INTRODUCCIÓN AL CÁLCULO DE LA INCERTIDUMBRE
(METODOLOGÍA GUM)
Medición:
En general, el resultado de una medición es sólo una
aproximación o estimación del valor del mensurando, y
únicamente se halla completo cuando está acompañado de
una declaración acerca de la incertidumbre de dicha
estimación.
Errores, efectos y correcciones
En general, en una medición se cometen imperfecciones que
dan lugar a un error (es de naturaleza ideal) en el resultado de
medida. Tradicionalmente, el error se ha considerado
constituido por dos componentes, una componente aleatoria y
una componente sistemática
Conceptos de estadística básica
•La media y la desviación estándar son parámetros que en
términos prácticos son muy difíciles de calcular. Por eso, se
emplean los estimadores.
•Entre mayor cantidad de datos tenga la muestra estos
estimadores serán mejores.
•El promedio es un estimador de la media.
•La desviación estándar muestral es un estimador de la
desviación estándar.
La varianza es el cuadrado de la desviación estándar muestral
y se emplea como un parámetro para caracterizar la dispersión
de un conjunto de datos.
La desviación estándar experimental de la media se obtiene
dividiendo la desviación estándar muestral entre la raíz del
número de observaciones. Este parámetro representa el nivel
de dispersión del promedio de una muestra.
Distribuciones de probabilidad Descripción de la forma en la
cual se distribuyen las probabilidades de los diferentes valores
que puede asumir una variable aleatoria. Las distribuciones de
probabilidad son muy útiles para estimar probabilidades de
ocurrencia de la variable dentro de un intervalo matemático.
Distribución normal Esta distribución, conocida por su forma
de campana (campana de Gauss), es una de las más
importantes en teoría de probabilidad e inferencia estadística.
•Está definida de -∞ a +∞.
•Es simétrica.
•El área bajo la curva es 1.
•Si se conoce la media μ y la desviación estándar σ,
Análisis de la distribución normal
La desviación estándar de una distribución normal se puede
interpretar como la desviación respecto a la media que puede
dar una probabilidad de cobertura de un 68,27 % tal como se
muestra en la siguiente figura:
Análisis de la distribución normal Si se desea aumentar la
probabilidad de cobertura se pueden emplear múltiplos de la
desviación estándar. Por ejemplo: - Dos desviaciones estándar
generan una probabilidad de cobertura del 95,45 %. - Tres
desviaciones estándar generan una probabilidad de cobertura
del 99,73 %. Matemáticamente no es posible alcanzar un 100
% de probabilidad de cobertura en una distribución normal
porque la función normal es asintótica en los extremos.
Casos en los que se puede emplear una distribución normal
Incertidumbres por calibración o trazabilidad declaradas en
certificados de calibración.
Incertidumbres asociadas a la dispersión de datos aleatorios
tomados en condiciones de repetibilidad.
Incertidumbres provenientes de datos históricos que
provienen de una distribución normal.
Fenómenos de carácter completamente estocástico o
aleatorio.
Distribución rectangular
Esta distribución se usa cuando la probabilidad de que el valor
esté dentro del ámbito es de 100%, de que el valor esté fuera
es de 0 % y de que el valor esté en cualquier parte del ámbito
es la misma. Al igual que todas las distribuciones de
probabilidad el área bajo la curva es 1.
Casos en los que se puede emplear
Incertidumbre por resolución de un instrumento digital.
Incertidumbre asociada a la histéresis.
Incertidumbre por truncado o redondeo de una lectura.
Correcciones o errores de medida no corregidos.
Errores máximos permisibles o tolerancias del fabricante
asociadas a instrumentos de medida y patrones.
Incertidumbres asociadas las tolerancias de proceso del
instrumento de medida.
Deriva entre calibraciones sucesivas estimada a partir de un
rango.
Incertidumbre por apreciación de las lecturas en un
instrumento analógico.
Distribución triangular
Es una distribución de aproximación, especialmente usada
cuando no se tiene información real de lo que ocurre con el
comportamiento de la variable. Sin embargo, si se dispone de
una aproximación empírica por parte de las personas que si
conocen el comportamiento de la variable en estudio. Se basa
en tres valores: un mínimo, una moda y un máximo. El área
bajo la curva es 1. Es simétrica respecto a la media.
Casos en los que se puede emplear
Incertidumbre por resolución en algunos instrumentos
analógicos.
Errores máximos permisibles en cristalería volumétrica tales
como: matraces, probetas y pipetas.
Variación en condiciones ambientales cuando se conoce un
minimo y un máximo.
Incertidumbre asociada a la deriva en tiempo corto de
variables durante una calibración siempre y cuando la la
variación sea lineal a lo largo del tiempo.
Incertidumbres asociadas a las temperaturas de baños maría.
La convolución matemática de dos distribuciones
rectangulares iguales es una triangular.
Distribución trapezoidal simétrica
Es una distribución que se caracteriza por tener una región
central de distribución de probabilidad uniforme y una
reducción gradual a los extremos. Se caracteriza por un
parámetro denominado β el cual se definido como el resultado
de dividir la base menor entre la base mayor del trapecio. Al
igual que todas las distribuciones de probabilidad el área bajo
la curva es 1. Es simétrica respecto a la media.
Esta distribución se emplea muy rara vez y es aplicable a casos
donde en términos realistas no es razonable considerar
discontinuidad en la media tal como lo propone la distribución
triangular. NOTA:
La convolución matemática de dos distribuciones
rectangulares distintas da como resultados una distribución
trapezoidal.
Distribución U
Esta distribución tiene un valor máximo y un valor mínimo bien
definidos pero la probabilidad de ocurrencia de un evento en
medio de los puntos es más baja que en los extremos. El área
bajo la curva es 1. Es simétrica respecto a la media.
Casos en los que se puede emplear
Cuando se tienen parámetros que varían en forma cíclica a lo
largo del tiempo siguiendo una función sinusoidal. Un ejemplo
pueden ser las variaciones de condiciones ambientales en un
recinto a lo largo del día.
TEOREMA DEL LÍMITE CENTRAL
El teorema del límite central dice que, bajo ciertas
circunstancias, que se dan normalmente en el mundo de la
experimentación, la distribución muestral de la media tenderá
a una distribución normal a medida que el número de
componentes se haga más grande, con independencia de las
distribuciones particulares de los componentes.
Una condición importante es que varias de las fuentes de
incertidumbre deben realizar contribuciones importantes al
error general, es decir, que ninguna de las fuentes domine el
resto.
De manera gráfica se puede visualizar como sigue:
Proceso de estimación de la incertidumbre
1) Definir el mensurando
Magnitud que se desea medir.
–¿Qué se desea medir?
–¿Para qué se desea medir?
–¿Con qué nivel de exactitud se desea medir?
2) Definir el modelo de medición
•Relación matemática entre todas las magnitudes conocidas
que intervienen en una medición
La complejidad de la función de medición se definirá por la
exactitud requerida por la propia medición.
3)Identificar las fuentes de incertidumbre: lista de las fuentes
relevantes de incertidumbre:
–Iniciar con la expresión básica utilizada en el cálculo del
mesurando.
–Use una herramienta (ej. Diagrama causa-efecto) que le
permita visualizar las diferentes fuentes.
No existe un criterio único, o exclusivo para determinar la
magnitud de la incertidumbre requerida. Sin embargo, un
criterio ampliamente utilizado es:
•EMP/10 ≤u requerida ≤EMP/3
•Siendo: EMP, el error máximo permitido para el equipo (o
determinación de una magnitud), para un determinado
proceso. En ocasiones el EMP es sustituido por una tolerancia.
•El que no se encontremos en un extremo u otro del intervalo
o inclusive fuera de él, se encuentra limitado por los recursos
disponibles, así como del propio equipo.
4) Cuantificarle la variabilidad a cada fuente y asociarle una
distribución
Clasificación según el método de evaluación utilizado para
estimar su valor numérico:
Tipo A:
La incertidumbre estándar se obtiene de una función de
densidad de probabilidad derivada de una distribución de
frecuencias observadas, lo que implica la elaboración
estadística de series de mediciones.
Evaluación tipo A: Basado en análisis estadístico. La magnitud
de entrada se estima a partir del promedio de mediciones
independientes bajo condiciones de repetibilidad: la
incertidumbre se calcula como la desviación estándar
experimental de la media de la muestra.
Tipo B:
la incertidumbre estándar se obtiene de una función de
densidad de probabilidad asumida, basada en un conjunto de
información confiable de que el evento ocurrirá
(frecuentemente llamado probabilidad subjetiva).
Evaluación tipo B: Todas las demás formas de estimar la
incertidumbre
Los datos de mediciones previas,
La experiencia o conocimiento general del comportamiento y
propiedades de los instrumentos de medida, incluyendo los
materiales de referencia,
Las especificaciones del fabricante,
Los datos provenientes de la calibración u otras certificaciones
Las incertidumbres asignadas a los datos de referencia en
Manuales u otras fuentes.
5) Cuantificar la incertidumbre estándar
Distribución normal
Evaluación tipo B
El estimado de la incertidumbre estándar es:
La incertidumbre indicada en certificados de calibración se
refiere generalmente a una distribución normal
Distribución Rectangular
Evaluación tipo B
La incertidumbre estándar de una distribución donde se
conoce a es:
Para el caso de una resolución la incertidumbre estándar será:
Ejemplos típicos son la resolución de un instrumento digital o
la información técnica sobre errores máximos permisibles de
un instrumento
Distribución Triangular
Evaluación tipo B
El estimado de la incertidumbre estándar es:
Ejemplo típico es la tolerancia de instrumentos volumétricos.
6) Estimar correlaciones
Incertidumbre estándar combinada
Ley de propagación de la incertidumbre
Los grados de libertad de las incertidumbres tipo B
determinadas como una distribución rectangular o triangular,
cuando no se especifican los grados de libertad, se pueden
considerar infinitos. Cuando la medición es indirecta debe
considerarse los coeficientes de sensibilidad, para
concordancia de unidades. u= n-1
En el caso de incertidumbres tomadas de certificados de
calibración puede emplearse un número de grados de libertad
de 50.

11) Estimar la incertidumbre expandida

7) Estimar la incertidumbre estándar combinada

Caso 1: modelo matemático es lineal
Reporte de la medición y su incertidumbre

• Cuando se informa el resultado de la medición y su

incertidumbre combinada, debe dar el valor del
mensurando y su incertidumbre combinada, indicando
Los coeficientes de sensibilidad son constantes e iguales a 1 o - las unidades de ambos.
1.
• Cuando se informa el resultado de la medición y su
Caso 2: con argumentos correlacionados incertidumbre expandida, debe dar el valor del
mensurando y su incertidumbre, indicando las unidades
de ambos y el valor del factor de cobertura, su
probabilidad de cobertura y el tipo de distribución.

• La incertidumbre expandida no debe ser reportada con

8) Elegir la probabilidad de cobertura más de dos cifras significativas.
“Es necesario una medida de la incertidumbre que proporcione
un intervalo alrededor del resultado de la medición dentro del
cual los valores que podrían atribuirse razonablemente al
mesurando se espera que estén con una alta probabilidad de
cobertura”.

9) Verificar el teorema del Límite Central

• Se recomienda analizar el peso de cada una de las
incertidumbres con el fin de verificar que ninguna
predomine sobre las demás.
• Si se tienen al menos tres incertidumbres predominantes
ninguna de ellas proveniente de la repetibilidad, aunque
estas no sean normales se puede decir que el Teorema
del Límite Central se cumple.
• Si se tienen dos incertidumbres predominantes donde al
menos una de ellas es normal y las demás rectangulares
o triangulares el Teorema del Límite Central se cumple.
• Dependiendo del cumplimiento se selecciona una de las
siguientes metodologías para determinar el factor de
cobertura.

10) Determinar el factor de cobertura

Caso 1: Cuando se cumple el teorema del límite central se
selecciona un factor de cobertura de acuerdo con la
probabilidad de cobertura para una distribución normal
Caso 2: Cuando predomina una incertidumbre por
repetibilidad se emplea la fórmula de Welch- Satterwaite

El factor de cobertura, k, se determina a partir de la

distribución t-Student y los grados efectivos de libertad: k =
t(uef , p)