Metrología

y Sistemas de Gestión de la Calidad

Esp. SCHNEIDER J. CASTILLO MELÉNDEZ

www.metrocaribe.com 1
Tema 6.
Estimación de la Incertidumbre
Intensidad: 4 horas

Introducción
Se presentarán algunos conceptos esenciales para
comprender el significado estadístico de lo que
conocemos como incertidumbre.
Cabe destacar la importancia de la estadística para el
metrólogo.

www.metrocaribe.com 2
 Análisis de incertidumbre

Definición de probabilidad
Definición clásica
Si un experimento que está sujeto al azar puede tener cualquiera de N
resultados diferentes igualmente factibles, y si exactamente n de estos
resultados corresponde al evento A, entonces la probabilidad de este
último es:
n
P ( A) 
N
Probabilidad como frecuencia relativa
Si un experimento se repite N veces bajo las mismas condiciones y nB
de los resultados son favorables a un atributo B, el límite nB/N,
conforme N se vuelve grande, se define como la probabilidad del
atributo B
La probabilidad es un número real entre 0 a 1, asociado a un evento
aleatorio
 Variable aleatoria
Variable aleatoria
Una variable aleatoria es aquella que puede tomar cualquiera de los
valores pertenecientes a un conjunto de valores especificados.
Tenemos variables aleatorias discretas y continuas
Distribución de probabilidades

Fig 1

Cada valor pueda tomar una variable aleatoria siempre se asocia a una
determinada probabilidad. La regla que expresa la relación entre los
valores que puede tomar una variable aleatoria y su probabilidad, se
denomina Ley de distribución de probabilidades
 Distribución normal
La distribución normal o gaussiana es, indudablemente, la más importante
y la de mayor uso de todas las distribuciones continuas de probabilidad.
Es la piedra angular de la inferencia estadística en el análisis de datos.
Las magnitudes físicas observables determinadas en condiciones de
repetibilidad se distribuyen normalmente.
Definición
Si una variable x se distribuye normalmente, entences f(x) está dada:
1  x 
2

1   
f ( x,  ,  )  e 2  

 2
Donde:  y , Son parámetros de la
ddistribución medido

: Media poblacional
: Desviación estandar poblacional
X: Un valor poblacional
 Distribuciones muestrales
La inferencia estadística se formula basada en una muestra de
objetos de la población de interés. El proceso por del cual se obtiene
será aquel que asegure la selección de una buena muestra .
Se hará un muestreo aleatorio simple. El término aleatorio sugiere
una absoluta imparcialidad en la selección de la muestra

En muchos casos la población de interés no consiste de objetos

tangibles, más bien (como es el caso de metrología), la población se
considera constituida por un número infinito de posibles resultados
para alguna característica medible de interés. En nuestro caso se
trata de magnitudes físicas

Existen dos formas de muestreo aleatorio simple

• Muestreo aleatorio simple con reemplazamiento
• Muestreo aleatorio simple sin reemplazamiento
Distribución muestral del promedio

X1 , X 2 , X n

Los parámetros de esta distribución son:

Valor esperado n
1 
E ( x)     n    
i 1 n n
n
1 2  2   2
La varianza  2
  n 2 
i 1 n n  n
Desviación estandar de la media

X 
n
 Estimadores
Los estimadores de  y , que generalmente no se conocen, son:

a. La media muestral

1 n
X   Xi
n i 1

b. Desviación estandar poblacional

1
 n
2 
2

  ( X i  X ) 
sn 1   i 1

 n  1 
 
 Teorema del límite central

Si una población tiene 2 y una media , la distribución de la media X

muestral tiende, al aumentar el tamaño de la muestra(n), a una
distribución normal con media  y varianza 2/n

La variablea Z: X 
Z

n
Cuando no se conoce  (desviación estándar poblacional), entonces
el estadístico Z, se reemplaza por estadístico T

x
T
sn 1
n
 Intervalo de confianza para la media
A partir de la distribución muestral de X se puede construir un intervalo
de confianza para  (media poblacional).El intervalo tiene el siguiente
significado: el valor de la media poblacional no se conoce, pero está en
ese intervalo con una probabilidad dada

 
P   Z   Z  Z   1  
 2 2

1 Es el grado de confianza (confiabilidad)

   
P  X  Z    X  Z  1  
 2 n 2 n
X 
Se hizo el cambio Z 

n
 
Finalmente el intervalo queda X  Z    X  Z
2 n 2 n
 Intervalo de confianza

Cuando no se conoce , el intervalo viene dado por:

s s
x  t    x  t
2 n 2 n

s
Límites de confianza: x  t
2 n
 Expresión de la incertidumbre de medición en calibración

En general el resultado de una medición es completo solo si contiene el

valor atribuido al mensurado (valor estimado ) y la incertidumbre de
medición asociada con este valor

Donde:
Y  y U
Y:valor real del mensurado
y: valor estimado
U: incertidumbre estimada
Cuando se establece el valor estimado, se supone que se han
corregido los errores sistemáticos
Definición
Incertidumbre de medición
Parámetro asociado con el resultado de una medición, que
caracteriza la dispersión de los valores que pueden ser atribuidos
razonablemente a un mensurado
 Incertidumbre
Definición
Mensurado: es la magnitud sujeta a medición. En calibración se
trata, usualmente, sólo con un mensurado.

Llamaremos al mensurado, la magnitud de salida Y, que en general

es una función de magnitudes de entrada, que llamaremos Xi . De
acuerdo con la relación funcional:

Y  f ( X1 , X 2 ,..., X n )
Para la estimación tenemos:
y  f ( x1 , x2 ,..., xn )
Se supone que los valores de entrada son estimaciones óptimas en
la que se han corregido todos los efectos significativos para el
modelo

Se denotará: u(y), como la incertidumbre del mensurado, la cual es

una función de las incertidumbre de las magnitudes de entrada
Evaluación de la incertidumbre estándar de las magnitudes de
entrada

La incertidumbres estandar de las magnitudes de entrada las llamaremos

tipo A y tipo B
Incertidumbre tipo A
Es aquella que para ser evaluada se requiere aplicar métodos
estadísticos

Incertidumbre tipo B
Es aquella que se evalua por métodos distintos a los estadísticos.
La información puede provenir de certificados de calibración,
especificaciones del fabricante, datos tomados de manuales,etc
 Evaluación de la incertidumbre tipo A
Para determinar la incertidumbre tipo se deben hacer observaciones
repetidas bajo condiciones de repetibilidad. Cuando hay suficiente
resolución del instrumento de medición se presenta dispersión.

Pasos:
a. Se calcula la media
1 n
x   xi
n i 1
b. Se calcula la desviación estandar experimental
1
 1 n 2

2
sn 1   ( xi  x) 
 n  1 i 1 
c.
Se calcula la desviación estandar de la media, experimental
sn 1
s (x ) 
n
 Evaluación de la incertidumbre tipo A

d. Se calcula la incertidumbre estándar tipo A

sn 1
uA 
n
Caso especial:

Cuando se hacen pocas medidas bajo condiciones de repetibilidad,

pero se conoce la desviación estándar de repetibilidad r , entonces:
r
uA 
n

Cuando se hace una sola medida, pero se conoce r ,entonces:

uA  r
 Evaluación de la incertidumbre estándar tipo B
El uso apropiado de la información disponible para una evaluación de
la incertidumbre estándar tipo B, exige un juicio basado en la
experiencia y en conocimientos generales. Es una destreza que puede
adquirirse con la práctica. Deben distinguirse los siguientes casos:

• Cuando se conoce un valor único de xi , por ejemplo, el valor de

una única medición. La incertidumbre estándar u(xi ) asociada a xi
debe adoptarse.

• Cuando se pueda suponer una distribución de probabilidad para la

magnitud Xi, ya sea basándose en la teoría o en la experiencia.

• Si sólo pueden estimarse unos límites superior e inferior a+ y a-

para el valor de la magnitud Xi (por ejemplo especificaciones del
fabricante), puede suponerse una distribución de probabilidad con
una función densidad de probabilidad constante entre dichos límites
(distribución de probabilidad rectangular) para la variabilidad de la
magnitud de entrada Xi
 Distribución rectangular
f(x)

1
b  a

Si la diferencia entre los valores límites se expresa como 2a, entonces la

1
varianza queda: Var ( x)  u 2 ( xi )  a 2
3
a
Desviación estándar
3
 Distribución triangular
1
a

a1  a1
2a
La distribución rectangular es una descripción razonable en términos de
probabilidad del conocimiento que se tenga sobre la magnitud de
entrada Xi cuando no existe ninguna otra información más que sus
límites de variabilidad. Pero si se sabe que los valores de la magnitud en
cuestión próximos al centro del intervalo de variabilidad son más
probables que los valores próximos a los extremos, un modelo más
adecuado sería una distribución rectangular

a
Desviación estándar
6
 Ejemplos
1. Un certificado de calibración establece que la masa ms de un patrón
de masa, hecho de acero inoxidable y de clase de exactitud E2, cuyo
valor nominal es de un kilogramo, tiene una masa de 1000,000325 g
y que la incertidumbre de este valor es de 240 µg al nivel de tres
desviaciones estándar.

240  g
En este caso: u (ms )  uB (ms )   80  g
3

A veces se encuentra que la incertidumbre asignada define un

intervalo de confianza con una confiabilidad de 90,95% ó 99%. Si
no se dice lo contrario, se asume que se emplea una distribución
normal. Los factores correspondientes son: 1.64 ; 1,96 ; 2,58
Recordando lo visto en la introducción, calcule P(-1,64<z<1,64)
P (1,64  z 1,64)  F (1,64)  F (1,64)  0,89899
Muy próximo a 90%
 Ejemplos
2. Un certificado declara que un resistor patrón de valor nominal
10, tiene una resistencia de 10,000742  ± 129 µ  a 23 ºC y
que la incertidumbre asignada define un intervalo con un nivel
de confianza del 99%

La incertidumbre estandar es:

129 
uB ( s )   50
2,58

La incertidumbre especificada de un instrumento de medición de

3. temperatura es de ± 0,03 ºC, no se menciona el tipo de
distribución, ni el nivel de confianza. En los casos en que solo se
puede estimar límites (superior e inferior), se utiliza la
distribución rectangular

0, 03
uB   0.017 oC
3
 Ejemplos

Una de las fuentes de incertidumbre de un instrumento digital es la

resolución de su dispositivo indicador. Por ejemplo, aún si las
indicaciones s repetidas fueran todas idénticas, la incertidumbre de la
medición atribuible a la repetibilidad no sería cero, debido a que existe
un intervalo de señales de entrada que darán la misma indicación del
instrumento. Si la resolución es x, el valor del estímulo que produce una
indicación X dada puede localizarse con igual probabilidad en cualquier
lugar en el intervalo de X- x/2 a X+ x/2. En este caso se tiene:

x
uB 
2 3
 Incertidumbre de los estimados de salida
La incertidumbre de la magnitud de salida (el mensurado), se le
conoce como incertidumbre combinada Uc.
Se obtiene combinando apropiadamente las incertidumbre tipo A y
tipo B de las magnitudes de entrada.
La función que relaciona la incertidumbre estándar combinada de
la magnitud de salida con las incertidumbre, con las incertidumbres
de las magnitudes de entrada, se deriva de Ley de Propagación de
los incertidumbre
 Ley de propagación de las incertidumbres

y  f ( x1 , x2 ,..., xn )
La función f no sólo expresa una ley física sino también un proceso de
medición y por eso debe contener todas las magnitudes que contribuyen
significativamente a la incertidumbre del resultado de la medición. Si se
hace un desarrollo en serie de Taylor de primer orden, alrededor de los
estimados de las magnitudes de entrada, se obtiene la ecuación que
relaciona las variaciones de Y, alrededor de los estimados y, producida por
pequeñas variaciones de las magnitudes de entrada:
n
f
(Y  y )   ( X i  xi )
i 1 xi

Se supone que los términos superiores de la serie se desprecian, con

respecto a los términos de primer orden
 Ley de propagación de las incertidumbres
Cuadrado de la desviación 2
 f n

Y  y    ( X i  xi ) 
2

 i 1 x 

Desarrollando se tiene:
2
 f  f f
 X i  xi   X j  x j 
n n n
(Y  y )   
2
 ( X  x ) 2
 2 
  
i i
i 1  xi  i 1 i 1 xi x j
Como la esperanza de la desviación cuadrática es la varianza, y esta
también es el cuadrado de la incertidumbre. Tenemos:
2
n
 f  2 n n
f f
U C ( y)   
2
 u ( xi )  2  u ( xi , x j )
i 1  xi  i 1 i 1 xi x j

Coeficiente de sensibilidad  f 
 
 x i 
 Magnitudes de entrada no correlacionadas

Cuando las magnitudes de entrada son no correlacionadas, las

covarianzas son cero y la incertidumbre estándar combinada se calcula
solo a partir de las varianzas, a través, de la siguiente expresión:
1
2
n
 f  2  n  f 2 2  2

u c ( y)   
2
 u ( xi ) uc ( y )      u ( xi ) 
i 1  xi   i 1  x  

Las u(xi) pueden ser de tipo A o tipo B. Esta expresión las incluye todas
Si el modelo de función f es una suma o diferencia de cantidades
n
de entrada xi
f ( x1 , x2 ,..., xn )   pi xi
i 1

n
u c ( y )   pi2u 2 ( xi )
2

i 1
 Tabla esquemática para presentar el análisis de incertidumbre

Incertidu
mbre
C. Grados de
Fuente de incertidumbre Estimado estandar distribución Inc ci u(xi)
sensibilidad libertad
u(xi) )

K=
 Incertidumbre expandida

La incertidumbre estimada se presenta en términos de los que

se conoce como incertidumbre expandida

U  k uc ( y )
k, se le conoce como el factor de cobertura, el cual depende de la
confiabilidad con la que se estime la incertidumbre
 Otro enfoque del teorema del límite central
Establece que la distribución de los valores de la magnitud de salida puede
ser considerada aproximadamente normal si su varianza u2(y) es mucho
mayor que cualquiera de las contribuciones individuales ci u(xi ) de las
magnitudes de entrada

Nivel de confianza p% Factor de cobertura kp

68,27 1

90 1,65

95 1,96

95,45 2

99 2,576

99,73 3
 El factor de Student
Para obtener una mejor aproximación en la definición de los intervalos de
confianza en lugar de emplearse la distribución normal se requiere emplear la
distribución de Student y el factor de cobertura se determina a partir del
coeficiente de t de Student, evaluado de acuerdo al número de grados de
libertad

k  t ( ef )

u 4c ( y)
 ef  n
ci 4u 4 ( xi )

i 1 i