Este documento describe el uso de dos métodos, el método GUM y el método de Monte Carlo, para determinar la incertidumbre de medición en la medición del diámetro de un cilindro de bronce. Se midió el diámetro en cinco puntos y se obtuvieron valores entre 19,995 y 20,005 mm. Los métodos GUM y Monte Carlo se utilizaron para calcular la incertidumbre combinada teniendo en cuenta factores como la variación de las mediciones, el error del micrómetro y la resolución. Los resultados de ambos métodos se compararon para
1. La presentación describe 6 estrategias propuestas en un estudio de caso y los modelos probabilísticos que podrían aplicarse para desarrollar cada estrategia, justificando la elección de cada modelo con citas textuales de referencias documentales. Se incluye también una bibliografía de 4 fuentes.
Quimiometria para principiantes, personas que conocen poco del tema y necesitan conocer lo básico para el trabajo.
Especialmente enfocado a la industria, donde el uso de quimiometría ha ido en aumento y donde se observan las mayores ventajas de la quimiometría.
Este documento presenta una tesis sobre la importancia de la simulación en la mejora de procesos. El objetivo principal es diseñar el proceso de un auto lavado para ofrecer una disminución en el tiempo promedio de servicio mediante la simulación. En el marco teórico se explican conceptos como los antecedentes, definición y aplicaciones de la simulación. Posteriormente, se formulará el problema del auto lavado, se recolectarán datos y se diseñará el modelo de simulación para evaluar alternativas de mejora y formular conclusiones
Este documento presenta una simulación realizada por un grupo de estudiantes sobre el tema de simulación. Explica que la simulación es el proceso de diseñar y desarrollar un modelo computarizado de un sistema para entender su comportamiento y evaluar estrategias. También describe las ventajas y desventajas de la simulación, los métodos de simulación como Monte Carlo, y presenta un ejemplo práctico de simulación de fabricación de un nuevo artículo durante 4 años.
La simulación de Monte Carlo es una técnica cuantitativa que utiliza modelos matemáticos y computadoras para simular sistemas reales no dinámicos. Genera múltiples resultados posibles basados en distribuciones de probabilidad para factores inciertos. Repite los cálculos miles de veces para producir distribuciones de valores de resultados posibles.
Este documento describe el diseño, construcción y automatización de un prototipo a escala de laboratorio para simular un proceso de trituración de cobre. El prototipo fue diseñado utilizando herramientas CAD como SolidWorks y AutoCAD. Se realizaron experimentos para identificar el modelo matemático del proceso, midiendo variables como el torque y el peso a la entrada y salida. El modelo matemático se identificó utilizando la caja de herramientas Ident de MATLAB, eligiendo un modelo ARIMA. El prototipo permitirá aplicar técnicas de
El documento describe el método de Monte Carlo, un método estadístico numérico para aproximar expresiones matemáticas complejas. Explica que el método involucra la generación de números pseudoaleatorios en una computadora para simular experimentos. Luego detalla algunas ventajas y aplicaciones del método, como proporcionar soluciones probabilísticas y gráficas, y su uso en criptografía, diseño de reactores nucleares, y valoración de carteras de valores.
Este documento presenta un análisis de sensibilidad e incertidumbre para un accidente de pérdida de refrigeración (LBLOCA) en un reactor de agua a presión típico usando metamodelos. Se seleccionaron 22 parámetros de entrada y se realizaron 100 simulaciones variando estos parámetros. Se construyó un metamodelo para predecir la temperatura pico de vaina y se calcularon los índices de Sobol' para determinar qué parámetros influyen más. Los resultados mostraron que el tamaño de
1. La presentación describe 6 estrategias propuestas en un estudio de caso y los modelos probabilísticos que podrían aplicarse para desarrollar cada estrategia, justificando la elección de cada modelo con citas textuales de referencias documentales. Se incluye también una bibliografía de 4 fuentes.
Quimiometria para principiantes, personas que conocen poco del tema y necesitan conocer lo básico para el trabajo.
Especialmente enfocado a la industria, donde el uso de quimiometría ha ido en aumento y donde se observan las mayores ventajas de la quimiometría.
Este documento presenta una tesis sobre la importancia de la simulación en la mejora de procesos. El objetivo principal es diseñar el proceso de un auto lavado para ofrecer una disminución en el tiempo promedio de servicio mediante la simulación. En el marco teórico se explican conceptos como los antecedentes, definición y aplicaciones de la simulación. Posteriormente, se formulará el problema del auto lavado, se recolectarán datos y se diseñará el modelo de simulación para evaluar alternativas de mejora y formular conclusiones
Este documento presenta una simulación realizada por un grupo de estudiantes sobre el tema de simulación. Explica que la simulación es el proceso de diseñar y desarrollar un modelo computarizado de un sistema para entender su comportamiento y evaluar estrategias. También describe las ventajas y desventajas de la simulación, los métodos de simulación como Monte Carlo, y presenta un ejemplo práctico de simulación de fabricación de un nuevo artículo durante 4 años.
La simulación de Monte Carlo es una técnica cuantitativa que utiliza modelos matemáticos y computadoras para simular sistemas reales no dinámicos. Genera múltiples resultados posibles basados en distribuciones de probabilidad para factores inciertos. Repite los cálculos miles de veces para producir distribuciones de valores de resultados posibles.
Este documento describe el diseño, construcción y automatización de un prototipo a escala de laboratorio para simular un proceso de trituración de cobre. El prototipo fue diseñado utilizando herramientas CAD como SolidWorks y AutoCAD. Se realizaron experimentos para identificar el modelo matemático del proceso, midiendo variables como el torque y el peso a la entrada y salida. El modelo matemático se identificó utilizando la caja de herramientas Ident de MATLAB, eligiendo un modelo ARIMA. El prototipo permitirá aplicar técnicas de
El documento describe el método de Monte Carlo, un método estadístico numérico para aproximar expresiones matemáticas complejas. Explica que el método involucra la generación de números pseudoaleatorios en una computadora para simular experimentos. Luego detalla algunas ventajas y aplicaciones del método, como proporcionar soluciones probabilísticas y gráficas, y su uso en criptografía, diseño de reactores nucleares, y valoración de carteras de valores.
Este documento presenta un análisis de sensibilidad e incertidumbre para un accidente de pérdida de refrigeración (LBLOCA) en un reactor de agua a presión típico usando metamodelos. Se seleccionaron 22 parámetros de entrada y se realizaron 100 simulaciones variando estos parámetros. Se construyó un metamodelo para predecir la temperatura pico de vaina y se calcularon los índices de Sobol' para determinar qué parámetros influyen más. Los resultados mostraron que el tamaño de
El método de Monte Carlo es un método estadístico que proporciona soluciones aproximadas a problemas matemáticos mediante simulaciones con números aleatorios. Se utiliza para identificar tendencias, generar muestras aleatorias y analizar incertidumbre en áreas como finanzas, física e ingeniería. Un ejemplo muestra cómo maximizar los beneficios de pedidos mediante simulaciones de Monte Carlo.
El documento presenta una introducción a la investigación de operaciones (IO). Explica que la IO usa el método científico para modelar problemas del mundo real y encontrar soluciones óptimas mediante el uso de técnicas matemáticas. También describe los pasos típicos del método científico aplicado en la IO, incluyendo la delimitación del problema, modelación, resolución del modelo, verificación y conclusión.
El método Montecarlo permite obtener soluciones de problemas matemáticos o físicos mediante pruebas aleatorias repetidas. Se originó en los años 1940 para simular la difusión de neutrones en materiales de fusión como parte del proyecto de la bomba atómica. Posteriormente se desarrolló teóricamente para resolver problemas cuya complejidad computacional crece exponencialmente. Los algoritmos Montecarlo se basan en generar números aleatorios de acuerdo a distribuciones de probabilidad y repetir el proceso hasta obtener una muestra estadí
Este documento explica lo que hay detrás de un modelo matemático. Se utilizan modelos cuando no se puede usar la realidad directamente, por razones como el tiempo, el tamaño o la dificultad. Un modelo matemático tiene varias partes: una formulación matemática de las ecuaciones del fenómeno, una forma de resolver las ecuaciones, y una comprobación de los resultados. También requiere obtener los parámetros de entrada y tomar decisiones sobre cómo aplicar el modelo. Aunque los modelos no son infalibles, son una herramienta ú
Este documento describe diferentes tipos de modelos empleados en ingeniería. Explica que los modelos icnográficos incluyen diagramas, planos y fotografías, y se asemejan a la realidad con bajo costo y comprensión inmediata. Los modelos analógicos se comportan como la realidad para sistemas dinámicos difíciles de representar icnográficamente. Los modelos digitales o matemáticos representan entidades y actividades mediante variables y funciones matemáticas para predecir valores. La optimización busca encontrar
Este documento describe el uso del método Monte Carlo para generar diagramas de fases. Se programa el método Monte Carlo Metrópolis en Matlab para mostrar las configuraciones que minimizan la energía de un sistema y observar su comportamiento. También se analizan variables termodinámicas como la temperatura y energía total a lo largo del tiempo. Se explican dos códigos, uno para dinámica molecular y otro para aplicar Monte Carlo. Los resultados muestran diagramas de fase y gráficas de la evolución de la energía potencial y cinética.
Este documento describe dos enfoques para la determinación de la incertidumbre: el enfoque de modelamiento (bottom-up) y el enfoque empírico (top-down). El enfoque de modelamiento implica descomponer el proceso de medición en componentes individuales y cuantificar la contribución de cada uno a la incertidumbre combinada. El enfoque empírico se basa en datos de validación a largo plazo como estudios colaborativos. También presenta métodos como el diseño experimental y la estimación para evaluar las componentes de
Este documento describe dos enfoques para la determinación de la incertidumbre: el enfoque de modelamiento (bottom-up) y el enfoque empírico (top-down). El enfoque de modelamiento implica descomponer el proceso de medición en componentes individuales y cuantificar la contribución de cada uno a la incertidumbre combinada. El enfoque empírico se basa en datos de validación a largo plazo como estudios colaborativos. También presenta métodos como el diseño experimental y la estimación para evaluar las fuentes de
Medición de la calidad y el servicios (estadística)Miroslava T M
El documento describe las siete herramientas de Ishikawa para el control y mejora de la calidad, incluyendo plantillas, histogramas, diagramas de Pareto, diagramas causa-efecto, diagramas bivariantes, estratificación y gráficos de control. Explica cómo cada herramienta tiene un propósito específico y cómo su uso conjunto permite resolver problemas relacionados con la calidad.
Este documento presenta los objetivos y esquema de un curso de introducción a la econometría aplicada a las finanzas. Explica que los métodos de simulación como la simulación de Montecarlo y el bootstrapping permiten conducir experimentos bajo condiciones controladas para determinar el efecto de cambios en variables financieras. Describe los pasos para realizar simulaciones de Montecarlo y bootstrapping, incluyendo la generación de datos, regresiones y parámetros de interés de forma repetida.
Este documento presenta una introducción a la teoría de las matemáticas en la administración. Explica que esta teoría se aplica a procesos decisorios programables y permite crear modelos de simulación. También describe algunas técnicas clave como la teoría de juegos, teoría de colas, programación lineal y cómo clasifica los problemas por su complejidad. Finalmente, resume los pasos del método de acción de investigación de operaciones para resolver problemas.
REGRESIÓN LOGÍSTICA CON PROC SURVEYLOGISTIC DE SASHector Oses Rosa
Este documento describe el uso de la regresión logística con datos de encuestas complejas usando el procedimiento PROC SURVEYLOGISTIC de SAS. Explica que mientras PROC LOGISTIC asume un muestreo aleatorio simple, PROC SURVEYLOGISTIC incorpora información del diseño de muestreo complejo como estratificación y agrupamiento para producir estimaciones válidas. Detalla la sintaxis de PROC SURVEYLOGISTIC y presenta un ejemplo de código SAS y resultados. Además, explica el método computacional usado
Este documento presenta una introducción al análisis numérico. Explica que el análisis numérico es una rama de las matemáticas que describe, analiza y crea algoritmos para resolver problemas matemáticos que involucran cantidades numéricas con precisión determinada. También destaca algunas aplicaciones del análisis numérico en ingeniería, como modelar el comportamiento de estructuras, simular la interacción entre sólidos con diferentes comportamientos, y generar laboratorios virtuales para modelar fenómenos físicos.
Este documento presenta los conceptos básicos de la simulación computacional con C#, incluyendo el modelo de simulación, los parámetros, datos de entrada, ejecución y resultados. Explica cómo generar números aleatorios y cargar datos reales desde archivos para alimentar la simulación. También describe el manejo del tiempo discreto y el uso de colas para simular la llegada de eventos a lo largo del tiempo en la ejecución de la simulación. Finalmente, presenta algunos ejemplos de simulación como la llegada de clientes a cajas en
Unidad 4 tema 7 - equipo dcs - deteccion de fallas acpicegudomonagas
Este documento presenta diferentes métodos estadísticos para la detección de fallas en procesos industriales, incluyendo análisis de componentes principales, análisis discriminante de Fisher, y análisis discriminante generalizado. Estos métodos utilizan datos históricos del proceso para generar patrones que permitan identificar condiciones de falla, lo cual tiene ventajas sobre métodos basados en modelos matemáticos precisos. El documento también discute el papel de los sistemas SCADA en la detección de fallas y la import
Este documento describe el análisis exploratorio de curvas epidémicas temporales mediante gráficos. Explica que la exploración gráfica es fundamental para seleccionar el modelo de análisis cuantitativo apropiado. Detalla variables como la intensidad de enfermedad, tiempo de inicio, duración total que se pueden observar en las curvas y cómo estas pueden verse afectadas por factores como el patosistema. El objetivo es que los estudiantes generen gráficos de curvas epidémicas y exploren sus características antes de
El documento describe los pasos de varios métodos analíticos para determinar propiedades físico-químicas en alimentos. Se propone un modelo para estimar la incertidumbre expandida de dichos métodos mediante la identificación y clasificación de las fuentes de incertidumbre, y la aplicación de la ley de propagación de incertidumbre. Se incluyen ejemplos del cálculo para los métodos de humedad en harina y ceniza en harina.
Este documento presenta una introducción a los diferentes métodos de medición utilizados en metrología. Describe brevemente los métodos de medición directa, indirecta, por sustitución, diferencial, por nulo o cero, e incluye definiciones clave como principio de medición, método de medición, procedimiento de medición y proceso de medición. El documento también clasifica los métodos de acuerdo a su origen como normalizados, desarrollos internos o no normalizados.
Este documento describe el proceso de control de calidad y los gráficos de control utilizados para este propósito. Explica las etapas del proceso de control de calidad como elegir los puntos y características de control, establecer estándares, medir el rendimiento, comparar los resultados e implementar acciones correctivas. También describe dos tipos de gráficos de control (variables y atributos) y cómo se usan para identificar variaciones no naturales que requieren acción. El objetivo general es mantener los procesos bajo control estadístico median
Se ha desarrollado un nuevo software de optimización de la cadena de suministros en el sector automovilístico que incorpora funciones estocásticas para representar la incertidumbre. El proyecto se ha enfocado en el tratamiento de la incertidumbre mediante el análisis de escenarios y su conexión con técnicas de computación paralela. Se ha utilizado la optimización estocástica a través del análisis de escenarios para resolver el problema, lo que requiere modelizar de forma realista la incertidumbre
El método de Monte Carlo es un método estadístico que proporciona soluciones aproximadas a problemas matemáticos mediante simulaciones con números aleatorios. Se utiliza para identificar tendencias, generar muestras aleatorias y analizar incertidumbre en áreas como finanzas, física e ingeniería. Un ejemplo muestra cómo maximizar los beneficios de pedidos mediante simulaciones de Monte Carlo.
El documento presenta una introducción a la investigación de operaciones (IO). Explica que la IO usa el método científico para modelar problemas del mundo real y encontrar soluciones óptimas mediante el uso de técnicas matemáticas. También describe los pasos típicos del método científico aplicado en la IO, incluyendo la delimitación del problema, modelación, resolución del modelo, verificación y conclusión.
El método Montecarlo permite obtener soluciones de problemas matemáticos o físicos mediante pruebas aleatorias repetidas. Se originó en los años 1940 para simular la difusión de neutrones en materiales de fusión como parte del proyecto de la bomba atómica. Posteriormente se desarrolló teóricamente para resolver problemas cuya complejidad computacional crece exponencialmente. Los algoritmos Montecarlo se basan en generar números aleatorios de acuerdo a distribuciones de probabilidad y repetir el proceso hasta obtener una muestra estadí
Este documento explica lo que hay detrás de un modelo matemático. Se utilizan modelos cuando no se puede usar la realidad directamente, por razones como el tiempo, el tamaño o la dificultad. Un modelo matemático tiene varias partes: una formulación matemática de las ecuaciones del fenómeno, una forma de resolver las ecuaciones, y una comprobación de los resultados. También requiere obtener los parámetros de entrada y tomar decisiones sobre cómo aplicar el modelo. Aunque los modelos no son infalibles, son una herramienta ú
Este documento describe diferentes tipos de modelos empleados en ingeniería. Explica que los modelos icnográficos incluyen diagramas, planos y fotografías, y se asemejan a la realidad con bajo costo y comprensión inmediata. Los modelos analógicos se comportan como la realidad para sistemas dinámicos difíciles de representar icnográficamente. Los modelos digitales o matemáticos representan entidades y actividades mediante variables y funciones matemáticas para predecir valores. La optimización busca encontrar
Este documento describe el uso del método Monte Carlo para generar diagramas de fases. Se programa el método Monte Carlo Metrópolis en Matlab para mostrar las configuraciones que minimizan la energía de un sistema y observar su comportamiento. También se analizan variables termodinámicas como la temperatura y energía total a lo largo del tiempo. Se explican dos códigos, uno para dinámica molecular y otro para aplicar Monte Carlo. Los resultados muestran diagramas de fase y gráficas de la evolución de la energía potencial y cinética.
Este documento describe dos enfoques para la determinación de la incertidumbre: el enfoque de modelamiento (bottom-up) y el enfoque empírico (top-down). El enfoque de modelamiento implica descomponer el proceso de medición en componentes individuales y cuantificar la contribución de cada uno a la incertidumbre combinada. El enfoque empírico se basa en datos de validación a largo plazo como estudios colaborativos. También presenta métodos como el diseño experimental y la estimación para evaluar las componentes de
Este documento describe dos enfoques para la determinación de la incertidumbre: el enfoque de modelamiento (bottom-up) y el enfoque empírico (top-down). El enfoque de modelamiento implica descomponer el proceso de medición en componentes individuales y cuantificar la contribución de cada uno a la incertidumbre combinada. El enfoque empírico se basa en datos de validación a largo plazo como estudios colaborativos. También presenta métodos como el diseño experimental y la estimación para evaluar las fuentes de
Medición de la calidad y el servicios (estadística)Miroslava T M
El documento describe las siete herramientas de Ishikawa para el control y mejora de la calidad, incluyendo plantillas, histogramas, diagramas de Pareto, diagramas causa-efecto, diagramas bivariantes, estratificación y gráficos de control. Explica cómo cada herramienta tiene un propósito específico y cómo su uso conjunto permite resolver problemas relacionados con la calidad.
Este documento presenta los objetivos y esquema de un curso de introducción a la econometría aplicada a las finanzas. Explica que los métodos de simulación como la simulación de Montecarlo y el bootstrapping permiten conducir experimentos bajo condiciones controladas para determinar el efecto de cambios en variables financieras. Describe los pasos para realizar simulaciones de Montecarlo y bootstrapping, incluyendo la generación de datos, regresiones y parámetros de interés de forma repetida.
Este documento presenta una introducción a la teoría de las matemáticas en la administración. Explica que esta teoría se aplica a procesos decisorios programables y permite crear modelos de simulación. También describe algunas técnicas clave como la teoría de juegos, teoría de colas, programación lineal y cómo clasifica los problemas por su complejidad. Finalmente, resume los pasos del método de acción de investigación de operaciones para resolver problemas.
REGRESIÓN LOGÍSTICA CON PROC SURVEYLOGISTIC DE SASHector Oses Rosa
Este documento describe el uso de la regresión logística con datos de encuestas complejas usando el procedimiento PROC SURVEYLOGISTIC de SAS. Explica que mientras PROC LOGISTIC asume un muestreo aleatorio simple, PROC SURVEYLOGISTIC incorpora información del diseño de muestreo complejo como estratificación y agrupamiento para producir estimaciones válidas. Detalla la sintaxis de PROC SURVEYLOGISTIC y presenta un ejemplo de código SAS y resultados. Además, explica el método computacional usado
Este documento presenta una introducción al análisis numérico. Explica que el análisis numérico es una rama de las matemáticas que describe, analiza y crea algoritmos para resolver problemas matemáticos que involucran cantidades numéricas con precisión determinada. También destaca algunas aplicaciones del análisis numérico en ingeniería, como modelar el comportamiento de estructuras, simular la interacción entre sólidos con diferentes comportamientos, y generar laboratorios virtuales para modelar fenómenos físicos.
Este documento presenta los conceptos básicos de la simulación computacional con C#, incluyendo el modelo de simulación, los parámetros, datos de entrada, ejecución y resultados. Explica cómo generar números aleatorios y cargar datos reales desde archivos para alimentar la simulación. También describe el manejo del tiempo discreto y el uso de colas para simular la llegada de eventos a lo largo del tiempo en la ejecución de la simulación. Finalmente, presenta algunos ejemplos de simulación como la llegada de clientes a cajas en
Unidad 4 tema 7 - equipo dcs - deteccion de fallas acpicegudomonagas
Este documento presenta diferentes métodos estadísticos para la detección de fallas en procesos industriales, incluyendo análisis de componentes principales, análisis discriminante de Fisher, y análisis discriminante generalizado. Estos métodos utilizan datos históricos del proceso para generar patrones que permitan identificar condiciones de falla, lo cual tiene ventajas sobre métodos basados en modelos matemáticos precisos. El documento también discute el papel de los sistemas SCADA en la detección de fallas y la import
Este documento describe el análisis exploratorio de curvas epidémicas temporales mediante gráficos. Explica que la exploración gráfica es fundamental para seleccionar el modelo de análisis cuantitativo apropiado. Detalla variables como la intensidad de enfermedad, tiempo de inicio, duración total que se pueden observar en las curvas y cómo estas pueden verse afectadas por factores como el patosistema. El objetivo es que los estudiantes generen gráficos de curvas epidémicas y exploren sus características antes de
El documento describe los pasos de varios métodos analíticos para determinar propiedades físico-químicas en alimentos. Se propone un modelo para estimar la incertidumbre expandida de dichos métodos mediante la identificación y clasificación de las fuentes de incertidumbre, y la aplicación de la ley de propagación de incertidumbre. Se incluyen ejemplos del cálculo para los métodos de humedad en harina y ceniza en harina.
Este documento presenta una introducción a los diferentes métodos de medición utilizados en metrología. Describe brevemente los métodos de medición directa, indirecta, por sustitución, diferencial, por nulo o cero, e incluye definiciones clave como principio de medición, método de medición, procedimiento de medición y proceso de medición. El documento también clasifica los métodos de acuerdo a su origen como normalizados, desarrollos internos o no normalizados.
Este documento describe el proceso de control de calidad y los gráficos de control utilizados para este propósito. Explica las etapas del proceso de control de calidad como elegir los puntos y características de control, establecer estándares, medir el rendimiento, comparar los resultados e implementar acciones correctivas. También describe dos tipos de gráficos de control (variables y atributos) y cómo se usan para identificar variaciones no naturales que requieren acción. El objetivo general es mantener los procesos bajo control estadístico median
Se ha desarrollado un nuevo software de optimización de la cadena de suministros en el sector automovilístico que incorpora funciones estocásticas para representar la incertidumbre. El proyecto se ha enfocado en el tratamiento de la incertidumbre mediante el análisis de escenarios y su conexión con técnicas de computación paralela. Se ha utilizado la optimización estocástica a través del análisis de escenarios para resolver el problema, lo que requiere modelizar de forma realista la incertidumbre
Similar a 2.- DETERMINACIÓN_INCERTIDUMBRE_MÉTODO_MONTE_CARLO.pdf (20)
Estilo Arquitectónico Ecléctico e Histórico, Roberto de la Roche.pdfElisaLen4
Un pequeño resumen de lo que fue el estilo arquitectónico Ecléctico, así como el estilo arquitectónico histórico, sus características, arquitectos reconocidos y edificaciones referenciales de dichas épocas.
1. Tecnología Química
ISSN: 0041-8420
revista.tec.quimica@fiq.uo.edu.cu
Universidad de Oriente
Cuba
Portuondo Paisan, Yoel; Portuondo Moret, Juan
DETERMINACIÓN DE LA INCERTIDUMBRE DE MEDICIÓN POR EL MÉTODO DE
MONTE CARLO EN LOS PROCESOS DE MANUFACTURA
Tecnología Química, vol. XXVIII, núm. 3, septiembre-diciembre, 2008, pp. 56-62
Universidad de Oriente
Santiago de Cuba, Cuba
Disponible en: http://www.redalyc.org/articulo.oa?id=445543757007
Cómo citar el artículo
Número completo
Más información del artículo
Página de la revista en redalyc.org
Sistema de Información Científica
Red de Revistas Científicas de América Latina, el Caribe, España y Portugal
Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto
2. TECNOLOGÍA QUÍMICA Vol. XXVIII, No. 3, 2008
56
DETERMINACIÓN DE LA INCERTIDUMBRE DE
MEDICIÓN POR EL MÉTODO DE MONTE CARLO EN LOS
PROCESOS DE MANUFACTURA
Yoel Portuondo Paisan, Juan Portuondo Moret
Facultad de Ingeniería Mecánica, Universidad de Oriente
El conocimiento y la expresión de la incertidumbre de medición constituyen una parte indisoluble
de los resultados de las mediciones, así como un elemento indispensable de la trazabilidad de las
mediciones y en el control y regulación de los procesos de manufactura.
En el presente trabajo se lleva a cabo la determinación de la incertidumbre de medición a través
del método de simulación de Monte Carlo, a partir de la generación de valores aleatorios, con el
objetivo de comparar los resultados con los obtenidos por el método GUM (guía para la estimación
de la incertidumbre de medición). Como magnitud a medir, se utiliza el diámetro exterior de un eje
macizo, el cual fue obtenido por un proceso de manufactura (torneado), y como medio de medición
se emplea un micrómetro analógico. Los resultados obtenidos por ambos métodos se comparan
entre sí, llegándose de esta forma a importantes conclusiones.
Palabras clave: incertidumbre de medición, simulación 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.
_____________________
Introducción
Laincertidumbredemediciónsedefinecomoun
parámetro asociado con el resultado de una medi-
ción que caracteriza la dispersión de los valores que
pudieranseratribuidosrazonablementealmesurando
/1/. La misma es considerada también como un
parámetro de entrada fundamental para modelos
complejos de optimización en los procesos de fabri-
cación y aseguramiento de la calidad.
Para la evaluación de la incertidumbre de medi-
ción existen guías, normas y recomendaciones. En
siguientetrabajopersiguecomoobjetivosdeterminar
la incertidumbre de medición por los métodos de
simulación de Monte Carlo y por el GUM, y compa-
rar los resultados obtenidos por ambos métodos.
Gracias a la constante evolución de las
microcomputadoras, en lo que se refiere a su capa-
cidaddeprocesamientodelainformación,elmétodo
de Monte Carlo es cada vez más utilizado.
Los orígenes de esta técnica están ligados al
trabajo desarrollado por Stan Ulam y John Von
Neumannafinalesdelos40,enellaboratoriodeLos
Alamos,cuandoinvestigabanelmovimientoaleato-
rio de los neutrones. En años posteriores, la simula-
ción de Monte Carlo se ha venido aplicando a una
infinidad de ámbitos como alternativa a los modelos
matemáticos exactos o, además, como único medio
de estimar soluciones para problemas complejos.
Así, en la actualidad, es posible encontrar modelos
que hacen uso de simulación Monte Carlo en las
áreas informática, empresarial, económica, indus-
trialeinclusosocial.Enotraspalabras,lasimulación
de Monte Carlo está presente en todos aquellos
ámbitos en los que el comportamiento aleatorio o
probabilístico desempeña un papel fundamental.
Precisamente, el nombre de Monte Carlo provie-
3. TECNOLOGÍA QUÍMICA Vol. XXVIII, No. 3, 2008
57
ne de la famosa ciudad de Mónaco, donde abun-
dan los casinos de juego y donde el azar, la
probabilidad y el comportamiento aleatorio con-
forman todo un estilo de vida.
Fundamentación teórica
LasimulacióndeMonteCarloesunaherramien-
ta de investigación y planeamiento; básicamente es
una técnica de muestreo artificial, empleada para
operar numéricamente sistemas complejos que ten-
gan componentes aleatorios, en otras palabras, es
una técnica que combina conceptos estadísticos
(muestreo aleatorio) con la capacidad que tienen los
ordenadoresparagenerarnúmerospseudo-aleatorios
y automatizar cálculos.
Un elemento importante en los procesos de
simulación es identificar las distribuciones de
probabilidad apropiadas para los datos. Esto, nor-
malmente, requiere analizar información empírica
o histórica, y ajustarla a alguna distribución.
El método de Monte Carlo (MCM) es un
método probabilistico o estocástico, mientras que
la GUM utiliza métodos determinísticos de esta-
dística clásica (frecuentista) para la evaluación
de de incertidumbre tipo A, y lleva a cabo la
evaluación de incertidumbres tipo B y la combina-
ción de incertidumbres con el método Bayesiano
de soluciones analíticas.
La diferencia básica consiste en que la esta-
dística clásica (frecuentista) utiliza solamente la
información provista por la muestra, mientras que
la estadística Bayesiana permite utilizar
adicionalmente el conocimiento subjetivo que se
tenga (como aproximaciones con series de Taylor
o suponer distribuciones), y el método estocástico
se entiende como una secuencia de estados, cuya
evaluación viene determinada por sucesos al azar,
donde las leyes de causa efecto no explican cómo
actúa un sistema o fenómeno de manera
determinista, sino en función de probabilidades.
El MCM es una alternativa práctica a la GUM
cuando:
a) La linealización del modelo (del mensurando)
provee una inadecuada representación. En este
caso, la estimación de la magnitud de salida
(mensurando) y su incertidumbre estándar aso-
ciadaprovistaporlaGUM,podríanoserconfiable.
b) La función de densidad de probabilidad (PDF)
para la magnitud de salida (mensurando) se
aparta, apreciablemente, de una distribución
gaussiana o de una distribución-t escalada y
sesgada, debida a una marcada asimetría. En
este caso, el resultado es un intervalo de cober-
tura irreal (una generalización de “incertidum-
bre expandida” en la GUM).
c) Es necesario validar los resultados del método
GUM, proceso crítico, como los de acredita-
ción ISO/IEC 17025, ensayos de aptitud y
comparaciones entre laboratorios.
Métodos utilizados y condiciones
experimentales
Para llevar a cabo la experimentación, se
fabricó un cilindro macizo de bronce a través del
torneado. El diámetro de dicho cilindro se midió
con un micrómetro con valor de división del tam-
bor 0,01 mm y error máximo permisible 4 µm
(clase I). La medición se realizó en un laboratorio
de mediciones a 20 0
C de temperatura. Para tener
en cuenta las imperfecciones del cilindro, se midió
el diámetro en cinco puntos diferentes del mismo,
distribuidos a lo largo de su eje, apreciando ½
división en el tambor (0,005 mm). Se desea deter-
minar el diámetro del cilindro, para comprobar si
el mismo cumple con una tolerancia de fabrica-
ción de ± 0,05 mm. En la tabla 2 se muestran los
valores de las mediciones obtenidas.
Los métodos utilizados para la estimación de la
incertidumbre son el método GUM y el método de
MonteCarlo,loscualessedescribenacontinuación:
Determinación de la incertidumbre de medi-
ción por el método GUM (Guía para la estimación
de la incertidumbre de medición)
Para la aplicación de la metodología deben
aplicarse los siguientes pasos:
a) Establecer el modelo matemático.
b) Identificar las fuentes de incertidumbre.
c) Evaluación de las fuentes o componentes de
incertidumbre.
d) Determinación de la incertidumbre combinada.
e) Determinación de la incertidumbre expandida.
f) Determinación del resultado de la medición.
5. TECNOLOGÍA QUÍMICA Vol. XXVIII, No. 3, 2008
59
a) Establecer el modelo matemático
Representa la dependencia entre el mensurando
(Y) y el valor estimado de cada magnitud de
entrada (Xi) en el proceso de medición
Y= F(X1, X2, X3) (1)
donde:
X1
, u1
X2
, u2
→ Y=f(x) → y, u(y)
X3
, u3
b) Fuentes de incertidumbre
- Variación de las observaciones repetidas
- Error del instrumento de medición
- Error de apreciación del observador
c) Evaluacióndelascomponentesdeincertidumbre.
- Componente debida a la dispersión de las
observaciones (evaluación tipo A).
u1 = (2)
- Componente debida al error del instrumento de
medición (evaluación tipo B).
Como medida del error del instrumento, se
toma su error máximo permisible y se plica una
distribución rectangular:
u2
= (3)
- Componente debida a la apreciación del obser-
vador (evaluación tipo B).
Durante la medición, se apreció ½ división del
tambor, es decir 0,005 mm, por lo que, debido
a la resolución, existe otra componente de
incertidumbre:
u3
= (4)
d) Determinación de la incertidumbre combinada.
Aplicando la ley de propagación cuadrática de
incertidumbre a la ecuación modelo se tiene
que:
(5)
e) Determinación de la incertidumbre expandida.
U = K. )
(y
uc (6)
K = 2 factor de cobertura
f) Resultado de la medición.
y = X ± U (7)
Determinación de la incertidumbre de
medición por el método de Monte Carlo
La clave de la simulación Monte Carlo consiste
encrearunmodelomatemáticodelsistema,proceso
o actividad que se quiere analizar, identificando
aquellasvariables(inputsdelmodelo),cuyocompor-
tamientoaleatoriodeterminaelcomportamientoglo-
bal del sistema. Una vez identificados dichos inputs
o variables aleatorias, se lleva a cabo un experimen-
toconsistenteen:1generarconayudadelordenador
muestras aleatorias (valores concretos) para dichos
inputs, y 2 analizar el comportamiento del sistema
ante los valores generados. Tras repetir n veces este
experimento,sedisponedenobservacionessobreel
comportamientodelsistema,locualserádeutilidad
para entender el funcionamiento del mismo; obvia-
mente, el análisis será tanto más preciso cuanto
mayor sea el número n de experimentos que se
lleven a cabo.
El algoritmo de simulación Monte Carlo está
fundamentado en la generación de números
aleatorios por el método de transformación inver-
sa, el cual se basa sobre las distribuciones acumu-
ladas de frecuencias (tabla 1).
El algoritmo para seguir es el siguiente:
1. Determinar la/s variable/s aleatoria/s y sus
distribuciones acumuladas (F).
2. Generar un número aleatorio distribuido uni-
formemente entre (0 y 1).
3. Determinar el valor de la variable aleatoria
para el número aleatorio generado de acuerdo
con las clases que se tengan.
4. Calcular media, desviación estándar.
5. Analizar resultados para distintos tamaños de
muestra.
n
S
t.
3
m
E
12
d
δ
∑
=
=
n
i
i
c x
u
y
u
1
2
)
(
)
(
6. TECNOLOGÍA QUÍMICA Vol. XXVIII, No. 3, 2008
60
Tabla 2
Para el caso de estudio, la variable aleatoria es
el diámetro del eje x. Se conoce de información
empírica que los datos generados se ajustan a una
distribución normal. Los datos fueron generados
con ayuda de la hoja de cálculo de Microsoft
Excel, por lo que la fórmula utilizada para la
distribución normal fue:
fx=DISTR.NORM.INV(ALEATORIO(),µ,σ) (8)
Los parámetros µ,σ (media y desviación
estándar) se conocen que tienen los siguientes
valores µ = 10,042 mm s = 0,002 55 mm. Estos
valores fueron obtenidos del resultado arrojado
por el método GUM.
El modelo matemático es similar al obtenido por
elmétodoGUM, lascomponentesdeincertidumbre
tipo B, es decir u2 y u3 siguen una distribución
rectangular, y fueron calculadas de igual forma que
por el método GUM. La componente u1 es debida a
la dispersión de las observaciones (tipo A), las
cualessongeneradasysedistribuyennormalmente;
laexpresióndecálculoeslamisma,peroseobtienen
valores diferentes debido a la antes mencionada
generacióndevalores.La incertidumbre combina-
da y la expandida se hallan de igual forma que por
el método GUM.
Tabla 3
Tabla 4
En la tabla 4 se muestran los resultados obte-
nidos por ambos métodos. La componente de
incertidumbre debido a las observaciones repeti-
das u1 es ligeramente menor por el método de
Monte Carlos; en ambos casos, se utilizó una
muestra de tamaño n = 5.
7. TECNOLOGÍA QUÍMICA Vol. XXVIII, No. 3, 2008
61
Las componentes de incertidumbres u2 y u3
arrojaron el mismo valor para ambos métodos,
debido a que se utilizaron las mismas expresiones
de cálculos, y no se generaron valores aleatorios
para ambas componentes por el método de Monte
Carlos. La incertidumbre de medición U resultó
ser menor por el método de Monte Carlos aunque
la diferencia entre ambos resultados no es signi-
ficativa. La incertidumbre resultó ser 8,4 veces
menor que la tolerancia permitida de fabricación
de la pieza por el método de Monte Carlo, y 5,6
veces menor por el método GUM
Ya que la incertidumbre de medición por am-
bos métodos está comprendida entre ¼ T y 1/10
T (0,013 y 0,005), el resultado obtenido es satis-
factorio.
En la tabla 5 se muestran valores de incerti-
dumbres para diferentes tamaños 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 así
sucesivamente. Se aprecia que los valores de
incertidumbres disminuyen a medida que aumen-
ta el número de muestra.
4
,
8
00590
,
0
050
,
0
=
=
µ
T
6
,
5
00898
,
0
050
,
0
=
=
U
T
Tabla 5
Las figuras 1 y 2 representan los histogramas
de frecuencias para las muestras de tamaño
n= 100 y n= 200. Debido a la forma de ambos
histogramas, se puede inferir que los valores se
distribuyen de acuerdo con una distribución
normal.
Fig. 1 Histograma de frecuencia para
muestra de tamaño n= 100.
Fig. 2 Histograma de frecuencia para
muestra de tamaño n=2 00.
Conclusiones
1. Se ha expuesto la estimación de incertidumbres
para el diámetro de una pieza cilíndrica a la
temperatura de referencia de 20 °C. Los valo-
res de incertidumbre obtenidos por ambos mé-
todos son muy cercanos entre sí.
2. Ladistribucióndeprobabilidaddelmensurando,
8. TECNOLOGÍA QUÍMICA Vol. XXVIII, No. 3, 2008
62
así como sus principales parámetros estadísti-
cos, puede obtenerse fácilmente mediante la
aplicación del método de Monte Carlos.
3. Aunque los valores obtenidos por el método de
Monte Carlos fueron ligeramente menores que
los obtenidos por el método GUM, no se puede
afirmar que este método es superior, pero
puede utilizarse para validar los resultados ob-
tenidos mediante la aplicación de la GUM.
Bibliografia
1 Wolfgang, A., GUÍA PARA ESTIMAR LA INCER-
TIDUMBRE DE LA MEDICIÓN. El Marqués, Qro.,
México, 2004, págs. 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, págs. 1-6.
3 NMX-CH-140-IMNC-2002 Guía para la Expresión
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, págs.1-20.
4 NC OIML V2 , Vocabulario Internacional de tér-
minos generales y básicos de Metrología, 1era
Edición, Ciudad de La Habana, 1995, págs. 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,
págs. 1-13.
6 http://www.geocities.com/CollegePark/Quad/2435/
index.html Breve historia de los orígenes del méto-
do Monte Carlo.
7 http://wwwcsep1.phy.ornl.gov/mc/mc.html. Libro
electrónico sobre simulación MC
8 http://www.geocities.com/WallStreet/9245/
vba.htm. Página web donde se muestran algunos
ejemplos de simulación MC con Excel y VBA.
9 http://www.csun.edu/~vcmgt0j3/Ch12Notes.pdf.
Apuntes sobre simulación MC con Excel
Nomenclatura
MCM Método de Monte Carlo
GUM Guía para la estimación de la incertidum
bre de medición
PDF La función de densidad de probabilidad
DISTR.NORM.INV Distribución normal inversa
DISTR.LOG.INV Distribución logarítmica inversa
a Parámetro de la distribución
b Parámetro de la distribución
X Media aritmética
S Desviación típica
Em
Error máximo permisible
µm Micrómetro
n Número de mediciones
Resolución
σ
σ
σ
σ
σ Desviación típica poblacional
U Incertidumbre de medición
K Factor de cobertura
Incertidumbre combinada
Xi
Valores de los diámetros
T Tolerancia
U Incertidumbre
t t-student
u1
Incertidumbre estándar tipo A
u2
Incertidumbre estándar tipo B
u3
Incertidumbre estándar tipo B
fx función
d
δ
u