INCERTIDUMBRE DE MEDICION - CAPITULO 1

El resultado de una medición (R) no es necesariamente el valor verdadero (Vv) de la magnitud

particular que estamos midiendo.

Este resultado es una aproximación del valor verdadero, y puede afirmarse que este último puede
encontrarse en las proximidades del primero.

La cuestión central a determinar es: cuan próximo estará este valor verdadero del resultado, o en
otras palabras cual será el intervalo o entorno del resultado que lo contenga con una certeza dada.

El valor de este entorno permitirá acotar la diferencia posible entre el resultado y el valor verdadero
que representa. Esto es imprescindible para poder utilizar el resultado, ya que establece la calidad
del mismo y por ende su validez o aptitud para un fin determinado.

Siempre que efectuamos una medición lo hacemos para emplear su resultado, ya sea en el ámbito
de la investigación y desarrollo para obtener una conclusión o en el ámbito de la producción de
bienes y servicios para tomar una decisión respecto de la adecuación de los parámetros de proceso
o del producto final en términos de conformidad con los requisitos preestablecidos.

Por lo tanto, se plantea la necesidad de realizar una estimación numérica y acotar el entorno del
resultado de la medición dentro del cual pueda afirmarse con una certeza dada que se encuentra el
valor verdadero.

Figura 1

A partir del conocimiento empírico que las diferencias entre R y Vv responden a una distribución
probabilística normal o gaussiana, puede acotarse ese entorno en termino de desviaciones standard
recordando que dentro de:

R ± σ con un 68,27 % de certeza encontraríamos el valor de Vv

R ± 2 σ con un 95,5 % y R ± 1,96 σ con un 95 % por lo que R ± 2 σ implica ≈ un 95% de certeza

R ± 3 σ con un 99,7 %

Conocida entonces la desviación estándar de la anterior distribución puede resolverse el problema

de la estimación del entorno con una certeza del 95 % (se ha normalizado el 95% ver IRAM 35050)
simplemente estimándolo como R ± 2 σ
La cuestión planteada así implica estimar la desviación estándar σ del resultado de la medición.

Para ello se deberá analizar el origen de las desviaciones que implican esa potencial diferencia entre
R y Vv, y desarrollar una metodología que permita cuantificar el aporte que cada factor de influencia
podría hacer para incrementar ese desvió.

Deben diferenciarse aquí dos tipos de desvíos:

1) en primer lugar, se encuentran los que se denominan errores, siendo estos desvíos
conocidos y susceptibles de ser corregidos. Llamamos corrección al error cambiado de signo
y resultado corregido a la suma del resultado indicado más la corrección. (Por ejemplo: si se
mide la longitud de un objeto de acero de aprox. 100 mm, y esta medición se efectúa a 30°C
en lugar de a 20°C, sabemos que el mismo se encuentra dilatado aprox. 0,01 mm y por ende
al resultado de la medición le efectuaremos una corrección igual a -0,01 mm)
2) en segundo lugar, encontramos los desvíos propiamente dichos a los que no llamaremos
errores y a partir de los cuales no aplicaremos correcciones. Sobre estos desvíos nos
limitaremos a estimar el valor del posible aporte o influencia en el apartamiento de R
respecto de Vv. Es decir, no calcularemos una corrección con su signo, sino que estimaremos
un valor de la posible variación del resultado R a partir de la acción de cada factor de
influencia. (Por ejemplo: siguiendo el caso anterior, en lugar de conocerse que la
temperatura del objeto es 30°C se cuenta con la información de que el objeto está a 20°C ±
10°C. Es decir que hay un entorno o rango de posible variación del factor de influencia
(temperatura) y este generara un entorno de posibles variaciones del resultado R de la
medición, en este caso de ± 0,01 mm. Llamaremos a este, incertidumbre del resultado
debido a la temperatura.)
Combinando luego todos los aportes individuales que cada factor de influencia hace sobre el
resultado R, se obtendrá el valor total del entorno de posibles desvíos de R respecto de Vv.
Se denomina a ese entorno del resultado Incertidumbre del resultado de la medición, o
simplemente incertidumbre.

Cabe consignar aquí que en ambos casos, es decir ya sea que se efectué o no una corrección,
subyace una incertidumbre sobre el resultado. Esto se debe a que al hacer en el primer caso la
corrección tomando un valor de la temperatura del objeto de 30°C y asumiendo un coeficiente de
dilatación del mismo (p. ej. 11,5 x 10-6 °C-1) ambos valores no representan perfectamente al objeto
sino que tienen asociadas incertidumbres. (Por ejemplo, conocemos la temperatura del objeto
midiéndolo con una incertidumbre de manera que el valor es 30°C ± 1 °C y conocemos el coeficiente
en general con un 10% de incertidumbre). La incertidumbre de la corrección será uno de los aportes
a la incertidumbre total del resultado.

Retomando entonces la cuestión planteada anteriormente de estimar la desviación estándar σ del

resultado de la medición, y conociendo que la misma surgirá de la combinación de los aportes de
todos los factores de influencia significativos, resulta importante puntualizar que dichos aportes se
estimaran en términos de varianzas standard. Es decir, si sumamos por ejemplo las variaciones
máximas del resultado debido a cada factor obtendremos la variación máxima de R, si en cambio lo
que deseamos es obtener la variación standard del resultado R deberemos combinar las variaciones
standard del mismo debido a cada factor de influencia.

Por ejemplo, si la temperatura del objeto al que le medimos la longitud tiene una posibilidad de
variación máxima de 10°C implica una incertidumbre máxima del resultado de 0,01 mm. Si en
cambio consideramos una desviación standard de la temperatura del objeto de 5°C, esto implica una
variación estándar del resultado R de 0,005 mm.

Resulta aquí pertinente recordar cómo se obtiene la desviación standard de un factor de influencia
(una variable) a partir del de la información que se recibe del mismo.

Se considerarán tres casos (siendo estos los de mayor aplicación e incluidos en la Guía GUM)

Distintos Tipos de Distribuciones

Distribución rectangular:

Cuando solamente se conoce el entorno donde la variable se encuentra y cualquier valor dentro del
mismo la describe con igual probabilidad, siendo todos los valores igualmente probables. Por
ejemplo, si decimos que la temperatura del objeto a medir es de 20 °C ± 10 °C tenemos un entorno
de más menos 10°C dentro del cual cualquiera puede ser la temperatura del mismo y no contamos
con mayor información (todos los valores entre 10°C y 30°C son igualmente probables).

La distribución se llama uniforme o rectangular y el valor de la desviación estándar es igual al semi-

intervalo dividido raíz de tres (o lo que es lo mismo el intervalo dividido raíz de 12)

σ = a / √3 o bien σ = 2a / √12

En el ejemplo descripto σ = a / √3 = 10 / √3 ≈ 5,8

La grafica de la distribución es la siguiente (extractada de la GUM y ejemplificada con otros valores)

Figura 2

Distribución Normal:

Cuando la información sobre la variable surge de una medición. Se conoce entonces un valor R como
el más probable y que mejor representa al valor verdadero, y un entorno dentro del cual este último
está incluido con un 95% de certeza (± 2 σ). Por ejemplo, si sabemos que la temperatura del objeto
al que le vamos a medir la longitud es de 20 °C ± 10 °C porque previamente medimos su
temperatura y obtuvimos dicho resultado. Tenemos un entorno de más menos 10°C que es la
incertidumbre de medición de temperatura expresada como un entorno de 2 σ a cada lado del
resultado R.

Ver Figura 1.

La distribución se llama normal o gaussiana y el valor de la desviación estándar es igual al semi-

intervalo dividido 2 (esto es en el caso estándar en el que se expresó la incertidumbre como ± 2 σ )

σ=U/2
En el ejemplo descripto σ = a / 2 = 10 / 2 = 5

NOTA: Empleando la misma nomenclatura que la guía GUM y la IRAM 35050 llamaremos a la
incertidumbre con la letra U (proveniente del alemán Unsicherheit y aceptado internacionalmente).
Esto refiere al valor del semi-intervalo obtenido a partir de expandir con un factor de cobertura k=2
la estimación de variación standard σ del resultado. A la estimación de esta variación standard
realizada a partir del aporte combinado de todas las contribuciones, la llamaremos incertidumbre
combinada uc.
La incertidumbre U conocida entonces como incertidumbre expandida U surge de multiplicar la
incertidumbre combinada uc por el factor de cobertura k.

U = k . uc con k=2 para una certeza del 95%

Distribución Triangular:

Cuando además de conocer el intervalo dentro del cual se encuentra la variable puedo asumir que
existe un valor más probable dentro del mismo (valor central) que la representa. Por ejemplo:
Debemos realizar un ensayo de viscosidad de aceite a 40 °C y el mismo se encuentra dentro de un
baño termo estabilizado con variaciones suaves y continuas de temperatura. Al iniciar el ensayo
medimos una temperatura inicial de 39°C, la cual va incrementándose de manera uniforme hasta
concluir en una temperatura final de 41°C. Podemos decir que el valor que mejor representa a la
temperatura del aceite durante el ensayo es de 40 °C ± 1 °C

La distribución se llama triangular y el valor de la desviación estándar es igual al semi-intervalo

dividido raíz de seis

σ = a / √6

En el ejemplo descripto σ = a / √6 = 1 / √6 ≈ 0,4

La grafica de la distribución es la siguiente (extractada de la GUM y ejemplificada con otros valores)

Coeficiente de Sensibilidad e incertidumbre estándar

Conocida la variación standard de cada variable (o factor de influencia) debe establecerse como
afecta cada una de ellas el resultado de la medición R.

O sea, el resultado se ve afectado por esas variables y debe determinarse cuál es en cada caso (para
cada variable) la relación entre esta y el resultado. En otras palabras, cuan sensible es el resultado a
cada una de las variables o factores de influencia.

Modelizando matemáticamente el resultado R como una función de sus factores de influencia (a los
que llamaremos x, y, z …)

R= f(x,y,z,….)

Conocer cómo influye cada uno de los factores en el resultado, es decir como es la variación del
resultado debido a la variación de cada uno de los factores implica conocer

δR/δx ; δR/δy ; δR/δz …

Se denomina a estas derivadas parciales Coeficiente de Sensibilidad del resultado respecto de cada
una de las variables.

Podemos estimar entonces la incertidumbre estándar de R debido a la variable x (o incertidumbre

típica de R respecto a x) como el producto del coeficiente de sensibilidad por la desviación estándar
de la variable. Considerando que estamos realizando una estimación y no conoceremos por lo tanto
valores teóricos exactos sino aproximaciones es que adoptaremos “s” como una aproximación de σ y
expresaremos la incertidumbre standard de R respecto de x como:

ux = δR/δx . sx

El coeficiente de sensibilidad transforma variaciones de la variable en variaciones del resultado

(incluyendo por supuesto la necesaria transformación de unidades).

Por ejemplo, una variación estándar de 5°C y un coeficiente de sensibilidad (para 100 mm de acero)
de ≈ 0,001 mm/°C implicaran una incertidumbre estándar de R respecto de la temperatura u t =
0,001 mm/°C x 5°C = 0,005 mm.

Detallando el ejemplo, lo cual posteriormente se realizará en diversas prácticas de aplicación,

veremos el origen del coeficiente de sensibilidad para este caso.

Considerando (hipotéticamente) la temperatura T como la única variable de influencia sobre la

longitud L como resultado de la medición, se expresa:

L = Lo + Lo . α . Δ T

δL/δT = Lo . α

para el ejemplo de un objeto de acero de 100 mm de longitud y un coeficiente de 11,5 x 10 -6 °C-1

obtenemos 0,00115 mm/°C, valor que aproximamos anteriormente como 0,001 mm/°C
Incertidumbre Combinada

Una vez estimadas cada una de las incertidumbres standard del resultado debida a cada uno de los
factores de influencia se deben combinar sus aportes.

Es decir, conocidos cada uno de los términos

ui = δR/δi . si

siendo i cada una de las variables o factores de influencia (x, y, z, …), estimaremos el aporte
combinado de sus efectos sobre el resultado.

Recordando el Teorema del Limite Central, y considerando cada uno de los factores de influencia
como variables independientes, podemos expresar de manera simplificada que la varianza de R
surgirá de la combinación de las varianzas debida a cada factor.

Es decir que la desviación estándar al cuadrado del resultado R será igual a la suma de las variaciones
standard al cuadrado debido a cada variable (la sumatoria del cuadrado de las incertidumbres
estándar de R respecto de cada variable i)

uc2 = Σ ui2 o bien uc2 = Σ (δR/δi . Si)2

quedando la expresión de la incertidumbre combinada del resultado R como:

uc = √ (δR/δx . Sx)2 + (δR/δy . Sy)2 + (δR/δz . Sz)2 + …

Incertidumbre Expandida

y finalmente la incertidumbre expandida del resultado como:

U = k . uc con un factor de cobertura k = 2 para una certeza del 95%

U=k. √ (δR/δx . Sx)2 + (δR/δy . Sy)2 + (δR/δz . Sz)2 +…

Abordaremos más adelante la metodología para la cuantificación de cada uno de los términos
(incertidumbres típicas del resultado debida a cada factor) pero en esta instancia ya es posible
obtener alguna conclusión de la formula arriba indicada.

Dado que a consecuencia del Teorema del Limite Central la combinación de los términos será al
cuadrado y raíz cuadrada, puede ya observarse una consecuencia de esta combinación ponderada: si
un término es un orden de magnitud superior a otro, este último virtualmente desaparece (resulta
despreciable) numéricamente.

Por ejemplo, si una incertidumbre típica tiene un valor estimado de 10 y otra un valor estimado de 1
originara una incertidumbre combinada igual a √ (102 +12) = √ (100 +1) = √101 = 10,05 ≈ 10. Debe
considerarse siempre que el resultado de este cálculo será siempre una estimación y
específicamente una estimación de la incertidumbre del resultado a la cual, por ende, deberán
aplicarse reglas coherentes de redondeo. En el caso del ejemplo, si expresamos incertidumbre en el
orden de la decena y la unidad, carece de sentido práctico incluir en el resultado los centésimos.