B k A +
B k A +
B k A +
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Expresión de la incertidumbre de medida : 2008 (Esp) Grados de libertad y niveles de confianza<br />
y C.2.22) si las distribuciones no son normales] y si Y es una función lineal de las magnitudes de entrada; es<br />
decir, Y = c1X1 + c2X2 + ...+ cNXN, la distribución de probabilidad de Y puede entonces obtenerse mediante<br />
convolución de las distribuciones de probabilidad individuales [10]. Los valores de kp que proporcionan<br />
intervalos correspondientes a niveles de confianza específicos p pueden calcularse a partir de la distribución<br />
resultante de la convolución.<br />
G.1.5 Si la relación funcional entre Y y sus magnitudes de entrada no es lineal, y el desarrollo en serie de<br />
Taylor de primer orden no es una aproximación aceptable (véanse 5.1.2 y 5.1.5), la distribución de<br />
probabilidad de Y no puede obtenerse mediante convolución de las distribuciones de las magnitudes de entrada.<br />
En tales casos, es necesario utilizar otros métodos, analíticos o numéricos.<br />
G.1.6 En la práctica, dado que los parámetros que caracterizan las distribuciones de probabilidad de las<br />
magnitudes de entrada son habitualmente estimaciones, que no es realista esperar que el nivel de confianza<br />
correspondiente a un intervalo dado pueda conocerse con un elevado grado de exactitud y que la convolución<br />
de distribuciones de probabilidad es compleja de realizar, tales convoluciones raramente se realizan a la hora<br />
de calcular el intervalo correspondiente a un nivel de confianza específico. En su lugar, se utilizan<br />
aproximaciones basadas en el Teorema del Límite Central.<br />
G.2 Teorema del Límite Central<br />
N<br />
G.2.1 Si Y = c1X1 + c2X2 + ... + cNXN = ∑ cX<br />
i=<br />
1 i i<br />
, y todas las Xi vienen caracterizadas por distribuciones<br />
normales, la distribución de Y, resultante de la convolución, también es normal. No obstante, aunque las<br />
distribuciones de Xi no sean normales, es posible suponer una distribución normal para Y, teniendo en cuenta el<br />
Teorema del Límite Central. Este teorema establece que la distribución de Y será aproximadamente normal,<br />
N<br />
con esperanza matemática ( ) ( )<br />
i 1 i i X E c Y E 2<br />
N 2 2<br />
= ∑ y varianza σ ( Y)<br />
=<br />
=<br />
∑ c<br />
i=<br />
i σ ( X<br />
1<br />
i ) , donde E(Xi) es la esperanza<br />
matemática de Xi y σ 2 (Xi) es la varianza de Xi, siempre que las Xi sean independientes y σ 2 (Y) sea mucho<br />
mayor que cualquier otra componente ci 2 σ 2 (Xi) de una Xi cuya distribución no sea normal.<br />
G.2.2 El Teorema del Límite Central es relevante ya que muestra el importante papel que representan las<br />
varianzas de las distribuciones de probabilidad de las magnitudes de entrada, en relación con el representado<br />
por los momentos de mayor orden de dichas distribuciones, en la determinación de la forma de la distribución<br />
de Y, resultante de la convolución. Implica además que la distribución obtenida tras la convolución converge<br />
hacia una distribución normal a medida que aumenta el número de magnitudes de entrada que contribuyen a<br />
σ 2 (Y), que la convergencia será tanto más rápida cuanto más próximos sean entre sí los valores de ci 2 σ 2 (Xi) (lo<br />
que equivale en la práctica a que las estimaciones de entrada xi contribuyen con incertidumbres comparables a<br />
la incertidumbre de la estimación y del mensurando Y), y que cuanto más próximas a la normal sean las<br />
distribuciones de Xi, menor número de ellas será necesario para obtener una distribución normal para Y.<br />
EJEMPLO La distribución rectangular (véase 4.3.7 y 4.4.5) es un caso extremo de distribución no normal, pero la convolución de<br />
incluso un número tan pequeño como tres distribuciones rectangulares de igual amplitud ya es aproximadamente normal. Si la semiamplitud<br />
de cada una de estas tres distribuciones rectangulares es a, de forma que la varianza es a 2 /3, la varianza de la distribución<br />
resultante de la convolución es σ 2 = a 2 . Los intervalos del 95 % y 99 % de la distribución resultante de la convolución vienen definidos<br />
respectivamente por 1,937σ y 2,379σ, mientras que los correspondientes a una distribución normal de la misma desviación típica σ<br />
vienen definidos por 1,960σ y 2,576σ (véase tabla G.1) [10].<br />
NOTA 1 Para todo intervalo con nivel de confianza p superior a aproximadamente un 91,7 %, el valor de kp para una distribución<br />
normal es siempre superior al valor correspondiente de la distribución resultante de la convolución de distribuciones rectangulares,<br />
cualquiera que sea el número y amplitud de éstas.<br />
NOTA 2 Del Teorema del Límite Central se deduce que la distribución de probabilidad de la media aritmética q de n observaciones qk<br />
de una variable aleatoria q con esperanza matemática µq y desviación típica finita σ, se aproxima a una distribución normal de media µq<br />
y desviación típica σ / n , cuando n → ∞, cualquiera que sea la distribución de probabilidad de q.<br />
G.2.3 Una consecuencia práctica del Teorema del Límite Central es que siempre que pueda demostrarse que<br />
se cumplen aproximadamente las hipótesis para su validez, en particular que la incertidumbre típica combinada<br />
uc(y) no esté dominada por una componente de incertidumbre típica obtenida por una evaluación Tipo A basada<br />
JCGM © 2008 - Reservados todos los derechos 75