen guas, normas y recomendaciones. En siguiente trabajo persigue como objetivos determinar la incertidumbre de medicin por los mtodos de simulacin de Monte Carlo y por el GUM, y comparar los resultados obtenidos por ambos mtodos. Gracias a la constante evolucin de las microcomputadoras, en lo que se refiere a su capa-
cidad de procesamiento de la informacin, el mtodo de Monte Carlo es cada vez ms utilizado. Los orgenes de esta tcnica estn ligados al trabajo desarrollado por Stan Ulam y John Von Neumann a finales de los 40, en el laboratorio de Los Alamos, cuando investigaban el movimiento aleatorio de los neutrones. En aos posteriores, la simulacin de Monte Carlo se ha venido aplicando a una infinidad de mbitos como alternativa a los modelos matemticos exactos o, adems, como nico medio de estimar soluciones para problemas complejos. As, en la actualidad, es posible encontrar modelos que hacen uso de simulacin Monte Carlo en las reas informtica, empresarial, econmica, industrial e incluso social. En otras palabras, la simulacin de Monte Carlo est presente en todos aquellos mbitos en los que el comportamiento aleatorio o probabilstico desempea un papel fundamental. Precisamente, el nombre de Monte Carlo provie-
56
ne de la famosa ciudad de Mnaco, donde abundan los casinos de juego y donde el azar, la probabilidad y el comportamiento aleatorio conforman todo un estilo de vida.
Fundamentacin terica
La simulacin de Monte Carlo es una herramienta de investigacin y planeamiento; bsicamente es una tcnica de muestreo artificial, empleada para operar numricamente sistemas complejos que tengan componentes aleatorios, en otras palabras, es una tcnica que combina conceptos estadsticos (muestreo aleatorio) con la capacidad que tienen los ordenadores para generar nmeros pseudo-aleatorios y automatizar clculos. Un elemento importante en los procesos de simulacin es identificar las distribuciones de probabilidad apropiadas para los datos. Esto, normalmente, requiere analizar informacin emprica o histrica, y ajustarla a alguna distribucin. El mtodo de Monte Carlo (MCM) es un mtodo probabilistico o estocstico, mientras que la GUM utiliza mtodos determinsticos de estadstica clsica (frecuentista) para la evaluacin de de incertidumbre tipo A, y lleva a cabo la evaluacin de incertidumbres tipo B y la combinacin de incertidumbres con el mtodo Bayesiano de soluciones analticas. La diferencia bsica consiste en que la estadstica clsica (frecuentista) utiliza solamente la informacin provista por la muestra, mientras que la estadstica Bayesiana permite utilizar adicionalmente el conocimiento subjetivo que se tenga (como aproximaciones con series de Taylor o suponer distribuciones), y el mtodo estocstico se entiende como una secuencia de estados, cuya evaluacin viene determinada por sucesos al azar, donde las leyes de causa efecto no explican cmo acta un sistema o fenmeno de manera determinista, sino en funcin de probabilidades. El MCM es una alternativa prctica a la GUM cuando: a) La linealizacin del modelo (del mensurando) provee una inadecuada representacin. En este caso, la estimacin de la magnitud de salida
(mensurando) y su incertidumbre estndar asociada provista por la GUM, podra no ser confiable. b) La funcin de densidad de probabilidad (PDF) para la magnitud de salida (mensurando) se aparta, apreciablemente, de una distribucin gaussiana o de una distribucin-t escalada y sesgada, debida a una marcada asimetra. En este caso, el resultado es un intervalo de cobertura irreal (una generalizacin de incertidumbre expandida en la GUM). c) Es necesario validar los resultados del mtodo GUM, proceso crtico, como los de acreditacin ISO/IEC 17025, ensayos de aptitud y comparaciones entre laboratorios.
57
Tabla 1
58
a) Establecer el modelo matemtico Representa la dependencia entre el mensurando (Y) y el valor estimado de cada magnitud de entrada (X i) en el proceso de medicin Y= F(X 1, X2, X 3) donde: X 1, u 1 X 2 , u2 X 3, u 3 (1)
(7)
Y=f(x)
y, u(y)
b) Fuentes de incertidumbre - Variacin de las observaciones repetidas - Error del instrumento de medicin - Error de apreciacin del observador c) Evaluacin de las componentes de incertidumbre. - Componente debida a la dispersin de las observaciones (evaluacin tipo A). u1 =
t .S n
(2)
- Componente debida al error del instrumento de medicin (evaluacin tipo B). Como medida del error del instrumento, se toma su error mximo permisible y se plica una distribucin rectangular: u2 =
Em 3
(3)
- Componente debida a la apreciacin del observador (evaluacin tipo B). Durante la medicin, se apreci divisin del tambor, es decir 0,005 mm, por lo que, debido a la resolucin, existe otra componente de incertidumbre: u3 =
d
12
(4)
d) Determinacin de la incertidumbre combinada. Aplicando la ley de propagacin cuadrtica de incertidumbre a la ecuacin modelo se tiene que: (5)
n
u c( y) =
u
i =1
( x)i
59
Tabla 2
Para el caso de estudio, la variable aleatoria es el dimetro del eje x. Se conoce de informacin emprica que los datos generados se ajustan a una distribucin normal. Los datos fueron generados con ayuda de la hoja de clculo de Microsoft Excel, por lo que la frmula utilizada para la distribucin normal fue:
fx=DISTR.NORM.INV(ALEATORIO(),,) (8)
Los parmetros , (media y desviacin estndar) se conocen que tienen los siguientes valores = 10,042 mm s = 0,002 55 mm. Estos valores fueron obtenidos del resultado arrojado por el mtodo GUM.
El modelo matemtico es similar al obtenido por el mtodo GUM, las componentes de incertidumbre tipo B, es decir u2 y u3 siguen una distribucin rectangular, y fueron calculadas de igual forma que por el mtodo GUM. La componente u1 es debida a la dispersin de las observaciones (tipo A), las cuales son generadas y se distribuyen normalmente; la expresin de clculo es la misma, pero se obtienen valores diferentes debido a la antes mencionada generacin de valores. La incertidumbre combinada y la expandida se hallan de igual forma que por el mtodo GUM.
Tabla 3
En la tabla 4 se muestran los resultados obtenidos por ambos mtodos. La componente de incertidumbre debido a las observaciones repeti-
das u1 es ligeramente menor por el mtodo de Monte Carlos; en ambos casos, se utiliz una muestra de tamao n = 5.
Tabla 4
60
Las componentes de incertidumbres u2 y u3 arrojaron el mismo valor para ambos mtodos, debido a que se utilizaron las mismas expresiones de clculos, y no se generaron valores aleatorios para ambas componentes por el mtodo de Monte Carlos. La incertidumbre de medicin U result ser menor por el mtodo de Monte Carlos aunque la diferencia entre ambos resultados no es significativa. La incertidumbre result ser 8,4 veces menor que la tolerancia permitida de fabricacin de la pieza por el mtodo de Monte Carlo, y 5,6 veces menor por el mtodo GUM
T
Ya que la incertidumbre de medicin por ambos mtodos est comprendida entre T y 1/10 T (0,013 y 0,005), el resultado obtenido es satisfactorio. En la tabla 5 se muestran valores de incertidumbres para diferentes tamaos de muestra n. Dichas muestras se encuentran en la tabla 2; para el caso n= 5, se tomaron las primeras cinco observaciones, para n= 10 las primeras 10, y as sucesivamente. Se aprecia que los valores de incertidumbres disminuyen a medida que aumenta el nmero de muestra.
0,050 T = = 5, 6 0,00898 U
Tabla 5
Las figuras 1 y 2 representan los histogramas de frecuencias para las muestras de tamao n= 100 y n= 200. Debido a la forma de ambos
histogramas, se puede inferir que los valores se distribuyen de acuerdo con una distribucin normal.
Conclusiones
1. Se ha expuesto la estimacin de incertidumbres para el dimetro de una pieza cilndrica a la
temperatura de referencia de 20 C. Los valores de incertidumbre obtenidos por ambos mtodos son muy cercanos entre s. 2. La distribucin de probabilidad del mensurando,
61
as como sus principales parmetros estadsticos, puede obtenerse fcilmente mediante la aplicacin del mtodo de Monte Carlos. 3. Aunque los valores obtenidos por el mtodo de Monte Carlos fueron ligeramente menores que los obtenidos por el mtodo GUM, no se puede afirmar que este mtodo es superior, pero puede utilizarse para validar los resultados obtenidos mediante la aplicacin de la GUM.
8 http://www.geocities.com/WallStreet/9245/ vba.htm. Pgina web donde se muestran algunos ejemplos de simulacin MC con Excel y VBA. 9 http://www.csun.edu/~vcmgt0j3/Ch12Notes.pdf. Apuntes sobre simulacin MC con Excel
Nomenclatura
MCM Mtodo de Monte Carlo GUM Gua para la estimacin de la incertidum bre de medicin PDF La funcin de densidad de probabilidad DISTR.NORM.INV Distribucin normal inversa DISTR.LOG.INV Distribucin logartmica inversa a Parmetro de la distribucin b Parmetro de la distribucin X Media aritmtica S Desviacin tpica Em Error mximo permisible m Micrmetro n Nmero de mediciones d Resolucin Desviacin tpica poblacional U Incertidumbre de medicin K Factor de cobertura Incertidumbre combinada Xi Valores de los dimetros T Tolerancia U Incertidumbre t t-student u1 Incertidumbre estndar tipo A u 2 Incertidumbre estndar tipo B u3 Incertidumbre estndar tipo B fx funcin
Bibliografia
1 Wolfgang, A., GUA PARA ESTIMAR LA INCERTIDUMBRE DE LA MEDICIN. El Marqus, Qro., Mxico, 2004, pgs. 1-27. 2 Coello, N., Wisweh, L., Determination and Considerations for the Measurement Deviations in Manufacturing Process, Ed. Otto von Guericke University, preprint 4, Germany, 2001, pgs. 1-6. 3 NMX-CH-140-IMNC-2002 Gua para la Expresin de la Incertidumbre de las Mediciones equivalente a Guide to the Expression of Uncertainty in Measurement, BIPM, IEC, IFCC, ISO, IUPAP, IUPAC, OIML, Mexico, 1995, pgs.1-20. 4 NC OIML V2 , Vocabulario Internacional de trminos generales y bsicos de Metrologa , 1era Edicin, Ciudad de La Habana, 1995, pgs. 1-61. 5 Wisweh, L, Sandau, M., Determination of the Measuring Uncertainty and its Use for Quality Assessment and Quality Control, Ed. Otto von Guericke University, preprint 7, Germany, 1999, pgs. 1-13. 6 http://www.geocities.com/CollegePark/Quad/2435/ index.html Breve historia de los orgenes del mtodo Monte Carlo. 7 http://wwwcsep1.phy.ornl.gov/mc/mc.html. Libro electrnico sobre simulacin MC
62