Guía para estimar la

incertidumbre de la
medición
2
 3

Incertidumbre de medida, incertidumbre

Paráme()* n- .e/0t23o 567 ca90:t79i<0 l> ?i@pB9@2ón ?e D*s 3>DorBF >GriH62Ios
a 6n J7Ksu90Kd-, a p09G2r ?e D0 2nOo)m0P2ón QuB @7 utRS2<a.
Resultado sin
corregir

Cor9B:c2ón

InPe)tR?]^b9e
Resultado
corregido
Valor
verdadero
Er9o) dB J7IicRón
 1. 4
Propósitos
de la guía
10. 2.
Expresión Mensurando

9.
3. Modelo
Incertidumbre
Físico
expandida

GUM
8. 4. Modelo
Combinación matemático

7. 5.
Determinación Identificación
de las de las fuentes
incertidumbres de
estándar incertidumbre
6.
Cuantificación
 5

Propósitos
 6

Propósitos de
la guía
Es#a &'ía:
Establece, de forma general, lineamientos para estimar incertidumbres de medición de
acuerdo a la GUM, la cual es considerada como la referencia maestra.

Subraya aspectos críticos en la estimación de las incertidumbres de medición.

Aclara algunos puntos que pueden dar lugar a confusiones

Establece un esquema para estimar incertidumbres de la medición.

 7

El mensurando
 8

Mensurando
El propósito de una medición es determinar el valor de una
magnitud, llamada el mensurando, que de acuerdo al VIM, es
el atributo sujeto a medición de un fenómeno, cuerpo o sustancia
que puede ser distinguido cualitativamente y determinado
cuantitativamente.

La imperfección natural de la realización de las mediciones, hace

imposible conocer con certeza absoluta el valor verdadero de una
magnitud: Toda medición lleva implícita una incertidumbre.

! ±#
 9

Principio de medida (VIM)

Fenómeno que sirve como base de una medición

Ejemplo 1: El efecto termoeléctrico aplicado a la medición de

temperatura.
Ejemplo 2: La absorción de energía aplicada a la medición de la
concentración de cantidad de sustancia.
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.
 10

Método de medida (VIM)

Descripción genérica de la secuencia lógica de operaciones
utilizadas en una medición

Los métodos de medida pueden clasificarse de varias maneras

como:
• método de sustitución.
• método diferencial.
• método de cero.
• método directo.
• método indirecto.
 11

Procedimiento de medida (VIM)

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.
 12

Modelo Físico y
Matemático
 13

Modelo Físico y Matemático

Según la Guía para la Estimación de la Incertidumbre en la
Medición (GUM), un "modelo físico" se refiere a la descripción
matemática y funcional de cómo las magnitudes de entrada
influyen en la magnitud de salida de un sistema de medición. En
otras palabras, es una representación matemática que relaciona las
variables medidas con las variables que se están midiendo.
 Xi
14

Modelo Matemático
expresión en la cual el índice i toma valores entre 1 y el núm
N.
La relación entreentre
La relación las magnitudes de entrada
las magnitudes y el mensurando
de entrada Y
y el mensurando
comoselarepresenta
magnitud de salida
como se función
una representa como una función:

Y = f( Xi ) = f(X1, X2, ... , XN)

representada por una tabla de valores correspondientes, una gr
Ejemplos:
caso y para los fines de este documento se hará referencia a un
#%$& $%$& #%$& $%$&+!"
Por!!"#$
ejemplo,
= la viscosidad !es
$)*proporcional
=
%'( %$)*
al
tiempo de flujo
%'(
como relación funcional, en contraste al desconocimiento de
temperatura.
# $ #%$& $%$& %',
%$& %$&
!!"#$ = !$)* =
%'( %$)*
Aunque para el%'(propósito de este trabajo se considerará Y com
 15

Modelo Matemático
La función Y puede ser representada por una tabla de valores
correspondientes, una gráfica o una ecuación, en cuyo caso y para
los fines de este documento se hará referencia a una relación
funcional.
La GUM considera a Y como un escalar, pero puede aplicarse el
mismo formalismo para elementos matemáticos más complejos
como vectores o matrices.
 16

Identificación de
las fuentes de
incertidumbre
 17

Identificación de las fuentes de incertidumbre

• Resultados de la calibración del instrumento.
• Incertidumbre del patrón o del material de referencia.
• Repetibilidad de las lecturas.
• Reproducibilidad de las mediciones por cambio de
observadores, instrumentos u otros elementos.
• Características del propio instrumento, como resolución,
histéresis, deriva, etc.
• Variaciones de las condiciones ambientales.
• La definición del propio mensurando.
• El modelo particular de la medición.
• Variaciones en las magnitudes de influencia.
 18

Cuantificación
Evaluación tipo A de la incertidumbre de medida, 19

Evaluación tipo A (VIM)

Evaluación de una componente de la incertidumbre de medida
mediante un análisis estadístico de los valores medidos
obtenidos bajo condiciones de medida definidas.
 20

Evaluación tipo A
La incertidumbre de una magnitud de entrada Xi obtenida a partir
de observaciones repetidas bajo condiciones de repetibilidad,*
se estima con base en la dispersión de los resultados individuales.

*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.
 6.1. Evaluación tipo A

La incertidumbre de una magnitud de entrada Xi 21ob

Evaluación repetidas
tipo A bajo condiciones de repetibilidad, se estima
resultados individuales.
Si Xi se determina por n mediciones independientes, resultando
en valores qSi1 , Xqi se
2 , determina
... , qn , el por estimado
mejor n mediciones
x i
independientes,
para el valor de Xi
resu
el mejor estimado x
es la media de los resultados individuales:
i para el valor de X i es la media de los
1 n
xi q qj
n j1
Ejemplo:
n qj La dispersión de los resultados de la medición q1 , q2 , ...
1 2.4
se expresa por 1su desviación
0
1 estándar experimental:
!- = $' = + , $. = 2.4 + 2.2 + 2.5 = 2.36666667
3 n3
2 2.2 1
./(
s(q) (q j q)2
3 2.5 n 1 j 1
 6.1. Evaluación tipo A

La incertidumbre de una magnitud de entrada Xi 22ob

Evaluación repetidas
tipo A bajo condiciones de repetibilidad, se estima
resultados individuales.
Si Xi se determina por n mediciones independientes, resultando
en valores qSi1 , Xqi se
2 , determina
... , qn , el por estimado
mejor n mediciones
x i
independientes,
para el valor de Xi
resu
el mejor estimado x
es la media de los resultados individuales:
i para el valor de X i es la media de los
1 n
xi q qj
n j1
Ejemplo:
n qj La dispersión de los resultados de la medición q1 , q2 , ...
1 2.4
se expresa por 1su desviación
0
1 estándar experimental:
!- = $' = + , $. = 2.4 + 2.2 + 2.5 = 2.36666667
3 n3
2 2.2 1
./(
s(q) (q j q)2
3 2.5 n 1 j 1
 Si Xi se determina por n mediciones independientes, resultando en
el mejor estimado xi para el valor de Xi es la media de los resultados
23

Evaluación tipo xA i q
1 n
qj
n j 1

La dispersión de los resultados de la medición q1 , q2q, ...

La dispersión de los resultados de la medición
, qn para
1 , q2 , ... , qn para la
la magnitud de entrada
se expresa Xidesviación
por su se expresaestándar
por su experimental:
desviación estándar
experimental:
n
1
s(q) (q j q)2
n 1 j 1

Ejemplo: La"! =incertidumbre

2.36666667
estándar u(xi) de Xi se obtiene finalmente me
$
n qj desviación estándar
1 experimental
% de la media:
) " = , - "! − "!
3−1
1 2.4 !"#
s(q)
u ( xi ) s(q )
2 2.2 ) " =
1 n %+
2.4 − 2.36666667 2.2 − 2.36666667 % + 2.5 − 2.36666667 %
2
3 2.5Así que resulta para la incertidumbre estándar de Xi:
) " = 0.1527525232
 Si Xi se determina por n mediciones independientes, resultando en
el mejor estimado xi para el valor de Xi es la media de los resultados
24

Evaluación tipo xA i q
1 n
qj
n j 1

La dispersión de los resultados de la medición q1 , q2q, ...

La dispersión de los resultados de la medición
, qn para
1 , q2 , ... , qn para la
la magnitud de entrada
se expresa Xidesviación
por su se expresaestándar
por su experimental:
desviación estándar
experimental:
n
1
s(q) (q j q)2
n 1 j 1

Ejemplo: La"! =incertidumbre

2.36666667
estándar u(xi) de Xi se obtiene finalmente me
$
n qj desviación estándar
1 experimental
% de la media:
) " = , - "! − "!
3−1
1 2.4 !"#
s(q)
u ( xi ) s(q )
2 2.2 ) " =
1 n %+
2.4 − 2.36666667 2.2 − 2.36666667 % + 2.5 − 2.36666667 %
2
3 2.5Así que resulta para la incertidumbre estándar de Xi:
) " = 0.1527525232
 La dispersión de los resultados de la medición q1 , q2 , ... , qn para la m
se expresa por su desviación estándar experimental: 25

Evaluación tipo A 1 n
s(q) (q j q)2
n 1 j 1
La incertidumbre estándar u(xi) de Xi se obtiene finalmente
La incertidumbre estándar u(xi) de Xi se obtiene finalmente med
mediante el cálculo de la desviación estándar experimental de la
desviación estándar experimental de la media:
media:
s(q)
u ( xi ) s(q )
n
Así que resulta para la incertidumbre estándar de Xi:
Ejemplo: ) " = 0.1527525232

n qj 0.1527525232
1 n
1= 0.08819171037
2 3& = ) "! = 2
u ( xi ) 3 ( q k q )
1 2.4 n n 1 k 1

2 2.2 !! = 2.36666667 ( !! = 0.08819171037

3 2.5 Para una medición que 2.4 se realiza por un método bien caracterizad
± 0.1
controladas, es razonable suponer que la distribución (dispersión) de
 La dispersión de los resultados de la medición q1 , q2 , ... , qn para la m
se expresa por su desviación estándar experimental: 26

Evaluación tipo A 1 n
s(q) (q j q)2
n 1 j 1
La incertidumbre estándar u(xi) de Xi se obtiene finalmente
La incertidumbre estándar u(xi) de Xi se obtiene finalmente med
mediante el cálculo de la desviación estándar experimental de la
desviación estándar experimental de la media:
media:
s(q)
u ( xi ) s(q )
n
Así que resulta para la incertidumbre estándar de Xi:
Ejemplo: ) " = 0.1527525232

n qj 0.1527525232
1 n
1= 0.08819171037
2 3& = ) "! = 2
u ( xi ) 3 ( q k q )
1 2.4 n n 1 k 1

2 2.2 !! = 2.36666667 ( !! = 0.08819171037

3 2.5 Para una medición que 2.4 se realiza por un método bien caracterizad
± 0.1
controladas, es razonable suponer que la distribución (dispersión) de
 estimar
s(q)
u ( xi ) s (qla) incertidumbre combinada.
n 27

Evaluación tipo A
6.1. para
Así que resulta Evaluación tipo A
la incertidumbre estándar de Xi:
Combinando las ecuaciones anteriores podemos llegar a:
La incertidumbre de una magnitud de entrada Xi o
repetidas bajo condiciones n de repetibilidad, se estim
1 1
u resultados
(x ) i
individuales. (q q ) 2k
n n por1 n kmediciones
Si Xi se determina 1 independientes, re
el mejor estimado xi para el valor de Xi es la media de l
En donde:
1 n
Para una medición xi que
q se realiza
qj por un método bi
n j1
controladas, es razonable suponer que la distribución (
se mantieneLa dispersión de los resultados de la medición q1 , q2 ,
prácticamente igual para mediciones reali
se expresa por su desviación estándar experimental:
 28

Evaluación tipo A
• Para mediciones bajo control estadístico (método
caracterizado, condiciones controladas), la dispersion de los
datos debe ser pequeña.
• No se puede dar una recomendación general para el número
ideal de las repeticiones n, ya que éste depende de las
condiciones y exigencias (meta para la incertidumbre) de cada
medición específica.
• En pocos casos se recomienda o se requiere que n sea mayor a
10. Por ejemplo cuando se caracterizan instrumentos o
patrones, o se hacen mediciones o calibraciones de alta
exactitud.
 29

Ejercicio 1:
Calcular la incertidumbre tipo A con los siguientes datos:

n qj
1 0.58
2 0.59
3 0.56
4 0.55
5 0.58
Evaluación tipo B de la incertidumbre de medida, 30

Evaluación tipo B (VIM)

Evaluación de una componente de la incertidumbre de medida de
manera distinta a una evaluación tipo A de la incertidumbre de medida.

Este tipo de incertidumbre pueden ser:

• Asociadas a valores publicados y reconocidos.
• Asociadas al valor de un material de referencia certificado.
Obtenidas a partir de un certificado de calibración.
• Relativas a la deriva.
• Obtenidas a partir de la clase de exactitud de un instrumento de
medida verificado.
• Obtenidas a partir de los límites procedentes de la experiencia
personal.
 31

Evaluación tipo B
En una evaluación tipo B de la incertidumbre de una magnitud de
entrada se usa información externa u obtenida por
experiencia.
 32

Distribuciones de probabilidad
La cuantificación de una fuente de incertidumbre incluye la
asignación de un valor y la determinación de la distribución a la
cual se refiere este valor. Las distribuciones que aparecen más
frecuentemente son:

• Distribución normal.
• Distribución rectangular.
• Distribución triangular.
• Otras distribuciones.
 33

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
aproxima a una normal independientemente de la distribución de
las lecturas individuales . También la incertidumbre indicada en
certificados de calibración se refiere generalmente a una
distribución normal.
 34

Distribución Rectangular
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. Ejemplos típicos son
la resolución de un instrumento digital o la información técnica
sobre tolerancias de un instrumento. 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.
 35

Distribución Triangular
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.
 36

Determinación de
incertidumbres
estándar
 37

Incertidumbres estándar
Con el fin de combinar contribuciones de la incertidumbre que
tienen distribuciones diferentes, es necesario representar los
valores de las incertidumbres originales como incertidumbres
estándar. Para ello se determina la desviación estándar de la
distribución asignada a cada fuente.
 n 1 j 1

Con elestándar
La incertidumbre fin de u(x
combinar
i) de Xi contribuciones de la mediante
se obtiene finalmente incertid
38

Distribución Normal diferentes,

desviación estándar es necesario
experimental representar los valores de las
de la media:
incertidumbres
s (q) estándar. Para ello se determina la desvi
u ( xiasignada
) s (q ) a cada fuente.
La desviación estándar experimental n de la media calculada a partir de los
resultados
Así de
queuna
resultamedición repetida según
para la incertidumbre la siguiente
estándar de Xi: ecuación ya
representa la incertidumbre estándar.
a) Distribución normal:
n
La 1
desviación 1estándar experimental de la media calculad
u ( xi ) (qk q ) 2
mediciónn repetida
n 1 ksegún
1 la ec. (6.4) ya representa la incer
Cuando se disponeCuando se dispone
de valores de una de valores de expandida
incertidumbre una incertidumbre
U y la ex
Para una
distribución mensurando
del medición
mensurandoque se esesrealiza
o ose se
supone
por unnormal,
supone método como los presentad
bien como
normal, caracterizado
los y
controladas,
presentados calibración,
es razonable
por ejemplo se divideque
suponer
en certificados deUcalibración,
entre
la el factor
distribución de cobertura
(dispersión)
se divide U entre k, q
de los
el factorsede
mantienepartir de un nivelyadesea
prácticamente
cobertura k, obtenidoigual
confianza
para dadorealizadas
mediciones
directamente (ver Sec.10.1):
o a partirendediferentes
un
nivel demetrólogos, etc. (esto es, la
confianza dado: U medición está bajo control estadístico).
u ( xi )
componente de la incertidumbre puede ser más confiablemente estimada
estándar sp obtenida de unk solo experimento anterior, que con la de
 39

Distribución Normal
Ejemplo:
Un informe de calibración establece que el valor de una balanza
cuando mide 50 g o menos, está comprendido dentro de ± 0.1 mg,
con un nivel de confianza del 95 %. ¿Cuál sería su incertidumbre
estándar al medir 50 g?

95 %

49.9999 50.0001
 40

Mitad de la distribución
∴
Mitad de la probabilidad

Buscar el Z que arroje un valor de

95 %/2 = 0.95/2 = 0.4750
El valor de Z equivale al valor de k.
 41

Distribución Normal
Ejemplo:
Un informe de calibración establece que el valor de una balanza
cuando mide 50 g o menos, está comprendido dentro de ± 0.1 mg,
con un nivel de confianza del 95 %. ¿Cuál sería su incertidumbre
estándar al medir 50 g?
Para un nivel de confianza del 95 % se
tiene una Z = 1.96 por lo tanto k = 1.96 y la
95 %
incertidumbre estándar se calcula como:
1 0.1 45
50.0001 0 !- = = = 0.051 45
49.9999 2 1.96
 42

Distribución Normal
Ejemplo:
Un informe de calibración establece que el valor de una balanza
cuando mide 50 g o menos, está comprendido dentro de ± 0.1 mg,
con un nivel de confianza del 95 %. ¿Cuál sería su incertidumbre
estándar al medir 50 g?
Para un nivel de confianza del 95 % se
tiene una Z = 1.96 por lo tanto k = 1.96 y la
95 %
incertidumbre estándar se calcula como:
1 0.1 45
50.0001 0 !- = = = 0.051 45
49.9999 2 1.96
 43

Distribución Normal
Algunos factores de cobertura y niveles de confianza son:

Nivel de
k
confianza
1 68.27 %
2 95.45 %
3 99.73 %
 b) Distribución rectangular:
U
u ( xi ) U
b) Distribución rectangular:
Si laumagnitud
k ( xi ) de entrada Xi tiene una distribución 44 re
k a , elSimejor
Distribución Rectangular
límite inferior - la magnitud
a-
de entrada
estimado para el tiene una
Xi valor
límite
a+
de
inferior a- , el mejor estimado pa
a a
b) Distribución rectangular:
b) Distribuciónx a a
Si la magnitud de entrada Xi itienerectangular:
una2 distribuciónxi rectangular con
Si la magnitud de entrada X i tiene una distribución 2
rectangular conpara
el límite
Si la magnitud
el límite superior a+ yy laelincertidumbrede entrada
límite inferiorestándarX tiene
a- , el mejor
i una distribución
estimado rectangula
límite inferior a- , el mejor estimado se calcula por (ver Anexo
límite inferior a- , elparayellaestimado
mejor valor de
incertidumbre Xi está
para el dado
estándar
valor por:
seXcalcula
de i está d
el valor de Xi está dado por:
a a axi ) a
a a a a
xi xi u ( u ( x )
2 2 12 i
12
yylalaincertidumbre lao incertidumbre
incertidumbre yestándarpor sesecalcula
estándar poro (ver
porse Anexo
estándar
calcula por calcula A por):(ver Anexo A ):
a a a a a2 a2
u ( xi ) u ( xu
i )( xi )
u ( xi )
12 o por
123 3
o por o por donde a/2 es el semiancho del interval
donde a/2 es el semiancho del intervalo a con
donde a/2 es el semiancho del intervalo
a 2
a cona a a
a2 u ( xia) a a
u ( xi )
3 3 Una aplicación típica es la resolución
 45

Distribución Rectangular
Una aplicación típica es la resolución de un instrumento
digital. También la incertidumbre relacionada con el número
finito de cifras significativas de datos tomados de la literatura
puede ser tratada con esta distribución (siempre y cuando no haya
indicios que la incertidumbre en realidad es mayor que la
incertidumbre relacionada con la última cifra significativa). Si se
aplica a la resolución o a datos tomados de la literatura, a
corresponde al último dígito significativo o a la última cifra
significativa respectivamente (por ejemplo en masas atómicas).
 46

Distribución Rectangular
Ejemplo:
Calcule la incertidumbre estándar de un material primario de
pureza 0.999 ± 0.001.

Como no se indica algún nivel de confianza y no hay más

información acerca de la distribución, asumimos que sigue una
distribución rectangular, por lo tanto:
1.000 − 0.998 0.001
2 3& = = = 0.00058
a- a+ 12 3
0.998 0.999 1.000
 47

Distribución Rectangular
Ejemplo:
Calcule la incertidumbre estándar de un material primario de
pureza 0.999 ± 0.001.

Como no se indica algún nivel de confianza y no hay más

información acerca de la distribución, asumimos que sigue una
distribución rectangular, por lo tanto:
1.000 − 0.998 0.001
2 3& = = = 0.00058
a- a+ 12 3
0.998 0.999 1.000
 48

Ejercicio 2:
La masa atómica del oxígeno es [15.999 4 ± 0.000 3] g mol-1. La
incertidumbre proviene de un error sistemático debido a la
variación isotópica en las muestras de oxígeno de diferentes
fuentes. Por lo que debería encontrarse entre 15.999 7 ó 15.999 1,
o cualquier valor entre ellos, con sólo una pequeña variación
aleatoria cerca del valor medio. Calcule el mejor estimado y la
incertidumbre estándar de la masa atómica del oxígeno.
 Si la magnitudUde entrada Xi tiene una distribución recta
u ( xi )
límite inferior ak- , el mejor estimado para el valor de49Xi e
Distribución Triangular a a
c) Distribución xi triangular:
b)en Distribución 2
rectangular:
Como en una Como distribución rectangular,
una distribución para una
rectangular, magnitud
para una magnituddede en
entrada Xi que ySilala
distribución
tiene incertidumbre
una triangular
magnitud decon
distribución estándar
los
entrada límitesse acalcula
Xi tiene
triangular +una
con - , por
los (ver Anexo
y adistribución
ellímites
mejor A
aestimado
rectangula
+y
dado por:
límitepara
inferior a- , aelde
mejor estimado
a , el mejor estimado
- el valor a está
Xi dadopara por:el valor de Xi está d
au ( xai a) a 12
xi xi
2 2
o por
La incertidumbre seestándar
y la incertidumbre
La incertidumbre estándar seen
calcula
estándar
calcula en este
se caso
este calcula caso(ver
por
por: por:Anexo A ):
a2
u a( xi ) a a a 2a
u ( xi ) u ( xi ) 3126
24
Con a definido
concomo:
a donde
o por a/2
definido poreslaelec.semiancho
(7.5). del intervalo a con
a a a a2
u ( xi )
3
 50

Distribución Triangular
Ejemplo:
Una pipeta volumétrica Clase A de 25 mL se encuentra certificada
por la empresa para entregar [25.00 ± 0.03] mL. Se aproxima el
volumen de un gran número de pipetas a una distribución
triangular. Existe una probabilidad despreciable de que se
entregue un volumen fuera de [25.00 ± 0.03] mL.

81 − 82 25.03 4: − 24.97 4:
u !- = = = 0.012 4:
24 24
 51

Distribución Triangular
Ejemplo:
Una pipeta volumétrica Clase A de 25 mL se encuentra certificada
por la empresa para entregar [25.00 ± 0.03] mL. Se aproxima el
volumen de un gran número de pipetas a una distribución
triangular. Existe una probabilidad despreciable de que se
entregue un volumen fuera de [25.00 ± 0.03] mL.

81 − 82 25.03 4: − 24.97 4:
u !- = = = 0.012 4:
24 24
 52

Combinación
 con a definido por la ec. (7.5).
53

Combinación
El resultado de la combinación de las contribuciones de todas las
8. Combinación
fuentes es la incertidumbre estándar combinada uc(y).
La contribución ui(y) de cada fuente a la incertidumbre combinada
depende de laElincertidumbre
resultado de la combinación de las contribuciones de
estándar u(xi) de la propia fuente y
incertidumbre estándar combinada uc(y).
del impacto de la fuente sobre el mensurando. Es posible
encontrar queLaunacontribución ui(y) de de
pequeña variación cada fuente
alguna de alaslamagnitudes
incertidumbre c
incertidumbre estándar u(xi) de la propia fuente y del impa
de influencia mensurando.
tenga un impacto importante
Es posible en el
encontrar que unamensurando, y d
pequeña variación
viceversa. de influencia tenga un impacto importante en el mensurando, y v
Se determina Se ui(y) por el producto de u(x ) y su coeficiente de
determina ui(y) por el productoi de u(xi) y su coeficiente de
sensibilidad cisensibilidad):
(o factor de sensibilidad):
ui ( y ) ci u ( xi )
 54

Coeficiente de sensibilidad
Determinación a partir de una relación funcional
Si el modelo matemático para el mensurando Y = f(X1 , X2 , ... ,
XN) describe la influencia de la magnitud de entrada Xi
suficientemente bien mediante una relación funcional, el
coeficiente de sensibilidad ci se calcula por la derivada parcial de f
con respecto a Xi :
f ( X 1 , ... , X N )
ci
Xi X1 x1 ... X N xN

b) Otros métodos de determinación:

 55

Coeficiente de sensibilidad
c i
f ( X 1 , ... , X N )
Xi X 1 x1 ... X N xN

Otros métodos de determinación

Si la influencia de lab)magnitud
Otros métodosde de
entrada Xi en el mensurando Y
determinación:
no está representadaSi por una relación funcional, se determina el
la influencia de la magnitud de entrada Xi en el mensurando
coeficiente de sensibilidad ci por
una relación una se
funcional, estimación
determina eldel impacto
coeficiente de
de sensibilid
impacto
una variación de Xi en de una variación de Xi en Y según:
Y según:
Y
ci
Xi
Esto es, manteniendoEsto es,constantes las demás
manteniendo constantes magnitudes
las demás magnitudesde
de entr
entrada, se determina
de elY cambio
producidodepor
Y producido
un cambio enporXi un
por cambio en o
una medición
disponible (como una gráfica o una tabla).
Xi por una medición o a partir de la información disponible
(como una gráfica o una tabla).
Propagación de la incertidumbre para magnitudes no
de Y producido por un cambio en Xi por una medición o a partir de la informac
disponible (como una gráfica o una tabla).
56
8. Combinación
correlacionadas 8.2. Propagación
8.2.ElPropagación
resultado de la
dede lala incertidumbre
combinación incertidumbre
depara
lasmagnitudes
contribuciones depara nomagnitude
todas
de entrada las fuentes e
correlacionad
incertidumbre estándar combinada uc(y).
En el caso En el de
caso de
En magnitudes
el
La contribucióncaso de
ui(y) de
cada entrada
magnitudes de entrada
fuente adela no
magnitudes
de correlacionadas,
no correlacionadas,
entrada no
incertidumbre la ucd
la incertidumbre combinada
correlacionadas,
combinada depende
se calcula por la suma geométrica de las contribuciones particulares:
incertidumbreincertidumbre
combinada
se calculaN
upor
c(y) la
estándar se isuma
u(x )calcula por la
de la propia suma
fuente
geométrica y del
de geométrica
impacto de de
las las sob
la fuente
contribuciones p
mensurando. Es posible encontrar que una pequeña variación de alguna de las magni
contribucionesde particulares:
2
uc ( y )
influencia tenga
2
ui ( y )
un impactoNimportante en el mensurando, y viceversa.
(8.4)
i 1
2 2
Se determina uu c (por
i(y) y )el productoui de( yu(x) i) y su coeficiente de sensibilidad ci (o fact
sensibilidad): i 1
Considerando (8.1) y (8.2) resulta finalmente:
Considerando que ui ( y ) ci u ( xi ) y ci f ( X 1 , ... , X N ) Xi
se tiene que: (8.1)
X 1 x1 ... X N xN

Considerando (8.1) 2 y (8.2) resulta finalmente:

2
N N
f
u ( y)
8.1. Coeficiente
c c u( x )
b) Otros métodos
de sensibilidad
i i u( x )
de determinación: i (8.5)
i 1 Xi 1
i
Si la influencia de la magnitud de entrada Xi en el mensurando Y no está
una relación funcional, se determina el coeficiente de sensibilidad ci por u
El coeficientede
La ley de propagación de incertidumbre
sensibilidad describevariación
impacto de unase
qué tande sensible
debe Xaplicar
esexclusivamente
el mensurando con respe
i en Y según:
variaciones de la magnitud de entrada correspondiente (ver Anexo B). Par 2
para combinar incertidumbres
La determinación
regla presentada estándar.
en ec.varios
(8.5) métodos:
es cllamada
N Y ley de propagación deN incertidumbre. Note q
2se dispone de la frelación funcio
existen i
la última expresión enuesta( yecuación
) seXaplica
i
c u cuando
( x ) u ( xi )
entre Y y Xi . La ley de cpropagación de i
incertidumbre i se debe aplicar
Esto es, manteniendo constantes las demás magnitudes Xde entrada, se dete
exclusivamente p
i 1 i 1 i
Magnitudes de entrada relacionadas con más de una fuente 57

de incertidumbre
En la mayoría de los casos una magnitud de entrada Xi es afectada
por varias fuentes de incertidumbre, que pueden ser por ejemplo
la resolución del instrumento, la dispersión de datos obtenidas por
mediciones repetidas y la incertidumbre de la calibración del
instrumento. En este caso hay dos maneras equivalentes de
calcular la incertidumbre combinada.
Magnitudes de entrada relacionadas con más de una fuente 58

de incertidumbre
a) Como primera alternativa, se calcula la incertidumbre total
(combinada) relacionada con cada magnitud de entrada Xi por la
suma geométrica de las incertidumbres individuales:

donde uj(xi) es la incertidumbre estándar de la fuente de

incertidumbre número j de las Mi fuentes relacionadas con la
magnitud de entrada Xi . Después se introducen los valores de
u(xi) en la Ley de propagación de la incertidumbre.
 a) Como primera alternativa, se calcula la incertidumbre total (combinad
Magnitudes de entrada relacionadas con más de una fuente
con cada magnitud de entrada Xi por la suma geométrica de las i
individuales: 59

de incertidumbreu( x ) u (x )
Mi
2
(8.6
i j i
j 1

b) Si uno está interesado

donde uj(xi) esenla ver el efectoestándar
incertidumbre particular que tiene
de la fuente cada
de incertidumbre n
una de las fuentes en la relacionadas
Mi fuentes incertidumbre con lacombinada
magnitud de uentrada
c(y), cada
Xi . Después se
valores de u(xi) en la ec. (8.5).
fuente puede entrar individualmente en la Ley de propagación de
la incertidumbre, sustituyendo el número de magnitudes de
entrada N en b) laSisuma
uno está
porinteresado en ver total
el número el efecto
de particular
fuentes quede tiene cada una de la
incertidumbre combinada uc(y), cada fuente puede entrar individualm
incertidumbre.(8.5),
Cabesustituyendo
mencionar que el de
el número coeficiente
magnitudes de sensibilidad
de entrada N en la suma
ci es igual para total
todas las fuentes
de fuentes de incertidumbre
de incertidumbre. relacionadas
Cabe mencionar con de
que el coeficiente
es igual para todas las fuentes de incertidumbre relacionadas con la mism
la misma magnitud de entrada Xi .
entrada Xi .
N Mi
2 2
uc ( y) ci u j ( xi )
i 1 j 1
 60

Incertidumbres relativas
Si el modelo matemático f ( X ,...,se componeX de productos de las(8.8)
N
N pi
f ( X ,..., X ) const X
X ) const
1 N
pi
i (8.8)
1 N i
magnitudes de entrada X :
i 1
i 1
donde const esi una constante y los exponentes p son constantes reales
N i (positivas
donde const es una constante
negativas), el ycálculo
los exponentes
(numérico) pi la
de sonincertidumbre
pi constantes combinada
reales (positivas o utilizand
se facilita
negativas), el cálculo
f ( X ,..., X
(numérico)relativas.
1 ) const
de la incertidumbre
N X i combinada se en
facilita utilizando
incertidumbres Los coeficientes de sensibilidad este caso son pi , y la ley d
Alincertidumbres
aplicar la Ley de Los
relativas. propagación
propagación coeficientes dede
de incertidumbre la incertidumbre
i 1
sensibilidad
(8.5) para en este caso
calcular y obteniendo
son pi , y lacombinada
la incertidumbre ley de relativ
donde const es una constante y los exponentes p son constantes reales
la propagación
incertidumbre de incertidumbre
relativa (8.5) para calcular la incertidumbre combinada
uc,rel(y) se simplifica:
se tiene:
negativas), el cálculo (numérico) de la incertidumbre combinada
uc,rel(y) se simplifica:
i

2
relativa
se facil
incertidumbres u c ( y ) Los coeficientes2 de sensibilidad
N N
u ( xi ) en este caso son p
u c ,rel ( yN) relativas. pi Nu rel ( xi ) 2 pi (8.9)
uc ( y)
propagación de y
incertidumbre 2 i 1 (8.5) parau ( xicalcular
) i1 laxi incertidumbre comb
u c ,rel ( y ) pi u rel ( xi ) pi (8.9)
uc,rel (y)
y se simplifica: x
Un caso particular muy común es que todos los exponentes p son +1 o -1, o sea Y es u
i 1 i 1 i i
producto o cociente de las magnitudes de entrada, puesto que en este caso las coeficient 2
Un caso particular muy común esson
de sensibilidad que
1uyctodos los exponentes
(lay )incertidumbre
N pi son2relativa
combinada +1 o -1,
uNc,relo(y)
sea
esuY
(laxes) un
suma geométri
Cuando
producto todos los
o cociente de exponentes
u
las ( y
magnitudes
de las incertidumbres
c , rel ) de son +1
entrada, o p
puesto-1
relativas de las magnitudes
i use
que
rel ( tiene
x
en )
de este que:
caso
i entrada: las p i
coeficientes
i
de sensibilidad son 1 y la incertidumbreycombinada i 1 relativa u
c,rel (y) es la suma
i 1 xi
geométrica
N
de las incertidumbres relativas
u (de y ) las magnitudes
u ( x ) de entrada:
2
(8.10)
Un caso particular
c , rel muy relcomún
i es que todos los exponentes pi son +1 o -1,
i 1
producto
N o cociente
2
de las magnitudes de entrada, puesto que en este caso la
 61

Ejercicio 3:
Aplicando la Ley de propagación de la incertidumbre al siguiente
modelo matemático, llega a la expresión de incertidumbres
relativas. ! "
# $
!= # $
% &
 62

Correlación
 63

Correlación
A menudo los resultados de mediciones de dos magnitudes de entrada
están ligados, ya sea porque existe una tercera magnitud que influye
sobre ambas, porque se usa el mismo instrumento para medir o el
mismo patrón para calibrar, o por alguna otra razón.

Por ejemplo, en la calibración gravimétrica de medidores de volumen

son magnitudes de entrada las temperaturas del agua y del ambiente.
Estas temperaturas están relacionadas aun cuando sus valores puedan ser
diferentes. La temperatura del agua será más alta cuando la temperatura
ambiente lo sea y bajará cuando lo haga la temperatura ambiente, es
decir existe una correlación entre estas magnitudes.
Propagación de la incertidumbre para magnitudes
Un caso particular muy común es que todos los exponentes pi son +1 o -1, o sea Y es un
producto o cociente de las magnitudes de entrada, puesto que en este caso las coeficientes
de sensibilidad son 1 y la incertidumbre combinada relativa uc,rel(y) es la suma geométrica 64

correlacionadas
de las incertidumbres relativas de las magnitudes de entrada:
N
2
u c ,rel ( y ) u rel ( xi ) (8.10)
i 1
Si algunas de las magnitudes de entrada están correlacionadas,
debe 8.5.considerarse las covarianzas
Propagación de la incertidumbre para magnitudes entre lascorrelacionadas
de entrada magnitudes
correlacionadas y la ec. Ley de propagación de la incertidumbre se
Si algunas de las magnitudes de entrada están correlacionadas, debe considerarse las
modifica a: entre las magnitudes correlacionadas y la ec. (8.5) se modifica a
covarianzas

2
N N
f f f
uc ( y) u ( xi ) u ( xi ) u ( x j ) r ( X i , X j ) (8.11)
i 1 Xi i, j 1 Xi Xj
i j

Dondedonde r(Xi , Xj) es el factor de correlación entre las magnitudes de entrada Xi y Xj.
r (X i, Xj) es el factor de correlación entre las magnitudes
de entrada Xi y Xj.
9. Correlación

A menudo los resultados de mediciones de dos magnitudes de entrada están ligados, ya sea
Incertidumbre
65

expandida
 66

Factor de cobertura y nivel de confianza

La incertidumbre estándar uc tiene un valor igual a la desviación
estándar de la función de distribución del mensurando. El
intervalo centrado en el mejor estimado del mensurando contiene
contiene el valor verdadero con una probab
el valor verdadero con una probabilidad p de 68%
suposición
aproximadamente, bajo la de que losdeposibles
suposición valoresvalores
que los posibles del men
del mensurando siguen una distribución
Generalmente se deseanormal.
una probabilidad mayo
Generalmente se desea una
intervalo porprobabilidad
un factormayor de 68%, factor
k, llamado lo que sede c
obtiene expandiendo este intervalo por un factor k, llamado factor
de cobertura.expandida U llama incertidumbre expandida U
El resultado se
U k uc
 67

Factor de cobertura y nivel de confianza

La incertidumbre expandida U indica entonces un intervalo,
llamado intervalo de confianza, que representa una fracción p de
los valores que puede probablemente tomar el mensurando. El
valor de p es llamado el nivel de confianza y puede ser elegido a
conveniencia.

En el medio industrial, a menudo se elige el nivel de confianza de

manera tal que corresponda a un factor de cobertura como un
número entero de desviaciones estándar en una distribución
normal. Por ejemplo, k = 1 corresponde a p = 68,27%, k = 2
corresponde a p = 95.45%, y k = 3 a p = 99.73%.
 68

Factor de cobertura y nivel de confianza

La relación entre el factor de cobertura k y el nivel de confianza p
depende de la distribución de probabilidad del mensurando.

Por ejemplo, en una distribución rectangular p = 57,74 % si k = 1,

y para logar un nivel de confianza de 95,45 % se requiere
multiplicar por k = 1.65.
 69

Distribución t de student
Frecuentemente, los valores del mensurando siguen una
distribución normal. Sin embargo, el mejor estimado del
mensurando, la media (obtenida por muestreos de n
mediciones repetidas) dividida entre su desviación estándar,
sigue una distribución llamada t de Student, la cual refleja las
limitaciones de la información disponible debidas al número finito
de mediciones. Esta distribución coincide con la distribución
normal en el límite cuando n tiende a infinito, pero difiere
considerablemente de ella cuando n es pequeño.
 repetidas) dividida entre su desviación estándar, sigue una
[5], la cual refleja las limitaciones de la información disp 70

Distribución t mediciones.
de student Esta distribución coincide con la distribuci
tiende a infinito,
contienepero difiere
el valor considerablemente
verdadero de ella
con una probabilidad p decu
6
suposición de que los posibles valores del mensurando sigue
La distribuciónLat distribución
de Student es t decaracterizada por un parámetro
Student es caracterizada por un νparám
Generalmente se desea una probabilidad mayor de 68%, lo
llamado número de de
libertad.
grados de libertad.
intervalo por un factor k, llamado factor de cobertura. El r
Por lo anterior,Por
el lo
intervalo correspondiente
expandida
anterior, U
el intervalo al nivel de confianza
correspondiente al nivel de
p, dado antes por
10.1,la se
ecuación
calcula ahora
U k poruc , se calcula ahora por:
La incertidumbre expandida U indica entonces un in
U tp u cque representa una fracción p de los valores que
confianza,
mensurando. El valor de p es llamado el nivel de con
El factor El factor t (v) indica dellosintervalo
tp(v) indica losp conveniencia.
límites límites del intervalo correspond
correspondiente al
distribución
nivel de confianza y el
p de la En su medio
valor industrial,
distribución siempre
y su valores siempre
mayorseoelige
a menudo
igual
es que el f
mayor
el nivel de
o igual que el normal).
factor kSus valoresde
(tomado
corresponda se
a unencuentran
la distribución
factor en tablas.
normal).
de cobertura Sus ent
como un número
una distribución normal. Por ejemplo, k = 1 corresponde a
valores se encuentran en tablas.
a p = 95,45% y k = 3 a p = 99,73 %.
Guía para estimar la incertidumbre de la medición . Rev 1/ CENAM / WSchmid y RL
 71

Distribución t de student
Cuando se combinan las fuentes de incertidumbre con sus
respectivas distribuciones para obtener la incertidumbre
combinada uc del mensurando, el Teorema del Límite Central
permite aproximar la distribución resultante por una distribución
normal.

La aproximación será mejor mientras más grande sea el número

de fuentes de incertidumbre y sus contribuciones sean similares,
independientemente de la forma particular de sus distribuciones.
 72

Distribución t de student
Nuevamente, la disponibilidad limitada de información hace
necesario el uso de la distribución t de Student para determinar la
incertidumbre expandida de manera rigurosa (con la suposición de
que los valores del mensurando obedecen una distribución
normal).

Cuando sólo es relevante la contribución de una fuente cuya

distribución no es normal, lo más conveniente es estimar la
incertidumbre expandida directamente de los parámetros de la
distribución.
 73

Distribución t de student: Grados de Libertad

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 ν la estimación de la incertidumbre será más
confiable.

El número efectivo de grados de libertad νef del mensurando

considera el número de grados de libertad νi de cada fuente de
incertidumbre.
 74

Distribución t de student: Grados de Libertad

En la estimación de incertidumbres por el método tipo A, νi
depende directamente del número de datos considerados y
disminuye conforme el número de parámetros estimados a partir
de los mismos datos. La repetibilidad de una medición, estimada
por la desviación estándar experimental de n lecturas tiene n-1
grados de libertad. Una regresión lineal de M puntos mediante una
ecuación de m parámetros tiene M-m grados de libertad.
 75

Distribución t de student: Grados de Libertad

Si la incertidumbre se estima por un método tipo B, 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 i con la ecuación
2 2
1 u ( xi ) 1 u ( xi )
i (10
2 u ( xi ) 2 u ( xi )

La cantidad ∆u(xi) u(x

La cantidad esi) una
es unaestimación
estimación de de la incertidumbre
la incertidumbre de la u(x
de la incertidumbre
fuente i cuantificada por el metrólogo. Es recomendable aproximar el resultado del
incertidumbre u(xi) deanterior
con la ecuación
la fuente i cuantificada por el metrólogo. Es
al entero cercano más bajo.
recomendable aproximar el resultado del cálculo con la ecuación
Por ejemplo, si u(xi) es cero, es decir, el metrólogo está completamente seguro d
anterior aldeentero
u(xi) , el cercano más bajo.
número de grados de libertad asociado a esa fuente es infinito. Si el me
considera que u(x ) tiene una incertidumbre del 50%, el número de grados de liberta
 76

Distribución t de student: Grados de Libertad

Por ejemplo, si ∆u(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.
% % % %
1 2 3& 1 2 3& 1 22 3& 1 2 4
6& = = = = = =2
2 ∆2 3& 2 12 3 2 2 3& 2 1 2
2 &

% % % %
1 2 3& 1 2 3& 1 52 3& 1 5 25
6& = = = = = = 12.5 ≅ 12
2 ∆2 3& 2 12 3 2 2 3& 2 1 2
5 &
 77

Distribución t de student: Grados de Libertad

Se observa también que un valor mayor de u(xi) , al ser una
estimación más conservadora, puede traer consigo un menor valor
de ∆u(xi) y por consiguiente un mayor número de grados de
libertad.
 sólo 2, y si la considera del 20% el número de grados de libertad asciende

78

Distribución tpuede
de student: Número efectivo de grados
Se observa también que un valor mayor de u(x ) , al ser una estimación m
i
traer consigo un menor valor de u(x ) y por consiguiente un m
i
grados de libertad.
El número efectivo de grados de libertad se calcula según la
ecuación deSiguiendo
Welch-Satterthwaite,
[1], el número efectivo deaungradoscuando existan
de libertad se calcula segú
observacionesWelch-Satterthwaite,
sobre su validez aun merecedoras de atención.
cuando existan observaciones sobreEsta
su valide
atención [6]. Esta ecuación puede escribirse en términos de la relación ent
ecuación puede escribirse en términos de la relación entre la
de la fuente i y la incertidumbre combinada como:
contribución de la fuente i y la incertidumbre combinada como:
4
ui y
1 N uc y
ef i 1 i

Si el valor de νef resultante no es entero, generalmente se considera

νef menor másSi el valor de ef resultante no es entero, generalmente se considera
próximo.
menor más próximo.
e

Un análisis de la ecuación anterior muestra el dominio de las fuentes con

 79

Distribución t de student: Número efectivo de grados

Un análisis de la ecuación anterior muestra el dominio de las
fuentes con pocos grados de libertad en el cálculo de νef , sobre
todo de aquellas cuyas contribuciones son grandes a la
incertidumbre combinada. De hecho una fuente cuya
contribución es alta y con pocos grados de libertad, es
determinante del valor de νef .
 80

Distribución t de student: Número efectivo de grados

Ejemplo:
Por ejemplo, si la repetibilidad contribuye con el 80% de la
incertidumbre combinada, se estima con 3 grados de libertad, y
cada una de las otras fuentes tiene un número infinito de grados
de libertad, el número efectivo de grados de libertad será
aproximadamente de 7. Si contribuyera con el 60%, se obtendrían
23 grados de libertad.
$%"& ' ) ) ) ) ) )
$* ' $+ ' ,..$( ' $* ' $+ '
% $( ' $( ' $( ' $( ' $( ' $( '
= + + = + +
&"# &%"& &* &+ ' ( (
&
0.8/% 0 0.8 &
1 /% 0 0.4096 1
= = 1 = = 0.1365333333 6'( =
0.1365333333
= 7.3 ≅ 7
*#$ 3 3 3
 eldemejor estimado del como
la incertidumbre, mensurando, la mediade(obtenida
en mediciones por muestreos
baja exactitud, de es
entonces n m
s
repetidas)
con la Sec.dividida
10.4. entre su desviación estándar, sigue una distribución llamada t
[5], la cual refleja las limitaciones de la información disponible debidas al númer
81

Distribución t de student: Incertidumbre expandida

mediciones. Esta distribución coincide con la distribución normal en el límite
tiende
10.2. aDistribución
infinito, pero difiere considerablemente de ella cuando n es pequeño.
t de Student
La distribución t de Student es caracterizada por un parámetro llamado número
Frecuentemente,
de libertad. los valores del mensurando siguen una distribución norma
Res6J2eKd*, si S0 Por
j]nPión
el ?e IRs()2buPRón
mejor estimado ?e kr*H>lilR?>I
del mensurando, deS ^BnF])an?*
la media (obtenida m d
por muestreos
lo anterior, el intervalo correspondiente al nivel de confianza p, dado antes
repetidas) dividida entre su desviación estándar, sigue una distribución llam
es .*)m>S, de J0K7ra 9R/]roF0
10.1, se calcula ahoraD>porinPB)t2?u^b9B 7npa.IRd> Fe :0lP]Da dB
[5], la cual refleja las limitaciones de la información disponible debidas al n
ac679Io 0 l> eP6>:ión
mediciones. coJ*: coincide con la distribución normal en el (l
U t Estau distribución
p c
contiene el valor verdadero
tiende acon una pero
infinito, probabilidad p de 68% aproximadamente,
difiere considerablemente de ella cuando n esbajo la
pequeño
El factor tp(v) indica los límites del intervalo correspondiente al nivel de confian
suposición de que
contiene los posibles
el valor valores
verdadero y con
del
unamensurando
probabilidad siguenigual
mayorpo de
una
68%distribución normal.
aproximadamente, debajo
La distribución
distribución t de
su valor U u c t p ef
Student
siempre esescaracterizada por
queun
el parámetro llamado
factor k (tomado lanú
di
suposiciónsede
Generalmente quenormal).
desea loslibertad.
de
una posibles
probabilidad valores
Sus valores del mensurando
se encuentran
mayor de 68%, en tablas. siguen
lo que una distribución
se obtiene expandiendo normal.
este
do.IB
intervalo por
Generalmente
esseBSdesea
tp(vunef) factor j>c(o) donde
k, llamado
Por lo
dB92pad*
anterior,
una factor
probabilidad
?7escobertura.
de Dael
tp(velef)intervalo dRFGr2Hu:Rón
factor
mayor dederivado
El
correspondiente
68%,
(loIe
resultado de St6?7Kt
la
se
al nivel
que llama aincertidumbre
sedistribución
6. K2veS
de confianza
obtiene t de
p, Stude
expandiendo dadoe
deintervalo
P*Kfi>nsa
expandida U porpuny factor
ef g9aI*s
ν10.1, ?7 DibB9G>d
Guía parayestimar grados
se
k, calcula
llamado
ef de por
ahora
la incertidumbre
factor
de la
u oltB.2Io
libertad
medición
de
. y obtenido
Rev
cobertura.
1/
dBEl(>llaF.
CENAM / de tablas
WSchmid y
resultado Comv0)>n?o
[1].
RLazos
se
/ Comparando
Febrero
llama
2004
D0 l
incertidum
ec.expandida es evidente que el B32Ien(B
factor de 5]e cobertura k deIB la c-He)t69>
ec. (10.1)
(10.1)correspo
U k uU c co. D0 7c. U tp u c es Bl O>:to9 k
La deincertidumbre
S0 7:. U k expandida
uc co9)Bsv-Kde
El factor U 0S p>lo9
tp(v)indica
indica losIB tp(vun
límites
entonces ) . intervalo
del
ef intervalo,correspondiente
llamado intervalo (10.1)
al nivel de co
de
confianza, que representa distribución
una fraccióny su valor
Frecuentemente, de siempre
pindica loscuando
valores es mayor
que o igual
puede
efunes
que el factor k tomar
probablemente
suficientemente (tomado
grande,el den
La incertidumbre expandida
normal). Sus
U
valoresen
entonces
se encuentran en tablas.
intervalo, llamado intervalo
mensurando. Elque
confianza, valor de significativa
representa p esuna llamado
fracciónel plos nivel losdevalores
deresultados confianza
numéricos
que puedey puede ser elegido
obtenidos
probablemente laa e
contomar
conveniencia.
mensurando. El valoraquéllos de p esobtenidos llamado con el nivella ec.de(10.1) tomando
confianza y puedek de laserdistribuc
elegido
repetidas) dividida entre su desviación estándar, sigue una distribución llamada
10.2.t de Student
Distribución t de Stud
[5], la cual refleja las limitaciones de la información disponible debidas al número finito de
mediciones. Esta distribución coincide con la distribución normal en el límite 82
cuando n los valores
Distribución t de student: Incertidumbre expandida
Frecuentemente,
contiene el valor verdadero co
tiende a infinito, pero difiere considerablemente de ella cuando n es pequeño.el mejor estimado del mens
suposición de que los posibles v
repetidas) dividida entre su d
La distribución t de Student es caracterizada por un parámetro llamado número de grados
de libertad. [5], la cual se
Generalmente refleja
desealasuna
limitac
prob
FreP67KteJBKt7, cu0.I- νef esal nivel
Por lo anterior, el intervalo correspondiente
F6fi:2en(B^7n(e /r0.I7,
intervalo
de confianza p, dado
nopor
antes
FBun
mediciones.
por la
7KcuB.Gr>
Esta
factor
ec.
distribució
k, llama
tiende a infinito, pero difiere
10.1, sediOB)7nPi0
calcula [email protected]fi:0t23a
por BK l-F )es6SG>doF K6mériP*@expandida
-b(eKRd-F U :on S0 7:.
contiene
La el valor
distribución verdadee
t de Student
,U t p u c pa90 ]K p da?* I7 aq6élSo@ *b(7Kid*F :-n Sa B:. k uc toJ0Kd-
U(10.2)
suposición
de libertad. de que los posi
k de
El factor tp(v)S0indica
I2s()ib6P2ón .o)m0S
los límites k>ra BScorrespondiente
del intervalo ^2sJo p . al nivel La incertidumbre
de confianza
Por expandida
p de la el
lo anterior,
Generalmente se intervalo
desea un
confianza,
distribución y su valor siempre es mayor o igual que el factor k (tomado de la
10.1, seque
intervalo representa
distribución
calcula
por ahora
un unak,f
por
factor
normal). Sus valores se encuentran en tablas. mensurando.
Una H67Ka p9ác(i:0 7s 9e0D2za9 BD cálPuD* r2|u)*s- PoK 7P. U EltUp valoru c dey p e
l0expandida conveniencia.
Guía para en(*Kc7F IecR?2)de lasoH)B
medición .l>
RevPoKvB.2eKcR>
1/ CENAM / WSchmid?e 6@>r/ Febrero
Fi^pSB^7n(e ElD0factor
7c. U industrial,
kindica
uc los lími
estimar la incertidumbre y RLazos 2004
En el mediotp17(v) / 27 a me
distribución y su valor siemp
corresponda a unvalores
La incertidumbre
normal). Sus factor sede
expancob
encue
una distribución
confianza, que normal. Por e
representa
a p =mensurando.
95,45% y k =El3 avalor p = 99, de
Guía para estimar la incertidumbre de la me
conveniencia.
En el medio
La relación entre elindustrial,
factor de
 es evidente que el factor de cobertura k de la ec. (10.1) corresponde al valor de tp(vef)

83

Expresión de la incertidumbre
Frecuentemente, cuando ef es suficientemente grande, no se encuentra diferencia
significativa en los resultados numéricos obtenidos con la ec. (10.2) para un p dado de
aquéllos obtenidos con la ec. (10.1) tomando k de la distribución normal para el mismo p.
Una buena práctica es realizar el cálculo riguroso con la ec. (10.2) y entonces decidir sobre
la conveniencia de usar simplemente la ec. (10.1).
Es ?ijíciS 0@7gu90) ]n 3aD*r v)7ciF* I7 la R.:7r(iI6mH)7 deHRI- a l0F ^úl(iklBF
ap9*n2maPR-Kes
10.5. Expresión9B>Diz0?>@ du90Kt7 Fu B@t2Ja:Rón. Por BSD-, ge.B)>lJeKtB S-@
de la incertidumbre

vaS*)7sEn?eel CENAM,
tp(vef) lapa90 expresar se
=es95%
políticap[8] 0v)-xiJ0K
los resultados de sus p-9 Dos Q67
mediciones :[email protected]
con un nivel de 0
confianza no menor al 95%, en vista de la costumbre en laboratorios similares.
tp(vef) pa90 p = 95,45% co. BD fin ?e *lt7.e) 6n 3>Dor ?B k = 2,00 en BS
lími(B I7
Es un0
difícil ?2@t9il6c2ón
asegurar un valor .o)m0S.
preciso de la incertidumbre debido a las múltiples
aproximaciones realizadas durante su estimación. Por ello, generalmente los valores de
tp(vef) para p = 95% se aproximan por los que corresponden a tp(vef) para p = 95,45% con el
fin de obtener un valor de k = 2,00 en el límite de una distribución normal.
Los 30D-reF IB t (v ) pa90 p = 95,45% se J67@t9aK Bn S> @ig62e.GB t>HDa
Los valores dept (v ef) para p=95,45% se muestran en la siguiente tabla :
p ef
5

1 2 3 4 5 6 7 8 9 10 20 50 100

tp(vef) 13,97 4,53 3,31 2,87 2,65 2,52 2,43 2,37 2,32 2,28 2,13 2,05 2,025 2,000

La expresión de la incertidumbre expandida U incluye su indicación como un intervalo

 84

Ejercicio 5:
UtiSR<>n?o EncBS m l> OuKcRón

=INV.T.2C(1-nivel de confianza, grados de libertad)

CalP6D7 el 30D-r ?e t pa90 D-s |)ad*F I7 liHB)t>? 11, 12, 13, 14,…., 18,
19 co. 6K n23eD dB P-Kfians0 I7l 95.45%.
 tp(vef) 13,97 4,53 3,31 2,87 2,65 2,52 2,43 2,
85

Expresión de la incertidumbre
La Bxv)7sión ?e D0 2nPe)tR?]^b9e
La expresión Bnp>.Iid0
de la Uincertidumbre
2.:luuB @] in?R:>ción Po^* ]n U inc
expandida
in(B)v>So :Bn()>do centrado
B. 7D meÅ*) en
7s(i^0d- u Iel JBKs]9aKd*,
el mejor estimado yladel 0fi9^>ción ?e 567 l
mensurando,
p eF IBl 95% (o Bl 3>Dor
valorBS7/id*)
elegido)ap9*n2ma?0^7n(e m Bl .úme9*y 7jec(Rp-
aproximadamente de efect
el número
g9aI*s ?7 DibB9G>d, requerido.
cu0.I- se0 975uBr2?o.
Una manera Una J0K7ra ?B 7np9e@0r
de expresar 7S )es6SG>do
el resultado de la
de S0 ^7diPRón eF
Y y U
El .úme9* I7 ciO)0s F2/nifiP0G2vaF BK l> eÖkrBF2ón ?e D0 2nPe)tR?]^b9e B@
ge.B)>lJeKtB ].o, oEld*Fnúmero
:]an?* D> deex0PG2tu?
cifras significativas en lac2O)a
B@ >l(a (si S0 kr2Je)0 expresión de
si|KRfic>(ip0 7s u.*o- Ios,
dos caHB
cuando la exactitud
D> poFRl2li?0I d7 uF0) es alta (si
]n ?ígi(* ^áslava)0
primera
7vi(0) ci
posibilidad
la vér?iI0 d7 i.j*rJ>:ión de usar
útiS). AdeJás un>se|6)>rFe
?elB dígito más 567 para evitar
el .úme9* I7 la pérd
ciO)0s F2/nifiP0G2vaFasegurarse
IBl 3>Dor ?BD que el número
[email protected] de cifras:on
se0 P-KsiFGBn(7 significativas
BS I7 la de
inPB)t2?u^b9B. con el de la incertidumbre.
 Definir el mensurando Y 2

Establecer el modelo físico 86

Identificar las magnitudes de entrada Xi 3,4
Establecer el modelo matemático

Identificar las fuentes de incertidumbre 5

Cuantificar la variabilidad de cada fuente

6
y asociarle una distribución

Determinar la incertidumbre estándar u(xi) 7

Estimar correlaciones 9

Calcular la incertidumbre estándar combinada uc 8

Elegir el nivel de confianza p 10.1, 10.5

SÍ ¿Cuantificar NO
el número de
grados

Estimar los grados de libertad i 10.3

Calcular el número efectivo

10.3
de grados de libertad ef
10.1
Determinar tp( ef ) 10.4 Determinar el
factor de cobertura k

Calcular la incertidumbre expandida U 10.4

Los numerales en cada bloque indican

la sección relevante de este documento. FIN
 87

Ejercicio 6:
ConFRI7ra.I* 7l Fi/62en(B ^-deS* ^>teJátiP*:
#$%
!=
&$'

Con o=2,46, p=4,32 , q=6,38 y r=2,99 , y PoK RnP7)ti?6^b97@ es(án?a) dB

u(o)=0,02 , u(p)=0,13 , u(q)=0,11 y u(r)= 0,07.

CalP6D7 el 30D-r ?e y y Fu RKc79Gid6Jlr7 eÖk0n?2Ia c*. ]K ni3BD d7 PoKfi0ns> Iel

95.45 % co.@Rd79aKd* Q]e:
1) Sig67 u.0 I2s()ib6P2ón .o)m0S.
2) Sig67 u.0 I2s()ib6P2ón ( Ie s(6I7n( :on vo=10 y vq=3 (loF IBmás Pa@*s
de P*Ks2?e)0n 2.fiKit*F).