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 sistem-
ticos 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 denomi-
naremos 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 ela-
borando guas.
Gracias a un grupo de trabajo, en 1993 la ISO present la
primera edicin de la Gua para la expresin de la incerti-
dumbre 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 produc-
tos (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 evalua-
cin de la incertidumbre no es un proceso meramente ma-
temtico 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
2. Causas de incertidumbre.
En la prctica de la medicin existen muchas posibles fuen-
tes de incertidumbre, entre ellas:
a) definicin incompleta del mensurando;
b) realizacin imperfecta de la definicin del mensuran-
do;
c) muestra no representativa del mensurando;
d) conocimiento inadecuado de los efectos de las con-
diciones ambientales sobre la medicin, o medicin im-
perfecta 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
no puede nunca sustituir a la reflexin crtica, la honra-
dez intelectual y la competencia profesional. La eva-
luacin de la incertidumbre no es ni una tarea rutinaria
ni algo puramente matemtico; depende del conoci-
miento 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 inte-
gridad 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 par-
metro asociado al resultado de una medida, que caracte-
riza la dispersin de los valores que razonablemente pue-
den ser atribuidos al mensurando.
Los documentos base para la estimacin de incertidumbres
son los siguientes, siendo el primero, el documento de re-
ferencia fundamental:
Evaluation of measurement data Guide to the expres-
sion of uncertainty in measurement
Evaluation of measurement data Supplement 1 to
the Guide to the expression of uncertainty in measure-
ment 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
obtenidos de fuentes externas, utilizados en el algoritmo
de tratamiento de datos;
i) aproximaciones y suposiciones establecidas en el m-
todo 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 al-
gunas de ellas, a) a i), pueden contribuir a la fuente j).
La incertidumbre instrumental es la componente de la in-
certidumbre de medida que procede del instrumento o
sistema de medida utilizado y se obtiene mediante cali-
bracin de ste. En el caso de un patrn primario suele
obtenerse a partir de la participacin en comparaciones
clave interlaboratorios.

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-
3. Incertidumbre y probabilidad.
Para poder empezar a evaluar de una forma operativa la in-
certidumbre de una medida, deben verse los valores obte-
nidos en una medicin desde el punto de vista de la teora
de la probabilidad.
El conjunto de todos los posibles resultados de un experi-
mento 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 des-
cribe 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
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.
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-
e-medida. Revista Espaola de Metrologa. Diciembre 2012
nes que le sean de aplicacin, ya sean de diseo, legales, o
de otro tipo (UNE-EN ISO 14253-1).
En nuestro caso estamos interesados en conocer una
magnitud X despus de la realizacin de un experimen-
to. Denominando x a cada uno de los elementos del es-
pacio 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:
El mejor estimador de Xi ser aquel que minimice la expre-
sin:
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 certidumbre, y ambos se basan en distribuciones de pro-
y tipo B no implica ninguna diferencia de naturaleza entre
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
Los valores de las observaciones individuales q k di-
fieren entre s debido a variaciones aleatorias de las
magnitudes de influencia o de efectos aleatorios. La
Esta estimacin de la varianza y su raz cuadrada s(q k),
denominada desviacin tpica experimental, caracte-
rizan la variabilidad de los valores observados qk o,
ms especficamente, su dispersin alrededor de su
media .
que, junto con la desviacin tpica experimental de la
media, s(qk), cuantifican la bondad con que q estima
la esperanza matemtica q.
Para una magnitud de entrada Xi determinada a partir de n ob-
servaciones 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
las componentes de estos tipos, consiste nicamente en
dos formas diferentes de evaluar las componentes de in-
babilidad.
disponible de la esperanza matemtica q de una mag-
nitud q que vara al azar, de la que se han obtenido
n observaciones independientes qk en las mismas con-
diciones de medida, es la media aritmtica de las n
observaciones:
varianza 2 de la distribucin de probabilidad de q se
estima mediante la varianza experimental de las obser-
vaciones, y viene dada por:
La mejor estimacin de la varianza de la media
viene dada por la varianza experimental
de la media:
de modelos de calibracin basados en el mtodo de
mnimos cuadrados es til para evaluar las incer tidum-
bres 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 re-
ferencia 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.

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 re-
petidas. La varianza estimada asociada u 2(xi), o la in-
certidumbre 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-
Incertidumbre debida al patrn o instrumento calibrado
La incer tidumbre tpica se obtiene dividiendo la in-
cer tidumbre expandida dada en el cer tificado de
Incertidumbre debida a la resolucin
Una de las fuentes de incer tidumbre de un instru-
mento es la resolucin de su dispositivo indicador,
si se trata de un instrumento digital, o la incer tidum-
bre 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 (amplifica-
cin ptica, p. ej.).
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 ca-
racterstico de cada patrn. Su valor depende, entre
otros factores, de las condiciones de uso y manteni-
miento, 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 cali-
braciones sucesivas del patrn y estimar una variacin
e-medida. Revista Espaola de Metrologa. Diciembre 2012
portamiento y propiedades de los materiales y los
instrumentos utilizados;
- las especificaciones del fabricante;
- los datos suministrados por certificados de calibra-
cin u otros certificados;
- la incertidumbre asignada a valores de referencia
procedentes de libros y manuales.
Segn la fuente de la que se obtiene esa incertidum-
bre tipo B, sta se estimar de distinta manera. Algunos
ejemplos de evaluacin tipo B son:
calibracin del patrn por el factor de cober tura
indicado:
Si la resolucin del dispositivo indicador es x, el va-
lor de seal de entrada que produce una indicacin
dada X puede situarse con igual probabilidad en cual-
quier punto dentro del intervalo que va de (X-x/2) a
(X+x/2). La seal de entrada puede describirse enton-
ces por medio de una distribucin rectangular de rango
x y varianza u 2=(x)2/12, lo que supone una incertidum-
bre tpica para cualquier indicacin de:
del valor cer tificado p. Para la evaluacin de la in-
cer 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
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
La funcin f no expresa tanto una ley fsica como el
proceso de medida y debe contener todas las mag-
nitudes que contribuyen al resultado final, incluyen-
do las correcciones, aunque estas sean de valor nulo,
para poder considerar las incer tidumbres de dichas
correcciones.
En principio, mediante evaluacin tipo A o evaluacin
tipo B, seramos capaces de conocer las funciones de
Los trminos ci , cj son los coeficientes de sensibilidad
e indican el peso que supone cada una de las distin-
tas 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-
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 me-
tal. E = /
fsico se representa mediante un modelo matemtico que
en muchos casos supone aproximaciones.
de otras N magnitudes X 1, X2, ..., XN , mediante una
relacin funcional f:
distribucin de cada una de las magnitudes de entra-
da y podra derivarse de aqu la funcin de distribu-
cin de la magnitud indirecta.
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.
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 pue-
de simplificarse la ecuacin, desapareciendo el se-
gundo trmino y quedando nicamente el primero.

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
5.2. Limitaciones de la LPI
La ley de propagacin de incertidumbres se puede apli-
car 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 in-
certidumbres 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 traba-
jado en guas suplementarias a sta, para la evaluacin
de incertidumbres por otros mtodos. Una de ellas ha
incidido en calcular la incertidumbre mediante el mto-
do de Montecarlo.
La idea bsica de este mtodo, til tanto para modelos li-
neales como para modelos no lineales, es que suponiendo
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 atri-
buidos al mensurando. Nos podramos preguntar si podra-
mos 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 Matemticamente esto quiere decir que:
funcin normal, estamos hablando de un 68,3 %.
e-medida. Revista Espaola de Metrologa. Diciembre 2012
numrica, introduciendo pequeos cambios xi + xi en
las magnitudes de entrada y observando los cambios que
se producen en las magnitudes de salida.
un modelo Y = f (X i), donde todas las magnitudes de en-
trada puedan ser descritas por sus funciones de distribu-
cin, puede emplearse un algoritmo matemtico programa-
do 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 secuen-
cia t i es calculado empleando el modelo de medicin, re-
pitindose el proceso un gran nmero de veces, del orden
de 105 106. Este elevado nmero de repeticiones per-
mite 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 re-
sultados de mejor estimador e incertidumbre tpica combi-
nada 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 fun-
cin de distribucin de la magnitud que es funcin de
las magnitudes de entrada. Conocida sta matemtica-
mente, se obtienen los resultados y las incertidumbres
asociadas.
Para aumentar la probabilidad hasta valores ms tiles de
cara a la toma posterior de decisiones, podemos multi-
plicar la incertidumbre combinada por un nmero deno-
minado 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
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 extre-
mos 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 distri- la tipificacin. Si tenemos una variable o magnitud Y que se
bucin normal tipificada o estndar. distribuye segn una N(,), se define una variable normal

La integracin necesaria para la determinacin de los inter- tipificada como .

valos 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.
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 Se puede definir la siguiente variable cuya distribucin es la
tpica z de la que se realizan n observaciones, estimndo- t-Student con grados de libertad
se un valor medio z y una desviacin estndar experimental
s(z).

El nmero de grados de libertad es = n -1 para una can- Para una variable t-Student con grados de liber-
tidad estimada mediante la media aritmtica de n observa- tad, el intervalo para el nivel de confianza p es
ciones independientes. (-t p (v), t p (v)).

Si se usan las n observaciones independientes para realizar El factor t p (v) se encuentra en las tablas de la t de
un ajuste mediante mnimos cuadrados de m parmetros, el Student
nmero de grados de libertad es = n -m

Ejemplo:

Supongamos que el mensurando Y es simplemente una La variable

magnitud que se estima por la media aritmtica X de n
observaciones independientes, siendo s(X) la desviacin
tpica experimental:

La mejor estimacin de Y es X con incertidumbre asociada se distribuye segn la t-Student. Por lo tanto:
uc (y) = s(X)

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 incerti- Si se trata de una medida directa, podemos actuar de dis-
dumbre expandida despus de realizada una medicin. tintas formas:

- Incertidumbre determinada segn evaluacin tipo A de la incertidumbre

El factor de cobertura para un nivel de confianza dado bien de la distribucin normal, si el nmero de reiteraciones
se obtiene a partir de la distribucin t de Student con n-1 es suficientemente grande.
grados de libertad, siendo n el nmero de mediciones, o

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

El factor de cobertura se obtiene de la distribucin rec-
tangular
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 indi-
recta 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 ex-
perimentos 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 obte-
ner 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.
Los siguientes grficos muestran los histogramas de la
suma de las puntuaciones de 10 dados comparados con
la normal correspondiente cuando se repite el experi-
mento cien, mil y diez mil veces. Naturalmente provienen
de una simulacin con ordenador.

Suma de puntuaciones de diez dados tirados cien veces Suma de puntuaciones de diez dados tirados mil veces
 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 luaciones de tipo A basadas en pocas observaciones,

o en evaluaciones de tipo B basadas en distribuciones
distribucin normal de esperanza y rectangulares.

varianza 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)
Las condiciones del teorema se cumplen cuando la incer-
tidumbre combinada uc(y) no est dominada por com-
ponentes de incertidumbre tpica obtenidas por eva-
La convergencia hacia la distribucin normal ser tanto ms
rpida cuanto mayor sea el nmero N de variables involu-
cradas, cuanto ms normales sean stas, y cuando no exista
ninguna dominante.
En consecuencia, una primera aproximacin para determi-
nar la incertidumbre expandida que define un intervalo de
nivel de confianza p ser utilizar el factor de cobertura pro-
pio de una distribucin normal, kp.

Si el nmero de lecturas aleatorias es pequeo, entonces el te la distribucin t-Student. Sobreestimaramos la incerti-

valor de uA derivado puede ser inexacto, y la distribucin dumbre, especialmente si q fuera pequeo y los valores de
de la componente aleatoria es mejor representarla median- 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 de la distribucin t-Student con una distribucin gaussiana.
aproximacin de Welch-Satterthwaite con la que se calcula La distribucin resultante se tratar como una distribucin t-
el nmero de grados de libertad efectivos de la combinacin Student con el nmero de grados de libertad calculados.

o bien:
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 En evaluaciones tipo A el clculo del nmero de grados de
la incertidumbre. Cuanto mayor sea el nmero de grados libertad depender del estadstico empleado para evaluar
de libertad mayor es la confianza en la incertidumbre. En la el valor ms probable.
prctica, en evaluaciones tipo B, vi

Ejemplo 1.
Resolucin y redondeo

Evaluar la contribucin a la incertidumbre debida a la reso- supone que la indeterminacin de los valores medidos se
lucin de un equipo de medida. Por ejemplo la resolucin encuentra entre e/2 con igual probabilidad en todo este
de un micrmetro centesimal (e = 0,01 mm) en la medida rango; en este caso tenemos pues una distribucin rectan-
de un bloque patrn. gular de semiamplitud 0,005 mm.

Tanto para equipos analgicos como para equipos digitales Por ello su contribucin a la incertidumbre se evala
el hecho de emplear un instrumento con una resolucin e como:

Tanto la resolucin digital como la analgica, as como el redondeo, dan origen a una contribucin de incertidum-
bre 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 pa-
trn calibrados. Suponiendo que los bloques se encuentran
dentro del periodo de calibracin y se les permite una de-
riva 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 triangu-
lar, aunque podra tomarse una distribucin rectangular. Te-
niendo en cuenta que entre calibraciones no se supera el
valor e, se obtiene:

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 co-
bertura k = 2.
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 pe-
riodo 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.
Ejemplo 5.
Influencia de la temperatura
En el caso anteriormente citado, supondremos que
los bloques son de acero, con coeficiente de dilata-
cin = (11,5 1) 10-6 C-1 y suponemos que la me-
dicin se realiza en condiciones de laboratorio en el cual
permitimos que exista una variacin de temperatura duran-
te el proceso de medicin de 0,025 C. Para la medicin
En el modelo matemtico no se especifican las correccio-
nes, ya que lo que se busca es evaluar la incertidumbre
asociada a la temperatura.
Los coeficientes de sensibilidad se evalan calculando las
e-medida. Revista Espaola de Metrologa. Diciembre 2012
La evaluacin de la incertidumbre tpica asociada a un va-
lor certificado se obtiene del propio certificado cono-
ciendo el factor de cobertura empleado. El resultado en
este caso es:
Se evala mediante la ley de propagacin de incer ti-
dumbres como la raz cuadrada positiva de la combi-
nacin cuadrtica de la incer tidumbre debida al cer ti-
ficado de calibracin y la debida a la deriva del valor
de dichos bloques en el tiempo, es decir
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 caso mencionado podemos suponer un modelo
matemtico:
derivadas parciales del modelo matemtico respecto al
coeficiente de dilatacin y respecto a la variacin de tem-
peratura.
Con ello obtenemos:
128

y la contribucin a la incertidumbre asociada a la longitud:

En este caso debemos tener en cuenta dos contribucio- incertidumbre asociada al conocimiento no exacto de la
nes de incertidumbre diferentes, una debida a la incerti- diferencia de temperatura respecto a 20 C en el instante
dumbre asociada al coeficiente de dilatacin y otra a la de calibracin.

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

Para evaluar esta incertidumbre supondremos una distri- de dilatacin cuyo semirrango es 1 10-6, por tanto la
bucin rectangular en torno al valor medio del coeficiente 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 Consideraremos las siguientes fuentes de incertidumbre:
emplean sensores de temperatura Pt-100 con resolucin
0,001 C y se permite una variacin de temperatura du- 2.1 Variacin de la temperatura t, durante la medicin
rante la medicin de 0,025 C. 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
Segn se especifica en el certificado de calibracin su Por lo tanto

2.4 Deriva del termmetro En este caso supondremos una distribucin rectangular, ms
Podemos estimar una deriva entre calibraciones de 0,01 C. conservadora que una triangular

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 conte-
ner 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 ob-
servaciones, 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 estimacio-
nes 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 utili-
zando 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.
e-medida. Revista Espaola de Metrologa. Diciembre 2012
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 distri-
bucin de valores que podran, razonablemente, ser atri-
buidos al mensurando Y, multiplicar la incertidumbre tpica
combinada uc(y) por un factor de cobertura k, normalmen-
te 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 faci-
litar al usuario el resultado, proporcionar tanto el valor de
k como el de uc(y)];
e) dar el nivel de confianza aproximado asociado al interva-
lo y U, e indicar cmo se ha determinado;
130

8. Conclusiones

Todo proceso de medida tiene como fin obtener infor-
macin sobre el mensurando con objeto de evaluar su
conformidad con las especificaciones, realizar compa-
raciones 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 documentar-
se 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 mate-
mtica 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 compa-
racin 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 se-
guir 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 relacio-
nes, si existen.
Posteriormente se evalan las incertidumbres tanto des-
de un punto de vista objetivo, estadstico, como desde
un punto de vista subjetivo, es decir teniendo en cuen-
ta 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 com-
binada 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 inter-
valo 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/gum20digi-
tal1202010.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