e-medida. Revista Espaola de Metrologa.

Diciembre 2012

M Mar Prez Hernndez

Jefa del Laboratorio Primario de Longitud,

Centro Espaol de Metrologa

Estimacin de incertidumbres.
Gua GUM
La incertidumbre del resultado de una medida refleja la falta de conocimiento sobre el verdadero valor del
mensurando. El resultado de medir tal mensurando tras aplicar las correcciones debidas a efectos sistemticos es todava una estimacin debido a la incertidumbre proveniente de los efectos aleatorios y a la falta
de conocimiento completo de las correcciones aplicadas por los efectos sistemticos.
En este artculo se pretende dar una breve descripcin, acompaada de ejemplos, de los pasos a seguir
en la determinacin de incertidumbres.
The uncertainty of the result of a measurement reflects the lack of exact knowledge of the value of the
measurand. The result of a measurement after correction for recognized systematic effects is still only an
estimate of the value of the measurand because of the uncertainty arising from random effects and from
imperfect correction of the result for systematic effects.
This article aims to give a brief description with examples of the steps in determining uncertainties.

114

1. Introduccin
Una medida sin una indicacin cuantitativa de la calidad del
resultado es inservible, esta indicacin es lo que denominaremos incertidumbre. La palabra incertidumbre significa
duda, duda sobre la validez del resultado de una medida
y refleja la imposibilidad de conocer exactamente el valor
del mensurando.
La estimacin de incertidumbres no es un trabajo sencillo
en el que exista consenso. Se sigue pues trabajando y elaborando guas.
Gracias a un grupo de trabajo, en 1993 la ISO present la
primera edicin de la Gua para la expresin de la incertidumbre de la medida (GUM). En esta Gua se establecen
reglas generales para evaluar y expresar la incertidumbre en
la medicin, no cmo puede utilizarse esta estimacin para
tomar decisiones. Para esto ltimo est la norma UNE-EN
ISO 14253-1:1999 Especificacin geomtrica de productos (GPS). Inspeccin mediante medicin de piezas y equi-

pos de medida. Parte 1: Reglas de decisin para probar la

conformidad o no conformidad con las especificaciones.

A pesar de que la existencia de esta gua nos ha facilitado

mucho el trabajo no debe perderse de vista que la evaluacin de la incertidumbre no es un proceso meramente matemtico que debe realizarse despus de cada medicin,
sino algo ms complejo, tal como la propia gua aclara:
Aunque la presente Gua proporciona un marco de
actuacin para la evaluacin de la incertidumbre, este

no puede nunca sustituir a la reflexin crtica, la honradez intelectual y la competencia profesional. La evaluacin de la incertidumbre no es ni una tarea rutinaria
ni algo puramente matemtico; depende del conocimiento detallado de la naturaleza del mensurando y de
la medicin. La calidad y utilidad de la incertidumbre
asociada al resultado de una medicin dependen en
ltimo trmino del conocimiento, anlisis crtico e integridad de aquellos que contribuyen a su evaluacin.
(Gua para la expresin de la incertidumbre de medida,
Seccin 3.4.8)
Segn la definicin de la GUM la incertidumbre es el parmetro asociado al resultado de una medida, que caracteriza la dispersin de los valores que razonablemente pueden ser atribuidos al mensurando.
Los documentos base para la estimacin de incertidumbres
son los siguientes, siendo el primero, el documento de referencia fundamental:
Evaluation of measurement data Guide to the expression of uncertainty in measurement
Evaluation of measurement data Supplement 1 to
the Guide to the expression of uncertainty in measurement Propagation of distributions using a Monte Carlo
method
Evaluation of measurement data Supplement 2 to the
Guide to the expression of uncertainty in measurement
Extension to any number of output quantities

2. Causas de incertidumbre.
En la prctica de la medicin existen muchas posibles fuentes de incertidumbre, entre ellas:
a) definicin incompleta del mensurando;
b) realizacin imperfecta de la definicin del mensurando;
c) muestra no representativa del mensurando;
d) conocimiento inadecuado de los efectos de las condiciones ambientales sobre la medicin, o medicin imperfecta de dichas condiciones ambientales;
e) lectura sesgada de instrumentos analgicos, por parte
del operador;
f) resolucin del instrumento de medida;
g) valores inexactos de los patrones de medida o de los
materiales de referencia;
h) valores inexactos de constantes y otros parmetros

obtenidos de fuentes externas, utilizados en el algoritmo

de tratamiento de datos;
i) aproximaciones y suposiciones establecidas en el mtodo y procedimiento de medicin;
j) variaciones en la repeticin de las observaciones del
mensurando bajo condiciones aparentemente idnticas.
Estas fuentes no son necesariamente independientes, y algunas de ellas, a) a i), pueden contribuir a la fuente j).
La incertidumbre instrumental es la componente de la incertidumbre de medida que procede del instrumento o
sistema de medida utilizado y se obtiene mediante calibracin de ste. En el caso de un patrn primario suele
obtenerse a partir de la participacin en comparaciones
clave interlaboratorios.

e-medida. Revista Espaola de Metrologa. Diciembre 2012

La evaluacin de la incertidumbre asociada a una medicin

es fundamental para, posteriormente, poder comprobar la
conformidad de un producto o bien con las especificacio-

nes que le sean de aplicacin, ya sean de diseo, legales, o

de otro tipo (UNE-EN ISO 14253-1).

3. Incertidumbre y probabilidad.
Para poder empezar a evaluar de una forma operativa la incertidumbre de una medida, deben verse los valores obtenidos en una medicin desde el punto de vista de la teora
de la probabilidad.
El conjunto de todos los posibles resultados de un experimento aleatorio se denomina espacio muestral. La funcin
que asigna un nmero real a cada elemento del espacio
muestral es la variable aleatoria. El rango de esta funcin es
el conjunto de todos los posibles valores de esta variable.

La funcin de distribucin de una magnitud medida describe el conocimiento que tenemos de la realidad de esa
magnitud.
Para nuestro propsito, los parmetros ms interesantes de
la funcin de distribucin son: la esperanza matemtica o

En nuestro caso estamos interesados en conocer una

magnitud X despus de la realizacin de un experimento. Denominando x a cada uno de los elementos del espacio muestral, definiremos como funcin densidad de
probabilidad pdf la funcin f(x) en el rango de (0,) tal
que la probabilidad infinitesimal dp de que el valor de la
variable se halle entre los valores x y x+dx es f(x) dx. De
aqu que la probabilidad de que una variable aleatoria
tome valores entre los lmites xa y xb es:

el valor esperado, la varianza y la covarianza en el caso de

dos magnitudes relacionadas entre s.
Dada una magnitud Xi cuya funcin de densidad de
probabilidad sea f(xi) se define el valor esperado
E(Xi) como:

La varianza de una variable aleatoria o de una distribucin de probabilidad se define como:

Como propiedades podemos destacar que la esperanza

matemtica es un operador lineal y la varianza no lo es.

El mejor estimador de Xi ser aquel que minimice la expresin:

respecto a xi. El mnimo aparece cuando

Por otro lado la varianza de una funcin de densidad
nos da idea de la dispersin de los valores. La incerti-

dumbre se define como la raz cuadrada positiva de la

varianza.

116

4. Evaluacin de las incertidumbres de medicin

Siguiendo la GUM podemos agrupar las componentes
de incertidumbre en dos categoras segn el mtodo de
evaluacin, tipo A y tipo B. La clasificacin en tipo A
y tipo B no implica ninguna diferencia de naturaleza entre

las componentes de estos tipos, consiste nicamente en

dos formas diferentes de evaluar las componentes de incertidumbre, y ambos se basan en distribuciones de probabilidad.

Evaluacin tipo A
La evaluacin tipo A de la incer tidumbre se utiliza
cuando se realizan n observaciones independientes
entre s de una de las magnitudes de entrada X i bajo
las mismas condiciones de medida.
En la mayor par te de los casos, la mejor estimacin

disponible de la esperanza matemtica q de una magnitud q que vara al azar, de la que se han obtenido
n observaciones independientes qk en las mismas condiciones de medida, es la media aritmtica de las n
observaciones:

Los valores de las observaciones individuales q k difieren entre s debido a variaciones aleatorias de las
magnitudes de influencia o de efectos aleatorios. La

varianza 2 de la distribucin de probabilidad de q se

estima mediante la varianza experimental de las observaciones, y viene dada por:

Esta estimacin de la varianza y su raz cuadrada s(q k),

denominada desviacin tpica experimental, caracterizan la variabilidad de los valores observados qk o,
ms especficamente, su dispersin alrededor de su
media .

La mejor estimacin de la varianza de la media

que, junto con la desviacin tpica experimental de la

media, s(qk), cuantifican la bondad con que q estima
la esperanza matemtica q.

de modelos de calibracin basados en el mtodo de

mnimos cuadrados es til para evaluar las incer tidumbres procedentes de variaciones aleatorias, a cor to y
a largo plazo, de los resultados de comparaciones de
patrones materializados de valor desconocido, tales
como bloques o masas patrn, con patrones de referencia de valor conocido. Las componentes de la
incer tidumbre pueden evaluarse en estos casos por
anlisis estadstico de los datos obtenidos utilizando
diseos experimentales consistentes en secuencias de
mediciones del mensurando para un cier to nmero de
valores diferentes de las magnitudes de las que este
depende.

Para una magnitud de entrada Xi determinada a partir de n observaciones repetidas e independientes, la incertidumbre
tpica de su estimacin es

,y

se denomina incer tidumbre tpica de tipo A .

En algunas situaciones pueden utilizarse otros mtodos
estadsticos, como el mtodo de mnimos cuadrados
o el anlisis de la varianza. Por ejemplo, la utilizacin

viene dada por la varianza experimental

de la media:

e-medida. Revista Espaola de Metrologa. Diciembre 2012

Evaluacin tipo B
La evaluacin tipo B de la incertidumbre tpica se utiliza
cuando la estimacin xi de una magnitud de entrada
X i no ha sido obtenida a partir de observaciones repetidas. La varianza estimada asociada u 2(xi), o la incertidumbre tpica u(xi), se obtiene entonces mediante
decisin cientfica basada en la informacin disponible
acerca de la variabilidad posible de Xi. El conjunto de
la informacin puede comprender:
- resultados de medidas anteriores;
- la experiencia o el conocimiento general del com-

portamiento y propiedades de los materiales y los

instrumentos utilizados;
- las especificaciones del fabricante;
- los datos suministrados por certificados de calibracin u otros certificados;
- la incertidumbre asignada a valores de referencia
procedentes de libros y manuales.
Segn la fuente de la que se obtiene esa incertidumbre tipo B, sta se estimar de distinta manera. Algunos
ejemplos de evaluacin tipo B son:

Incertidumbre debida al patrn o instrumento calibrado

La incer tidumbre tpica se obtiene dividiendo la incer tidumbre expandida dada en el cer tificado de

calibracin del patrn por el factor de cober tura

indicado:

Incertidumbre debida a la resolucin

Una de las fuentes de incer tidumbre de un instrumento es la resolucin de su dispositivo indicador,
si se trata de un instrumento digital, o la incer tidumbre debida a la resolucin de lectura, si se trata de
un instrumento analgico. En el caso del instrumento
analgico la resolucin depende del operador o de
los medios que ste emplee en la lectura (amplificacin ptica, p. ej.).

Si la resolucin del dispositivo indicador es x, el valor de seal de entrada que produce una indicacin
dada X puede situarse con igual probabilidad en cualquier punto dentro del intervalo que va de (X-x/2) a
(X+x/2). La seal de entrada puede describirse entonces por medio de una distribucin rectangular de rango
x y varianza u 2=(x)2/12, lo que supone una incertidumbre tpica para cualquier indicacin de:

Incertidumbre debida a la deriva del patrn

La deriva de un patrn no es fcil de determinar en
muchos casos, y es un parmetro independiente y caracterstico de cada patrn. Su valor depende, entre
otros factores, de las condiciones de uso y mantenimiento, de la frecuencia de utilizacin, de la exactitud
del instrumento, del periodo entre calibraciones, etc.
Para su clculo, se puede par tir del histrico de calibraciones sucesivas del patrn y estimar una variacin

del valor cer tificado p. Para la evaluacin de la incer tidumbre podremos aplicar un tipo de distribucin
rectangular o triangular segn los conocimientos que
tengamos del histrico del patrn.
Se darn ms ejemplos calculados al final del texto.

118

5. Estimacin de la incertidumbre combinada y la

expandida. Factor de cobertura, k
Una medicin fsica, por simple que sea, tiene asociado
un modelo que se aproxima al proceso real. El modelo

fsico se representa mediante un modelo matemtico que

en muchos casos supone aproximaciones.

5.1. Ley de propagacin de incertidumbres, LPI. Incertidumbre combinada

En la mayor par te de los casos, el mensurando Y no
se mide directamente, sino que se determina a par tir

de otras N magnitudes X 1, X2, ..., XN , mediante una

relacin funcional f:

La funcin f no expresa tanto una ley fsica como el

proceso de medida y debe contener todas las magnitudes que contribuyen al resultado final, incluyendo las correcciones, aunque estas sean de valor nulo,
para poder considerar las incer tidumbres de dichas
correcciones.

distribucin de cada una de las magnitudes de entrada y podra derivarse de aqu la funcin de distribucin de la magnitud indirecta.

En principio, mediante evaluacin tipo A o evaluacin

tipo B, seramos capaces de conocer las funciones de

Teniendo en cuenta el desarrollo en serie de Taylor de

primer orden en torno al valor esperado, gracias a las
propiedades de la varianza podemos obtener la ley
de propagacin de incer tidumbres, la cual facilita la
estimacin de stas.

Los trminos ci , cj son los coeficientes de sensibilidad

e indican el peso que supone cada una de las distintas magnitudes de entrada en la magnitud de salida,
representada por la funcin de medicin. El segundo
trmino es el trmino de covarianza en el que apare-

ce la influencia de unas magnitudes de entrada sobre

otras, en el caso de que estas estn correlacionadas.
Si las magnitudes de entrada son independientes puede simplificarse la ecuacin, desapareciendo el segundo trmino y quedando nicamente el primero.

Ejemplo 1:
LPI para modelos de la forma:
En este caso obtenemos
Un ejemplo de este modelo puede ser
el mdulo de elasticidad de un metal. E = /

e-medida. Revista Espaola de Metrologa. Diciembre 2012

Cuando no es posible escribir el modelo de medicin de

una forma explcita, los coeficientes de sensibilidad no
pueden ser calculados de forma analtica, sino de forma

numrica, introduciendo pequeos cambios xi + xi en

las magnitudes de entrada y observando los cambios que
se producen en las magnitudes de salida.

5.2. Limitaciones de la LPI

La ley de propagacin de incertidumbres se puede aplicar cuando:
1. nicamente aparezca una magnitud de salida en el
modelo matemtico.
2. El modelo matemtico sea un modelo explcito, es
decir, Y = f (Xi).
3. Puedan ser calculadas la esperanza matemtica, las incertidumbres tpicas y las incertidumbres mutuas de las
magnitudes de entrada.
4. El modelo sea una buena aproximacin a un desarrollo
lineal en torno al mejor estimador de las magnitudes de
entrada.
Cuando se trata de modelos no lineales se puede realizar
la aproximacin de segundo orden de la serie de Taylor,
o incluso obtener los valores de esperanza matemtica
y varianza sin aproximaciones, directamente, soluciones
mucho ms complejas matemticamente que la ley de
propagacin de incertidumbres.
Despus de la elaboracin de la gua GUM, se ha trabajado en guas suplementarias a sta, para la evaluacin
de incertidumbres por otros mtodos. Una de ellas ha
incidido en calcular la incertidumbre mediante el mtodo de Montecarlo.
La idea bsica de este mtodo, til tanto para modelos lineales como para modelos no lineales, es que suponiendo

un modelo Y = f (X i), donde todas las magnitudes de entrada puedan ser descritas por sus funciones de distribucin, puede emplearse un algoritmo matemtico programado para generar una secuencia de valores t i = (x1, .......xN)
donde cada xi es generado de forma aleatoria a partir de
su funcin de distribucin (extracciones de su funcin de
distribucin). El valor de y1 obtenido de cada secuencia t i es calculado empleando el modelo de medicin, repitindose el proceso un gran nmero de veces, del orden
de 105 106. Este elevado nmero de repeticiones permite obtener una funcin de distribucin para la magnitud
y, y el clculo de su esperanza matemtica y su desviacin
tpica de forma matemtica, lo que nos conducir a los resultados de mejor estimador e incertidumbre tpica combinada asociada.
En este proceso realmente no se emplean los resultados
de la medicin de los parmetros de entrada para dar
un resultado de la medicin, sino para establecer con
ellos las funciones de distribucin de las magnitudes de
entrada y poder generar de forma aleatoria valores de
la magnitud funcin de dichas magnitudes de entrada.
Como se trata de una generacin automatizada, pueden
generarse muchsimos ms valores que si se realizase la
medicin realmente y con todos ellos encontrar la funcin de distribucin de la magnitud que es funcin de
las magnitudes de entrada. Conocida sta matemticamente, se obtienen los resultados y las incertidumbres
asociadas.

5.3. Incertidumbre expandida

La incertidumbre tpica combinada sirve para caracterizar la
calidad de las medidas. En la prctica lo que se necesita es
conocer el intervalo dentro del cual es razonable suponer,
con alta probabilidad de no equivocarse, que se encuentran
los infinitos valores que pueden ser razonablemente atribuidos al mensurando. Nos podramos preguntar si podramos emplear la incertidumbre tpica combinada para definir
dicho intervalo (y-u, y+u). En este caso, la probabilidad de
que el valor verdadero del mensurando est comprendido
en el intervalo (y-u, y+u) es baja ya que, en el supuesto de
que la funcin de distribucin del mensurando y sea una
funcin normal, estamos hablando de un 68,3 %.

Para aumentar la probabilidad hasta valores ms tiles de

cara a la toma posterior de decisiones, podemos multiplicar la incertidumbre combinada por un nmero denominado factor de cobertura kp y emplear el intervalo
(y-uc(y) kp, y+ uc(y) kp)
El producto k p u c(y) = U p se denomina incertidumbre
expandida, donde kp es el factor de cobertura para un
nivel de confianza p
Matemticamente esto quiere decir que:

120

De donde el rea de la funcin de densidad asociada a Y dentro de este intervalo es:

El intervalo que nos interesa conocer es ( y - Up , y + Up )

La relacin entre p y k p depende, evidentemente, de la funcin de densidad f(Y) que se obtiene de la informacin
acumulada durante el proceso de medicin.
5.4. Tipos de distribuciones
5.4.1. Distribucin rectangular

Para un nivel de confianza p calculamos la integral de la funcin de distribucin:

La desviacin tpica es:

Para calcular el factor de cobertura:

e-medida. Revista Espaola de Metrologa. Diciembre 2012

Operando se obtiene:

Ejemplo:
Dada una cier ta magnitud t se sabe que viene descrita
por una distribucin rectangular simtrica, de extremos 96 y 104. Determinar el factor de cober tura y la
incer tidumbre expandida para un nivel de confianza
del 99 %.

En este caso tenemos que a = 4, = 100, y = 2,31, y que

para un nivel de confianza del 99 % el factor de cobertura
es 1,71. Entonces, la incertidumbre expandida es:
U 99 = kp u = 1,712,31=3,949

5.4.2. Distribucin triangular

Para un nivel de confianza p se calcula la integral de la funcin de densidad:

122

Como la desviacin tpica es:

Operando se obtiene:

5.4.3. Distribucin normal

En la mayor parte de los procesos de medicin la distribucin que describe mejor lo observado es la distribucin normal.

La distribucin normal de = 0 y = 1 se denomina distribucin normal tipificada o estndar.

la tipificacin. Si tenemos una variable o magnitud Y que se

distribuye segn una N(,), se define una variable normal

La integracin necesaria para la determinacin de los intervalos de confianza es ms complicada. No obstante en el

caso de la distribucin normal estndar existen tablas que
permiten realizar de forma sencilla ese clculo.

tipificada como .

La forma de obtener los intervalos de confianza es mediante

La integracin de la distribucin normal tipificada N(0,1) est

en las tablas. A partir de ellas se determinan los intervalos de
confianza.

Ejemplo:
Si para un nivel de confianza p, el intervalo de confianza que se define para una distribucin N(0,1) es (-kp, kp); como Z es
una distribucin N(0,1):

e-medida. Revista Espaola de Metrologa. Diciembre 2012

En una distribucin normal el factor de cobertura kp, para un nivel de confianza p es:

La incertidumbre expandida se calcula segn Up (y) = kp u c (y).

5.4.4. Distribucin t-Student
Sea Z una variable aleatoria de esperanza z y desviacin
tpica z de la que se realizan n observaciones, estimndose un valor medio z y una desviacin estndar experimental
s(z).

Se puede definir la siguiente variable cuya distribucin es la

t-Student con grados de libertad

El nmero de grados de libertad es = n -1 para una cantidad estimada mediante la media aritmtica de n observaciones independientes.

Para una variable t-Student con grados de libertad, el intervalo para el nivel de confianza p es
(-t p (v), t p (v)).

Si se usan las n observaciones independientes para realizar

un ajuste mediante mnimos cuadrados de m parmetros, el
nmero de grados de libertad es = n -m

El factor t p (v) se encuentra en las tablas de la t de

Student

Ejemplo:
Supongamos que el mensurando Y es simplemente una
magnitud que se estima por la media aritmtica X de n
observaciones independientes, siendo s(X) la desviacin
tpica experimental:

La variable

La mejor estimacin de Y es X con incertidumbre asociada

uc (y) = s(X)

se distribuye segn la t-Student. Por lo tanto:

El factor de cobertura es t p (v) y la incertidumbre expandida U p (v) = tp (v) uc (y).

124

5.5. Determinacin de la incertidumbre expandida despus de la medicin

El problema que se nos plantea es determinar la incertidumbre expandida despus de realizada una medicin.

Si se trata de una medida directa, podemos actuar de distintas formas:

- Incertidumbre determinada segn evaluacin tipo A de la incertidumbre

El factor de cobertura para un nivel de confianza dado
se obtiene a partir de la distribucin t de Student con n-1
grados de libertad, siendo n el nmero de mediciones, o

bien de la distribucin normal, si el nmero de reiteraciones

es suficientemente grande.

- Incertidumbre determinada si la distribucin Y es rectangular, centrada en el estimador y

El factor de cobertura se obtiene de la distribucin rectangular
Si se trata de calcular la incertidumbre expandida para una
medida indirecta resulta algo complicado calcular la funcin
de distribucin, la cual debe realizarse por mtodos analticos
o numricos especiales. Pero podemos pensar en simplificar:

Una primera aproximacin sera calcular la funcin de

distribucin de probabilidad por convolucin de las
distribuciones de probabilidad de las magnitudes de
entrada.
Una segunda aproximacin sera suponer la medida indirecta como funcin lineal de las magnitudes de entrada

5.5.1. Teorema del lmite central

El teorema del lmite central en sus diferentes versiones
asegura que la suma de variables aleatorias independientes
y equidistribudas converge a una normal. Sobre el papel
la convergencia es comnmente rapidsima, pero los experimentos reales hacen que uno desespere antes de ver
la campana de Gauss. No hay contradiccin en ello, por
ejemplo podemos entender la probabilidad 1/2 de obtener cara como un lmite cuando tiramos infinitas veces una
moneda y no podemos exigir que tras 20 o 30 tiradas ten-

gamos una aproximacin precisa contando el porcentaje

de aciertos.

Suma de puntuaciones de diez dados tirados cien veces

Suma de puntuaciones de diez dados tirados mil veces

Los siguientes grficos muestran los histogramas de la

suma de las puntuaciones de 10 dados comparados con
la normal correspondiente cuando se repite el experimento cien, mil y diez mil veces. Naturalmente provienen
de una simulacin con ordenador.

e-medida. Revista Espaola de Metrologa. Diciembre 2012

Supongamos que una medida indirecta es funcin lineal de

las magnitudes de entrada segn la ecuacin 33:

Suma de puntuaciones de diez dados tirados diez mil veces

El Teorema central del lmite dice:

La distribucin asociada a Y se aproximar a una
distribucin normal de esperanza
varianza

y
siendo E(Xi) la esperanza

de Xi y 2(Xi) la varianza de Xi. Esto ocurre si las Xi son

independientes y 2(Y) es mucho mayor que cualquier otra
componente individual ci 2(Y)

luaciones de tipo A basadas en pocas observaciones,

o en evaluaciones de tipo B basadas en distribuciones
rectangulares.
La convergencia hacia la distribucin normal ser tanto ms
rpida cuanto mayor sea el nmero N de variables involucradas, cuanto ms normales sean stas, y cuando no exista
ninguna dominante.

Las condiciones del teorema se cumplen cuando la incertidumbre combinada uc(y) no est dominada por componentes de incertidumbre tpica obtenidas por eva-

En consecuencia, una primera aproximacin para determinar la incertidumbre expandida que define un intervalo de
nivel de confianza p ser utilizar el factor de cobertura propio de una distribucin normal, kp.

Si el nmero de lecturas aleatorias es pequeo, entonces el

valor de uA derivado puede ser inexacto, y la distribucin
de la componente aleatoria es mejor representarla median-

te la distribucin t-Student. Sobreestimaramos la incertidumbre, especialmente si q fuera pequeo y los valores de

uA y uB fueran comparables en tamao.

5.5.2. Grados de libertad efectivos. Aproximacin de Welch-Satterthwaite

El problema se puede resolver empleando la frmula de
aproximacin de Welch-Satterthwaite con la que se calcula
el nmero de grados de libertad efectivos de la combinacin

o bien:

de la distribucin t-Student con una distribucin gaussiana.

La distribucin resultante se tratar como una distribucin tStudent con el nmero de grados de libertad calculados.

126

Si se usan incertidumbres relativas, el nmero de grados de libertad efectivos es:

En evaluaciones tipo B, para calcular los grados de libertad efectivos, utilizaremos la aproximacin dada por la siguiente
frmula:

Esta frmula se obtiene al considerar la incertidumbre de

la incertidumbre. Cuanto mayor sea el nmero de grados
de libertad mayor es la confianza en la incertidumbre. En la
prctica, en evaluaciones tipo B, vi

En evaluaciones tipo A el clculo del nmero de grados de

libertad depender del estadstico empleado para evaluar
el valor ms probable.

Ejemplo 1.
Resolucin y redondeo

Evaluar la contribucin a la incertidumbre debida a la resolucin de un equipo de medida. Por ejemplo la resolucin
de un micrmetro centesimal (e = 0,01 mm) en la medida
de un bloque patrn.

supone que la indeterminacin de los valores medidos se

encuentra entre e/2 con igual probabilidad en todo este
rango; en este caso tenemos pues una distribucin rectangular de semiamplitud 0,005 mm.

Tanto para equipos analgicos como para equipos digitales

el hecho de emplear un instrumento con una resolucin e

Por ello su contribucin a la incertidumbre se evala

como:

Tanto la resolucin digital como la analgica, as como el redondeo, dan origen a una contribucin de incertidumbre que puede ser analizada teniendo en cuenta una distribucin rectangular con valor lmite r/2
Ejemplo 2.
Deriva

Para la calibracin de un micrmetro se emplean bloques patrn calibrados. Suponiendo que los bloques se encuentran
dentro del periodo de calibracin y se les permite una deriva de 30 nm entre calibraciones, evaluar la contribucin
a la incertidumbre debida a la deriva del valor del bloque
desde la ltima calibracin.

Puede considerarse para la deriva una distribucin triangular, aunque podra tomarse una distribucin rectangular. Teniendo en cuenta que entre calibraciones no se supera el
valor e, se obtiene:

e-medida. Revista Espaola de Metrologa. Diciembre 2012

Ejemplo 3.
Certificado de calibracin

Para la calibracin del micrmetro los bloques que se

emplean son calibrados por comparacin y tienen una
incertidumbre certificada de 60 nm para un factor de cobertura k = 2.

La evaluacin de la incertidumbre tpica asociada a un valor certificado se obtiene del propio certificado conociendo el factor de cobertura empleado. El resultado en
este caso es:

Ejemplo 4.
Patrn de referencia

Para la calibracin de un micrmetro se emplean bloques

patrn calibrados por comparacin con una incertidumbre
certificada de 60 nm para un factor de cobertura k = 2.
Suponiendo que los bloques se encuentran dentro del periodo de calibracin y se les permite una deriva de 30 nm
entre calibraciones; evaluar la incertidumbre asociada al uso
de los bloques patrn como referencia en la calibracin del
micrmetro.

Se evala mediante la ley de propagacin de incer tidumbres como la raz cuadrada positiva de la combinacin cuadrtica de la incer tidumbre debida al cer tificado de calibracin y la debida a la deriva del valor
de dichos bloques en el tiempo, es decir

Ejemplo 5.
Influencia de la temperatura

En el caso anteriormente citado, supondremos que

los bloques son de acero, con coeficiente de dilatacin = (11,5 1) 10-6 C-1 y suponemos que la medicin se realiza en condiciones de laboratorio en el cual
permitimos que exista una variacin de temperatura durante el proceso de medicin de 0,025 C. Para la medicin

de la temperatura se emplean sensores de temperatura

cuya incertidumbre es 0,02 C y su resolucin es 0,001 C.
Evaluar la incertidumbre asociada a la temperatura

En el modelo matemtico no se especifican las correcciones, ya que lo que se busca es evaluar la incertidumbre
asociada a la temperatura.

derivadas parciales del modelo matemtico respecto al

coeficiente de dilatacin y respecto a la variacin de temperatura.

Los coeficientes de sensibilidad se evalan calculando las

Con ello obtenemos:

En el caso mencionado podemos suponer un modelo

matemtico:

128

y la contribucin a la incertidumbre asociada a la longitud:

En este caso debemos tener en cuenta dos contribuciones de incertidumbre diferentes, una debida a la incertidumbre asociada al coeficiente de dilatacin y otra a la

incertidumbre asociada al conocimiento no exacto de la

diferencia de temperatura respecto a 20 C en el instante
de calibracin.

1. u(a), Incertidumbre debida al coeficiente de dilatacin

Para evaluar esta incertidumbre supondremos una distribucin rectangular en torno al valor medio del coeficiente

de dilatacin cuyo semirrango es 1 10-6, por tanto la

incertidumbre tpica asociada se obtiene como:

2. u(q), Incertidumbre debida al conocimiento no exacto de la diferencia de temperatura respecto a 20 C en el

momento de la calibracin
Para evaluar el valor de la temperatura de los bloques se
emplean sensores de temperatura Pt-100 con resolucin
0,001 C y se permite una variacin de temperatura durante la medicin de 0,025 C.

Consideraremos las siguientes fuentes de incertidumbre:

2.1 Variacin de la temperatura t, durante la medicin

Suponiendo una distribucin rectangular obtenemos:

2.2 Resolucin del termmetro empleado

La incertidumbre asociada es:

2.3 Calibracin del termmetro empleado

incertidumbre expandida es U (tcal) = 0,02 C para k = 2

Por lo tanto

2.4 Deriva del termmetro

En este caso supondremos una distribucin rectangular, ms

conservadora que una triangular

Segn se especifica en el certificado de calibracin su

Podemos estimar una deriva entre calibraciones de 0,01 C.

e-medida. Revista Espaola de Metrologa. Diciembre 2012

Teniendo en cuenta todas las contribuciones asociadas al desconocimiento del valor de la temperatura, (47 a 50) del bloque
obtenemos:

Empleando la frmula 45 obtenemos:

7. Pasos a seguir para estimar el resultado de una medicin

De forma esquemtica y siguiendo las recomendaciones de
la GUM los pasos a seguir para estimar la incertidumbre de
medicin son los siguientes:
1) Expresar matemticamente la relacin existente entre el
mensurando Y y las magnitudes de entrada X i de las que
depende Y en la forma Y = f(Xi). La funcin f debe contener todas las magnitudes, incluyendo las correcciones.
2) Determinar x i, valor estimado de la magnitud de entrada
X i, bien a partir del anlisis estadstico de una serie de observaciones, bien por otros mtodos.
3) Evaluar la incertidumbre tpica u(xi) de cada estimacin
de entrada xi. La evaluacin podr ser de tipo o A de
tipo B.
4) Evaluar las covarianzas asociadas a todas las estimaciones de entrada que estn correlacionadas.
5) Calcular el resultado de medicin; esto es, la estimacin
y del mensurando Y, a partir de la relacin funcional f utilizando para las magnitudes de entrada Xi las estimaciones
x i obtenidas en el paso 2.
6) Determinar la incertidumbre tpica combinada u c(y) del
resultado de medida y, a partir de las incertidumbres tpicas
y covarianzas asociadas a las estimaciones de entrada.

7) Si es necesario dar una incertidumbre expandida U,

cuyo fin es proporcionar un intervalo [y U, y + U] en el
cual pueda esperarse encontrar la mayor parte de la distribucin de valores que podran, razonablemente, ser atribuidos al mensurando Y, multiplicar la incertidumbre tpica
combinada uc(y) por un factor de cobertura k, normalmente comprendido entre 2 y 3, para obtener U = k uc(y).
Seleccionar k considerando el nivel de confianza requerido
para el intervalo (normalmente el 95 %).
8) Documentar el resultado de medicin y, junto con su
incertidumbre tpica combinada uc(y), o su incertidumbre
expandida U.
Cuando el resultado de una medicin viene acompaado
de la incertidumbre expandida U = k u c(y), se debe:
a) describir completamente la forma en que se ha definido
el mensurando Y;
b) indicar el resultado de la medicin en la forma Y = y U,
y dar las unidades de y, y de U;
c) incluir la incertidumbre expandida relativa U/y, y0,
cuando proceda;
d) dar el valor de k utilizado para obtener U [o, para facilitar al usuario el resultado, proporcionar tanto el valor de
k como el de uc(y)];
e) dar el nivel de confianza aproximado asociado al intervalo y U, e indicar cmo se ha determinado;

130

8. Conclusiones
Todo proceso de medida tiene como fin obtener informacin sobre el mensurando con objeto de evaluar su
conformidad con las especificaciones, realizar comparaciones o tomar otras decisiones. En cualquier caso,
el resultado de la medida es tan importante como la
calidad de dicha medida. La calidad de una medida se
cuantifica mediante la evaluacin de incertidumbre de
dicha medida.
El resultado de toda medicin y debe documentarse junto a su incer tidumbre tpica combinada u c (y), o
su incer tidumbre expandida U, indicando el factor de
cober tura o el nivel de confianza asociado al intervalo
y U.
La evaluacin de la incertidumbre no es una tarea matemtica unvoca, pero gracias a la Gua para la expresin
de la incertidumbre de medida puede analizarse segn
unas reglas generales. Esta gua ha facilitado la comparacin de resultados interlaboratorios dado que se ha
extendido ampliamente y de esta forma se emplea un
lenguaje comn.
En este artculo se ha tratado de dar una breve des-

cripcin, acompaada de ejemplos, de los pasos a seguir en la determinacin de incertidumbres siguiendo

la GUM.
En un primer paso se debe representar mediante un
modelo matemtico el modelo fsico de la medicin
que se realiza e identificar cada una de las magnitudes
de entrada de las que depende, as como sus relaciones, si existen.
Posteriormente se evalan las incertidumbres tanto desde un punto de vista objetivo, estadstico, como desde
un punto de vista subjetivo, es decir teniendo en cuenta todos los aspectos que influyen en el resultado de
una medida, como pueden ser los factores inherentes
al instrumento, condiciones ambientales, etc.
Mediante la ley de propagacin de incertidumbres u
otros mtodos se obtiene la incertidumbre tpica combinada asociada a la estimacin final del mensurando.
Finalmente se amplia dicha incertidumbre mediante un
factor de cobertura para obtener una incertidumbre
expandida de forma que el nivel de confianza del intervalo y U sea mayor.

Bibliografa
1 Vocabulario Internacional de Metrologa VIM, 3 edicin 2008 (espaol). http://www.cem.es/sites/default/files/vim3edes.pdf.
2 Metrologa Abreviada, traduccin al espaol de 3 edicin. Edicin digital. http://www.cem.es/sites/default/files/metrologia20abreviada.pdf.
3 Evaluacin de datos de medicin. Gua para la expresin de la incertidumbre de medida. Edicin digital. http://www.cem.es/sites/default/files/gum20digital1202010.pdf.
4 Evaluacin de datos de medicin. Suplemento 1 de la Gua para la expresin de la incertidumbre de medida. Propagacin de incertidumbres utilizando el
mtodo de Monte Carlo. http://www.cem.es/sites/default/files/suplemento20120de20gum.pdf.
5 UNE-EN ISO 14253-1:1999: Especificacin geomtrica de productos (GPS). Inspeccin mediante medicin de piezas y equipos de medida. Parte 1: Reglas
de decisin para probar la conformidad o no conformidad con las especificaciones.
6 LIRA Ignacio. Evaluating the Measurement Uncertainty, Bristol, IoP Publishing Ltd., 2002
7 JGCM 102:2011. Evaluation of measurement data Supplement 2 to the Guide to the expression of uncertainty in measurement Extension to any number
of output quantities. http://www.bipm.org/utils/common/documents/jcgm/JCGM_102_2011_E.pdf.
8 JCGM 106:2012. Evaluation of measurement data - The role of measurement uncertainty in conformity assessment