Simposio de Metrologa 2004 25 al 27 de Octubre

EL NMERO EFECTIVO DE GRADOS DE LIBERTAD

Enrique Villa Diharce

Centro de Investigacin en Matemticas, A. C.
Jalisco s/n, Mineral de Valenciana, Guanajuato, Gto. CP. 36240
Tel.: (473) 732 71 55 ext. 49562, Fax: (473) 732 57 49, Email: villadi@cimat.mx

Resumen: En el anlisis de datos de medicin, presentamos el resultado de un proceso de medicin,

mostrando el resultado de la medicin y su incertidumbre. En la mayora de los casos el mensurando no es
directamente medible, sino que depende de otras cantidades medibles, a travs de una funcin que
generalmente es no lineal. En este caso, la determinacin de la incertidumbre expandida de la estimacin del
mensurando, se obtiene haciendo uso de una estadstica, cuya distribucin se desconoce, pero se aproxima
por una distribucin t de Student, en la que el nmero de grados de libertad se obtiene, de acuerdo con la
recomendacin de la GUM, utilizando la aproximacin de Welch-Satterthwaite. A este nmero de grados de
libertad se le conoce como el nmero efectivo de grados de libertad. En este artculo comentamos el
concepto de grados de libertad y presentamos una derivacin de la expresin conocida para obtener el
nmero efectivo de grados de libertad.

1. INTRODUCCIN Un procedimiento recomendado por la GUM [1],

En el anlisis de datos de medicin, presentamos el
resultado de un proceso de medicin, mostrando el
resultado de la medicin y su incertidumbre. Esta
ltima puede darse en forma estndar o expandida.
La conveniencia de dar la versin expandida de la
incertidumbre, es que le asociamos una cobertura
explicita, lo cual facilita su interpretacin, ya sea en
el terreno del enfoque frecuentista, o en el subjetivo
(grado de creencia). La incertidumbre expandida
corresponde al rango de un intervalo de confianza
del mensurando. Para construir tal intervalo de
confianza, utilizamos una estadstica T, dada por el
cociente de una estadstica normal estndar entre
una estadstica que incluye a la incertidumbre
combinada de las variables de influencia del modelo
de medicin. Cuando la estadstica del denominador
tiene asociada una distribucin ji-cuadrada,
entonces el cociente tiene una distribucin t de
Student, con un nmero de grados de libertad igual
a los grados de libertad de la estadstica ji-cuadrada
del denominador.
para estimar la incertidumbre expandida, consiste
en aproximar la distribucin de la estadstica T con
una distribucin t de Student con un nmero de
grados de libertad dado por la aproximacin de
Welch Satterthwaite. A este nmero de grados de
libertad se le denomina el nmero efectivo de
grados de libertad.
En la seccin 2, se muestra el origen de los grados
de libertad asociados a una incertidumbre
expandida. En la seccin 3, presentamos el
desarrollo de la formula de Welch - Satterthwaite,
para calcular el nmero efectivo de grados de
libertad.
En la seccin 4 se comentan las restricciones que
tiene la aproximacin de Welch-Sattertwaite y se
comenta un procedimiento alternativo para la
determinacin de la incertidumbre expandida. En la
seccin 5, se dan las conclusiones del trabajo.
2. LOS GRADOS DE LIBERTAD

Frecuentemente, la estadstica que involucra a la En la mayora de los casos el mensurando no es

incertidumbre combinada no tiene una distribucin
ji-cuadrada exacta, por lo tanto la estadstica T no
tiene una distribucin t de Student exacta. Esta
complicacin nos impide tener un intervalo de
confianza para el mensurando, con la cobertura
nominal deseada exacta.
directamente medible, sino que depende de otras
cantidades medibles X 1 , X 2 ,..., X k , a travs de
una funcin f ( X 1 , X 2 ,..., X k ) . As la incertidumbre
de la medicin Y del mensurando, es el resultado
de combinar las incertidumbres de medicin de las
diferentes cantidades medidas X 1 , X 2 ,..., X k , con

1
Simposio de Metrologa 2004 25 al 27 de Octubre

diferentes pesos, que dependern de la importancia
que cada componente tiene en el modelo de
medicin Y = f ( X 1 , X 2 ,..., X k ) .
Una magnitud X que varia aleatoriamente tiene
asociados dos parmetros muy importantes: su
esperanza X = E ( X ) que nos indica el valor
alrededor de cual se tienen las observaciones de
X , y su varianza X2 que expresa la magnitud de
la variabilidad de las observaciones alrededor de su
valor esperado X .
Cuando se tienen n observaciones independientes
x1 , x2 ,..., xn de X , estimamos su esperanza como
el promedio x de las n observaciones,
libremente, ya que el trmino restante tiene un valor
determinado por estos n 1 trminos elegidos y el
promedio x . A este nmero de trminos
independientes se le conoce como el nmero de
grados de libertad. De aqu que podemos interpretar
el nmero de grados de libertad como la cantidad
de informacin til en la determinacin de la
estimacin. En cambio si las observaciones no son
independientes, tenemos informacin redundante
en las observaciones, por lo que la informacin til o
efectiva ser menor
Otra interpretacin del nmero de grados de
libertad, es el parmetro de la distribucin ji-
cuadrada asociada al estimador de la varianza,
calculada a partir de n observaciones
independientes. En este caso sabemos que la
estadstica

1 n (n 1) S X2
x= xi ,
n i =1 W= (1)
2
mientras que la varianza se estima por
tiene una distribucin ji-cuadrada con n 1 grados
de libertad. Con este enfoque entonces, el nmero
1

n
s X2 = ( xi x ) 2 . efectivo de grados de libertad viene a ser el
n 1 i =1
parmetro asociado a la distribucin ji-cuadrada
asociada al estimador de la incertidumbre de la
Cuando tenemos un mensurando, del que tomamos medicin considerada.
mediciones con un instrumento, ocurre que
observamos diversos valores que varian La estadstica anterior interviene en la estadstica T
aleatoriamente, de acuerdo a alguna distribucin. utilizada para determinar la incertidumbre
Generalmente asociamos el valor del mensurando expandida en forma de intervalo de confianza,
con el valor esperado de la distribucin, de aqu que
estimar el valor del mensurando equivale a estimar X X
el valor esperado X , La incertidumbre de la
Z X X X
estimacin x proviene de la variabilidad de x T= = = . (2)
W S 2 SX
alrededor de X , que cuantificamos por su X
(n 1) 2
varianza x2 = X2 / n , y que estimamos como X

sx2 = s X2 / n . Tambien podemos tomar como As, adems de expresar en forma numrica la
incertidumbre de medicin la desviacin estndar incertidumbre, ya sea como sx2 , o sx , podemos
de la media, x = x2 . expresarla en forma expandida, como un intervalo
de confianza del mensurando,
Cuando la informacin que tenemos del
mensurando es un conjunto de n observaciones ( x t( n 1,1 / 2 ) sx , x + t( n 1,1 / 2) sx ) , (3)
independientes x1 , x2 ,..., xn , entonces tenemos que
para un valor dado de la estimacin donde x es la estimacin del mensurando, sx es la
x = ( x1 + x2 + ... + xn ) / n , tenemos solo n 1 incertidumbre de la medicin, y t( n 1,1 / 2) el
observaciones xi que pueden tomar valores coeficiente de confianza para la distribucin t de

2
Simposio de Metrologa 2004 25 al 27 de Octubre

Student con = n 1 grados de libertad. Este coeficiente de confianza y ef . el nmero de grados

intervalo tiene una cobertura nominal de
de libertad efectivos, dado por
(1 )100% .
s y4
Cuando el mensurando de inters Y es resultado ef . = , (5)
k
si4
de varias magnitudes de influencia X 1 , X 2 ,..., X k ,
de acuerdo a un modelo de medicin dado por la i =1 i

funcin Y = f ( X 1 , X 2 , ..., X k ) , entonces hay que

convertir la informacin que tenemos sobre los siendo s1 , s2 ,..., sk las incertidumbres estndar de
resultados de medicin e incertidumbres de las variables de influencia y 1 , 2 ,..., k sus grados
X 1 , X 2 ,..., X k , en el resultado de medicin y la de libertad correspondientes.
incertidumbre de Y . Hacer esto en forma exacta
puede ser un problema complicado, cuando la Para entender el origen del nmero efectivo de
funcin f es nolineal, y mas difcil todava, si grados de libertad, hay que considerar la
estadstica T, utilizada para obtener el intervalo de
adems, las variables de influencia son
confianza (4)
correlacionadas.

La manera de atacar este problema consiste en y Y

tomar una aproximacin de Taylor, para Y , y Y Y Z
T= = = . (6)
alrededor de su valor esperado Y . De esta forma, Sy 2
W
S Y
cuando las variables de influencia son no
correlacionadas, obtenemos las aproximaciones Y
2
ef
para Y y Y2 :
Aqu, la estadstica Z tiene una distribucin Normal
estndar y la estadstica W = ef S y / y
2 2
tiene
Y = f ( X , X ,..., X ) ,
1 2
2
k
aproximadamente una distribucin ji-cuadrada con
f ef grados de libertad.
Y2 = i =1 X2 i .
k

xi En este caso, el nmero efectivo de grados de

libertad ef viene a ser el parmetro de la
Estos valores son estimados por: distribucin ji-cuadrada asociada a la incertidumbre
expandida sY2 , que se obtiene como una
y = f ( x1 , x2 ,..., xk ) ,
combinacin lineal de las incertidumbres
2 2 2
2 s , s ,..., s , de las mediciones de las variables de
1 2 k
f
sY2 = i =1
k
s X2 i . influencia.

x
i ( x1 , x2 ,..., xk )
La expresin del nmero efectivo de grados de
libertad, se conoce como la aproximacin de Welch-
La incertidumbre numrica est dada por sY2 , Satterthwaite, que describimos en la siguiente
mientras que la incertidumbre expandida est dada seccin.
por el intervalo de confianza
3. APROXIMACIN DE WELCH-
( y t( ef . ,1 / 2 ) s y , y + t( ef . ,1 / 2) s y ) , (4) SATTERTHWAITE

donde y es el resultado de medicin, s y su Sean W1 ,W2 ,...,Wk , k variables aleatorias

incertidumbre combinada, t( ef . ,1 / 2) es el independientes e idnticamente distribuidas como ji-
cuadrada con r1 , r2 , ..., rk grados de libertad

3
Simposio de Metrologa 2004 25 al 27 de Octubre

respectivamente. Es un hecho conocido [2] que la Segn el metodo de momentos, para estimar el
suma W1 + W2 + ... + Wk se distribuye tambin como parmetro , igualamos los dos primeros
momentos de las variables que tenemos en ambos
ji-cuadrada con r = r1 + r2 + ... + rk grados de lados de la relacin de equivalencia anterior. De
libertad. Esta propiedad de herencia de distribucin esta forma obtenemos las ecuaciones
no se tiene cuando, en lugar de una suma,
consideramos una combinacin lineal U
E ( i =1 aiWi ) = E ( ) ,
k
(7)
a1W1 + a2W2 + ... + akWk de las variables aleatorias.
U
E ( i =1 aiWi ) 2 = E ( ) 2 .
k
La complicacin en la determinacin del nmero (8)
efectivo de grados de libertad, se debe a que la
2
incertidumbre combinada s y es una combinacin
Como la esperanza de una variable aleatoria
lineal de las incertidumbres de las variables de distribuida como ji-cuadrada es igual a sus grados
influencia. Si en lugar de una combinacin lineal, de libertad, y su varianza es dos veces sus grados
fuese una suma de trminos no correlacionados, de libertad, entonces
entonces el nmero de grados de libertad asociado
a la incertidumbre combinada seria la suma de los E (U ) =
grados de libertad de las variables de influencia.
V (U ) = E (U ) 2 [ E (U ) ] = 2 .
2

Cuando la incertidumbre combinada es una

combinacin lineal de incertidumbres, entonces la De lo anterior obtenemos que
informacin de cada una de ellas dentro del total,
tiene un efecto modulado por la constante que
U
multiplica al trmino correspondiente. Esta E ( ) = 1,
combinacin no aditiva de la informacin
proporcionada por cada componente es lo que
tenemos en la aproximacin de Welch- U 2
Satterthwaite. E ( ) 2 = 1.

La lgica en el desarrollo de la aproximacin,
consiste en suponer que la combinacin lineal Sustituyendo estas esperanzas en (7) y (8),
obtenemos,
a1W1 + a2W2 + ... + akW , tiene aproximadamente
una distribucin ji-cuadrada con un nmero de
E ( i =1 aiWi ) = 1 , y
k
grados de libertad que debemos determinar. Para (9)
esto, procedemos ajustando una distribucin ji- 2
E ( i =1 aiWi ) 2 =
k
cuadrada a la combinacin lineal, y estimamos su 1. (10)
parmetro (grados de libertad) por el mtodo de
momentos.
De la ecuacin (9) no podemos deducir el valor de
Suponemos entonces, que la combinacin lineal es , solo obtenemos una restriccin para los
equivalente al cociente dado por una variable coeficientes de la combinacin lineal. Despejamos
aleatoria U distribuida ji-cuadrada, dividida entre de la ecuacin (10) y obtenemos
2

k
sus grados de libertad , esto es, que aiWi y = . (11)
E ( i =1 aiWi ) 2 1
i =1 k

U tienen la misma distribucin. Esto se expresa

como la relacin de equivalencia, De esta ecuacin obtenemos un estimador para el
nmero de grados de libertad, sustituyendo en el
U denominador la esperanza del cuadrado de la

k
aiWi . combinacin lineal, por la combinacin lineal
i =1
cuadrtica nicamente. As tenemos,

4
Simposio de Metrologa 2004 25 al 27 de Octubre

2 Sustituyendo ahora, la expresin (13) de la varianza

= . de la combinacin lineal, en la expresin (12) de
( i =1 aiWi ) 2 1
k
tenemos
2
E ( k aiWi )
= .
i =1
Este estimador tiene el inconveniente de que nos 2
k a
puede dar valores negativos, lo cual es inadmisible. i=1 i E (Wi )
i
Esta expresin para no considera la restriccin
de los coeficientes de la combinacin lineal.
Enseguida consideramos una versin modificada de De esta expresin para los grados de libertad como
este estimador, incluyendo la restriccin. funcin de esperanzas de las variables aleatorias,
obtenemos su estimador , sustituyendo las
2
esperanzas por sus observaciones, esto es,
E ( i =1 aiWi ) 2 = V ( i =1 aiWi ) + E ( i =1 aiWi )
k k k

( i =1 aiWi ) 2
k

V ( i =1 aiWi ) =
k
2
. (14)
= E ( i =1 aiWi )
k
+ 1 , ai2

k 2
2 Wi
E ( aiWi )
k
i =1
i
i =1
Esta aproximacin obtenida en la dcada de los 40,
E ( i =1 aiWi ) = 1 ,
k
y considerando de (9) que sigue an hoy siendo de gran utilidad, su uso se
sustituye algunas veces por procedimientos de
entonces
simulacin para la determinacin de incertidumbres
expandidas. Cabe hacer notar que el procedimiento
V ( i =1 aiWi )
k
de simulacin de observaciones de las variables de
E ( i =1 aiWi ) =
k 2
2
+ 1. influencia, cuando stas estn correlacionadas no
E ( k aiWi ) es sencillo.
i =1
La expresin (14) obtenida para estimar los grados
Sustituyendo esto en la expresin (11) para , de libertad coincide con la expresin conocida para
resulta el nmero efectivo de grados de libertad, despus
de hacer las siguientes sustituciones:
2
2 E ( i =1 aiWi )
k ai = (f / xi ) , y Wi = si2 .
= . (12)
V ( i =1 aiWi )
k
Los trabajos originales sobre esta aproximacin
fueron desarrollados en forma independiente por
Welch [3,4,7] y Satterthwaite [5,6]. Este problema
Finalmente, considerando que W1 , W2 ,..., Wk son es similar al problema de inferencia para una
variables aleatorias independientes distribuidas diferencia de medias, cuando las varianzas son
como ji-cuadradas, tenemos que desconocidas y diferentes. Este ltimo problema
conocido en la literatura estadstica como el
problema de Behrens-Fisher [8], ha generado una
V ( i =1 aiWi ) = i =1 ai2V (Wi ) =
k k
polmica interesante, y ha atrado la atencin de un
gran nmero de estadsticos, y por lo tanto se han
ai2 [ E (Wi ) ] (13)
2

2 i =1 propuesto varias soluciones desde diferentes

k

i enfoques.
La ltima igualdad se debe a que
4. RESTRICCIONES O LIMITACIONES
V (Wi ) = 2 [ E (Wi ) ] / i .
2

El desarrollo de la aproximacin de Welch-

Satterthwaite supone que las variables de influencia

5
Simposio de Metrologa 2004
tienen distribucin normal y adems son
nocorrelacionadas. Estos supuestos con
frecuencia no se cumplen, ya que adems de la
distribucin normal, las distribuciones uniforme y
triangular intervienen como modelos de medicin de
las variables de influencia. Y adems, la correlacin
entre dichas variables en algunos casos es
significativa.
Frecuentemente, el supuesto de no-correlacin no
se cumple en la practica metrolgica, ya que las
mediciones que se hacen de las diferentes variables
de influencia que intervienen en un proceso de
medicin, estn sujetas a un ambiente comn, lo
cual genera una cierta estructura de dependencia
entre dichas variables.
M Ballico [9] compara la formula de Welch-
Satterthwaite con otros procedimientos basados en
series de potencias utilizados para determinar la
incertidumbre expandida, y encuentra que la
formula sobreestima el nmero efectivo de grados
de libertad cuando una de las principales
componentes tiene pocos grados de libertad. Esto
genera una subestimacin del correspondiente
intervalo de confianza, lo cual es aun mas notorio
para altos niveles de confianza.
Una alternativa que se ha elegido algunas veces
para la determinacin de la incertidumbre expandida
o intervalo de confianza, ha sido la tcnica de
simulacin [10], tambin conocida como Monte
Carlo. Cuando las variables de influencia que se
simulan son nocorrelacionadas, este procedimiento
es sencillo, aun cuando se tengan distribuciones
diferentes a la normal. En cambio, si las variables
son correlacionadas, el problema de simulacin en
forma exacta es muy complicado, ya que se
requiere conocer la distribucin conjunta de las
variables, lo cual no es fcil. Existe software como
por ejemplo, Cristal Ball [11] y Risk [12], que
simulan observaciones de variables aleatorias
correlacionadas, con cualquier conjunto de
distribuciones marginales, y con una relacin de
correlacin definida por el coeficiente de correlacin
por rangos, siguiendo el procedimiento de Iman y
Conover [13].
5. CONCLUSIONES
En este artculo hemos comentado el concepto de
grados de libertad asociado a la determinacin de la
incertidumbre de medicin.
6
25 al 27 de Octubre
Se ha mostrado el desarrollo de la aproximacin de
Welch-Satterthwite para obtener el nmero efectivo
de grados de libertad.
La estadstica de la incertidumbre combinada no
tiene una distribucin ji-cuadrada exacta, debido a
que en el numerador no tiene una suma de
cuadrados sino una combinacin lineal de
cuadrados.
Se han discutido limitaciones de esta aproximacin,
como son los supuestos de distribucin normal de
las variables de influencia, as como la no
correlacin entre ellas.
Adems se ha comentado que una alternativa que
se puede seguir al evaluar la incertidumbre de un
proceso de medicin, cuando las variables de
influencia son no-correlacionadas, es la tcnica de
Monte Carlo. Cuando se usa algn software para
simular observaciones de variables correlacionadas,
se recomienda conocer el procedimiento que dicho
software sigue para introducir la correlacin entre
las variables, para estar seguros de que la
correlacin que el software considera es la que
nosotros hemos determinado.
REFERENCIAS
[1] Guide to the Expression of Uncertainty in
Measurement, Geneva, International
Organization for standardization, 1993, ISBN
92-67-10188-9.
[2] Casella, G. and Berger, R. L., Statistical
Inference, Wadsworth & Brooks/Cole, Pacific
Grove, CA. 1990.
[3] Welch, B. L., The Specification of Rules for
Rejection too Variable a Product, with
Particular Reference to an Electric Lamp
Problem, Supplement to the Journal of the
Royal Statistical Society, 3(2), 1936, 29-48.
[4] Welch, B. L., The Significance of the Difference
Between two Means when the Population
Variances are Unequal, 29, 1938, 350-362.
Satterthwaite,F. E., Psychometrika, 1941, 6(5),
309-316.
[5] Satterthwaite,F. E., Psychometrika, 1941, 6(5),
309-316.
[6] Satterthwaite,F. E., An approximate distributin
of estimates of variance components,
Biometrics, Bull., 2(6), 1946, 110-114.
[7] Welch, B. L., The generalization of Students
problem when several different population
variances are involved, Biometrika 34, (1947),
28-35.
[8] Kendall, M. and Stuart, A., The Advanced
Theory of Statistics, , Vol. II: Inference and
Simposio de Metrologa 2004 25 al 27 de Octubre

Relationship, 4th. Ed., Macmillan, New York,

NY., 1979.
[9] Ballico, M., Limitations of the Welch-
Satterthwaite aproximation for measurement
uncertainty calculations, Metrologia, 37, 2000,
61-64.
[10] Cox, M. G., Dainton, A. B., Forbes, A. B.,
Harris, P. M., Schwenke, P. M., Siebert, B. R.
L., and Woger, W., Use of Monte Carlo
Simulation for uncertainty evaluation in
metrology, in Ciarlini, P., Cox, M. G., Filipe, E,
Pavese, F, and Richter, D., editors, Advanced
Mathematical Tools in Metrology V. Series on
Advances in Mathematics for Applied Sciences,
Vol. 57, World Scientific, 2001, 93-104.
[11] Decisionengineering, Inc., Crystal Ball Version
4.0 User Manual.
[12] Winston, W. L., Simulation usiong @RISK,
Duxbury, Pacific Grove CA. 2001.
[13] Iman R. L. and Conover W. J., A Distribution-
Free Aproach to Inducing Rank Correlation
Among Input Variables, Communications in
Statistics - Simulation and Computation, 11(3),
1982, 331-334.