Verificación del cumplimiento de un rango de tolerancia para resistencias
sometidas a una carga constante
Autores:
Pérez Arnedo, Natael
García Juárez, Tadeo
Iñiguez Durand, Juan
Toro Torres, Julio
Institución: Universidad Nacional de Salta, Facultad de Ingeniería.
Datos de contacto: 54-387-4255420- unsaing@[Link]
54-387-6153838- nataelp@[Link]
Resumen
Para este trabajo se tuvo en consideración la importancia de la calidad de los
componentes electrónicos que se pueden conseguir en Salta. Para ello se tomó como
ejemplo las resistencias, presentes en todo tipo de aparatos electrónicos; donde su
papel es crucial para el correcto funcionamiento y seguridad de cualquier aparato.
Este proyecto se basa en determinar, mediante Métodos Estadísticos, la calidad del
producto de distintos comercios verificando si estos venden lo que dicen y si el precio
es fiel a la calidad o no.
Palabras Clave: Resistencia, Precio, Calidad, Tolerancia.
Introducción
Hoy en día, con tantos dispositivos electrónicos en la vida cotidiana, y como
estudiantes de Ingeniería Electromecánica, es de suma importancia poder entender el
funcionamiento básico de estos sistemas. Para ello nos centramos en las resistencias,
base fundamental de cualquier aparato, donde la confiabilidad de estas es un factor
determinante para el correcto funcionamiento, ya que si estas se escapan de una
región de tolerancia podría traer implicaciones, por ejemplo, si están por debajo de su
tolerancia esto puede generarle estrés de más a la fuente de alimentación generando
que el dispositivo consuma más energía innecesariamente, recalentándolo llevando
esto al mal funcionamiento del dispositivo, acortamiento de la vida útil o incluso poner
en riesgo la seguridad de la persona que está utilizando el mismo ya que este
dispositivo puede estar conectado a la red domiciliaria y el riesgo es mayor incluso ya
que la tensión a manejar es mucho mayor. Para ello tomamos como punto de partida
los lugares donde se pueden conseguir componentes electrónicos en la ciudad y de
manera arbitraria se seleccionaron 2 locales que tienen mayor peso en este campo,
Electrónica Urquiza y Gamma Componentes Electrónicos
La estadística fue crucial para la inferencia ya que brinda un punto de vista
objetivo, permitiéndonos, usando modelos teóricos sencillos, llegar a una conclusión
solida acerca de lo que se está estudiando.
Metodología
Para comenzar el experimento se tomaron como muestra 50 resistencias de 1
kOhm [kilo Ohm] y una tolerancia de ±5% de ese valor de dos locales asegurando que
las 2 muestras provengan de distintos proveedores, siendo en total 100 resistencias
para ser estudiadas.
Suponiendo los errores de medición del aparato despreciables y la temperatura
no afecta considerablemente el mecanismo para medir la resistencia debería ser de
manera indirecta ya que la intervención directa del circuito mientras está circulando
corriente por las resistencias dañaría el aparato de medición, por lo que se usó una
fuente de computadora la cual mantiene fijo un valor de tensión de 12[V], muy usual en
equipos eléctricos, suponiendo que la tensión provista por la fuente no varía en el
tiempo (corriente continua) el valor de resistencia se calcularía de la ley de Ohm R=V/I
donde la tensión se mantiene fija y la corriente que circula se mide para cada
resistencia.
Una vez con los datos para que el análisis paramétrico sea válido se aseguró la
independencia de los datos seleccionando 10 resistencias al azar para cada muestra
garantizando que no existe una componente de covarianza en el análisis de datos, lo
que complicaría enormemente los cálculos. Ya aleatorizados los datos asegurar la
normalidad de los mismos es clave para la simplificación de su análisis aplicando
alguna prueba de bondad de ajuste. En el caso de que este asegurado que es
apropiado modelar los datos utilizando la distribución normal se corroboraría o que el
tamaño de muestra adoptado es apropiado utilizando las curvas características de
operación donde se determinaría el riesgo del consumidor o error tipo II, en caso de no
ser este el tamaño de muestra adecuado se calcularía el tamaño óptimo para
minimizar este riesgo o potencia del experimento; y ya con el tamaño de muestra
calculado se procedería con el mecanismo de aleatorización nuevamente para el
análisis.
Se graficarían los datos en un histograma para ver en una primera
aproximación cualitativa que las resistencias están dentro de un rango que los
comercios nombrados garantizan que pertenecen, y poder apreciar la dispersión de los
datos. Luego se procedería al análisis estadístico de los mismos, donde se
determinaría primero si las varianzas de ambas poblaciones es la misma. Con esto ya
probado usando una prueba de hipótesis se determinaría la existencia de diferencia
entre las poblaciones de resistencias, y en el caso de que ambas poblaciones sean
iguales se procedería analizando los datos como un todo, pero si existiría diferencia se
analizarían por separado. En el caso de que la normalidad de los datos no esté
garantizada se debería proceder a determinar a qué distribución de probabilidad
pertenecen realmente o realizar una prueba no paramétrica para poder continuar el
estudio.
Desarrollo
Para el desarrollo del proyecto se lo dividió en los siguientes pasos:
1°. Toma de muestras y aleatorización
2° Verificación de Normalidad
3° Tamaño de muestra óptimo
4° Prueba de hipótesis y conclusiones para la muestra optima
Paso 1: Como ya fue mencionado, las resistencias se determinaron
indirectamente a partir de la Ley de Ohm, donde lo único que se midió para cada
resistencia fue la corriente que circulaba por cada una de ellas, ya que a todas se le
aplicó una diferencia de potencial de 12 [Voltios] contaste. De las 50 resistencias de
cada población, enumeradas previamente, se seleccionaron al azar 10 de ellas y se
sometieron individualmente a la carga ya mencionada, generando la siguiente tabla:
orden Urquiza[mA] orden Gamma[mA]
40 12.16 6 12.28
28 12.17 30 12.08
34 12.12 18 12.27
46 12.10 24 12.27
33 12.20 36 12.24
7 12.21 42 12.20
45 12.18 29 12.11
1 12.13 3 12.20
13 12.18 41 12.10
19 12.21 47 12.20
Tabla con mediciones, Tabla [1.1]
De esta tabla se puede deducir la resistencia obtenida en Ohmios:
orden Urquiza[Ohm] orden Gamma[Ohm]
40 987 6 977
28 986 30 993
34 990 18 978
46 992 24 978
33 984 36 980
7 983 42 984
45 985 29 991
1 989 3 984
13 985 41 992
19 983 47 984
Tabla con mediciones, Tabla [1.2]
Paso 2: Una vez armadas las tablas (Tabla [1.1] y Tabla [1.2]) de cada muestra
con el número de orden aleatorio indicado, para asegurar la independencia de los
datos, se procedió a verificar si los datos provienen de una distribución normal
realizando una prueba de bondad de ajuste de Shapiro-Wilks.
Prueba de normalidad Urquiza, grafica [1.1]
Prueba de normalidad Gamma, grafica [1.2]
Como se puede observar, dadas las gráficas obtenidas (grafica [1.1] y grafica
[1.2]), los datos pueden modelarse adecuadamente con una distribución normal. Lo
que nos habilita a hacer los cálculos necesarios para continuar con el análisis usando
estadística paramétrica.
Paso 3: En esta parte nos preguntamos cual sería el tamaño óptimo de
muestra a trabajar para poder incrementar la potencia del proyecto. Para ello se
determinó el riesgo del consumidor para la muestra tomada. Por consiguiente, se
utilizaron las tablas OC para obtener este valor.
Para ello fue necesario obtener el valor “d” que es la diferencia supuesta entre
las dos poblaciones, generalmente se aproxima utilizando el valor de 1 sigma.
d = (diferencia planteada) / 2 * Sigma
Ecuación [1.1]
Donde el desvió estándar se aproxima utilizando la varianza ponderada de las
muestras:
Sp2= [(n1 – 1) * s12 + (n2 - 1) * s22] / (n1 + n2 – 2)
Ecuación [1.2]
Para utilizar las curvas OC(Ver grafica en libro “Applied Statistics and
Probability for Engineers” Third edition, Pagina 662) se debe entrar con el valor “d”
calculado en la abscisa del gráfico y con el tamaño de muestra utilizado se encuentra
el valor Beta. Para este caso se encuentra muy alto este valor con una probabilidad
del 37% (marcado con color rojo). Para poder bajar esta probabilidad se procede a
recalcular el tamaño de muestra que deberíamos tomar para aumentar la potencia de
nuestras posteriores inferencias. Para ello se propuso bajar la probabilidad Beta hasta
un 20%.
n*=2n-1
Ecuación [1.3]
Donde “n*” es la cantidad total de datos que se debería utilizar y “n” es la
cantidad de datos actuales. Para nuestro caso y resolviendo la ecuación, tenemos que
usar un total de 32 datos para mejorar nuestro experimento, por lo tanto, se procedió a
tomar una nueva muestra de n=16 para cada población, realizando la aleatorización
nuevamente de la misma para la simplificación del análisis y obteniendo los siguientes
datos de corrientes.
Gamma
orden orden
Urquiza [mA] [mA]
4 12.18 18 12.27
28 12.17 24 12.27
16 12.21 30 12.08
22 12.12 17 12.16
27 12.16 41 12.10
34 12.12 29 12.11
21 12.21 35 12.12
46 12.10 47 12.20
32 12.15 3 12.20
39 12.15 40 12.12
45 12.18 14 12.26
1 12.13 2 12.31
7 12.21 8 12.27
44 12.17 13 12.21
18 12.18 20 12.31
6 12.17 26 12.21
Tabla con nueva cantidad de datos, Tabla [1.3]
Dada las corrientes medidas con el multímetro sobre cada resistencia, se
puede calcular el valor de cada resistencia.
orden Urquiza[Ohm] orden Gamma[Ohm]
4 985 18 978
28 986 24 978
16 983 30 993
22 990 17 987
27 987 41 992
34 990 29 991
21 983 35 990
46 992 47 984
32 988 3 984
39 988 40 990
45 985 14 979
1 989 2 975
7 983 8 978
44 986 13 983
18 985 20 975
6 986 26 983
Tabla con nueva cantidad de datos, Tabla [1.4]
Cabe aclarar que, para la obtención de esta información (tabla [1.3] y tabla
[1.4]), se tuvo que volver a realizar el Paso 1 explicado previamente donde se midió
otra vez el valor nominal de la corriente de cada resistencia.
Por otro lado, es necesario probar por segunda vez la normalidad de nuestra
nueva muestra tomada.
Grafica de normalidad para 16 resistencias Gamma, Grafica [1.3]
Grafica de normalidad para 16 resistencias Urquiza, Grafica [1.4]
Dada la bondad de ajuste realizada, Shapiro-Wilks, puede asegurarse que
ambas muestras provienen de distribuciones normales. Habilitando nuestro análisis
con métodos paramétricos.
Paso 4: Por último, procedimos finalmente, a realizar las pruebas de hipótesis
inicialmente planteadas para poder determinar cuál de las dos poblaciones se
comporta mejor como componente electrónico y poder determinar con certeza si las
resistencias vendidas respetan las tolerancias garantizadas por los comerciantes.
Como primera aproximación de la diferencia entre las poblaciones,
gráficamente se ve como se encuentran una población respecto de la otra:
Histograma para contrastar ambas muestras, Grafica [1.5]
De manera cualitativa se pude observar (en grafica [1.5]) como la población de
resistencias Urquiza está más sesgada hacia el valor esperado de 1 kilo ohmios
respecto a la población Gamma. Por otro lado, se puede afirmar cualitativamente que
ambas poblaciones de resistencias están dentro del rango de tolerancias propuestos
por los proveedores, Pero estas observaciones no son totalmente validas como
inferencias estadísticas, por ello realizaremos las pruebas paramétricas necesarias.
Por consiguiente, es necesario comprobar la homogeneidad de varianzas para el
correcto uso de los estadísticos a utilizar.
Prueba de homogeneidad de varianzas:
Comparación de Desviaciones Estándar Urquiza Gamma
Desviación Estándar 270,493 616,982
Varianza 731,667 380,667
Gl 15 15
Razón de Varianzas= 0,192207
Intervalos de confianza del 95,0%
Desviación Estándar de Urquiza: [1,99815; 4,1864]
Desviación Estándar de Gamma: [4,55768; 9,54897]
Razones de Varianzas: [0,067156; 0,550113]
Prueba-F para comparar Desviaciones Estándar
Hipótesis Nula: sigma1 = sigma2
Hipótesis Alt.: sigma1 <> sigma2
F = 0,192207 valor-P = 0,00280344
Se rechaza la hipótesis nula para alfa = 0,05.
Tabla de la prueba de homogeneidad de varianza, tabla [1.5]
Queda comprobado que la variación de la muestra 1 es distinta a la variación de la
muestra 2. Pudiendo continuar con el análisis de las mismas.
Prueba de diferencia de medias con varianzas distintas. Prueba de
Hipótesis.
Hipótesis nula: mu (Urquiza)-mu (Gamma) = 0,0
Hipótesis alterna: mu (Urquiza)-mu (Gamma) <> 0,0
Medias muestrales (Urquiza) = 986,625 y 983,75
Desviaciones estándar muestrales (Gamma) = 2,70493 y 6,16982
Tamaños de muestra = 16 y 16
*Urquiza y gamma respectivamente para todos los casos*
Dada la muestra de Urquiza de 16 observaciones con una media de 986,625 y
una desviación estándar de 2,70493 y una segunda muestra de 16 observaciones con
una media de 983,75 y una desviación estándar de 6,16982, el estadístico Z calculado
es igual a 1,70706. Puesto que el valor-P para la prueba es mayor o igual que 0,05,
no puede rechazarse la hipótesis nula con un 95,0% de nivel de confianza. El
intervalo de confianza muestra que los valores de mu1-mu2 soportados por los datos
caen entre los valores -0,425936 y 6,17594.
Queda demostrado que las medias de la población de resistencias Urquiza son
iguales a las de Gamma.
¨Por otro lado y como parte de nuestro objetivo, es verificar la tolerancia
garantizada por los comerciantes sobre la venta de sus respectivas resistencias. Para
ello se armó un intervalo de confianza para cada muestra con un nivel de significancia
del 5%, error tipo I.
Intervalos de Confianza para Urquiza
Intervalos de confianza del 95,0% para la media: 986,625 +/- 1,44136;
[985,184; 988,066]
Intervalos de confianza del 95,0% para la desviación estándar: [1,99815; 4,1864]
Intervalos de Confianza para Gamma
Intervalos de confianza del 95,0% para la media: 983,75 +/- 3,28767
[980,462; 987,038]
Intervalos de confianza del 95,0% para la desviación estándar: [4,55768;
9,54897]
En términos prácticos, puede establecerse con 95,0% de confianza, que la
media verdadera de Gamma se encuentra en algún lugar entre 980,462 y 987,038, en
tanto que la desviación estándar verdadera está en algún lugar entre 4,55768 y
9,54897. Y para Urquiza se encuentra en algún lugar entre 985,184 y 988,066, en
tanto que la desviación estándar verdadera está en algún lugar entre 1,99815 y
4,1864.
Para ambos casos puede verificarse que tanto como el intervalo de confianza
de la población Urquiza como la de Gamma, respetan las tolerancias prometidas por
ambos comercios.
Cabe aclarar que ambos intervalos asumen que la población de la cual
proviene la muestra puede representarse por la distribución normal, ya demostrada.
Mientras que el intervalo de confianza para la media es bastante robusto y no muy
sensible a violaciones de este supuesto, los intervalos de confianza para la desviación
estándar son muy sensibles.
Conclusión:
Dados los cálculos y el análisis estadístico realizado, tenemos suficiente
información para inferir que tanto las resistencias del comercio Electrónica Urquiza
como las de Gamma componentes electrónicos, pertenecen a la misma población de
resistencias, con un nivel de confiabilidad del 95 %. Por otro lado, queda verificado
que los comercios proveedores de resistencias cumplen con las especificaciones
ofrecidas al público consumidor, establecido como un 5% de tolerancia.
Económicamente, podemos concluir que conviene comprar las resistencias en
el comercio Electrónica Urquiza, al menos aquellas de magnitud 1 [kOhm] y del 5 % de
tolerancia, ya que estas tienen un valor de 50 centavos y en Gamma componentes
electrónicos, cuestan 1 peso cada una. Dado que, según quedo demostrado en el
desarrollo, ambas muestras tomadas pertenecen a la misma población; en otras
palabras, son de la misma calidad.
Paralelamente este proyecto estadístico de verificación es fácilmente
extrapolable a otros componentes electrónicos para el control de su buen
funcionamiento y calidad, e incluso aplicable a otros campos de interés.
Bibliografía:
Robert O. Kuehl. Diseño de experimentos Principios estadísticos para el diseño y
análisis de investigaciones. Capítulo 1 “Principios para el diseño de investigación”,
Capitulo 2 “Comenzando con diseños totalmente aleatorizados”
Razali, Nornadiah; Wah, Yap Bee (2011). "Power comparisons of Shapiro–Wilk,
Kolmogorov–Smirnov, Lilliefors and Anderson–Darling tests" (PDF). Journal of
Statistical Modeling and Analytics.
Ronald E. Walpole, Raymond H. Myers, Sharon L. Myers, Keying Ye. Probabilidad
y estadística para ingeniería y ciencias. Capítulo 9 “Problemas de estimación de
una muestra”, Capitulo 10 “Pruebas de hipótesis de una y dos muestras”
Dennis Wackerly, William Mendenhall Richard L. Scheaffer. Estadística Matemática
con aplicaciones, Séptima edición. Capítulo 8 “Intervalos de confianza”
Douglas C. Montgomery, George C. Runger. Applied Statistics and Probability for
Engineers, Third Edition. Chapter 10-2.2 “Choice of Sample size” and Chapter 10-
3.3 “Choice of sample size”.
