Curso teórico práctico de

estimación de la incertidumbre
de medición, una mirada desde la
gestión de procesos.

ÁLVARO BERMÚDEZ CORONEL

Ingeniero Químico
Especialista en ingeniería de la calidad y el comportamiento
Magíster en gerencia integral de la calidad y productividad
 • Aportar a la formación de competencias y habilidades de los
metrólogos de laboratorios de calibración, ensayo y de
empresa, mediante exposiciones teóricas y actividades
prácticas, herramientas que permitan conceptualizar desde las
bases físicas, matemáticas y estadísticas las metodologías
Objetivo fundamentales para estimar la incertidumbre de medición de
conformidad con los requisitos de la ISO/IEC 17025:2017 y las
del curso prácticas de aseguramiento metrológico y de calidad.

• Los asistentes a este curso estarán en capacidad documentar y

elaborar procedimientos para la estimación de la
incertidumbre de medición aplicables a calibraciones (CMC),
Resultados procesos, ensayos y plantear acciones de mejora que
contribuyan al aseguramiento metrológico y de calidad.
esperados
Agenda
Módulo 1
1. Generalidades y bases metrológicas.
2. La medición y la necesidad de estimar su incertidumbre.
3. Herramientas matemáticas y estadísticas
4. Funciones de densidad de probabilidad de mayor uso.
5. Metodologías y estrategias para la estimación de la
incertidumbre de medición.

Módulo 2
6. Ley de propagación de incertidumbre en magnitudes no
correlacionadas.
7.Ley de propagación de incertidumbre en magnitudes
correlacionadas.
8. Coeficientes de sensibilidad.
9. Presupuesto de incertidumbre.

Módulo 3
10. Presentación de resultados y las CMC.
11. Ejercicios y actividades prácticas
Módulo 1 A

1. Generalidades y bases
metrológicas.
2. La medición y la necesidad de
estimar su incertidumbre.
3. Herramientas matemáticas y
estadísticas
1. Generalidades y bases
metrológicas.
Medir
u “Comparar una cantidad
con su respectiva unidad,
con el fin de averiguar
cuantas veces la segunda
esta contenida en la
primera”. (RAE)
u La dimensión del objeto y
la unidad deben ser de la
misma magnitud.
u Una parte importante de la
medición es la estimación
de error o análisis de
errores.
¿Siempre medimos?
u El primer paso para una buena
medición radica en especificar muy
bien el mensurando, el método de
medición y los procedimientos.

https://www.google.com.co/search?q=medición&sxsrf=AOaemvJW8h5AGQocsoQ4RjzCnN3Ue-
RQzQ:1637112701124&source=lnms&tbm=isch&sa=X&ved=2ahUKEwiTn4eIoJ70AhUiTjABHRjgA_sQ_AUoAXoECAEQAw&biw=1
425&bih=703&dpr=2#imgrc=iUiRecQorcBw2M
 Mensurando NOTA 1. La especificación de un
mensurando requiere el
conocimiento de la naturaleza de
la magnitud y la descripción del
estado del fenómeno, cuerpo o

uMagnitud que
sustancia cuya magnitud es una
propiedad, incluyendo las
componentes pertinentes y las

se desea medir
entidades químicas involucradas

Magnitud
.
Propiedad de un fenómeno, cuerpo o
sustancia, que puede expresarse
cuantitativamente mediante un número y
una referencia
 Medición
u Proceso que consiste en obtener experimentalmente uno o varios
valores que pueden atribuirse razonablemente a una magnitud

Entrada Salida
Medio
Método Mensurando
ambiente

Instrumentos
(Máquina)

Metrólogo

Transformación
 Definiciones
u Método de de medida: Descripción genérica de la secuencia lógica de operaciones
utilizadas en una medición
u NOTA Los métodos de medida pueden clasificarse de varias maneras como: (i)
método de sustitución, (ii) método diferencial y (iii) método de cero; o (i) método
directo, método indirecto.
u Procedimiento de medida: descripción detallada de una medición conforme a uno
o más principios de medida y a un método de medida dado, basado en un modelo
de medida y que incluye los cálculos necesarios para obtener un resultado de
medida. NOTA 1 Un procedimiento de medida se documenta habitualmente con
suficiente detalle para que un operador pueda realizar una medición.
u El principio de medida: fenómeno que sirve como base de una medición.
u EJEMPLO 1 El efecto termoeléctrico aplicado a la medición de temperatura.
u EJEMPLO 2 La absorción de energía aplicada a la medición de la concentración de
cantidad de sustancia.
u EJEMPLO 3 La disminución de la concentración de glucosa en la sangre de un
conejo en ayunas, aplicada a la medición de la concentración de insulina en una
preparación.
Formas de medición

u Medida directa
u Una medida o medición diremos que es directa, cuando disponemos
de un instrumento de medida que la obtiene, así si deseamos medir
la distancia de un punto a a un punto b, y disponemos del
instrumento que nos permite realizar la medición, ésta es directa.
u Medidas indirectas
u No siempre es posible realizar una medida directa, porque no
disponemos del instrumento adecuado, porque el valor a medir es
muy grande o muy pequeño, porque hay obstáculos de otra
naturaleza, etc.
u Medición indirecta es aquella que realizando la medición de una
variable, podemos calcular otra distinta, por la que estamos
interesados.
Error de medida
Diferencia entre un valor medido de una magnitud y un
valor de referencia
Error

Error Error Error de

aleatorio sistematico medida

Componente del error de Componente del error de

medición que, en mediciones medición que, en mediciones
repetidas varía de manera repetidas, permanece
impredecible constante o varía de manera
predecible
Errores

u Errores sistemáticos: componente del error de medida que, en

mediciones repetidas, permanece constante o varía de manera
predecible.
ü El error sistemático y sus causas pueden ser conocidas o no. Para compensar un error
sistemático conocido puede aplicarse una corrección.

ü El error sistemático es igual a la diferencia entre el error de medida y el error aleatorio.

u Errores esporádicos o aleatorios: componente del error de medida que,

en mediciones repetidas, varía de manera impredecible.
ü Los errores aleatorios de un conjunto de mediciones repetidas forman una distribución que
puede representarse por su esperanza matemática, generalmente nula, y por su varianza.

ü El error aleatorio es igual a la diferencia entre el error de medida y el error sistemático.

Formas de presentar el error

u Error absoluto
u Es el error en valor absoluto que se comete expresado en las
mismas unidades que la magnitud medida.
u Error relativo
u Es la relación que existe entre el error absoluto y la magnitud
medida, es adimensional, y suele expresarse en porcentaje.
u Error estándar
u Si no hemos valorado el error que cometemos al medir, tomamos
como error estándar:
u Cinco veces la apreciación del instrumento.
u El 5% de la magnitud medida.
 Reproducibilidad
Precisión
Repetibilidad
Exactitud

Veracidad Sesgo
Propiedades de los sistemas
de medición – (I)
u Exactitud de medida, proximidad entre un valor medido y
un valor verdadero de un mensurando.
u NOTA 1 El concepto “ exactitud de medida ” no es una
magnitud y no se expresa numéricamente. Se dice que una
medición es más exacta cuanto más pequeño es el error
de medida.
u NOTA 2 El término “ exactitud de medida ” no debe
utilizarse en lugar de “veracidad de medida”, al igual que
el término “ precisión de medida “ tampoco debe
utilizarse en lugar de “exactitud de medida”, ya que esta
última incluye ambos conceptos.
u NOTA 3 La exactitud de medida se interpreta a veces como
la proximidad entre los valores medidos atribuidos al
mensurando.
Propiedades de los sistemas
de medición – (II)
u Veracidad de medida, proximidad entre la media de un número infinito
de valores medidos repetidos y un valor de referencia
u NOTA 1 La veracidad de medida no es una magnitud y no puede expresarse
numéricamente, aunque la norma ISO 5725 especifica formas de expresar
dicha proximidad.
u NOTA 2 La veracidad de medida está inversamente relacionada con el
error sistemático, pero no está relacionada con el error aleatorio.
u NOTA 3 No debe utilizarse el término “exactitud de medida” en lugar de
“veracidad de medida” y Viceversa.
propiedades de los sistemas
de medición – (III)
u Precisión de medida, proximidad entre las indicaciones
o los valores medidos obtenidos en mediciones repetidas
de un mismo objeto, o de objetos similares, bajo
condiciones especificadas

u NOTA 1 Es habitual que la precisión de una medida se

exprese numéricamente mediante medidas de dispersión
tales como la desviación típica, la varianza o el
coeficiente de variación bajo las condiciones
especificadas.
 Propiedades de los sistemas de
medición – (IV)

u Repetibilidad: precisión de medida bajo un conjunto de

condiciones de repetibilidad.

u 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 operación y el mismo lugar, así como
mediciones repetidas del mismo objeto o de un objeto
similar en un periodo corto de tiempo.
 Propiedades de los sistemas
de medición – (v)
u Reproducibilidad de medida, precisión de medida bajo
un conjunto de condiciones de reproducibilidad

u Condición de reproducibilidad de una medición,

condición de medición, dentro de un conjunto de
condiciones que incluye diferentes lugares, operadores,
sistemas de medida y mediciones repetidas de los mismos
objetos u objetos similares
Calibración
u calibración, f
u 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 las correspondientes indicaciones
una relación comparación método
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 entre los valores y sus
incertidumbres de
indicación medida asociadas patron e
trazabilidad
obtenidas a partir de incertidumbre
los patrones de
medida

• Proceso y las correspondientes patrón e IBC

Operación • Examen experimental indicaciones con sus
incertidumbres
resultados de la
comparación
aportan
incertidumbre
asociadas y

• Sigue un metodo utiliza esta •diferencia

información para •indicación patron e
que bajo
condiciones • En sede o en sitio establecer una indicación IBC
especiales
relación

• Primera etapa
que permita •error o asignación de valor
establece • Segunda etapa obtener un •un valor medido único y
resultado de una incertidumbre de
medida a partir de medida
una indicación
Trazabilidad metrológica – (I)
propiedad de un resultado de
medida por la cual el resultado
puede relacionarse con una
referencia mediante una cadena
ininterrumpida y documentada de
calibraciones, cada una de las
cuales contribuye a la
incertidumbre de medida
NOTA 1. En esta
definición, la referencia
puede ser la definición de
una unidad de medida,
mediante una realización
práctica, un
procedimiento de medida
que incluya la unidad de
medida cuando se trate
de una magnitud no
ordinal, o un patrón.
Trazabilidad
metrológica – (II)
La definición establece a la
trazabilidad como una
propiedad del resultado de
medida, es decir, de los
valores obtenidos a partir de
la medición…
La persistente idea errónea de que
la trazabilidad metrológica puede
estar vinculada a una organización
en particular (por ejemplo,
"trazable a un Instituto Nacional de
Metrología específico") fomenta la
confusión continua con respecto a
su naturaleza. La trazabilidad
metrológica se refiere a valores de
cantidad de referencia de
estándares de medición y resultados
de medición, no a la organización
que los proporciona.

cuando se dice que un resultado es

trazable a “un laboratorio dado” es
una descripción abreviada de “trazable
a un valor de referencia mantenido por
ese laboratorio”.
Trazabilidad
metrológica – (III)
2. La medición y la necesidad de
estimar su incertidumbre.
Medición e incertidumbre
En general, el resultado de una medición es sólo una
aproximación o estimado de la cantidad específica que se está
midiendo. Por lo tanto, el resultado de medición únicamente se
considera completo si va acompañado de una expresión
cuantitativa de su incertidumbre. Nota técnica 1297 del NIST
apartado 2.1

La incertidumbre del resultado de una calibración o un ensayo,

cuando se interpretan los resultados brinda información que
puede ser útil en la toma de decisiones, el establecimientos de
intervalos de confianza, pruebas de hipótesis, desempeño de
métodos entre otros.

Es uno de los mecanismos que permiten evaluar la validez de los

resultados
Incertidumbre de medición y
tolerancia
u Incertidumbre de medición:
parámetro no negativo que caracteriza
la dispersión de los valores atribuidos
a un mensurando, a partir de la
información que se utiliza.

u Tolerancia: Intervalo en donde puede

ser admitido como conforme un
producto o un resultado de la
medición de una magnitud.
Interrelación de la incertidumbre
de medición y la tolerancia
Error o incertidumbre

Es frecuente encontrar documentos y textos donde se

trata al error y a la incertidumbre como sinónimos. Sin
embargo, las directrices de la comunidad metrológica
internacional expresadas durante la última década en
documentos como el VIM, establecen una clara
diferencia entre ambos conceptos.
Al estimar la incertidumbre de la
medición, se debe tomar en cuenta
todos los componentes de la
incertidumbre que sean importantes en
una situación dada, utilizando métodos
de análisis aceptados.
3. Herramientas matemáticas
y estadísticas
Estadística

u La estadística es una ciencia que se encarga de la

colección, clasificación, síntesis, organización,
análisis e interpolación de los datos de una
manera científica.

u Estadística descriptiva: se encarga de la

organización, síntesis y descripción de los datos.

u Estadística inferencial: Conjunto de técnicas que

nos permite sacar conclusiones sobre la Población
a partir de la información que nos da la muestra.
 Datos
u Población: es un conjunto de datos, objetivo del estudio en interés.

u Muestra: es el subconjunto de datos seleccionados de una población.

u Datos: los datos pueden ser de tipo cuantitativo (escala numérica) o de tipo
cualitativo o categóricos, no tienen una interpolación cuantitativa, solo
pueden clasificarse.

u Estadística: Medidas descriptivas numéricas calculadas a partir de los datos

de las muestras.

u Parámetro: medidas descriptivas numéricas calculadas a partir de la

población (para esto generalmente se emplean letras griegas).

u Estimador: Es aquel estadístico que toma valores en el espacio paramétrico.

Tienen la propiedad de informar sobre el valor de los parámetros
poblacionales desconocidos.
 Variables
u Variable aleatoria: cuando se realiza la medición de una
variable es prácticamente imposible lograr la misma
combinación de factores de cada combinación. Para la variable
aleatoria se emplea generalmente la letra X y para la medición
de la variable x.
u Variable aleatoria continua: Cuando una variable aleatoria
puede tomar valores en una escala continua, se le denomina
variable continua. Esto es, el conjunto es un intervalo sobre R.
u Variable discreta: Para una variable aleatoria discreta siempre
es posible contar su conjunto de resultados posibles. Valores
finitos contables o no contables.
u Distribuciones muestrales: La distribución de probabilidad de
un estadístico muestral, se llama distribución muestral
Descripción de datos cuantitativos

Estos se pueden clasificar en tres grupos:

u Los que ayudan a encontrar el centro
(medidas de tendencia central) de la
distribución de puntos.
u Las que miden su dispersión (medidas de
variación)
u Las que describen la posición relativa de
un observación dentro de un conjunto de
datos, (medidas de posición relativa)
Medidas de tendencia
central – (I)
u La media aritmética. La media aritmética es el
promedio de las mediciones y se define
matemáticamente como:
n

åy i
y= i =1
n
y la media de la población como µ.

u La mediana. Para un conjunto de datos ordenados en

magnitud, es el valor central o la media de los valores
centrales. Se emplea el símbolo m para denotarla.

ì y[( n+1) / 2] impar

ï
m = í y( n / 2) + y( n / 2+1)
ï par
î 2
Medida de tendencia
central – (II)
u La moda. Si tenemos n mediciones y1, y2 …. yn,
denominamos moda al valor que mas se repite.
u La moda puede no existir, e incluso no ser única, en
caso de existir, en este caso estamos frente a una
distribución multimodal o bimodal ( joroba de
camello).
En el caso de metrología, puede ser muy útil para un
estudio de repetibilidad.

u Para frecuencias unimodales que sean poco

asimétricas se tiene l a siguiente relación empírica:
Media – moda = 3 (media – mediana)
Medidas de dispersión (I)
u Intervalo. El intervalo para un conjunto de valores es la
diferencia entre el valor mayor y el menor.

Intervalo = ymax – ymin

Dos conjuntos de datos pueden tener el mismo intervalo

pero diferente agrupación. El intervalo es insensible a la
variación de los datos dentro de sus límites.

u Varianza. La varianza de un conjunto de mediciones y1,

y2 …. yn es la medida del cuadrado de la desviaciones de
las mediciones respecto a su media.

n n

å(y i - y) 2
å(y i - µ) 2

s = 2 i =1
s =2 i =1
n -1 n
 Medidas de dispersión – (II)

u La desviación estándar o desviación típica. Se define

como la raíz cuadrada de la varianza.

n n

å ( y - y)
i
2
å ( y - µ)
i
2

s= i =1
s= i =1
n -1 n
La derivada e integral de una
función matemática
u La derivada de una función matemática es la razón o
velocidad de cambio de una función en un determinado
punto. Es decir, qué tan rápido se está produciendo una
variación (respecto a su o a una variable
independiente).

u La integral definida de una función matemática

representa el área limitada por la gráfica de la función,
en un sistema de coordenadas cartesianas con signo
positivo cuando la función toma valores positivos y
signo negativo cuando toma valores negativos. (En un
sistema multivariado puede ser un volumen)
Función y ecuación
matemática
u Una función matemática es una relación que se establece
entre dos conjuntos, a través de la cual a cada elemento del
primer conjunto se le asigna un único elemento del segundo
conjunto o ninguno. Al conjunto inicial o conjunto de partida
también se lo llama dominio (independiente); al conjunto final o
conjunto de llegada, en tanto, se lo denomina rango
(dependiente).
v Una magnitud es función de otra si el valor de la primera depende
del valor de la segunda.

u Una ecuación matemática es una igualdad entre dos expresiones

algebraicas que establece una condición sobre la variable o
variables que forman parte de dichas expresiones.
v No toda ecuación es una función pero toda función es una
ecuación.
MODULO 1 B

4. Funciones de densidad de
probabilidad de mayor uso.
5. Metodologías y estrategias para la
estimación de la incertidumbre de
medición.
4. Funciones de densidad de
probabilidad de mayor uso.
La función de densidad de
probabilidad

u UNIFORME O RETANGULAR
u TRIANGULAR
u T ESTUDEN
u NORMAL
Distribución rectangular o
uniforme
u En una distribución rectangular cada valor en un
intervalo dado tiene la misma probabilidad, o sea la
función de densidad de probabilidad es constante en
este intervalo.

u Ejemplos típicos son la resolución de un instrumento

digital o la información técnica sobre tolerancias de un
instrumento.

u En general, cuando exclusivamente hay conocimiento

de los límites superior e inferior del intervalo de
variabilidad de la magnitud de entrada, lo más
conservador es suponer una distribución rectangular.
 Gráfica de la función de probabilidad
rectangular o uniforme
u Se dice que una variable X posee una distribución
uniforme en el intervalo [a-,a+], si y solo si esta definida
por la siguiente función de densidad y función de
distribución:
ì1
ï a- £ x £ a+
f ( x ) í 2a
ïî0 en otra parte

a- + a+ ( a -
- a + 2
)
E ( x) = µ = s2 =
2 12
 Gráfica de la función de probabilidad
rectangular o uniforme
u Se dice que una variable X posee una distribución
uniforme en el intervalo [a-,a+], si y solo si esta definida
por la siguiente función de densidad y función de
distribución:
ì1
ï a- £ x £ a+
f ( x ) í 2a
ïî0 en otra parte

a- + a+ ( a -
- a + 2
)
E ( x) = µ = s2 =
2 12
Distribución triangular

u Si además del conocimiento de los límites superior e

inferior hay evidencia de que la probabilidad es más
alta para valores en el centro del intervalo y se
reduce hacía los límites, puede ser más adecuado
basar la estimación de la incertidumbre en una
distribución triangular.

u Por ejemplo, en un baño termostático, que se utiliza

para medir la densidad de un líquido, la
temperatura puede tener una ligera deriva. Si se
mide la temperatura antes y después de la medición
de la densidad resultando en T1 y T2), se pude
suponer para el momento de la medición de la
densidad una temperatura de (T1+T2)/2 con una
distribución triangular entre T1 y T2 .
 Gráfica de la distribución
triangular
ì x - a-
ï 2 (
a- £ x £ a- + a+ 2 )
ï a
ïa+ - x
f ( x)í 2 (a -
)
+ a+ 2 £ x £ a+
ï a
ï0 en otra parte
ï
î

µ( X ) =
(a -
+ a+ ) s (X ) =
(a
2
-
- a+ )
2

2 24
Distribución normal

Los resultados de una

medición repetida
afectada por magnitudes
de influencia que varían
aleatoriamente,
generalmente siguen en
buena aproximación una
distribución normal. En
particular, la distribución
de la media de una serie
de mediciones repetidas
se próxima a una normal
independientemente de
la distribución de las
lecturas individuales
La normal estándar

u Distribución Normal
Estándar
u La distribución de
probabilidad de una
variable aleatoria
normal con media cero
y varianza 1 se llama
distribución normal
estándar.
u Función de Densidad
Normal (0,1)
Función de t student
Resumen

TIPO DE ESTIMACION DE LA INCERTIDUMBRE

DISTRIBUCION MEDIA ESTANDAR

a- + a+ a+ - a-
q=
2 2 3

-
a +a + a+ - a-
q=
2 2 6

s
NORMAL å xi
n n
5. Metodologías y estrategias
para la estimación de la
incertidumbre de medición
 El gran problema

La incertidumbre de medición, calificada en ocasiones como

un gran problema verdaderamente no lo es y no existe
situación real alguna donde lo sea, simplemente que su
calculo juzga por si mismo cuanto conocemos del proceso
de medición en los que nos desempeñamos día a día.
Métodos para estimar la incertidumbre

v Estimación experimental de
contribuciones individuales
v Programas de ensayos de
aptitud
vInformación de los
proveedores p.e. certificados de
calibración
v Modelado a partir de
principios teóricos
v Estimación basada en el Esta foto de Autor desconocido está bajo licencia CC BY-SA-

juicio
NC
Descripción de fenómeno
físico
u Ecuación de continuidad

𝑚 = 𝜌 % 𝐴 %̇ 𝜐 = 𝜌 % 𝑄

u Ecuación de gases ideales

𝑝𝑉 = 𝑛𝑅𝑇
 Identifica uno a uno todas las contribuciones a la
Aproximación ISO incertidumbre y las compone en las diferentes etapas del
proceso
Elaborar flujograma
Cálculo incertidumbre
combinada
Encontrar modelo matemático (propagación de
de y = f(x1,x2,x3,..) Incertidumbre.
Coeficiente
sensibilidad).

Reevaluar
componentes
Identificar incertidumbres
(CAUSA-EFECTO) Si
Reevaluación?

Cuantificar las No
incertidumbres de
FIN
cada parámetro
Estrategias según GUM
Especificación

u Paso 1
u Especificación del mensurando

u Paso 2
u Establecer el modelo físico, identificando las variables
de entrada Xi que permitan establecer el modelo
matemático.
Identificación

u Paso 3
u Identificación de las fuentes de incertidumbre.
u Identificar si existe o no correlación.
 Cuantificación
u Paso 4
u Simplificar por agrupamiento las fuentes cubiertas por
los datos existentes, es decir, la cuantificación y
reducción
u Paso 5
u Asignar una función de distribución a cada fuente
u Paso 6
u Convertir la componente a incertidumbres estándar
u(xi)
u Paso 7
u Estimar correlaciones
Combinación

u Paso 8
u Calcular la incertidumbre estándar combinada uc(y). Matriz de
presupuesto
u Paso 9
u Revisar y analizar las componentes. Diagrama de barras.
u Paso 10
u Estimación de la incertidumbre expandida. Factor de cobertura.
Origen de las componentes
u Componente de incertidumbre tipo A: Es la incertidumbre
obtenida exclusivamente por medios estadísticos, la mejor
estimación es la desviación estándar.

u Componente de incertidumbre tipo B: Es la incertidumbre

obtenida por medios diferentes a los estadísticos, tales
como resolución del equipo, certificados de calibración,
datos del fabricante, tablas, pruebas anteriores, tipos de
distribución. Esta incertidumbre tiene su origen en los
errores sistemáticos presentes en la medición .
MODULO 2 A

6. Ley de propagación de
incertidumbre en magnitudes
correlacionadas.
7.Ley de propagación de
incertidumbre en magnitudes no
correlacionadas.
 Identifica uno a uno todas las contribuciones a la
Aproximación ISO incertidumbre y las compone en las diferentes etapas del
proceso
Elaborar flujograma
Cálculo incertidumbre
combinada
Encontrar modelo matemático (propagación de
de y = f(x1,x2,x3,..) Incertidumbre.
Coeficiente
sensibilidad).

Reevaluar
componentes
Identificar incertidumbres
(CAUSA-EFECTO) Si
Reevaluación?

Cuantificar las No
incertidumbres de
FIN
cada parámetro
 Concepto de incertidumbre estándar combinada

La incertidumbre estádar de y (siendo y la estimación del mensurando Y)

es decir, el resultado de medida, se obtiene componiendo
apropiadamente las incertidumbres estándar de las estimaciones de
entrada x1 , x2 , ..., xN. Esta incertidumbre estándar combinada de la
estimación y se nota como uc(y).

Y = f ( X 1 , X 2 ,...X N ) Þ y = f (x1 , x2 ,...xN )

Incertidumbre estándar

uc ( y) = f [u( x1 ), u( x2 ),...u( xN )]
Incertidumbre estándar combinada
 Ley de propagación de incertidumbres (i)

Y = f ( X 1 , X 2 ,...X N ) Þ y = f (x1 , x2 ,...xN )

Aplicando el Desarrollo de la serie de Taylor de primer orden en torno al valor
esperado, las propiedades de la varianza y el valor esperado (esperanza matemática)
se llega:
2
N
é ¶f ù N -1 N
¶f ¶f
uc ( y ) = å ê
2
ú u ( xi ) + 2å å
2
u ( xi , x j )
i =1 ë ¶X i û i =1 j =i +1¶X i xi
¶X j
xi xj
 Ley de propagación de incertidumbres (ii)

Consideraciones (i)

2
N
é ¶f ù N -1 N
¶f ¶f
uc ( y) = å ê ú u ( xi ) + 2å å
2 2
u ( xi , x j )
i =1 ë ¶xi û i =1 j =i +1¶xi ¶x j

Magnitudes de entrada no correlacionadas

Magnitudes de entrada correlacionadas

LEY DE PROPAGACION DE INCERTIDUMBRES
MAGNITUDES CORRELACIONADAS

u Se deber tener en cuenta el efecto de las

correlaciones.

s ( xi , x j ) 1 n
r=
s ( xi ) × s ( x j )
s ( xi , x j ) = å
n(n - 1) k =1
( xik - xi ) × ( x jk - x j )
 2
N
é ¶f ù N -1 N
¶f ¶f
uc ( y) = å ê ú u ( xi ) + 2å å
2 2
u ( xi , x j )
i =1 ë ¶xi û i =1 j =i +1¶xi ¶x j
 2
N
é ¶f ù N -1 N
¶f ¶f
uc ( y) = å ê ú u ( xi ) + 2å å
2 2
u ( xi , x j )
i =1 ë ¶xi û i =1 j =i +1¶xi ¶x j
 Ley de propagación de incertidumbres (iii)

u En los casos en que la correlación es igual a +1

o -1 el termino para la estimación de la
incertidumbre se establece por la siguiente
ecuación:

¶f N
uc ( y) = å u( xi )
i =1 ¶X i
 Ley de propagación de incertidumbres (iv)

Consideraciones (ii)

2
N
é ¶f ù N -1 N
¶f ¶f
uc ( y) = å ê ú u ( xi ) + 2å å
2 2
u ( xi , x j )
i =1 ë ¶xi û i =1 j =i +1¶xi ¶x j

Trataremos sólo el caso de magnitudes

de entrada no correlacionadas
LEY DE PROPAGACION DE INCERTIDUMBRES
MAGNITUDES NO CORRELACIONADAS
u En el caso de magnitudes de entrada no correlacionadas, la
incertidumbre combinada uc(y) se calcula por la suma geométrica
de las contribuciones particulares:
N
u 2c ( y ) = å u i2 ( y )
i =1
2
N N
é df ù
u c ( y ) = å [ci × u ( xi )] = å ê
2
× u ( xi )ú
i =1 i =1 ë dX i û
Nota: La ley de propagación de incertidumbre se debe aplicar
exclusivamente para combinar incertidumbres estándar. De
ninguna manera debe ser utilizada para combinar intervalos de
confianza
 Ley de propagación de incertidumbres (v)

No correlacionada

2
N
é ¶f ù 2
u ( y ) = å ê ú u ( xi )
2
c
i =1 ë ¶xi û
Donde:
f≡ Función de transferencia o función modelo; Y= f (X1,X2,…, XN )
u(xi ) ≡ Incertidumbre estándar evaluada (tipo A o tipo B)
uc(y) ≡ Incertidumbre estándar combinada

La incertidumbre estándar combinada es una desviación estándar estimada y

caracteriza la dispersión de los valores que podrían ser razonablemente
atribuidos al mensurando Y.

Introducción a la Metrología
ESTIMACION A PARTIR DE LA
INCERTIDUMBRE RELATIVA
u Si el modelo matemático se compone de
productos de las magnitudes de entrada Xi , el
cálculo (numérico) de la incertidumbre
combinada se facilita utilizando incertidumbres
relativas N
f ( X i ,.... X N ) = K × Õ ( X i ) pi

i =1

u K es una constante y los exponentes pi son

constantes reales (positivas o negativas).
MODELO PARA LA ESTIMACION DE
LA INCERTIDUMBRE RELATIVA

2
uc ( y ) N
é u ( xi ) ù
y
= å ê( pi
i =1 ë xi û
ú
MÓDULO 2 B

8. Coeficientes de sensibilidad.
9. Presupuesto de incertidumbre.
 Ley de propagación de incertidumbres (vi)

2
é ¶f ù 2
N
u ( y ) = å ê ú u ( xi )
2
c
i =1 ë ¶xi û

Estas derivadas, denominadas coeficientes de sensibilidad (ci ), describen

¶f por una parte cómo varía la estimación de salida y, en función de las
variaciones en los valores de las estimaciones de entrada x1 , x2 , ..., xN y por
¶x i
otro lado conducen a que todas la componentes guarden la coherencia en las
unidades.

En general, la variación de y producida por una pequeña variación Δxi en la

estimación de entrada xi viene dada por: ¶f
( Δy ) i = ( Δxi )
¶xi
Si esta variación es debida a la incertidumbre estándar de la estimación xi, la
variación correspondiente de y es: ¶f
( Δy)i = u ( xi )
¶xi
 Ley de propagación de incertidumbres (vii)

2
N
é ¶f ù 2 N
¶f
u ( y) = å ê ú u ( xi ) = å ci2u 2 ( xi )
2
( Δy)i = u ( xi ) = ci u ( xi )
c
i =1 ë ¶xi û i =1 ¶xi

Por tanto, la varianza combinada uc2(y) puede considerarse entonces como

una suma de términos, cada uno de ellos representando la varianza estimada
asociada a y, debido a la varianza estimada asociada a cada estimación de
entrada xi.
N N
u ( y ) = å (ci u ( xi ) ) = å u ( y )
2 2 2
c i
i =1 i =1

Donde: ui ( y) = ci u( xi )
Concepto de incertidumbre típica combinada (viii)

Y = f ( X 1 , X 2 ,...X N ) Þ y = f (x1 , x2 ,...xN )

uc ( y) = f [u( x1 ), u( x2 ),...u( xN )]
Coeficiente de
sensibilidad
N N
uc ( y ) = å ui ( y ) = å ci u ( xi )
Incertidumbre i =1 i =1 Incertidumbre
típica combinada típica
 Concepto de incertidumbre típica combinada (ix)

Ejemplo (Supuesta no correlación)

Cálculo de la incertidumbre estándar combinada en

la medida indirecta del área de una placa
rectangular

Y = f ( X1 , X 2 ) y = A = f (x1 , x2 ) = b x h A h

xi = X i
b

uc2 ( y) = å [ci u( xi )] 2 uc2 ( A) = cb2u 2 (b) + ch2u 2 (h)

2
2
æ ¶A ö æ ¶A ö
cb2 = ç ÷ = h 2 ch2 = ç ÷ = b 2
è ¶b ø è ¶h ø

u ( A) = h u (b) + b u (h)
2
c
2 2 2 2
uc ( A) = h u (b) + b u (h)
2 2 2 2
 Ley de propagación de incertidumbres (x)

Consideraciones (ii)

Magnitudes de entrada no correlacionadas

Ej. Determinación de un volumen a una temperatura t habiendo realizado la
medida a temperatura t0: V = V0 [1+α (t-t0)]
o El coeficiente de dilatación es una magnitud conocida
o El volumen V0 se mide por pesada hidrostática.
o La temperatura se mide con un sensor de temperatura

Magnitudes de entrada correlacionadas

Ej. Determinación de la densidad de un cuerpo sólido: ρ = m/V

o La masa ha sido medida por comparación usando otras masas patrón
o El volumen ha sido determinado por pesada hidrostática usando las
mismas masas patrón
 Determinación de la incertidumbre expandida, U (i)

Aunque la incertidumbre estándar combinada, uc(y) puede ser utilizada

universalmente para expresar la incertidumbre de un resultado de medida, es
necesario dar una medida de la incertidumbre que defina, alrededor del
resultado de medida, un intervalo en el interior del cual pueda esperarse
encontrar gran parte de la distribución de valores que podrían ser
razonablemente atribuidos al mensurando.

La nueva medida de la incertidumbre, que satisface la exigencia de aportar tal

intervalo se denomina incertidumbre expandida, y se representa por U.

La incertidumbre expandida U se obtiene multiplicando la incertidumbre

estándar combinada uc(y) por un factor de cobertura k.

U = k uc(y)
Determinación de la incertidumbre expandida, U (ii)

Resultado de la medida: Y=y±U

Lo que significa que:

• La mejor estimación del valor atribuible al mensurando Y es y

• Puede esperarse que en el intervalo que va de y-U a y+U esté
comprendida una fracción importante de la distribución de
valores que podrían ser razonablemente atribuidos a Y.

• Un intervalo tal se expresa por y - U ≤ Y ≤ y + U

• Siempre que sea posible, debe estimarse e indicarse el nivel de

confianza p asociado al intervalo definido por U.
Determinación de la incertidumbre expandida, U (iii)

Elección de un factor de cobertura

El valor del factor de cobertura k se elige en función del nivel de confianza

requerido para el intervalo y-U a y+U.

• En general, k toma un valor entre 2 y 3. No obstante, en aplicaciones

especiales, k puede tomarse fuera de dicho campo de valores.

• Idealmente, debería poderse escoger un valor específico del factor de

cobertura k que proporcionase un intervalo Y = y ± U = y ± k uc(y)
correspondiente a un nivel de confianza particular p, por ejemplo, un
95 o un 99 por ciento.

• En la práctica, puede suponerse que la elección de un factor k = 2

proporciona un intervalo con un nivel de confianza en torno al 95%,
y que la elección de k = 3 proporciona un intervalo con un nivel de
confianza en torno al 99%. (k = 1 corresponde a p = 68,27 %, k = 2
corresponde a p = 95,45% y k = 3 a p = 99,73 %.)
VALOR DEL FACTOR DE
COBERTURA
GRADOS EFECTIVOS DE
LIBERTAD
u De cierta manera el número ν de grados de
libertad asociado a una distribución de una
magnitud (Xi o Y) puede considerarse una
medida de incertidumbre de la incertidumbre
de esa magnitud. Entre mayor sea u la
estimación de la incertidumbre será más
confiable.

u El número efectivo de grados de libertad uef del

mensurando considera el número de grados de
libertad ui de cada fuente de incertidumbre.
GRADOS EFECTIVOS DE LIBERTAD
u La determinación del número de grados de libertad 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
número de grados de libertad para esa fuente específica.
u Si Δu(xi) es cero, es decir, el metrólogo está completamente seguro del valor
de u(xi) , el número de grados de libertad asociado a esa fuente es infinito. Si
el metrólogo considera que u(xi) tiene una incertidumbre del 50%, el número
de grados de libertad es de sólo 2, y si la considera del 20% el número de
grados de libertad asciende a 12.

-2
1 u ( xi ) 1 é Du ( xi ) ù
2
ni » × 2 2 » ×ê
[
2 s u ( xi ) 2 ë u ( xi ) û
ú
]
GRADOS EFECTIVOS DE LIBERTAD

GRADOS DE
DISTRIBUCION
LIBERTAD

NORMAL 200

RECTANGULAR 60

TRIANGULAR 60
GRADOS EFECTIVOS DE LIBERTAD
u El número efectivo de grados de libertad se
calcula según la ecuación de Welch-
Satterthwaite.

4
uc ( y )
n ef = n 4
ui ( y )
åi =1 ni
FACTOR DE COBERTURA

u Una componente dominante (pareto) con

distribución rectangular.

uR ( y)
£ 0,3 k = 1,65
uc ( y )
FACTOR DE COBERTURA

u Si hay dos componentes a = a + a b = a1 - a2

1 2
dominantes con
distribución rectangular b
b= p = probabilidad
con valores de semi- a
intervalo a1 y a2 , estas
convolucionan en una
distribución trapezoidal y
el factor de cobertura k
para un 95% se puede
hallar de la siguiente
manera:
MODELO MATEMATICO
p 1 p (1 + b )
<b k= *
2- p 1+ b 2 2
6

p 1
³b k= * (1 - (1 - p )(1 - b )
2

2- p 1+ b 2

6
MATRIZ DE PRESUPUESTO
Modulo 3 A

10. Presentación de resultados y

las CMC.
PRESENTACION DEL RESULTADO

𝑌 =𝑋+𝐸±𝑈

𝑌 =𝐸±𝑈
u Para U con un factor de cobertura de k = 2 al 95%.
u Para U con 220 grados efectivos de libertad para un
95%.
ALCANCE CMC - ONAC
Modulo 3 B

.
11. Ejercicios y actividades
prácticas
 VAMOS A PRACTICAR
Calibración de bloques patrón longitudinales, BPL

1. Definición del problema de medición

La longitud de un BPL, de valor nominal 50 mm, se determina por comparación

con otro bloque patrón conocido, de la misma longitud nominal y del mismo
material. En la comparación de los dos bloques se obtiene directamente la
diferencia d entre sus longitudes.

l lp

d = l - lp
Ejemplo Calibración de bloques patrón longitudinales, BPL

2. El modelo matemático

d = l - lp
l = l p + d + CDt + CDt p + Cres
Corrección por
dilatación térmica Corrección por resolución
del comparador

CDt = l a Dt = l a (20 - t ) = l a q CDt p = l p a p Dt p = l p a p (20 - t p ) = l p a p q p

Y = f ( X 1 , X 2 ,...X N )
l = f (l p , d , a , a p ,q ,q p , E )
 Ejemplo Calibración de bloques patrón longitudinales, BPL

3. Estimación del valor del mensurando, l

l = lp + d
y = f ( x1 , x2 ,...xN )
l Valor del mesurando a determinar.

lp Longitud del patrón a 20 °C, tal como figura en su certificado de calibración.

d Diferencia entre los bloques, estimada como la media aritmética de 10 medidas

independientes.

l p = 50,000623 mm
d = 215 nm
l = (50,000838 ± U ) mm
 Ejemplo Calibración de bloques patrón longitudinales, BPL

4. Contribución de varianzas (i)

l = l p + d + CDt + CDt p + Cres

Ley de propagación de la incertidumbre

N
u (l ) = å ci2u 2 ( xi )
2
c
i =1

uc2 (l ) = cl2p u 2 (l p ) + cd2 u 2 (d ) + cC2 Dt u 2 (CDt ) + cC2 Dt u 2 (CDt p ) + cC2 res u 2 (Cres )
p
 Ejemplo Calibración de bloques patrón longitudinales, BPL

4. Contribución de varianzas (ii)

l = l p + d + CDt + CDt p + Cres

uc2 (l ) = cl2p u 2 (l p ) + cd2 u 2 (d ) + cD2t u 2 (CDt ) + cD2t p u 2 (CDt p ) + cC2 res u 2 (Cres )

¶f ¶f ¶f ¶f ¶f
cl p = =1 cC = =1 = =1
cd = =1 ¶CDt
Dt cCDt p = c
= 1 Cres
¶Cres
¶l p ¶d ¶CDt p

u (l ) = u (l p ) + u (d ) + u (CDt ) + u (CDt p ) + u (Cres )

2
c
2 2 2 2 2
Ejemplo Calibración de bloques patrón longitudinales, BPL

5. Incertidumbre debida a la calibración del patrón, u(lp)

El certificado de calibración da como incertidumbre expandida del patrón

U = 0,040 μm, precisando que ha sido obtenida utilizando un factor de
cobertura k = 2. La incertidumbre estándar es entonces

0,040
u (l p ) = = 20 nm
2
Y la varianza será por tanto el cuadrado de la desviación estándar:

u 2 (l p ) = 4 ×10 2 nm 2
Ejemplo Calibración de bloques patrón longitudinales, BPL

6. Incertidumbre debida a la medida de d, u(d)

Se efectúan dos series de 10 medidas de la diferencia d entre el bloque

patrón y el bloque a calibrar, con una desviación estándar de 13 nm. Se
considera una distribución normal, por lo que la incertidumbre estándar
se obtiene de una evaluación de tipo A.

s(d ) 13 nm
u (d ) = s(d ) = = = 4,1 nm
n 10
Y la varianza será por tanto el cuadrado de la desviación estándar:

u 2 (d ) = 16,8 nm 2
 Ejemplo Calibración de bloques patrón longitudinales, BPL

7. Incertidumbre debida dilatación térmica del bloque patrón, u(CΔtp )

Se acepta un modelo de dilatación lineal, con lo que: CDt p = l p a p q p

u 2 (CDt p ) = (l p a p ) 2 u 2 (q p ) + (l p q p ) 2 u 2 (a p ) + (a pq p ) 2 u 2 (l p )
ap (Coef. De dilatación térmica) = 11,5 x 10-6 °C-1

qp (Desviación de la temperatura del bloque a la temperatura de referencia de 20 ºC

durante la medición: tp - 20). La temperatura media del bloque durante la medición fue
de 19,9 ºC±0,02 ºC, considerándose una distribución rectangular. Por tanto: θ = -0,1
ºC
u(a p ) = 0,05 ×10 -6 º C 0,02 º C
Decisión del evaluador
u (θ p ) =
3
u (CΔt p ) = 6,6 nm
 Ejemplo Calibración de bloques patrón longitudinales, BPL

8. Incertidumbre debida dilatación térmica del bloque, u(CΔt )

Se acepta un modelo de dilatación lineal, con lo que: CDt » l p a q

u 2 (CDt ) = (l p a ) 2 u 2 (q ) + (l p q ) 2 u 2 (a ) + (aq ) 2 u 2 (l p )
a (Coef. De dilatación térmica) = 11,5 x 10-6 °C-1

q (Desviación de la temperatura del bloque a la temperatura de referencia de 20 ºC

durante la medición: tp - 20). La temperatura media del bloque durante la medición fue
de 19,9 ºC±0,02 ºC, considerándose una distribución rectangular. Por tanto: θ=-0,1 ºC

u(a ) = 0,05 ×10 -6 º C 0,02 º C

Decisión del evaluador
u (θ ) =
3
u(CΔt ) » 6,6 nm
Ejemplo Calibración de bloques patrón longitudinales, BPL

9. Incertidumbre debida a la resolución de la máquina u(res)

Se sabe que la resolución del equipo de medida es E = 0,01 µm. Por lo tanto,
considerando distribución rectangular:

0,01 / 2 µm 0,01 µm
u (res) = = = 2,9 nm
3 12

Y la varianza será por tanto el cuadrado de la desviación estándar:

u 2 (res) = 8,3 × nm 2
 Ejemplo Calibración de bloques patrón longitudinales, BPL

10. Incertidumbre típica combinada uc(l)

u (l ) = u (l p ) + u (d ) + u (CDt ) + u (CDt p ) + u (Cres )

2
c
2 2 2 2 2

uc2 (l ) = 4·102 nm 2 + 16,8 nm 2 + 44,1 nm 2 + 44,1 nm 2 + 8,3 nm 2

uc (l ) = 4·102 + 16,8 + 88,4 + 8,3 nm

uc (l ) = 22,6 nm
 Ejemplo Calibración de bloques patrón longitudinales, BPL

11. Incertidumbre expandida, U

La incertidumbre expandida U se obtiene multiplicando la incertidumbre

estándar combinada uc(l) por un factor de cobertura k.
Para el ejemplo, consideraremos un factor de cobertura k=2,equivalente a un
nivel de confianza del 95%.

U = 2 × uc (l ) = 45,2 nm
Ejemplo Calibración de bloques patrón longitudinales, BPL

12. Resultado final

U = 2 × uc (l ) = 45,2 nm

l = (50,000838 ± 0,000045) mm
DIAGRAMA DE BARRAS
 2
N
é ¶f ù N -1 N
¶f ¶f
uc ( y) = å ê ú u ( xi ) + 2å å
2 2
u ( xi , x j )
i =1 ë ¶xi û i =1 j =i +1¶xi ¶x j

s ( xi , x j ) 1 n
r=
s ( xi ) × s ( x j )
s ( xi , x j ) = å
n(n - 1) k =1
( xik - xi ) × ( x jk - x j )
BIBLIOGRAFIA

u BIPM, IEC, IFCC, ISO, IUPAC, IUPAP, OIML.

Evaluation of measurement data – Guide to the
expression of uncertainty in easurement:2009
(GUM)
u Vocabulario Internacional de Metrología .
Conceptos fundamentales y generales, y términos
asociados (VIM):2008
u GUÍA PARA ESTIMAR LA INCERTIDUMBRE DE LA
MEDICIÓN:CENAM-2004
u ILAC-68. Guidelines on Assessment and Reporting
of Compliance with Especification. 1996
u EA-4/02 Expresion of the Uncertainty of
Measurement in Calibration. 1999
MUCHAS GRACIAS