Documentos de Académico
Documentos de Profesional
Documentos de Cultura
GuiaGUM e Medida PDF
GuiaGUM e Medida PDF
Diciembre 2012
Estimación de incertidumbres.
Guía 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 sistemá-
ticos es todavía una estimación debido a la incertidumbre proveniente de los efectos aleatorios y a la falta
de conocimiento completo de las correcciones aplicadas por los efectos sistemáticos.
En este artículo se pretende dar una breve descripción, acompañada de ejemplos, de los pasos a seguir
en la determinación 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. Introducción
Una medida sin una indicación cuantitativa de la calidad del no puede nunca sustituir a la reflexión crítica, la honra-
resultado es inservible, esta indicación es lo que denomi- dez intelectual y la competencia profesional. La eva-
naremos incertidumbre. La palabra “incertidumbre” significa luación de la incertidumbre no es ni una tarea rutinaria
ni algo puramente matemático; depende del conoci-
duda, duda sobre la validez del resultado de una medida miento detallado de la naturaleza del mensurando y de
y refleja la imposibilidad de conocer exactamente el valor la medición. La calidad y utilidad de la incertidumbre
del mensurando. asociada al resultado de una medición dependen en
último término del conocimiento, análisis crítico e inte-
La estimación de incertidumbres no es un trabajo sencillo gridad de aquellos que contribuyen a su evaluación”.
(Guía para la expresión de la incertidumbre de medida,
en el que exista consenso. Se sigue pues trabajando y ela- Sección 3.4.8)
borando guías.
Según la definición de la GUM la incertidumbre es el “pará-
Gracias a un grupo de trabajo, en 1993 la ISO presentó la metro asociado al resultado de una medida, que caracte-
primera edición de la Guía para la expresión de la incerti- riza la dispersión de los valores que razonablemente pue-
dumbre de la medida (GUM). En esta Guía se establecen den ser atribuidos al mensurando”.
reglas generales para evaluar y expresar la incertidumbre en
la medición, no cómo puede utilizarse esta estimación para Los documentos base para la estimación de incertidumbres
tomar decisiones. Para esto último está la norma UNE-EN son los siguientes, siendo el primero, el documento de re-
ISO 14253-1:1999 Especificación geométrica de produc- ferencia fundamental:
tos (GPS). Inspección mediante medición de piezas y equi-
pos de medida. Parte 1: Reglas de decisión para probar la • Evaluation of measurement data – Guide to the expres-
conformidad o no conformidad con las especificaciones. sion of uncertainty in measurement
A pesar de que la existencia de esta guía nos ha facilitado • Evaluation of measurement data – Supplement 1 to
mucho el trabajo no debe perderse de vista que la evalua- the “Guide to the expression of uncertainty in measure-
ción de la incertidumbre no es un proceso meramente ma- ment” – Propagation of distributions using a Monte Carlo
temático que debe realizarse después de cada medición, method
sino algo más complejo, tal como la propia guía aclara: • Evaluation of measurement data – Supplement 2 to the
“Guide to the expression of uncertainty in measurement”
“Aunque la presente Guía proporciona un marco de – Extension to any number of output quantities
actuación para la evaluación de la incertidumbre, este
2. Causas de incertidumbre.
En la práctica de la medición existen muchas posibles fuen- obtenidos de fuentes externas, utilizados en el algoritmo
tes de incertidumbre, entre ellas: de tratamiento de datos;
i) aproximaciones y suposiciones establecidas en el mé-
a) definición incompleta del mensurando; todo y procedimiento de medición;
b) realización imperfecta de la definición del mensuran- j) variaciones en la repetición de las observaciones del
do; mensurando bajo condiciones aparentemente idénticas.
c) muestra no representativa del mensurando;
d) conocimiento inadecuado de los efectos de las con- Estas fuentes no son necesariamente independientes, y al-
diciones ambientales sobre la medición, o medición im- gunas de ellas, a) a i), pueden contribuir a la fuente j).
perfecta de dichas condiciones ambientales;
e) lectura sesgada de instrumentos analógicos, por parte La incertidumbre instrumental es la componente de la in-
del operador; certidumbre de medida que procede del instrumento o
f) resolución del instrumento de medida; sistema de medida utilizado y se obtiene mediante cali-
g) valores inexactos de los patrones de medida o de los bración de éste. En el caso de un patrón primario suele
materiales de referencia; obtenerse a partir de la participación en comparaciones
h) valores inexactos de constantes y otros parámetros clave interlaboratorios.
e-medida. Revista Española de Metrología. Diciembre 2012
La evaluación de la incertidumbre asociada a una medición nes que le sean de aplicación, ya sean de diseño, legales, o
es fundamental para, posteriormente, poder comprobar la de otro tipo (UNE-EN ISO 14253-1).
conformidad de un producto o bien con las especificacio-
3. Incertidumbre y probabilidad.
Para poder empezar a evaluar de una forma operativa la in- En nuestro caso estamos interesados en conocer una
certidumbre de una medida, deben verse los valores obte- magnitud X después de la realización de un experimen-
nidos en una medición desde el punto de vista de la teoría to. Denominando x a cada uno de los elementos del es-
de la probabilidad. pacio muestral, definiremos como función densidad de
probabilidad pdf la función f(x) en el rango de (0,∞) tal
El conjunto de todos los posibles resultados de un experi- que la probabilidad infinitesimal dp de que el valor de la
mento aleatorio se denomina espacio muestral. La función variable se halle entre los valores x y x+dx es f(x) dx. De
que asigna un número real a cada elemento del espacio aquí que la probabilidad de que una variable aleatoria
muestral es la variable aleatoria. El rango de esta función es tome valores entre los límites xa y xb es:
el conjunto de todos los posibles valores de esta variable.
La función de distribución de una magnitud medida des- el valor esperado, la varianza y la covarianza en el caso de
cribe el conocimiento que tenemos de la realidad de esa dos magnitudes relacionadas entre sí.
magnitud.
Dada una magnitud Xi cuya función de densidad de
Para nuestro propósito, los parámetros más interesantes de probabilidad sea f(xi) se define el valor esperado
la función de distribución son: la esperanza matemática o E(Xi) como:
Como propiedades podemos destacar que la esperanza El mejor estimador de Xi será aquel que minimice la expre-
matemática es un operador lineal y la varianza no lo es. sión:
Por otro lado la varianza de una función de densidad dumbre se define como la raíz cuadrada positiva de la
nos da idea de la dispersión de los valores. La incerti- varianza.
116
Siguiendo la GUM podemos agrupar las componentes las componentes de estos tipos, consiste únicamente en
de incertidumbre en dos categorías según el método de dos formas diferentes de evaluar las componentes de in-
evaluación, “tipo A” y “tipo B”. La clasificación en tipo A certidumbre, y ambos se basan en distribuciones de pro-
y tipo B no implica ninguna diferencia de naturaleza entre babilidad.
Evaluación tipo A
La evaluación tipo A de la incer tidumbre se utiliza disponible de la esperanza matemática q de una mag-
cuando se realizan n observaciones independientes nitud q que varía al azar, de la que se han obtenido
entre sí de una de las magnitudes de entrada X i bajo n observaciones independientes qk en las mismas con-
las mismas condiciones de medida. diciones de medida, es la media aritmética de las n
En la mayor par te de los casos, la mejor estimación observaciones:
Esta estimación de la varianza y su raíz cuadrada s(q k), La mejor estimación de la varianza de la media
denominada desviación típica experimental, caracte-
rizan la variabilidad de los valores observados qk o, viene dada por la varianza experimental
más específicamente, su dispersión alrededor de su
media . de la media:
que, junto con la desviación típica experimental de la de modelos de calibración basados en el método de
media, s(qk), cuantifican la bondad con que q estima mínimos cuadrados es útil para evaluar las incer tidum-
la esperanza matemática q. bres procedentes de variaciones aleatorias, a cor to y
a largo plazo, de los resultados de comparaciones de
Para una magnitud de entrada Xi determinada a partir de n ob- patrones materializados de valor desconocido, tales
servaciones repetidas e independientes, la incertidumbre como bloques o masas patrón, con patrones de re-
ferencia de valor conocido. Las componentes de la
típica de su estimación es ,y incer tidumbre pueden evaluarse en estos casos por
análisis estadístico de los datos obtenidos utilizando
se denomina incer tidumbre típica de tipo A . diseños experimentales consistentes en secuencias de
mediciones del mensurando para un cier to número de
En algunas situaciones pueden utilizarse otros métodos valores diferentes de las magnitudes de las que este
estadísticos, como el método de mínimos cuadrados depende.
o el análisis de la varianza. Por ejemplo, la utilización
e-medida. Revista Española de Metrología. Diciembre 2012
Evaluación tipo B
La evaluación tipo B de la incertidumbre típica se utiliza portamiento y propiedades de los materiales y los
cuando la estimación xi de una magnitud de entrada instrumentos utilizados;
X i no ha sido obtenida a partir de observaciones re- - las especificaciones del fabricante;
petidas. La varianza estimada asociada u 2(xi), o la in- - los datos suministrados por certificados de calibra-
certidumbre típica u(xi), se obtiene entonces mediante ción u otros certificados;
decisión científica basada en la información disponible - la incertidumbre asignada a valores de referencia
acerca de la variabilidad posible de Xi. El conjunto de procedentes de libros y manuales.
la información puede comprender:
Según la fuente de la que se obtiene esa incertidum-
- resultados de medidas anteriores; bre tipo B, ésta se estimará de distinta manera. Algunos
- la experiencia o el conocimiento general del com- ejemplos de evaluación tipo B son:
La incer tidumbre típica se obtiene dividiendo la in- calibración del patrón por el factor de cober tura
cer tidumbre expandida dada en el cer tificado de indicado:
Una de las fuentes de incer tidumbre de un instru- Si la resolución del dispositivo indicador es δx, el va-
mento es la resolución de su dispositivo indicador, lor de señal de entrada que produce una indicación
si se trata de un instrumento digital, o la incer tidum- dada X puede situarse con igual probabilidad en cual-
bre debida a la resolución de lectura, si se trata de quier punto dentro del intervalo que va de (X-δx/2) a
un instrumento analógico. En el caso del instrumento (X+δx/2). La señal de entrada puede describirse enton-
analógico la resolución depende del operador o de ces por medio de una distribución rectangular de rango
los medios que éste emplee en la lectura (amplifica- δx y varianza u 2=(δx)2/12, lo que supone una incertidum-
ción óptica, p. ej.). bre típica para cualquier indicación de:
La deriva de un patrón no es fácil de determinar en del valor cer tificado δp. Para la evaluación de la in-
muchos casos, y es un parámetro independiente y ca- cer tidumbre podremos aplicar un tipo de distribución
racterístico de cada patrón. Su valor depende, entre rectangular o triangular según los conocimientos que
otros factores, de las condiciones de uso y manteni- tengamos del histórico del patrón.
miento, de la frecuencia de utilización, de la exactitud
del instrumento, del periodo entre calibraciones, etc. Se darán más ejemplos calculados al final del texto.
En la mayor par te de los casos, el mensurando Y no de otras N magnitudes X 1, X2, ..., XN , mediante una
se mide directamente, sino que se determina a par tir relación funcional f:
La función f no expresa tanto una ley física como el distribución de cada una de las magnitudes de entra-
proceso de medida y debe contener todas las mag- da y podría derivarse de aquí la función de distribu-
nitudes que contribuyen al resultado final, incluyen- ción de la magnitud indirecta.
do las correcciones, aunque estas sean de valor nulo,
para poder considerar las incer tidumbres de dichas Teniendo en cuenta el desarrollo en serie de Taylor de
correcciones. primer orden en torno al valor esperado, gracias a las
propiedades de la varianza podemos obtener la ley
En principio, mediante evaluación tipo A o evaluación de propagación de incer tidumbres, la cual facilita la
tipo B, seríamos capaces de conocer las funciones de estimación de éstas.
Los términos ci , cj son los coeficientes de sensibilidad ce la influencia de unas magnitudes de entrada sobre
e indican el peso que supone cada una de las distin- otras, en el caso de que estas estén correlacionadas.
tas magnitudes de entrada en la magnitud de salida, Si las magnitudes de entrada son independientes pue-
representada por la función de medición. El segundo de simplificarse la ecuación, desapareciendo el se-
término es el término de covarianza en el que apare- gundo término y quedando únicamente el primero.
Ejemplo 1:
Cuando no es posible escribir el modelo de medición de numérica, introduciendo pequeños cambios xi + Δxi en
una forma explícita, los coeficientes de sensibilidad no las magnitudes de entrada y observando los cambios que
pueden ser calculados de forma analítica, sino de forma se producen en las magnitudes de salida.
La incertidumbre típica combinada sirve para caracterizar la Para aumentar la probabilidad hasta valores más útiles de
calidad de las medidas. En la práctica lo que se necesita es cara a la toma posterior de decisiones, podemos multi-
conocer el intervalo dentro del cual es razonable suponer, plicar la incertidumbre combinada por un número deno-
con alta probabilidad de no equivocarse, que se encuentran minado “factor de cobertura” kp y emplear el intervalo
los infinitos valores que pueden ser “razonablemente” atri- (y-uc(y) kp, y+ uc(y) kp)
buidos al mensurando. Nos podríamos preguntar si podría-
mos emplear la incertidumbre típica combinada para definir El producto k p u c(y) = U p se denomina incertidumbre
dicho intervalo (y-u, y+u). En este caso, la probabilidad de expandida, donde kp es el factor de cobertura para un
que el valor verdadero del mensurando esté comprendido nivel de confianza p
en el intervalo (y-u, y+u) es baja ya que, en el supuesto de
que la función de distribución del mensurando “y” sea una Matemáticamente esto quiere decir que:
función normal, estamos hablando de un 68,3 %.
120
La relación entre p y k p depende, evidentemente, de la función de densidad f(Y) que se obtiene de la información
acumulada durante el proceso de medición.
Operando se obtiene:
Ejemplo:
Dada una cier ta magnitud t se sabe que viene descrita En este caso tenemos que a = 4, μ = 100, y σ = 2,31, y que
por una distribución rectangular simétrica, de extre- para un nivel de confianza del 99 % el factor de cobertura
mos 96 y 104. Determinar el factor de cober tura y la es 1,71. Entonces, la incertidumbre expandida es:
incer tidumbre expandida para un nivel de confianza
del 99 %. U 99 = kp u = 1,71×2,31=3,949
Operando se obtiene:
En la mayor parte de los procesos de medición la distribución que describe mejor lo observado es la distribución normal.
La distribución normal de μ = 0 y σ = 1 se denomina distri- la tipificación. Si tenemos una variable o magnitud Y que se
bución normal tipificada o estándar. distribuye según una N(µ,σ), se define una variable normal
Ejemplo:
Si para un nivel de confianza p, el intervalo de confianza que se define para una distribución N(0,1) es (-kp, kp); como Z es
una distribución N(0,1):
e-medida. Revista Española de Metrología. Diciembre 2012
En una distribución normal el factor de cobertura kp, para un nivel de confianza p es:
Sea Z una variable aleatoria de esperanza μz y desviación Se puede definir la siguiente variable cuya distribución es la
típica σ z de la que se realizan n observaciones, estimándo- t-Student con ν grados de libertad
se un valor medio z y una desviación estándar experimental
s(z).
El número de grados de libertad es ν = n -1 para una can- Para una variable t-Student con ν grados de liber-
tidad estimada mediante la media aritmética 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 mínimos cuadrados de m parámetros, el Student
número de grados de libertad es ν = n -m
Ejemplo:
La mejor estimación de Y es X con incertidumbre asociada se distribuye según la t-Student. Por lo tanto:
uc (y) = s(X)
El problema que se nos plantea es determinar la incerti- Si se trata de una medida directa, podemos actuar de dis-
dumbre expandida después de realizada una medición. tintas formas:
El factor de cobertura para un nivel de confianza dado bien de la distribución normal, si el número de reiteraciones
se obtiene a partir de la distribución t de Student con n-1 es suficientemente grande.
grados de libertad, siendo n el número de mediciones, o
El factor de cobertura se obtiene de la distribución rec- Una primera aproximación sería calcular la función de
tangular distribución de probabilidad por convolución de las
distribuciones de probabilidad de las magnitudes de
Si se trata de calcular la incertidumbre expandida para una entrada.
medida indirecta resulta algo complicado calcular la función
de distribución, la cual debe realizarse por métodos analíticos Una segunda aproximación sería suponer la medida indi-
o numéricos especiales. Pero podemos pensar en simplificar: recta como función lineal de las magnitudes de entrada
El teorema del límite central en sus diferentes versiones gamos una aproximación precisa contando el porcentaje
asegura que la suma de variables aleatorias independientes de aciertos.
y equidistribuídas converge a una normal. Sobre el papel
la convergencia es comúnmente rapidísima, pero los ex- Los siguientes gráficos muestran los histogramas de la
perimentos reales hacen que uno desespere antes de ver suma de las puntuaciones de 10 dados comparados con
la campana de Gauss. No hay contradicción en ello, por la normal correspondiente cuando se repite el experi-
ejemplo podemos entender la probabilidad 1/2 de obte- mento cien, mil y diez mil veces. Naturalmente provienen
ner cara como un límite cuando tiramos infinitas veces una de una simulación con ordenador.
moneda y no podemos exigir que tras 20 o 30 tiradas ten-
Suma de puntuaciones de diez dados tirados cien veces Suma de puntuaciones de diez dados tirados mil veces
e-medida. Revista Española de Metrología. Diciembre 2012
“La distribución asociada a Y se aproximará a una luaciones de tipo A basadas en pocas observaciones,
o en evaluaciones de tipo B basadas en distribuciones
distribución normal de esperanza y rectangulares.
varianza siendo E(Xi) la esperanza La convergencia hacia la distribución normal será tanto más
rápida cuanto mayor sea el número N de variables involu-
de Xi y σ2(Xi) la varianza de Xi. Esto ocurre si las Xi son cradas, cuanto más normales sean éstas, y cuando no exista
independientes y σ2(Y) es mucho mayor que cualquier otra ninguna dominante.
componente individual ciσ 2(Y)”
En consecuencia, una primera aproximación para determi-
Las condiciones del teorema se cumplen cuando la incer- nar la incertidumbre expandida que define un intervalo de
tidumbre combinada uc(y) no está dominada por com- nivel de confianza p será utilizar el factor de cobertura pro-
ponentes de incertidumbre típica obtenidas por eva- pio de una distribución normal, kp.
El problema se puede resolver empleando la fórmula de de la distribución t-Student con una distribución gaussiana.
aproximación de Welch-Satterthwaite con la que se calcula La distribución resultante se tratará como una distribución t-
el número de grados de libertad efectivos de la combinación Student con el número de grados de libertad calculados.
o bien:
126
En evaluaciones tipo B, para calcular los grados de libertad efectivos, utilizaremos la aproximación dada por la siguiente
fórmula:
Esta fórmula se obtiene al considerar la “incertidumbre” de En evaluaciones tipo A el cálculo del número de grados de
la incertidumbre. Cuanto mayor sea el número de grados libertad dependerá del estadístico empleado para evaluar
de libertad mayor es la confianza en la incertidumbre. En la el valor más probable.
práctica, en evaluaciones tipo B, vi ∞
Ejemplo 1.
Resolución y redondeo
Evaluar la contribución a la incertidumbre debida a la reso- supone que la indeterminación de los valores medidos se
lución de un equipo de medida. Por ejemplo la resolución encuentra entre ± e/2 con igual probabilidad en todo este
de un micrómetro centesimal (e = 0,01 mm) en la medida rango; en este caso tenemos pues una distribución rectan-
de un bloque patrón. gular de semiamplitud 0,005 mm.
Tanto para equipos analógicos como para equipos digitales Por ello su contribución a la incertidumbre se evalúa
el hecho de emplear un instrumento con una resolución ‘e’ como:
Tanto la resolución digital como la analógica, así como el redondeo, dan origen a una contribución de incertidum-
bre que puede ser analizada teniendo en cuenta una distribución rectangular con valor límite r/2
Ejemplo 2.
Deriva
Para la calibración de un micrómetro se emplean bloques pa- Puede considerarse para la deriva una distribución triangu-
trón calibrados. Suponiendo que los bloques se encuentran lar, aunque podría tomarse una distribución rectangular. Te-
dentro del periodo de calibración y se les permite una de- niendo en cuenta que entre calibraciones no se supera el
riva de ± 30 nm entre calibraciones, evaluar la contribución valor ± e, se obtiene:
a la incertidumbre debida a la deriva del valor del bloque
desde la última calibración.
e-medida. Revista Española de Metrología. Diciembre 2012
Ejemplo 3.
Certificado de calibración
Para la calibración del micrómetro los bloques que se La evaluación de la incertidumbre típica asociada a un va-
emplean son calibrados por comparación y tienen una lor certificado se obtiene del propio certificado cono-
incertidumbre certificada de 60 nm para un factor de co- ciendo el factor de cobertura empleado. El resultado en
bertura k = 2. este caso es:
Ejemplo 4.
Patrón de referencia
Para la calibración de un micrómetro se emplean bloques Se evalúa mediante la ley de propagación de incer ti-
patrón calibrados por comparación con una incertidumbre dumbres como la raíz cuadrada positiva de la combi-
certificada de 60 nm para un factor de cobertura k = 2. nación cuadrática de la incer tidumbre debida al cer ti-
Suponiendo que los bloques se encuentran dentro del pe- ficado de calibración y la debida a la deriva del valor
riodo de calibración y se les permite una deriva de ± 30 nm de dichos bloques en el tiempo, es decir
entre calibraciones; evaluar la incertidumbre asociada al uso
de los bloques patrón como referencia en la calibración del
micrómetro.
Ejemplo 5.
Influencia de la temperatura
En el modelo matemático no se especifican las correccio- derivadas parciales del modelo matemático respecto al
nes, ya que lo que se busca es evaluar la incertidumbre coeficiente de dilatación y respecto a la variación de tem-
asociada a la temperatura. peratura.
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 ºC en el instante
dumbre asociada al coeficiente de dilatación y otra a la de calibración.
Para evaluar esta incertidumbre supondremos una distri- de dilatación cuyo semirrango es 1 × 10-6, por tanto la
bución rectangular en torno al valor medio del coeficiente incertidumbre típica asociada se obtiene como:
Para evaluar el valor de la temperatura de los bloques se Consideraremos las siguientes fuentes de incertidumbre:
emplean sensores de temperatura Pt-100 con resolución
0,001 ºC y se permite una variación de temperatura du- 2.1 Variación de la temperatura Δ t, durante la medición
rante la medición de ± 0,025 ºC. Suponiendo una distribución rectangular obtenemos:
2.3 Calibración del termómetro empleado incertidumbre expandida es U (tcal) = 0,02 ºC para k = 2
Según se especifica en el certificado de calibración su Por lo tanto
2.4 Deriva del termómetro En este caso supondremos una distribución rectangular, más
Podemos estimar una deriva entre calibraciones de ± 0,01 ºC. conservadora que una triangular
e-medida. Revista Española de Metrología. Diciembre 2012
Teniendo en cuenta todas las contribuciones asociadas al desconocimiento del valor de la temperatura, (47 a 50) del bloque
obtenemos:
De forma esquemática y siguiendo las recomendaciones de 7) Si es necesario dar una incertidumbre expandida U,
la GUM los pasos a seguir para estimar la incertidumbre de cuyo fin es proporcionar un intervalo [y − U, y + U] en el
medición son los siguientes: cual pueda esperarse encontrar la mayor parte de la distri-
bución de valores que podrían, razonablemente, ser atri-
1) Expresar matemáticamente la relación existente entre el buidos al mensurando Y, multiplicar la incertidumbre típica
mensurando Y y las magnitudes de entrada X i de las que combinada uc(y) por un factor de cobertura k, normalmen-
depende Y en la forma Y = f(Xi). La función f debe conte- te comprendido entre 2 y 3, para obtener U = k uc(y).
ner todas las magnitudes, incluyendo las correcciones. Seleccionar k considerando el nivel de confianza requerido
para el intervalo (normalmente el 95 %).
2) Determinar x i, valor estimado de la magnitud de entrada
X i, bien a partir del análisis estadístico de una serie de ob- 8) Documentar el resultado de medición y, junto con su
servaciones, bien por otros métodos. incertidumbre típica combinada uc(y), o su incertidumbre
expandida U.
3) Evaluar la incertidumbre típica u(xi) de cada estimación
de entrada xi. La evaluación podrá ser de tipo o A de Cuando el resultado de una medición viene acompañado
tipo B. de la incertidumbre expandida U = k u c(y), se debe:
4) Evaluar las covarianzas asociadas a todas las estimacio- a) describir completamente la forma en que se ha definido
nes de entrada que estén correlacionadas. el mensurando Y;
b) indicar el resultado de la medición en la forma Y = y ± U,
5) Calcular el resultado de medición; esto es, la estimación y dar las unidades de y, y de U;
y del mensurando Y, a partir de la relación funcional f utili- c) incluir la incertidumbre expandida relativa U/⎜y⎜, ⎜y⎜≠0,
zando para las magnitudes de entrada Xi las estimaciones cuando proceda;
x i obtenidas en el paso 2. d) dar el valor de k utilizado para obtener U [o, para faci-
litar al usuario el resultado, proporcionar tanto el valor de
6) Determinar la incertidumbre típica combinada u c(y) del k como el de uc(y)];
resultado de medida y, a partir de las incertidumbres típicas e) dar el nivel de confianza aproximado asociado al interva-
y covarianzas asociadas a las estimaciones de entrada. lo y ± U, e indicar cómo se ha determinado;
130
8. Conclusiones
Todo proceso de medida tiene como fin obtener infor- cripción, acompañada de ejemplos, de los pasos a se-
mación sobre el mensurando con objeto de evaluar su guir en la determinación de incertidumbres siguiendo
conformidad con las especificaciones, realizar compa- la GUM.
raciones o tomar otras decisiones. En cualquier caso,
el resultado de la medida es tan importante como la En un primer paso se debe representar mediante un
calidad de dicha medida. La calidad de una medida se modelo matemático el modelo físico de la medición
cuantifica mediante la evaluación de incertidumbre de que se realiza e identificar cada una de las magnitudes
dicha medida. de entrada de las que depende, así como sus relacio-
nes, si existen.
El resultado de toda medición y debe documentar-
se junto a su incer tidumbre típica combinada u c (y), o Posteriormente se evalúan las incertidumbres tanto des-
su incer tidumbre expandida U, indicando el factor de de un punto de vista objetivo, estadístico, como desde
cober tura o el nivel de confianza asociado al intervalo un punto de vista subjetivo, es decir teniendo en cuen-
y ± U. ta todos los aspectos que influyen en el resultado de
una medida, como pueden ser los factores inherentes
La evaluación de la incertidumbre no es una tarea mate- al instrumento, condiciones ambientales, etc.
mática unívoca, pero gracias a la Guía para la expresión
de la incertidumbre de medida puede analizarse según Mediante la ley de propagación de incertidumbres u
unas reglas generales. Esta guía ha facilitado la compa- otros métodos se obtiene la incertidumbre típica com-
ración de resultados interlaboratorios dado que se ha binada asociada a la estimación final del mensurando.
extendido ampliamente y de esta forma se emplea un Finalmente se amplia dicha incertidumbre mediante un
lenguaje común. factor de cobertura para obtener una incertidumbre
expandida de forma que el nivel de confianza del inter-
En este artículo se ha tratado de dar una breve des- valo y ± U sea mayor.
Bibliografía
1 Vocabulario Internacional de Metrología VIM, 3ª edición 2008 (español). http://www.cem.es/sites/default/files/vim3edes.pdf.
2 Metrología Abreviada, traducción al español de 3ª edición. Edición digital. http://www.cem.es/sites/default/files/metrologia20abreviada.pdf.
3 Evaluación de datos de medición. Guía para la expresión de la incertidumbre de medida. Edición digital. http://www.cem.es/sites/default/files/gum20digi-
tal1202010.pdf.
4 Evaluación de datos de medición. Suplemento 1 de la Guía para la expresión de la incertidumbre de medida. Propagación de incertidumbres utilizando el
método de Monte Carlo. http://www.cem.es/sites/default/files/suplemento20120de20gum.pdf.
5 UNE-EN ISO 14253-1:1999: “Especificación geométrica de productos (GPS). Inspección mediante medición de piezas y equipos de medida. Parte 1: Reglas
de decisión 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