DISEMINACIN DE MASAS DE ALTA

EXACTITUD POR EL METODO

DE GAUSS MRKOV DESDE
1 mg HASTA 1 kg
Expositora: Luz Cori A.
Fecha 2012-05-17
1. MINIMOS CUADRADOS ORDINARIOS - MCO Y
GAUS MARKOV - GM
1.1. Modelo Matemtica MCO-GM
En este modelo de diseminacin se realiza una serie de comparaciones que a su vez
genera un nmero igual de ecuaciones en donde las incgnitas son los valores de
masa de las pesas (a excepcin de la pesa patrn involucrada), generalmente estos
modelos se usanpor dcadas de 1 kga 100g, de 100g a 10 g, de 1kga 10 kg
La solucin de estos sistemas de ecuaciones implica unmayor nmero de mediciones
y el uso de matemticas ms complejas que para la calibracin de pesas por
comparacin una a una, sin embargo, debido a la necesidad de generar la escala de
masa a partir de 1 kg y a la posibilidad de obtener resultados muy confiables al
introducir patrones de control, estos mtodos son recomendados para la calibracin
de pesas clase OIML E1
1.2. Mnimos cuadrados Ordinarios - MCO
En este mtodo, se analizaran los principales supuestos del estimador de mnimos
cuadrados ordinarios paso a paso donde se demuestra cada supuesto de: linealidad,
esperanza nula, insesgadez, ausencia de autocorrelacin, matriz de varianza y
covarianza, en presencia de una matriz de varianza y covarianza de los errores, para
llegar al menor estimado.
Para este mtodo consideramos el modelo lineal general, (1)
donde es el error, es el mejor estimado del modelo lineal y X es la matriz de
diseo, y la matriz columna Y se obtiene de la siguiente ecuacin
donde: es la diferencia del patrn y la muestra de un ciclo de
mediciones
es la densidad del aire por la suma de volmenes de la pesas
del patrn y la muestra

+ =
.
X Y


( )
i ai i i
Vx Vp m y + A =

i
m A
( )
i ai
Vx Vp

Supuestos del Estimador de Mnimos Cuadrados

Ordinarios
S1-Linealidad:
El modelo sigue siendo lineal en el vector de parmetros y la
variable dependiente Y es una funcin lineal de , tal como se observa en la
siguiente ecuacin:
(2)
Para comprobar que los parmetros estimados son una combinacin lineal de las
perturbaciones aleatorias del modelo basta con sustituir Y por su expresin
completa (ecuacin2)
Entonces tenemos:
(3)
| | | |
.

.
=
=
X X X X Y X X X
X X Y X
T
1
T T
1
T
T T
| | Y X X X
T
1
T

.
=
| |
| |
| | | | | |

T
1
T T
1
T
T
1
T
T
1
T
X X X X X X X
X X X X
Y X X X

.

.
+ =
+ =
=
) (
| |
T
1
T
X X X

.
+ =

+ =
.
X Y

.

S2-Esperanza nula
otro supuesto de MCO indica que es el error del ajuste, cuya esperanza
matemticamentees cero.
S3-Insesgadez
En primer lugar, contar con un estimador insesgado nos asegura que el valor esperado
de nuestro clculo coincide con el valor real del parmetro. Este requisito es
fundamental a la hora de realizar una estimacin. Partiendo de la ec. (3)
(4)
Entonces se cumple la insesgades tal como se muestra en la ecuacin (4)
0 ) ( = E
| |
| | | |
( ) | |
0 ) (
) ( ) (
) (
=
+ =
+ =
+ =

E
E X X X E E
X X X E E
X X X
T
1
T
T
1
T
T
1
T
=
.
) ( E

S4-Ausencia de autocorrelacin
Este supuesto indica que la variable y las perturbaciones no estn correlacionadas es
decir no existe autocorrelacinentre los errores; por lo tanto la covarianza (Cov) de los
errores es igual a cero, =0 , lo cual implica que no existe autocorrelacinen la variable
dependiente, es decir, Cov (Y
i
, Y
j
) =0.
(5)
S5-Matriz de varianza covarianza
Llevndolo a su forma matricial : (6)
donde fi es un valor arbitrario.
) ( 0 ) ( ) ( ) , cov(

= = = t E E
t t
| | { }
) ,..., 2 , 1 ( ) ( ) (
) ( ) (
2
2
n t E Var
E E Var
t t
t t t
= =
=


= ) (
T
E

| | | |
) ( )] ( ) [( ] ) [(
)) ( )( ( )) ( ))( ( ( ) , cov(




t t t
t t t t
E E E E
E E E E E
= =
= =
Varianza del estimador :
Para obtener la mnima varianza de MCO se obtiene la varianza del estimador
usando la ecuacin (4) tenemos
Usando la ecuacin (3) tenemos
de la ecuacin (6) se tiene fi:
El mtodo de MCO no es el mejor estimado de la mnima varianza por el valor arbitrario
que proporciona este mtodo. Por esta razn se dice que MCO no es eficiente.

(

=
. . . . .
T
)) E( - ))( E( - ( E ) var(

(

=
. . .
T
) - )( - ( E ) var(
.
.

| |
T
1
T
X X X

.
+ =

| | | | | | | | | |
| | | | X X X E X X X ) var(
X X X X X X E ) var(
1 T T T
1
T
T T 1 T T
1
T

.
=
=
) (



| | | |
1
T T
I
T
1
T
X X E X X X X ) var(

.
=

) (

| | | |
1
T
MCO
1
T
X X ) var( X X ) var(

.

.
= ~ =
Se puede obtener la mnima varianza de
solo si : donde :
Siendo una matriz simtrica, definida positiva.
y es homocedastica y no correlativa, entonces, se tendra:
Como se menciono anteriormente aqu no se ha demostrado que sea homocedastica, en GM
se demostrara este supuesto.

I
2
=

) var(
.

| |
1 T
X X ) var(

.
=
2

I
p n
X Y X Y
I
T
i i i i
.
) )( (
2

=
1.1. Metodo de Gauss Markov GM
El Metodo de Gauss Markov afirma que la estimacin por mnimos cuadrados
generalizados del modelo terico de regresin es ptima en el sentido de que hace
mnimo el mdulo del vector de residuos (mnima varianza).
S6-Supuesto de Homocedasticidad
Se dice que existe homocedasticidadcuando la varianza de los errores de la regresin
es la mismapara cada observacini (de 1a n observaciones), es decir:
donde es un escalar constante para todo i. Lo que significara que habra una
distribucinde probabilidadde idntica amplitudpara cada variable aleatoria.
Esta cualidad es necesaria, segn el teorema de Gauss Mrkov, para que en un
modelo los coeficientes estimados sean los mejores o eficientes, lineales e
insesgados.
Entonces la varianza de es la mismapara todas las observaciones
Enel modelo la matriz de varianzas de los errores es de la forma
(7)

n i E
i
, 1 ) (
2 2
= =


2

| | { }
) ,..., 2 , 1 ( ) ( ) (
) ( ) (
2 2
2
n t E Var
E E Var
t t
t t t
= = =
=



= = I E
T 2
) (
Entonces homocedasticidad significa igual dispersin, en otras palabras significa
que las poblaciones Y correspondientes a diversos valores de X tienen la misma
varianza .
Transformando el modelo inicial de una forma conveniente de modo
que se cumplan todos los supuestos de Gauss Markov (supuesto de
homocedasticidad)
Definimos la matriz como simtricay positiva.
Ahora esta matriz debe ser igual a una matriz Q que es simtrica y no singular.
Entonces definimos la matriz conlas siguientes propiedades:
(8)
Se considera la siguiente transformacin del modelo lineal general multiplicando por

+ =
.
X Y

QQ =
2

1
Q

* * * 1 1 1
+ = + = + =

X Y Q X Q Y Q X Y


1 * 1 * 1 *
= = = Q X Q X Y Q Y
Ahora nos queda verificar que el modelo transformado de esta forma cumpla con todos los
supuestos del teorema de Gauss Markov
Linealidad: el modelo sigue siendo lineal dado que es funcin lineal de
Esperanza nula:
Para cumplir con el supuesto de homocedasticidadrecurrimos a la ecuacin (7) donde:
El estimador de mnimos cuadrados generalizados (MCG) se define como el estimador de
mnimos cuadrados ordinarios de en el modelo transformado:
(9)

0 ) ( ) ( ) (
0
1 1 *
= = =

E Q Q E E

I QQ Q Q Q E Q Q Q E E
I
I
T T
T
= = = = =


1 1 1 1 1 1 * * *
) ( ) ) ( ( ) (

NOTA: Como Q es una matriz simtrica se cumple que
T
Q Q =

*
Y

| |
| |
Y Q Q X X Q Q X
Y Q X Q X Q X Q
Y X X X
T T
MCG
T T
MCG
T
*
1
*
T
*
MCG

1 1
1 1
1
1 1
1 1
1
1 1
*
) ( ) ( ) ( ) (

.
.
(
(

=
=
=


| | Y X X X
T T
MCG
1
1
1

.
=
El estimado se puede escribir tambin como:
Ahora calculamos la varianza del estimado de mnimos cuadrados
generalizados
(10)
Para el clculo de recurrimos a la ecuacin por insesgades del modelo
lineal se tiene:
Ahora remplazamos la ecuacin anterior de insesgades en la ecuacin (10)
(11)

MCG

.

| | ) (
1
1
1
+ =

.
X X X X
T T
MCG

| |
1
1
1

.
+ =
T T
MCG
X X X

(

=
. . . . .
T
MCG
)) E( - ))( E( - ( E Var ) (

MCG

.

=
.
) E(
MCG

) (
MCG
Var
.

(

=
. . .
T
MCG
) - )( - ( E Var ) (

| | | | ( )
| | | |
| | | |
1
1 1 1
1
1
1
1 1 1
1
1
1
1
1 1
1
1
) (
) ( ) (
) (

.
=
=
(

=
X X X X X X Var
X X X E X X X Var
X X X X X X E Var
T
I I
T T
MCG
T T T T
MCG
T
T T T T
MCG

| |
1
1
) (

.
= X X Var
T
MCG

2. CALCULO DE LA COMPONENTE Y
CALCULO DE LA COMPONENTE Y
. La incertidumbrepor indicacin de la balanza debida a la resolucin y desviacin de la
balanza
Incertidumbre por el factor de sensibilidad de la balanza ( )
Para balanzas electrnicas se asume que su incertidumbre es despreciable u( )=0
La incertidumbre combinada de la pesa patrn
.

i ai Pi P P s
V X m f I y + A + + + = . ). ( .

desviacin resolucin A
I I I u d u I + = A + = ) ( ) (

( ) ( ) ( )
cP cPcert cP
m u m u m u
2 2
+ =

s
f

s
f
Incertidumbre por la Densidad del aire:
La incertidumbre debido a la correccin por empuje del aire ser calculada de la siguiente
forma
La incertidumbre del volumen de la masa patrn y la masa a calibrar
Para calcular la incertidumbre de y derivamos cada una de sus componentes, tal como se
muestra a continuacin

( )
( )
( )
( )
( ) ( ) ( ) | |
( )
4
2
4
2
2
2
2

P
P
o al o a o a
i
i
o a a
i P
i i P
cP
nP
ni
i E
u u
u m
m
m
u

+ +
(

=

)) ( ) ( ( ) (
2 2 2
+
= A V u V u V u

i
Y
ai Pi
Y
P P
Y
s
V X m f I y + A + + + =

3 2
1
. . ) ( .
.

( ) ( )
( ) ) ( . ) ( ) ( .
) ( . ) ( .
) (
) (
) (
) (
) (
2 2 2 2 2
2 2 2 2
2
2
2
2
1
s s
s s
s
s
s s 2
f u I rept u resl u f
f u I I u f
f u
f
f I
I u
I
f I
Y u
+ + =
+ =
(

c
c
+
(

c
c
=

( ) ( )
)) ( ) ( (
) ( ) (
) (
) (
) (
) (
) (
2 2 2
2 2 2 2
2
2
2
2
2
P P P
P P P P
P
P
P P
P
P
P P 2
u m u X
u X m u X
u
X
m u
m
X m
Y u

+ =
+ =
(

c
c
+
(

c
c
=

( ) ( )
)) ( ) ( ( ) ( .
) ( . ) ( .
) (
) (
) (
) (
) (
2 2
2
2 2
2 2 2 2
2
2
2
2
3
+
+ A =
A + A =
A
(

A c
A c
+
(

c
A c
=
V u V u u V
V u u V
V u
V
V
u
V
Y u
a a
a a
a
a
a
a
2

es el error del ajuste, cuya esperanza matemticamente es cero y varianza

2
entonces :

2
=

( ) ( )
2 2 2
2
2 2
2 2 2 2 2 2 2
2
)) ( ) ( ( ) ( .
) ( ) ( ) ( . ) ( ) ( . ) (


+ + A
+ + + + + =
+
V u V u u V
X u m u f u I rept u resl u f y u
a a
P P P s s

= ) (y u

| |
1
1
) (

.
= X X Var
T
MCG


p n
X Y X Y
T
i i i i

=
) )( (
2

3. APLICACIN DEL METODO DE GM EN LA

CALIBRACION DE PESAS E1
Comparadora de masas requerida para hacer una dcada
de pesas de alta exactitud E1
METTLER TOLEDO
AX 106
Resolucin de 0,001 ug
Capacidad mxima 111 g
Como hacer una dcada
Ejemplo con el mtodo de GM
De 100 g a 10 g
MATRIZ yi =comparaciones de patron (-1) con la muestra (1)
100 g E0 100 g E1 50 g E1 20 g E1 20 g (.) E1 10 g E1 10 g (pv) E0
y1 -1 1 0 0 0 0 0
y2 -1 0 1 1 1 1 0
y3 -1 0 1 1 1 0 1
y4 0 -1 1 1 1 1 0
y5 0 -1 1 1 1 0 1
y6 0 0 -1 1 1 1 0
y7 0 0 -1 1 1 0 1
y8 0 0 0 1 -1 1 -1
y9 0 0 0 1 -1 -1 1
y10 0 0 0 0 -1 1 1
y11 0 0 0 -1 0 1 1
y12 0 0 0 -1 1 0 0
y13 0 0 0 0 0 -1 1
Datos de para la calibracin de pesas
CALIBRACIN DE PESAS POR EL METODO DE GM - DISEMINACIN DE PESAS
Valor nominal valor de masa
Incertidumbre
estndar
Volumen
Incertidumbre
volumen
g mg mg cm3 cm3
E0 100 g -0,0778 0,0072 12,438 0,0040
E1 100 g 12,4898 0,004
E1 50 g 6,2467 0,0020
E1 20 g 2,498 0,0016
E1 20 g (.) 2,4984 0,0016
E1 10 g 1,2491 0,0012
E0 10 g (pv) -0,0066 0,004 1,2445 0,0015
Calibracin de pesas por el mtodo de GM de una dcada
decadas densidad del aire
incertidumbre
densidad del aire
Y
(g) (mg) mg/cm3 mg/cm3 cm3 (mg)
y1 100 -0,009 1,16768138 0,00096811 0,05180 0,051
y2 100 -0,010 1,16805527 0,00096842 0,05420 0,054
y3 100 -0,021 1,16825329 0,00096859 0,04960 0,037
y4 100 -0,002 1,16778308 0,00096820 0,00240 0,001
y5 100 -0,016 1,16686444 0,00096744 -0,00220 -0,019
y6 50 0,023 1,16559560 0,00096638 -0,00120 0,022
y7 50 0,012 1,16447456 0,00096545 -0,00580 0,005
y8 30 0,0007 1,16247540 0,00096380 0,00420 0,006
y9 30 -0,025 1,16291314 0,00096416 -0,00500 -0,031
y10 20 0,010 1,16056822 0,00096222 -0,00480 0,004
y11 20 0,021 1,16062615 0,00096226 -0,00440 0,016
y12 20 0,014 1,16126413 0,00096279 0,00040 0,014
y13 10 -0,014 1,16170532 0,00096316 -0,00460 -0,019
-0,0778 mg -0,0778
m A
( )
+
V V
( ) Vp Vx a m y + A =
Calibracin de pesas por el mtodo de GM de una
dcada
Resultados
MASA (g) CORRECCION
( mg ) k=1 k=2
100 g E0 -0,078 0,0036 0,007
100 g E1 -0,023 0,0066 0,013
50 g E1 -0,023 0,0039 0,008
20 g E1 -0,012 0,0023 0,005
20 g (.) E1 0,001 0,0023 0,005
10 g E1 0,011 0,0017 0,003
10 g E0 -0,007
INCERTIDUMBRE (mg)

| |
1
1
) (

.
= X X Var
T
MCG
| | Y X X X
T T
MCG
1
1
1

.
=
GRACIAS POR SU ATENCION