MANUAL TECNICO DEL CALCULO DE LOS

GRADOS EFECTIVOS DE LIBERTAD PARA LA

ESTIMACIÓN DE INCERTIDUMBRE
EXPANDIDA
Manual Tecnico: MT-DRD-001

Versión: 01

SUBDIRECCION DE GESTION REDES DE

OBSERVACION-DIRECCION DE REDES DE
OBSERVACION Y DATOS
 i

Índice
1 OBJETO 1

2 ALCANCE 1

3 DESARROLLO 1
3.1 ABREVIATURAS Y DEFINICIONES . . . . . . . . . . . . . . . . . . . . . . . 1
3.1.1 Medición . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
3.1.2 Mensurando . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
3.1.3 Incertidumbre (de medida) . . . . . . . . . . . . . . . . . . . . . . . . . . 1
3.1.4 Calibración . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
3.1.5 Exactitud (de una medición) . . . . . . . . . . . . . . . . . . . . . . . . . 2
3.1.6 Resolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3.1.7 Condición de repetibilidad de una medición . . . . . . . . . . . . . . . . 2
3.1.8 Evaluación Tipo A (de incertidumbre) . . . . . . . . . . . . . . . . . . . . 2
3.1.9 Evaluación Tipo B (de incertidumbre) . . . . . . . . . . . . . . . . . . . . 2
3.1.10 Incertidumbre típica combinada . . . . . . . . . . . . . . . . . . . . . . . 3
3.1.11 Incertidumbre expandida . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3.1.12 Factor de cobertura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3.2 MARCO CONCEPTUAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3.2.1 Población . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3.2.2 Muestra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3.2.3 Función de densidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3.2.4 Función de distribución acumulativa . . . . . . . . . . . . . . . . . . . . . 4
3.2.5 Media o Valor esperado . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3.2.6 Varianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.2.7 Distribución de probabilidad uniforme o rectangular . . . . . . . . . . . . 5
3.2.8 Distribución de probabilidad triangular . . . . . . . . . . . . . . . . . . . 7
3.2.9 Distribución de probabilidad normal . . . . . . . . . . . . . . . . . . . . . 9
3.2.10 Distribución de probabilidad normal estandarizada . . . . . . . . . . . . . 10
3.2.11 Distribución de probabilidad t de Student . . . . . . . . . . . . . . . . . . 11
3.2.12 Grados de libertad υ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
 ii

3.2.13 Nivel de confianza p . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

3.2.14 Teorema del limite central . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.2.15 Los grados efectivos de libertad υe f f . . . . . . . . . . . . . . . . . . . . 15
3.2.16 Calculo de los grados efectivos de libertad tipo A y Tipo B . . . . . . . . . 16

4 TABLA HISTÓRICA DE CAMBIOS 17

5 ANEXOS 17
 1

1 OBJETO
Establecer las pautas generales del calculo de los grados efectivos de libertad de la incertidumbre
combinada tipo A y tipo B para el calculo del factor de cobertura de la incertidumbre expandida.

2 ALCANCE
De aplicación al calculo de estimación y expresión de la incertidumbre expandida asociada al diseño
conceptual y análisis teórico de experimentos, métodos de medida y componentes complejos que
se lleven a cabo en los laboratorios del SENAMHI.

3 DESARROLLO

3.1 ABREVIATURAS Y DEFINICIONES

3.1.1 Medición

Proceso que consiste en obtener experimentalmente uno o varios valores que pueden atribuirse
razonablemente a una magnitud.

3.1.2 Mensurando

Es la magnitud que se desea medir.

NOTA: La especificación de un mensurando requiere el conocimiento de la naturaleza de la
magnitud y la descripción del estado del fenómeno, cuerpo o sustancia cuya magnitud es una
propiedad, incluyendo las componentes pertinentes y las entidades químicas involucradas.

3.1.3 Incertidumbre (de medida)

Parámetro asociado al resultado de una medición, que caracteriza la dispersión de valores que
podrían ser razonablemente atribuidos al mensurando

3.1.4 Calibración

Operación que bajo condiciones especificadas establece, en una primera etapa, una relación entre
los valores y sus incertidumbres de medida asociadas obtenidas a partir de los patrones de medida, y
 2

las correspondientes indicaciones con sus incertidumbres asociadas y, en una segunda etapa, utiliza
esta información para establecer una relación que permita obtener un resultado de medida a partir
de una indicación.

3.1.5 Exactitud (de una medición)

Término cualitativo referido a la proximidad entre un valor medido y un valor verdadero de un

mensurando. La exactitud de medida se interpreta a veces como la proximidad entre los valores
medidos atribuidos al mensurando. Aunque puede hablarse de la mayor o menor exactitud de un
instrumento o medición, la medida cuantitativa de la exactitud se expresa en términos de incer-
tidumbre.

3.1.6 Resolución

Mínima variación de la magnitud medida que da lugar a una variación perceptible de la indicación
correspondiente.

3.1.7 Condición de repetibilidad de una medición

Condición de medición, dentro de un conjunto de condiciones que incluye el mismo procedimiento

de medida, los mismos operadores, el mismo sistema de medida, las mismas condiciones de op-
eración y el mismo lugar, así como mediciones repetidas del mismo objeto o de un objeto similar
en un periodo corto de tiempo.
Nota: Una condición de medición es una condición de repetibilidad únicamente respecto a un
conjunto dado de condiciones de repetibilidad.

3.1.8 Evaluación Tipo A (de incertidumbre)

método de evaluación de la incertidumbre mediante análisis estadístico de series de observaciones

3.1.9 Evaluación Tipo B (de incertidumbre)

método de evaluación de la incertidumbre por medios distintos al análisis estadístico de series de

observaciones
 3

3.1.10 Incertidumbre típica combinada

incertidumbre típica del resultado de una medición, cuando el resultado se obtiene a partir de los
valores de otras magnitudes, igual a la raíz cuadrada positiva de una suma de términos, siendo éstos
las varianzas o covarianzas de esas otras magnitudes, ponderadas en función de la variación del
resultado de medida con la variación de dichas magnitudes.

3.1.11 Incertidumbre expandida

magnitud que define un intervalo en torno al resultado de una medición, y en el que se espera encon-
trar una fracción importante de la distribución de valores que podrían ser atribuidos razonablemente
al mensurando

3.1.12 Factor de cobertura

factor numérico utilizado como multiplicador de la incertidumbre típica combinada, para obtener
la incertidumbre expandida

3.2 MARCO CONCEPTUAL

Se analizará solamente las distribuciones de probabilidad continuas mas importantes para una mejor
comprensión del uso de los grados de libertad

3.2.1 Población

Población es el número total de elementos (personas, objetos, etc.), que contienen una o más car-
acterísticas observables de naturaleza cualitativa o cuantitativa que se puede medir en ellos

3.2.2 Muestra

Muestra, es una porción de la población que se escoge para su estudio

3.2.3 Función de densidad

Se dice que la función f (x) es función de densidad (ley de distribución) de probabilidad de la

variable aleatoria continua X si satisface las siguientes condiciones:
 4

1.
f (x) > 0

Para todo x ∈ R

2.
Z +∞
f (x)dx = 1
−∞

3.
Z
P(A) = P[x ∈ A] = f (x)dx
A

3.2.4 Función de distribución acumulativa

La función de distribución acumulativa de probabilidades (f.d.a.) de la variable aleatoria continua

X cuya función de densidad es f (x) se define en todo numero real x por:
Z x
F(x) = F[X ≤ x] = f (t)dt, para − ∞ < x < +∞ (3.1)
−∞

Figura 1: F(x) es el área acumulada hasta x

3.2.5 Media o Valor esperado

La media de una variable aleatoria X o media de la distribución de probabilidad de X es un numero

real que se denota por µX o por µ para el caso de una media poblacional y x̄, para el caso de una
media muestral. También de manera general se denota por E(X).
la media de una variable aleatoria continua X con función de probabilidad de f (x) es el número
real:
 5

Z +∞
E(X) = x f (x)dx (3.2)
−∞

Siempre que le valor de la integral sea convergente en un número real. en caso contrario se dice
que el valor esperado de X no existe.

3.2.6 Varianza

La varianza de una variable aleatoria X se denota por σ 2 en el caso de una varianza poblacional y
para el caso de una varianza muestral por u2 .
Sea X una variable aleatoria continua, cuya distribución de probabilidad de media µ o x̄, es
definida por la función f (x). La varianza de X se define como el esperado de (X − µ)2 y por lo
tanto:

Z +∞
σX2 = E[(X − µ)2 ] = (X − µ)2 f (x)dx (3.3)
−∞

Una relación muy usual entre la varianza y su media es:

σX2 = E[(X − µ)2 ] = E(X 2 ) − E(X) (3.4)

Sea q̄ = x̄ y la mejor estimación de σ 2 (q̄), denominada varianza de la media, viene dada por:

s2 (qk )
s2 (q̄) = (3.5)
n
la varianza experimental de la media s2 (q̄) y la desviación típica experimental de la media s(q̄),
igual a la raiz cuadrada positiva de s2 (q̄), determinan la bondad con que q̄ estima la esperanza
matemática µq de q, y una u otra pueden ser utilizadas como medida de la incertidumbre de q̄.
De este modo, para una magnitud de entrada Xi obtenida a partir de n observaciones repetidas
e independientes Xi,k la incertidumbre típica u(xi ) de su estimación xi = X̄i es u(xi ) = s(X̄i ), con
s2 (X̄i ) calculada según la ecuación anterior. Por comodidad, u2 (xi ) = s2 (X̄i ) y u(xi ) = s(X̄i ) son a
veces llamadas varianza tipo A e incertidumbre típica tipo A, respectivamente.

3.2.7 Distribución de probabilidad uniforme o rectangular

Se dice que la variable aleatoria continua X tiene distribución uniforme o rectangular en el intervalo
de números reales [a, b], con a < b y se describe por: X ∼ U[a, b], si su función de densidad de
 6

probabilidad es: 
1
si: a ≤ x ≤ b


b−a
f (x) = (3.6)
0

en otros casos

Figura 2: Función de densidad de la distribución de probabilidad uniforme

NOTA: si [c, d] ⊂ [a, b], la probabilidad de que X tome valores en el intervalo [c, d] es:

d −c
P[c ≤ X ≤ d] = (3.7)
b−a
Esta probabilidad sólo depende de la longitud del intervalo [c, d] y no de su ubicación dentro
del intervalo [a, b]. Además, la probabilidad es la misma para todos los intervalos que tengan la
misma longitud: d − c.
Algunas variables aleatorias continuas tienen distribución uniforme, por ejemplo:

• Las coordenadas de un punto que se elige al azar en un intervalo dado.

• Los instantes aleatorios en un período de tiempo dado.

Si no se posee ningún conocimiento especifico sobre los valores posibles de Xi dentro de un

determinado intervalo [a, b], puede asumirse que Xi puede encontrarse con igual probabilidad en
cualquier punto del mismo, por lo tanto se asignará a X una distribución rectangular en el intervalo
b−a
[a, b]. Entonces xi , esperanza matemática de Xi , esta en el punto medio del intervalo xi = 2 , con
varianza asociada:
(b − a)2
u2 (xi ) = (3.8)
12
Suponiendo que el intervalo [a, b] es simétrico respecto a su media xi , siendo ahora el nuevo
intervalo: [a− , a+ ]
Si se considera la diferencia entre los limites, [a− , a+ ], se considera como 2a, entonces la
ecuación anterior se convierte en:
 7

a2
u2 (xi ) = (3.9)
3
Los limites superior e inferior a− y a+ para la magnitud de entrada Xi pueden no ser simétricos
respecto a su media xi ; en concreto, si el limite inferior es a− = xi − b y el limite superior es
a+ = xi + b+ ello significa que b− 6= b+ . Dado que, en este caso, xi no esta en el centro del
intervalo de a− a a+ , la distribución de probabilidad de Xi puede no ser uniforme en todo el
intervalo. No obstante, si no se dispone de información suficiente para elegir una distribución
conveniente, diferentes modelos conducirán a diferentes expresiones de la varianza. En ausencia
de tal información, la aproximación más sencilla es:

(b+ + b− )2 (a+ − a− )2
u2 (xi ) = = (3.10)
12 12
que es la varianza de una distribución rectangular de amplitud total b+ + b−
Para el caso de la estimación de la incertidumbre típica de una distribución rectangular de
amplitud 2a:
a
u(xi ) = √ (3.11)
3

Figura 3: Representación gráfica del intervalo de la estimación de la incertidumbre en una distribu-

ción rectangular

3.2.8 Distribución de probabilidad triangular

la distribución triangular es la distribución de probabilidad continua que tiene un valor mínimo a,

un valor máximo b y una moda c, de modo que la función de densidad de probabilidad es cero para
los extremos (a y b), y afín entre cada extremo y la moda, por lo que su gráfico es un triángulo.
 8

Figura 4: Función de densidad de probabilidad de una distribución triangular

En el caso que la probabilidad de que la variable aleatoria que se este analizando tome los
valores en el intervalo a y b, teniendo un valor máximo en el centro del intervalo y disminuyendo
linealmente hacia los extremos del mismo hasta cero, entonces, se asignaría a X una distribución
triangular T (a, b) en el intervalo [a, b].
La varianza para este tipo de distribución :

(b − a)2
u2 (xi ) = (3.12)
24

Como en el caso anterior suponiendo que el intervalo [a, b] es simétrico respecto a su media xi ,
siendo ahora el nuevo intervalo: [a− , a+ ]
Si se considera la diferencia entre los limites, [a− , a+ ], se considera como 2a, entonces la
ecuación anterior (varianza) se convierte en:

a2
u2 (xi ) = (3.13)
6
Para el caso de la estimación de la incertidumbre típica de una distribución rectangular de
amplitud 2a:
a
u(xi ) = √ (3.14)
6
 9

Figura 5: Representación gráfica del intervalo de la estimación de la incertidumbre en una distribu-

ción triangular

3.2.9 Distribución de probabilidad normal

se llama distribución normal, distribución de Gauss, distribución gaussiana o distribución de Laplace-

Gauss, a una de las distribuciones de probabilidad de variable continua que con más frecuencia
aparece en estadística y en la teoría de probabilidades.
Su función de densidad viene dada por la fórmula:

1 −(t−µ)2
p(t) = √ e 2σ 2 (3.15)
σ 2π

donde:

1. σ 2 = varianza

2. µ = es la media o valor esperado

 10

Figura 6: Distribución de probabilidad normal con µ = 100 y desviación tipica σ

Del análisis de la función de densidad y de su gráfica, se tienen las siguientes propiedades de la

distribución de probabilidad normal:

1. El área total que encierra la curva y el eje X es igual a 1.

2. Toma su máximo valor en x = µ (su moda), este valor máximo es: f (µ) = √1 .
σ 2π

3. Tiene al eje X como asíntota horizontal, en efecto: limx→+∞ f (x) = 0 y limx→−∞ f (x) = 0

4. Tiene puntos de inflexión en x = µ − σ y x = µ + σ , por tanto, es cóncava hacia abajo en el

intervalo µ − σ < x < µ + σ , y cóncava hacia arriba en cualquier otra parte.

3.2.10 Distribución de probabilidad normal estandarizada

Por lo general cuando se trabaja con distribuciones normales se proporcionan una media µ 6= 0 y
una varianza σ 2 6= 1 los cuales deben estandarizarse a otra distribución Z con media µ = 0 y una
varianza σ 2 = 1 pues existe una tabla de uso practico con dichos estimadores estandarizados.
Si la variable aleatoria X tiene distribución normal N(µ, σ 2 ), entonces la variable estándar
X−µ
Z= σ , tiene distribución normal N(0, 1).
Además la probabilidad P[X ≤ x] en la variable normal X es igual a la probabilidad P[Z ≤ z] en
x−µ
la variable normal estándar Z, donde, Z = σ . En efecto:

Z x1 −(x−µ)2 Z z1 −z2
e 2σ e 2
P[X ≤ x1 ] = √ dx = √ dz = P[Z ≤ z1 ] (3.16)
−∞ σ 2π −∞ 2π
 11

Figura 7: Gráfica de 3 distribuciones normales y una estandarizada

Se denota por Φ a la función de distribución acumulativa de la variable normal estándar Z.

Entonces:

Z z
1 −t 2
Φ(z) = P[Z ≤ z] = √ e 2 dt = Área acumulada hasta z (3.17)
−∞ 2π

Figura 8: Representación gráfica de Φ(z)

3.2.11 Distribución de probabilidad t de Student

Se dice que la variable aleatoria continua T se distribuye según el modelo de la probabilidad t-

Student con υ grados de libertad y se denota por T ∼ t p (υ), si su función de densidad está dado:
 12

Γ[(υ + 1)/2] t2
f (t) = √ (1 + )−(υ+1)/2 para − ∞ < t < ∞ (3.18)
Γ(υ/2) πυ υ
Donde υ es un entero positivo.
la distribución t − Student tiene las siguientes propiedades:

1. Si T ∼ t p (υ), entonces, su media y su varianza son respectivamente:

υ
µ = 0 y σ2 = , para υ > 2
υ −2
2. Su gráfica tiene forma de campana, simétrica en cero la cual varia según los grados de liber-
tad.

3. La varianza de la distribución t − Student es mayor que la de la distribución N(0, 1) Pero,

tiende a ser a 1 cuando el número de grados de libertad υ → +∞.

4. La varianza de la distribución t − Student se aproxima a una distribución N(0, 1) cuando

υ → +∞, la cual es una buena aproximación si: υ ≥ 30

Figura 9: Representación gráfica de la distribución T con diferentes grados de libertad

La distribución normal, se utiliza para distribuciones cuyas muestras con grandes, es decir
mayor a 30, mientras que la distribución de la t-Student, se utiliza para muestras pequeñas (υ < 30),
la cual se aproxima a una distribución normal para muestras mayores o iguales a 30.
 13

3.2.12 Grados de libertad υ

Numero de datos independientes que se pueden tomar de una población para construir la muestra,
los grados de libertad se calcula de la siguiente manera:

υ = n−1 (3.19)

Siendo n el numero total de observaciones independientes de la medición. De aquí que podemos

interpretar el número de grados de libertad como la cantidad de información útil en la determinación
de la estimación del mensurando.

3.2.13 Nivel de confianza p

Es el subíndice al lado de t p (υ), que se lee: distribución t con para un nivel de confianza p (llamado
también fiabilidad o percentil) con υ grados de libertad. Dicho subíndice es la probabilidad de
encontrarse en un determinado intervalo, por ejemplo para p = 75% = 0.750 con 15 grados de
libertad se denotaría por: t0.750 (15) = 0.691, gráficamente:

Figura 10: Distribución t para υ = 15 con un área de probabilidad de 75% =0.750, el valor de
t0.750 (15)=0.691, el cual también se puede obtener de tablas

Para el caso de necesitar obtener el valor de t con un intervalo de probabilidad o nivel de

confianza de 95.45% = 0.9545 para υ = 30 grados de libertad: t0.9545 (30):
 14

Figura 11: Distribución t para υ = 30 con un área de probabilidad de 0.9545,(área no sombreada)

el valor de t0.9545 (30) = 1.997 ≈ 2, el cual también se puede obtener de las tablas t con dos colas

Para el caso de necesitar hallar la incertidumbre expandida de una distribución t con υ = 30

grados de libertad y un 95.45% de nivel de confianza, habiendo calculado anteriormente la incer-
tidumbre combinada (uc (y)) de los parámetros de entrada, se cumple que:

U p = k p uc (y) = t p (υ)uc (y) (3.20)

Por tanto:

k p = t p (υ) = 1.997 ≈ 2 (3.21)

Entonces se concluye que el factor de cobertura k p es igual al valor de la distribución t para un

nivel de confianza y determinados grados de libertad.

3.2.14 Teorema del limite central

Si Y = C1 X1 +C2 X2 +· · ·+CN XN = ∑N
i=1 Ci Xi y todas las Xi vienen caracterizadas por distribuciones

normales, la distribución de Y , resultante de la convolución, también es normal. No obstante,

aunque las distribuciones de Xi no sean normales, es posible suponer una distribución normal para
Y , teniendo en cuenta el Teorema del Límite Central. Este teorema establece que la distribución de
 15

Y será aproximadamente normal, con esperanza matemática E(Y ) = ∑N 2

i=1 ci E(Xi ) y varianza σ =

∑N 2 2
i=1 ci σi , donde E(Xi ) es la esperanza matemática de Xi y σi es la varianza de Xi , siempre que las

Xi sean independientes y σ 2 (y) sea mucho mayor que cualquier componente otra componente de
ci σi2 de una Xi cuya distribución no sea normal

3.2.15 Los grados efectivos de libertad υe f f

Los grados efectivos de libertad υe f f sirven para calcular el valor de K p de la incertidumbre ex-
pandida U p , ya que dicho parámetro depende del factor de cobertura k p y la incertidumbre combi-
nada de las magnitudes de entrada uc (y),(incertidumbres tipo A y tipo B) como sigue: U p = k p uc (y),
ya que k p = t p (υe f f ), para un determinado nivel de confianza y un determinado numero de grados
efectivos de libertad acorde a la medición.
Para calcular el numero de grados efectivos de libertad se hace uso de la formula de Welch-
Satterthwaite:

u4c (y)
υe f f = (3.22)
u4i
∑N
i=1 υi
donde:

N
υe f f ≤ ∑ υi (3.23)
i=1
Se sabe que la incertidumbre combinada uc (y) es la raíz cuadrada de la suma en cuadratura de
las incertidumbres típicas obtenidas de las evaluaciones tipo A y tipo B:

q
uc (y) = u2cA (y) + u2cB (y) (3.24)

Entonces para calcular el factor de cobertura k p , se necesita el grado efectivo de libertad υe f f

debido a las incertidumbres típicas obtenidas de las evaluaciones tipo A y tipo B, los cuales se
calculará haciendo uso de la formula de Welch-Satterthwaite, como sigue:

u4c (y)
υe f f = (3.25)
u4cA (y) u4 (y)
υe f f ,A + υcB
e f f ,B

Donde: υe f f ,A y υe f f ,B son los grados efectivos de libertad de la incertidumbre combinada tipo

A y tipo B respectivamente.
Luego de obtener el grado efectivo de libertad de la incertidumbre combinada υe f f , se define
un nivel de confianza para la incertidumbre expandida, que para el caso de los laboratorios del
 16

SENAMHI se trabajará con un nivel de confianza mayor al 95% = 0.95, con estos dos datos, se
procede a calcular el valor de t0.95 (υe f f ) = k p . usando las tablas de la distribución t − Student o la
pagina: http://www.lock5stat.com/ el cual se usó para los gráficos anteriores

3.2.16 Calculo de los grados efectivos de libertad tipo A y Tipo B

Evaluación de grados de libertad tipo A υe f f ,A :

Suponiendo que la incertidumbre combinada tipo A consta de n componentes, se tendría:
q
ucA = u2A1 + u2A2 + · · · + u2An (3.26)

Teniendo en cuenta que cada componente de la incertidumbre combinada tipo A (u2Ai ) tiene
grados efectivos de libertad acorde a la cantidad de mediciones que se realizó, entonces se conoce
los grados efectivos de libertad de cada componente u2Ai
Los grados efectivos de libertad de la incertidumbre combinada tipo A, usando la formula de
Welch-Satterthwaite, se tendría la siguiente ecuación:

u4cA
υe f f ,A = (3.27)
u4A1 u4 u4
υA1 + υA2
A2
+ · · · + υAn
An

Evaluación de grados de libertad tipo B υe f f ,B :

Suponiendo que la incertidumbre combinada tipo B consta de n componentes, se tendria:
q
ucB = u2B1 + u2B2 + · · · + u2Bn (3.28)

Para el calculo de dicho grado de efectivo de libertad, primero se debe hallar el grado de libertad
de cada componente de incertidumbre típica tipo B (u2Bi ), mediante la siguiente aproximación:

1 u(xi ) 2
υi ≈ [ ] (3.29)
2 ∆u(xi )
La cantidad ∆u(xi ) es una estimación de la incertidumbre de la incertidumbre u(xi ) de la fuente
i cuantificada por el metrólogo.
La determinación del número de grados de libertad de una incertidumbre tipo B implica el
criterio del metrólogo soportado por su experiencia, aun cuando sea subjetiva, para determinar la
incertidumbre relativa de la propia incertidumbre, y calcular el numero de grados específica.
Por ejemplo, si ∆u(xi ) es cero, es decir, el metrólogo esta completamente seguro del valor de
u(xi ), el numero de grados de libertad asociado a esa fuente es infinito ( ∞). Este caso sucede
 17

normalmente para las distribuciones de probabilidad rectangular, por ejemplo para una distribución
√
de probabilidad rectangular de semi amplitud a, cuya incertidumbre tipica es u(xi ) = a/ 3 se
considera como constante, sin incertidumbre. Esto supone según la ecuación de aproximación
anterior que υi → ∞, o que 1/υi → 0 que es lo mismo, dicha suposición no está tan alejado de
la realidad, ya que es una practica frecuente elegir a− y a+ de forma que la probabilidad de que
la magnitud en cuestión esté fuera del intervalo comprendido entre a− y a+ sea extremadamente
pequeña.

4 TABLA HISTÓRICA DE CAMBIOS

5 ANEXOS

Bibliografía
[1] Centro Español de Metrología Expresión de la incertidumbre de medida 2008 .

[2] Centro Nacional de metrología de México Guía para estimar la incertidumbre de la medición
2000.

[3] Centro Español de Metrología Vocabulario Internacional de metrología 2008 .

[4] Instituto Colombiano de normas técnicas y certificación ICONTEC Estadística, vocabulario y

símbolos Parte 2 , 2008.