Frecuentemente se utilizan modelos de ensayo que contienen dos o más magnitudes con algun grado de correlación, esto es, que sistemáticamente al modificar el valor de una de ellas, la otra aumenta o disminuye. Los coeficientes de correlación entre dos variables varían entre -1 y 1, donde el valor nos indica la fuerza de la correlación, mientras que el signo nos indica la dirección. De este modo, entendemos que si la correlación es = 1 existe una proporcionalidad directa absoluta entre las magnitudes mientras que si el valor es -1 la proporcionalidad es inversa. Por otra parte, un valor cero para el coeficiente de correlación indica que las variables son independientes.
Si conocemos los coeficientes de relación entre las magnitudes del modelo matemático de nuestro ensayo podemos utilizar el panel de correlaciones. La matriz de correlaciones se construye automáticamente con las variables de nuestro modelo para que nosotros indiquemos el coeficiente de correlación entre ellas. Cuando completemos la matriz, pulsamos el botón <conectar al proyecto> y luego de chequear que la matriz sea correcta, la luz verde del botón indicará que está conectada.
En este caso la simulación se hará con variables correlacionadas. Si en algun momento deseamos trabajar con magnitudes independientes nuevamente, solo tenemos que demarcar la casilla de chequeo <correlacionadas> sobre el botón de simulación. De este modo podemos alternar entre ambos estados sin corregir cada vez la matriz de correlaciones.
Al final de la lista de distribuciones, MCM Alchimia deja disponible a partir de su versión ‘infinito’, esta herramienta que permite asignar parámetros de regresión a nuestro modelo de ensayo. De esta forma, tenemos 3 opciones relacionadas con nuestra curva conectada para escoger:
Esta distribución no es una distribución en sí misma, sino una potente y exclusiva forma de MCM Alchimia infinito de ingresar valores crudos de repetibilidad al modelo de nuestro ensayo sin necesidad de realizar ningún tipo de dato previo en una hoja de cálculo.
A la izquierda del panel tenemos 5 botones de radio (selectores), que indicarán al software la forma que se ingresarán los datos de entrada. Tendremos entonces 5 formas de entrada:
En el extremo superior derecho del panel MCM Alchimia dispone un campo donde debemos indicar el número de repeticiones al que queremos estimar los parámetros de simulación, esto es, la media y el desvío estándar de las medias. Por defecto la aplicación dispone 10 valores, sin embargo este valor puede cambiarse editando manualmente el número o con las flechas de incremento/decremento.
Esta sección del panel pone a disposición dos formas de realizar la simulación a partir de los parámetros de la distribución definida anteriormente a partir de los valores ingresados:
Desde hace décadas es usual suponer en todo tipo de análisis, ensayos o calibraciónes que los eventos repetitivos, sin estímulos externos que varíen sus probabilidades, se distribuirán de acuerdo a una distribución Normal o Gaussiana definida por la media y la desvíación estándar calculada en la muestra. En rigor esto solamente es cierto cuando el número de repeticiones es grande, gracias al teorema central del límite, sin embargo cuando no tenemos suficiente información para describir las propiedades de esta Normal debido a que nuestra muestra en estudio no es lo suficientemente grande, suponer que se cumplen igualmente estas condicione, nos arrojará seguramente valores de incertidumbre subestimados para nuestro mesurand .o, gomo lo indica la guía JCGM 100 – Guide to the expression of uncertainty in measurement.
La distribución triangular continua se caracteriza por estar acotada a dos extermos como en el caso de la rectangular, pero además tiene una moda (o valor más probabe) dentro de ese intervalo. La probabilidad en cualquier subintervalo de igual longitud irá aumentando linealmente hasta la moda y luego descenderá de la misma forma hasta la cota superior. Esta distribución es muy utilizada en variables donde la información es limitada, como en el caso de la uniforme, pero donde se tiene un conocimiento aproximado del valor Modal, es decir, donde, si bien no se conoce el punto exacto de este valor, se tiene información de la region o subintervalo donde encontrarlo.
Esta distribución continua se caracteriza por se igualmente probable cualquier valor del intervalo. Es ampliamente utilizada para contribuciones de incertidumbres tipo B en las cuales se conocen únicamente las cotas mayor y menor del intervalo, por ejemplo en la división o resolución de un instrumento digital. En muchos caso tambien puede asignarse esta distribución cuando se tiene poca información sobre la variable aleatoria, en datos de bibliografía o cuando no se conoce el factor de cobertura de una incertidumbre,
Esta distribución es la que más frecuentemennte se encuentra representando eventos naturales y sociales. Gran parte de las pruebas de la estadística clásica, así como de la estimación de incertidumbres se apoyan en la suposición que los datos se ajustan a una distribución normal. Desde la perspectiva teórica, el Teorema del Límite Central sostiene que dada una muestra aleatoria de tamaño suficientemente, grande se observará que la distribución de medias sigue una distribución aproximadamente normal. La fórmula general de esta distribución es:
Esta distribución representa a variables aleatorias cuyos logaritmos estan distribuídos de acuerdo a una distribución normal. La distribución lognormal toma diferentes formas según sea el valor de su parámetro de escala y es de uso frecuente en fiabilidad de productos de alta tecnología y también en conteos microbiológicos ya que se basa en el modelo de crecimiento multiplicativo.
Esta distribución de probabilidad continua en el campo de los reales positivos, está íntimamente relacionada con la distribución Normal, por ejemplo, es la distribución muestral de σ². La distribución Xi (o Chi) Cuadrado queda definida con un único parámetro que son los grados de libertad. La función siempre es asimétrica y sesgada a la derecha. Esta distribución se utiliza muy frecuentemente en diversas ramas de la ciencia ya que permite analizar conjuntos de datos y determinar si la diferencia entre ellos es debida al azar (hipótesis nula) o a otro factor externo.