Incertidumbre PDF

Corporación Mixta MetroCalidad
MODULO 3
Estimación de la
Incertidumbre de medición
1
MetroCalidad © 2008
OBSERVACION
Este módulo provee un marco de trabajo para estimar la incertidumbre

de una medición, y no puede esperarse que sustituya el pensamiento
crítico, la honestidad intelectual y la habilidad profesional de quien
realiza el cálculo.
La evaluación de una incertidumbre jamás es una tarea rutinaria o

puramente matemática; ella depende de un conocimiento detallado de la
naturaleza del mensurando y de la medición. La calidad y utilidad de la
incertidumbre expresada por el resultado de la medida depende, por
tanto, en últimas del entendimiento, el análisis crítico y la integridad
de aquellos que contribuyeron a asignarle su valor.
U.S. Guide to the Expression of Uncertainty in Measurement

ANSI/NCSL Z 540-2 1997
Parágrafo 3.4.8
2
Metro Calidad © 2008
ALCANCE
Este módulo establece un resumen básico de las reglas generales para evaluar y expresar la
incertidumbre de una medida según está consignada en la guía. “ Guía para la expresión de
la Incertidumbre de una medición”, su aplicación dependerá del grado de exactitud
requerido, del nivel de profundidad y del nivel de sofisticación de los cálculos que sean
necesarios para el análisis.
En general el nivel de profundidad requerido para responder a las exigencias de un

programa de aseguramiento de la calidad de producción, en planta o por un laboratorio de
metrología básico, no requieren de la consideración exhaustiva de todos los requisitos
consignados en la guía antes mencionada; más bien requiere de un juicio técnico apropiado
para dar cuenta solamente de las fuentes de incertidumbre más significativas que afecten el
valor medido.
El contenido de este modulo provee reglas generales para la evaluación y expresión de la

incertidumbre de medida y no pretende dar instrucciones, específicas de tipo técnico para
casos particulares salvo los aquí tratados para los cuales aún pueda haber discrepancias
entre peritos expertos del área.
El contenido de este módulo debe ser visto como una guía para la redacción de
procedimientos técnicos específicos para cada necesidad y no debe subestimarse la opinión
crítica por parte de los expertos para cada procedimiento a desarrollar.
3
INTRODUCCIÓN
Cuando se reporta el resultado de medida de una cantidad física, es obligatorio brindar

alguna indicación cuantitativa de la Calidad del resultado reportado de tal forma que el
usuario de este resultado pueda darse cuenta de su confiabilidad.
Sin tal indicación los resultados de las medidas no pueden ser comparados contra datos del
mismo tipo o valores de referencia dados en una especificación o por un patrón.
Es por tanto necesario que se implemente un procedimiento para la caracterización de un

resultado de una medida que sea aceptado ampliamente y sea de fácil entender, esto es, un
procedimiento para evaluar y presentar la incertidumbre del resultado de una medida.
El concepto de incertidumbre como atributo calculable cuantitativamente es relativamente

nuevo en la historia de la medición, sin embargo error y análisis de error han formado
parte de la ciencia de la medición o metrología durante mucho tiempo.
Hoy día se reconoce ampliamente que cuando se han aplicado todas las correcciones por
todos los errores conocidos o sospechados aun nos queda una duda o incertidumbre sobre
el resultado presentado, ó sea una duda acerca de que tan bien el resultado de la medida
representa el valor de la cantidad que esta siendo medida.
4
Permanentemente usted usa números para tomar decisiones que afectan los procesos bajo
su responsabilidad. El resultado de una medición se expresa por medio de números. En este
modulo vamos a aprender algunos métodos para establecer la información contenida en esos
números. Además aplica, quiéralo o no, conceptos estadísticos. El asunto no es si usted usa
y debe aprender estadística o no, sino que en todos los procesos y mediciones usted debe:
Presentar datos
Tomar datos
Analizar
Identificar las Tomar

mediciones Decisiones
La pregunta es: ¿Cómo hacer todo esto de modo eficiente y efectivo?
5
Cifras significativas : Ejercicio
1. Expresar los siguientes datos en potencias de 10 y determinar la cantidad

de cifras significativas de cada uno.
Dato En potencias de 10 Número de c.s.
0,002 4 cm
0,05 s
1,000 56 g
7 865,007 Hz
El número de cifras significativas lo dan los dígitos que multiplican

la potencia de 10.
6
Aproximaciones y Reglas de redondeo
1.Redondear 4,123564:
a. Con dos cifras decimales
b. Con cuatro cifras decimales
REGLA: Si el dígito a la derecha del último dígito a ser considerado

es menor que 5, todos los dígitos a la derecha de él no serán
considerados. Si es mayor que 5, será adicionada una unidad al dígito
considerado.
7
2. Suponga que usted emplea una cinta métrica con división de escala de 1 mm y que
informa que la longitud medida de un objeto es de 25,0 cm. . Otra persona utilizando el
mismo equipo reporta un resultado de 25,05 cm. Compare la información proporcionada
por las dos personas. Qué tiene que ver esto con cifras significativas?
25,0 = 3 cifras significativas. 25,05 = 4 cifras significativas
3. De acuerdo con lo desarrollado en los ejercicios anteriores, Defina Cifras Significativas

de un dato o medición.
Es el número de dígitos acerca de los cuales se tiene un buen grado de certeza
4. Se mide la distancia entre dos ciudades resultando 247,5 km , con lo cual se tiene 4
cifras significativas. Otra persona la expresa en metros como 247 500 m , con lo
cual tiene ahora 6 cifras significativas y por tanto mayor información con un simple
cambio de unidad. Comente esta situación.
8
5. Cuántas cifras significativas hay en cada una de las siguientes mediciones:
Dato Número de c.s. Dato Número de c.s.
283,06 cm 0,000 2 s
1,285 kg 0,080 60 s
17,0 mm 0,000 007 mm
1,000 3 kg
6. La medición de una longitud se informa como 4,07 cm . Cuál es la división

de escala del instrumento de medición si:
A) El equipo es análogo
B) El equipo es digital?
9
2. Redondear:
8, 2435 con 3 cifras decimales.
Regla: Si los dígitos a ser descartados comienzan con 5 y todos los otros
dígitos que lo siguen son cero (aunque sean teóricos), el dígito precedente no
cambia si es par y se incrementa en uno si es impar.
Por ejemplo: 6,974 951 5 redondeado a 7 dígitos es: 6,974 952
8, 24453 con 3 cifras decimales
Regla: Si los dígitos a ser descartados comienzan con un cinco y al

menos uno de los siguientes dígitos es más grande que cero, el dígito
precedente se incrementa en 1.
Por ejemplo: 6,974 951 5 redondeado a 5 cifras queda 6,975 0
10
4. Realizar las siguientes operaciones y redondear los
resultados a la cantidad correcta de cifras significativas:
23,6 m + 2,5 m
1,632 g + 46,83 g + 272 190 g
14, 73 V + 2,2 V + 100,07 V
176,43 cm – 26,2 cm
238,79 ml – 2,482 ml
(6,28 x 1,002) m / 2,0 s
(15,08 + 3,25) oC – 2,8 oC
50,658 9 g / [4/3(6,059 cm)3]

11
3. Redondear los siguientes números a:
a) 3 cifras significativas
1,103  230 763 
0,080 80  4927,4 
b) 2 cifras significativas
1, 4824  1,218 3 
22,450  0,0787 5 
12
Regla del Cinco Fantasma
Esta regla es muy útil cuando el valor

reportado de una magnitud resulta de
un cálculo donde intervienen resultados
obtenidos con diferentes equipos y a
veces hasta datos obtenidos de tablas
5 de referencia, por lo tanto para escribir
una cantidad medida correctamente
con el número apropiado de cifras
decimales se requiere un conocimiento
de la incertidumbre de la medida.
13
Para aplicar la regla del cinco fantasma las siguientes condiciones se deben conocer:
•El valor numérico de la incertidumbre debe contener no más de 2 dígitos significativos y

•La incertidumbre debe estar expresada en las mismas unidades que el valor reportado.
Y por lo tanto los pasos a seguir son:
1. Seleccionar la última posición decimal a la derecha en cuestión

2. Reemplazar esta posición con el número 5
3. Colocar en las otras posiciones el número cero (0)
4. Dividir este dato entre la incertidumbre
5. Multiplicar el resultado anterior por 100 y colocar el signo de porcentaje (%) en él.
6. Al resultado obtenido hacer un análisis de la siguiente forma:
7. Si el resultado es menor o igual al 20 %, entonces repetir los anteriores pasos
disminuyendo la posición decimal.
8. Si el resultado se encuentra entre el 20 % y el 200% quiere decir que esa posición
decimal es la adecuada para la incertidumbre obtenida
9. Si el resultado es mayor que 200 %, el valor reportado no contiene suficientes dígitos
para justificar la incertidumbre reportada.
14
Ejemplo: Suponga que se va a reportar un volumen promedio
de 250,021 ml con incertidumbre de medicion de 0,003 4 ml
(tener cuidado con las unidades y tomar en cuenta que la
incertidumbre se reporta con dos cifras significativas).
Como saber si podemos reportar hasta la cuarta posicion
decimal del resultado?.
Para decidir esto, colocamos en la cuarta posicion decimal un
cinco (5) en el resto de posiciones las volvemos cero (0) asi:
0,0005 ml.
Esto lo dividimos entre la incertidumbre obtenida y
multiplicamos por 100 asi:
15
Cómo saber si es posible reportar hasta la 4 posición decimal del resultado?
V = 250,0213 ml
  0.0034ml
16
Si la incertidumbre fuese 0,0017 el análisis anterior queda:
 100  29,41%
0,0005
0,0017
20%<29,41%<200% Luego el volumen se puede reportar:
V = 250,021 3 ml ± 0,0017 ml
Lo anterior significa que con una incertidumbre menor, se ganan cifras

significativas al aplicar la regla del cinco fantasma
17
Conceptos Estadísticos
 Población y Muestra
 Histograma  Parámetros versus estadísticas:

mediana, media, moda, rango,
desviación estándar
Histogram plot with Normal Distribution Overlay
1000
 La distribución Normal
800
600
Counts
 El comportamiento de los
promedios de mediciones
400
200
0
 El efecto del tamaño de la
muestra.
40 60 80 100 120 140 160
Bins
18
POBLACION Y MUESTRA
Considere una medición física que Ud. realiza en su trabajo, de masa,

presión, flujo, etc.: ¿Cuál es la población para tal medición? ¿Cuál es la
muestra?. Escriba sus respuestas a continuación:
La toma, presentación, análisis y las decisiones de las mediciones,

dependen de la respuesta correcta a estas preguntas. Población y
Muestra son dos conceptos importantísimos. A menudo, usamos mal los
conceptos y métodos estadísticos porque no comprendemos o
interpretamos erróneamente la diferencia entre población y muestra.
19
La población es el conjunto de todos los
posibles números de interés.
Una muestra es un subconjunto de la

población.
Población Muestra
20
Cuando se realiza inspección por muestreo se determina un lote, se
seleccionan algunos ítems, se realizan mediciones y después decidimos
aceptar o no el lote. Si su preocupación es la calidad del lote ¿cuál es la
población y cuál es la muestra?
Población:
Muestra:
21
Consideremos el control de un proceso de manufactura utilizando una
gráfica de control de promedios y rangos.
Cuál es el propósito del trabajo:

¿determinar las características de la muestra con base en la cual
hacemos la gráfica de control o averiguar cuál es el estado real del
proceso?
Entonces: ¿cuál es la población y cuál es la muestra?
En este caso la población es el Proceso, el conjunto infinito de

productos que se generan bajo determinadas condiciones, la
población es infinita, mientras que la muestra es un subconjunto
de productos generados por el proceso.
Revise ahora sus respuestas a las preguntas iniciales: ¿cuál es la

población y la muestra cuando realiza mediciones?
22
Estos son algunos ejemplos de poblaciones de interés en un
laboratorio:
•El conjunto de todas las posibles

medidas del nivel de colesterol
sanguíneo en un individuo
•El conjunto de todas las posibles
Laboratorio Medico medidas de presión en un
individuo
23
Laboratorio
ambiental
 El conjunto de todas las posibles medidas

de emisiones de azufre en una planta
industrial.
de pureza del aire en una ciudad.
24
Laboratorio de
manufactura

de viscosidad de un lote
de presión de un proceso
25
Laboratorio de
tratamiento de aguas

de demanda de oxígeno durante las últimas
8 horas
del % de sólidos durante la última hora.
26
Laboratorio de
microbiología
 El conjunto de todas las posibles medidas de

rata de crecimiento de bacterias en un batch de
producto.
 El conjunto de todas las posibles medidas de
contaminación en una botella.
27
•¿Qué ocurre si una muestra no es representativa de la población deseada?
•¿Qué ocurre con los resultados de una medición perfecta de pH realizada sobre
una muestra que no es representativa?
•¿Cómo define Ud. muestra aleatoria?
Los datos se obtienen a partir de muestras, con ellos llegamos a inferir acerca de
la población y en consecuencia tomamos decisiones. Pero el valor de una
característica medida varía de una muestra a otra y esto afecta la decisión
que se tome. Por esto es muy importante tener en cuenta los siguientes
aspectos:
1. El procedimiento para toma de las muestras

2. El número apropiado de muestras
3. El número apropiado de pruebas o mediciones que debe realizarse en cada
muestra.
El análisis estadístico nos enseña como afrontar estas situaciones.
28
Histogramas:
Histogramplot with Normal Distribution Overlay
1000
800
Un histograma es una gráfica

de barras que muestra la
600
Counts
400
distribución de frecuencias de
200
un conjunto de datos
0
Los pasos para construir un
histograma son los siguientes:
40 60 80 100 120 140 160
Bins
29
1. Defina la población de interés.
2. Reúna las observaciones o mediciones que son representativas
de la población de interés y cuente el número n de datos.
3. Determine el rango R del conjunto completo de datos, restando
los valores máximo y mínimo del conjunto de datos.
4. Divida el conjunto de datos en el número de clases K, que se
indica a continuación (Aprox. Raíz cuadrada del número de
datos)
Número de datos Número de clases
Menos de 50 5a7
50 a 100 6 a 10
100 a 250 7 a 12
Más de 250 10 a 20
30
5. Determine la anchura de clase H dividiendo el rango R por el número de
clases K. La anchura de clases siempre debe tener tantos decimales como los
datos.
6. Determine las fronteras de las clases.
El valor mínimo de los datos es el límite inferior para la primera clase y su

límite superior se encuentra sumando el ancho de clase a este límite inferior.
El límite superior para la primera clase es a su vez el límite inferior para la

segunda clase y a este límite inferior se le adiciona el valor del ancho de clase
para determinar el límite superior de esta clase, y se procede similarmente
para las demás clases.
Cada clase incluye los datos que son iguales y mayores que su límite inferior
pero no incluye su valor superior, que pertenece a la clase superior siguiente.
Por ejemplo, una clase cuyas fronteras son 2,00 y 2,50 incluye a 2,49 pero no
a 2,50 .
31
7. Construya una tabla de frecuencias con base en los valores
determinados antes.
8. Construya el histograma con base en la tabla de

frecuencias. Las clases se marcan a lo largo del eje
horizontal y la frecuencia a lo largo del eje vertical. La
distribución entre las clases se indica por barras.
9. Dibuje una línea en el histograma para representar la media

de los datos y líneas adicionales para representar los límites
de especificación si los hay. En un espacio en blanco del
histograma anote el período de tiempo durante el cual se
recogieron los datos, el número de datos n, la media y la
desviación estándar de la muestra.
32
A continuación se presenta los datos sobre el octanaje de varias mezclas
de gasolina:
88,5 87,7 83,4 86,7 87,5 91,5 88,6 100,3 96,5 93,3
94,7 91,1 91,0 94,2 87,8 89,9 88,3 87,6 84,3 86,7
84,3 86,7 88,2 90,8 88,3 98,8 94,2 92,7 93,2 91,0
90,1 93,4 88,5 90,1 89,2 88,3 85,3 87,9 88,6 90,9
89,0 96,1 93,3 91,8 92,3 90,4 90,1 93,0 88,7 89,9
89,8 89,6 87,4 88,4 88,9 91,2 89,3 94,4 92,7 91,8
91,6 90,4 91,1 92,6 89,8 90,6 91,1 90,4 89,3 89,7
90,3 91,6 90,5 93,7 92,7 92,2 92,2 91,2 91,0 92,2
90,0 90,7
33
Construya una tabla de distribución de frecuencias y un
histograma, utilizando 4 clases.


Compare la forma de los histogramas. Presentan todos ellos

información similar?
34
Histogramas: Ejercicios
2. Sobre un bloque patrón de longitud 0,06 unidades se realizan veinticinco (25)

mediciones cada vez usando dos micrómetros diferentes. ¿Cuál instrumento es
más exacto? ¿Cuál es más preciso? ¿Cuál es el mejor instrumento?
Micrómetro A Micrómetro B
0.06 0.05 0.03 0.07 0.06 0.06 0.06 0.05 0.07 0.06
0.05 0.04 0.05 0.05 0.04 0.05 0.05 0.05 0.06 0.07
0.05 0.06 0.04 0.06 0.06 0.07 0.06 0.07 0.06 0.06
0.05 0.06 0.04 0.05 0.05 0.06 0.06 0.06 0.05 0.05
0.06 0.05 0.06 0.03 0.07 0.06 0.06 0.06 0.05 0.07
35
Valor del Bloque: 0,06
Instrumento A B
Promedio
Desv. Stánd.
Error
36
Histogramas: Ejercicios
3. Se usaron dos (2) balanzas para pesar la misma muestra de carne para un restaurante
de comidas rápidas y los resultados se muestran a continuación. Se sabe que cada
muestra tiene masa de 114 gramos. ¿Cuál balanza es más exacta? ¿Cuál es más precisa?
¿Cuál balanza es mejor?
Balanza A Balanza B
113 112 115 115 113 118 116 116 115 116
114 115 114 116 114 114 115 115 116 116
115 116 112 114 115 115 116 117 116 115
114 112 113 113 114 117 117 116 117 118
113 114 115 114 114 114 114 116 116 117
37
Peso de la carne: 114 g .
Balanza: A B
Desviación St.
Promedio
Error
38
PARÁMETROS VERSUS ESTADÍSTICAS
Métodos numéricos de estadística descriptiva: métodos para calcular uno o

varios valores que de manera resumida y efectiva proporcionen información
contenida en los datos. Hay dos clases de datos: los que se refieren a la
población y los que se refieren a las diferentes muestras que representan a la
población.
Muestra 1
Población Muestra 2
Muestra 3
PARAMETROS ESTADISTICAS
Media de la población mu:  Media de la muestra: X
Desviación estándar de la población: Desviación estándar de la muestra: s.
sigma  Se pueden calcular para cada muestra
Generalmente desconocidos. Varían de una muestra a otra.
Son constantes para poblaciones estables Símbolos alfabeto español.
Símbolos alfabeto griego
39
Ejercicios
1. Una revista militar informa que durante una operación la aviación

realizó 1270 misiones con duración total de 6905 horas.
¿Cuál es la población y cuál la muestra?
Con referencia al tiempo de duración de una misión, determinar, si es

posible, la media poblacional y la media muestral.
40
2. Se toman las mediciones del diámetro interno de los anillos para los pistones
de los motores de unos automóviles. Los datos, en mm son:
74,001 , 74,003 , 74,005 , 74,015 , 74,002 , 74, 004 , 74,000 y 74,005 .
Si se trata de una empresa propietaria que está interesada en programar el

mantenimiento de los motores de sus 2 vehículos (4 pistones cada uno)
Cuál es la población y cuál es la muestra?

Cuánto vale el diámetro promedio de la población ?
Cuánto vale el diámetro promedio de la muestra?
Si los datos se refieren a mediciones realizadas en pistones de motores

producidos en una planta para determinar la capacidad de proceso
Cuál es la población y cuál es la muestra?
Cuánto vale el diámetro promedio de la población ?

Cuánto vale el diámetro promedio de la muestra?
41
3. Una revista que describe los 12 mejores campos de golf de un país,
presenta los siguientes datos (en metros [m]) de la longitud de cada uno:
6632 , 6424 , 6327 , 6271 , 6803 , 6425 , 6276 , 6803 , 6346 , 6157 ,
6372 , 6235 .
Cuál es la población y cual la muestra?
Con referencia a la longitud de un campo de golf determinar, si es posible, la

media poblacional y la media muestral.
42
4. Los datos de acomodamiento visual (una función del movimiento del ojo)
cuando se reconoce un patrón de manchas sobre un monitor de alta
resolución publicados en una revista de oftalmología son:
36,45 ; 67,90 ; 38,77 ; 42,18 ; 26,72 ; 50,77 ; 39,30 y 49,71 .
Proponga un ejercicio en el cual estos datos correspondan a una población y

otro en que correspondan a una muestra.
CUIDADO: Una estadística de una muestra no se debe interpretar como si fuera un parámetro de
la población.
43
Medidas de Dispersión
La Desviación Típica: representa la desviación de todos los datos

con respecto de la media.
Para la población se calcula así:
   Xi
N
 
1 2
N i 1
Para una muestra se calcula así: s( X i ) 

1 N
 
n  1 i 1
X  Xi 
2
La Varianza es el cuadrado de la
desviación típica:
V  s 2(Xi )
44
Medidas de Tendencia Central
Cómo se mide “el valor central” de un conjunto de datos?
La Media: Se calcula sumando todos los datos y dividiendo el total por el número de ellos.
Una población tiene solamente una media  pero diferentes X (una para cada
muestra).
La Mediana: El valor que separa los datos en dos mitades iguales. Para
encontrar la mediana ordene los datos en orden creciente o decreciente y encuentre el
valor en el medio. Si el tamaño de la muestra es par, la mediana es el promedio de los
dos valores en la mitad.
La Moda: El intervalo o valor que ocurre con la más alta frecuencia
45
Medidas de Dispersión
El Rango R: es la diferencia entre los valores mayor y menor del conjunto de

datos.
R tiene dos características deseables:
(i) es simple de calcular y

(ii) es fácil de interpretar.
R tiene dos características no deseables:
(i) solamente dos valores se usan para calcularlo y no contiene información

acerca de los puntos intermedios.
(ii) si un valor inusual (outlier) ocurre en los datos, el rango será inflado, y
puede llevarnos a concluir que en los datos hay mayor variabilidad que la que
hay realmente.
46
Ejercicio
Calcular las medidas de tendencia

central y de dispersión para las
poblaciones y muestras de los
ejercicios propuestos en las
presentaciones 40 a 43.
47
La distribución normal
Frecuencia
50 Frecuencia
45
40
40
35
35
30
30
25
25
20
20
15
15
10
10
5 5
90 95 100 105 110 115 120 125 Más 17 18 190 200 210 220 230 240 Más
0 0Colesterol en mg/dl
Viscosidad en Segundos
Figura 3: histograma construido a partir de Figura 4: histograma construido a

100 pruebas de viscosidad realizadas en una partir de 100 pruebas de colesterol en
muestra única de una solución de polímero la misma muestra de sangre.
48
Los dos histogramas anteriores exhiben características compartidas por
otros tipos de análisis de laboratorio:
Tienen una moda única.

Son simétricos alrededor de la media.
Tiene frecuencias menores para valores alejados de la media.
La media, la mediana y la moda son aproximadamente iguales
Estas pruebas o medidas siguen una distribución “normal” o gaussiana”
49
Frecuencia
La Figura 5 es un histograma construido a partir de 1000
100 mediciones de viscosidad en una muestra única, Este
histograma corresponde a una media = 100 y S = 5
unidades de viscosidad. La forma de este
80 histograma sustenta el término “campana” que se
usa para implicar que los datos están distribuidos
normalmente.
60
40
20
0
85 89 93 97 101 105 109 113 117 Más
Viscosidad en Segundos
Figura 5: histograma construido a partir de 1000 pruebas de viscosidad en la misma muestra.
50
Ejercicio
En el histograma anterior dibuje la gráfica de la distribución

gaussiana, dada por la siguiente expresión:
 (x  ) 2 
f ( x)  exp 
1

2 2
 2 2

51
La distribución normal
Muchas distribuciones tienden a exhibir características normales. No hay nada

implícitamente bueno acerca de datos con distribución normal ni nada
implícitamente malo con datos con distribución no-normal. Hay muchas
distribuciones no-normales que ocurren naturalmente.
Para cualquier distribución normal el área bajo la gráfica en un intervalo

corresponde a la probabilidad de que un valor seleccionado al azar caiga en
esta región. Para cualquier distribución normal, esta área relativa está
directamente relacionada con la distancia de los límites de la región a la media
de la población. Intervalos porcentuales aproximados que son fáciles de
recordar son los siguientes:
 68% de las mediciones están en el intervalo   

 95% de las mediciones están en el intervalo   2
 99,7% de las mediciones están en el intervalo   3
donde  y  denotan la media y la desviación típica de la población.
52
 + 3 Figura 6. Gráfica de la Distribución Normal
99,7% Indicando los intervalos de probabilidad:
+ 1, + 2 y + 3
+ 2
Si una prueba o medida se realiza
95,4%
sobre un material desconocido, hay
probabilidad de 0.95 de que el
+  resultado estará dentro de 2 del
68,3%
valor medio y una probabilidad de
0,997 de que el resultado estará
dentro de 3 del valor medio. El
intervalo  2 se denomina el
intervalo de precisión del 95% y el
intervalo de  3 se denomina el
 intervalo de precisión del 99.7%
 - 3 -  +  + 3
 - 2  + 2
53
El anexo 1 contiene una tabla con valores de área bajo la curva
normal tipificada para múltiples valores de Y. Dicha tabla nos da
la probabilidad acumulada, es decir, la que va desde el inicio de
la curva por la izquierda hasta un valor determinado de Y. Es de
útil aplicación para resolver los siguientes problemas:
1. Un jugo de frutas se vende en envases de 11 g .El número

medio de gramos colocados en un envase es 10,75 g con una
desviación estándar de 0,1 g . Asumiendo una distribución
normal, ¿cuál es la probabilidad de que la máquina de llenado
cause un sobrellenado en un envase, esto es, la probabilidad
de que más de 11 g sean colocados en el envase?
54
En la práctica con frecuencia es necesario considerar intervalos de
probabilidad que contienen número fraccionario de desviaciones típicas,
comprendidos entre: 1 y 2, 2 y 3 o cualquier otro valor ubicado en el
espacio continuo: (menos infinito –  - mas infinito). Para obtener las áreas
bajo la curva gaussiana que suministran información acerca de estos otros
intervalos, se puede utilizar una distribución “normal tipificada” cuya
característica consiste en tener una media igual a cero y varianza distribuida
simétricamente alrededor de ese valor.
Es posible transformar una distribución normal en una normal tipificada.
Para ello se crea una nueva variable (Y) que será igual a la anterior (X)
menos su media y dividida por su desviación típica ( o sea la raíz cuadrada
de la varianza)
X 
y

55
En la normal tipificada, (Y) toma todos los valores entre –3s y 3s pasando por
su valor central cero.
Y
I I I I I I I
-3.00 -2.00 -1.00 0.00 1.00 2.00 3.00
56
0,10
0,09
0,08
X 
Y 0,06

0,07
0,05 
0,04
0,03
0,02
0,01
0,00
37,6I 37,8 I 38,0 I 38,2 I 38,4 I
38,6 38,8 I 39,0 I
-3,00 -2,00 -1,00 0,00 1,00 2,00 3,00
Y 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7090 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7813 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8416 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,97725 0,97778 0,97831 0,97882 0,97932 0,97982 0,98030 0,98077 0,98124 0,98169
2,1 0,98214 0,98257 0,98300 0,98341 0,98382 0,98422 0,98461 0,98500 0,98537 0,98574
2,2 0,98610 0,98645 0,98679 0,98713 0,98745 0,98778 0,98809 0,98840 0,99870 0,98899
2,3 0,98928 0,98956 0,98983 0,99010 0,99036 0,99061 0,99086 0,99111 0,99134 0,99158
2,4 0,99180 0,99202 0,99224 0,99245 0,99266 0,99286 0,99305 0,99324 0,99343 0,98361
2,5 0,99379 0,99396 0,99413 0,99430 0,99446 0,99461 0,99477 0,99492 0,99506 0,99520
2,6
57
0,99534 0,99547 0,99560 0,99573 0,99585 0,99598 0,99609 0,99621 0,99632 0,99643

2,7 0,99653 0,99664 0,99674 0,99683 0,99693 0,99702 0,99711 0,99720 0,99728 0,99736
2,8 0,99744 0,99752 0,99760 0,99767 0,99774 0,99781 0,99788 0,99795 0,99801 0,99807
2,9 0,99813 0,99819 0,99825 0,99831 0,99836 0,99841 0,99846 0,99851 0,99856 0,99861
0,10
0,09
X 
0,08
Y 0,07

0,06 
0,05
0,04
0,03
0,02
0,01
0,00
37,6I 37,8 I 38,0 I 38,2 I 38,4 I
38,6 38,8 I 39,0 I
-3,00 -2,00 -1,00 0,00 1,00 2,00 3,00
Y 0,00 -0,01 -0,02 -0,03 -0,04 -0,05 -0,06 -0,07 -0,08 -0,09
0,0 0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641
-0,1 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247
-0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859
-0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483
-0,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121
-0,5 0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2910 0,2776
-0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451
-0,7 0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2187 0,2148
-0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867
-0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611
-1,0 0,1584 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379
-1,1 0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170
-1,2 0,1151 0,1131 0,1112 0,1093 0,1075 0,1056 0,1038 0,1020 0,1003 0,0985
-1,3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,0838 0,0823
-1,4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681
-1,5 0,0668 0,0655 0,0643 0,0630 0,0618 0,0606 0,0594 0,0582 0,0571 0,0559
-1,6 0,0548 0,0537 0,0526 0,0516 0,0505 0,0495 0,0485 0,0475 0,0465 0,0455
-1,7 0,0446 0,0436 0,0427 0,0418 0,0409 0,0401 0,0392 0,0384 0,0375 0,0367
-1,8 0,0359 0,0351 0,0344 0,0336 0,0329 0,0322 0,0314 0,0307 0,0301 0,0294
-1,9 0,0287 0,0281 0,0274 0,0268 0,0262 0,0256 0,0250 0,0244 0,0239 0,0233
-2,0 0,02275 0,02222 0,02169 0,02118 0,02068 0,02018 0,01970 0,01923 0,01876 0,01831
-2,1 0,01786 0,01743 0,01700 0,01659 0,01618 0,01578 0,01539 0,01500 0,01463 0,01426
-2,2 0,01390 0,01355 0,01321 0,01287 0,01255 0,01222 0,01191 0,01160 0,00130 0,01101
-2,3 0,01072 0,01044 0,01017 0,00990 0,00964 0,00939 0,00914 0,00889 0,00866 0,00842
-2,4 0,00820 0,00798 0,00776 0,00755 0,00734 0,00714 0,00695 0,00676 0,00657 0,01639
-2,5 0,00621 0,00604 0,00587 0,00570 0,00554 0,00539 0,00523 0,00508 0,00494 0,00480
-2,6
58
0,00466 0,00453 0,00440 0,00427 0,00415 0,00402 0,00391 0,00379 0,00368 0,00357
Metro Calidad © 2008 -2,7 0,00347 0,00336 0,00326 0,00317 0,00307 0,00298 0,00289 0,00280 0,00272 0,00264
-2,8 0,00256 0,00248 0,00240 0,00233 0,00226 0,00219 0,00212 0,00205 0,00199 0,00193
-2,9 0,00187 0,00181 0,00175 0,00169 0,00164 0,00159 0,00154 0,00149 0,00144 0,00139
2. El ingreso medio de los habitantes de un país es de 4 millones de
pesos/mes, con una varianza de 1,5. Suponiendo distribución
normal en los ingresos totales calcular los ingresos mínimo y máximo
que engloban al 60% de la población con renta media.
3. El jugo Tasmania se vende en envases de 700 ml . El volumen

promedio de jugo colocado en un envase es 675 ml con una
desviación típica de 15 ml . Asumiendo una distribución normal,
¿cuál es la probabilidad de que la máquina de llenado ocasione un
sobrellenado en un envase?
59
4. La vida media de los habitantes de un país es de 68 años, con una
varianza de 25. Se hace un estudio en una pequeña ciudad de
10.000 habitantes. Cuantas personas superarán previsiblemente los
75 años?
5. La desviación típica de la masa de unos recipientes llenos es 0,7 g .

Si el 3% de los recipientes contienen menos de 20 g , ¿cuál es la
masa media de llenado de los recipientes?
60
6. El consumo medio anual de cerveza de los habitantes de un país es
de 59 litros, con una varianza de 36. Se supone que se distribuye
según una distribución normal.
a) Si usted presume de buen bebedor, ¿cuantos litros de cerveza

tendría que beber al año para pertenecer al 5% da la población que
más bebe?
b) Si usted bebe 45 litros de cerveza al año y su mujer le califica de

borracho ¿qué podría argumentar en su defensa?
61
7. Se ha encontrado que los envases de cerveza de la marca X tienen
una desviación típica de 5 ml .Si 5% de los envases contienen
menos de 622 ml , cuál es volumen de llenado promedio de los
envases?
8. A un examen para selección de personal se han presentado 2000

aspirantes. La nota media ha sido un 5,5 con una varianza de 1,5.
a) Tan solo hay 100 vacantes. Usted ha obtenido un 7,7. ¿Sería

oportuno ir organizando una fiesta para celebrar su éxito?
b) Va a haber una segunda oportunidad para el 20% de notas más

altas que no se hayan clasificado. ¿A partir de que nota se podrá
participar en esta “repesca”?
62
El Comportamiento de los Promedios de Mediciones
En muchas aplicaciones en el laboratorio o en procesos, no es posible o no es

práctico examinar a todos los miembros de una población. En tales casos no es
posible calcular  o  pero tales cantidades pueden ser estimadas a
partir de una muestra de n datos calculando X y s para la muestra.
En muchas ocasiones tomamos una medición en proceso o el laboratorio realiza

una sola prueba y se reporta el resultado. En otras situaciones es posible realizar
la prueba o la medición varias veces en la misma muestra y reportar el promedio
de los resultados X .
Entender el comportamiento de los promedios de las muestras es crítico para

entender la incertidumbre de las mediciones y para establecer y evaluar límites
de control, mejorar la precisión de las pruebas, evaluar la exactitud, realizar
comparaciones y determinar requisitos de prueba y muestreo.
63
Ejercicios
Formar grupos de 2 o 3
personas y medir los
perímetros y los diámetros
de los círculos de madera.
Para esto Usted utilizará una
cinta métrica para medir el
perímetro y un pie de rey
para medir el diámetro, estos
datos se consignan en la
tabla de la derecha.
64
A.-Con los datos de los perímetros construya
conjuntos de seis muestras de tamaño 1.
Seguidamente construya seis muestras de tamaño
5, seis de tamaño diez y finalmente, seis muestras
de tamaño quince.
Calcule para cada muestra, el promedio y la
desviación típica.
En las columnas de la derecha ubique el promedio
de los promedios y la desviación típica de los
mismos.
65
B. Construya una gráfica de frecuencias para los valores del perímetro promedio
para cada muestra de tamaño n=1. En la misma gráfica dibuje la línea vertical
que corresponde al promedio de los perímetros promedio (
X ) de las 6
muestras. Promedio de los promedios,
C. Construya gráficas similares para las muestras de los otros tamaños.
D. Considerando la población completa como el conjunto inicial de datos,

determine la media poblacional  y represente su valor como una línea vertical
en los gráficos anteriores.
E. De acuerdo a los resultados gráficos anteriores comente:
¿ Qué le ocurre al promedio del promedio de los perímetros con respecto a la

media poblacional a medida que el tamaño de las muestras crece ?
¿ Qué le ocurre al ancho de la distribución de los promedios a medida que el

tamaño de las muestras crece ?
66
FRECUENCIAS DE LOS PROMEDIOS
3,5
Espacio Para el Punto B: Grafica de Frecuencias
3,0
2,5
FRECUENCIA
2,0
1,5
1,0
0,5
0,0
31, 200 31,205 31, 210 31,215 31, 220 31,225 31,230 31,235 31,240 31, 245 31,250 31, 255 31,260 31, 265 31,270 31,275 31,280 31,285 31, 290 31,295 31, 300
PROMEDIOS
1 5 10 15 67
El Comportamiento de los Promedios de Mediciones
Si se toman muestras aleatorias de tamaño n de una población infinita cuya media es  y

cuya desviación típica es , la distribución de los promedios tendrá las siguientes
características:
La media de los promedios

X será igual a , la media de la población.
La desviación típica del promedio ( X ), será igual a la desviación típica de la población 
(Xi) dividida por n, esto es:
 ( Xi )
 (X )  = desviación típica de la población / n
n
Esta expresión nos dice que la distribución de los promedios es más angosta, tiene mejor
precisión, que la distribución de los datos de la muestra. Por esta razón, se recomienda
informar los promedios con una cifra significativa más que los datos individuales.
68
¿ como utilizar estos resultados en situaciones prácticas en las
cuales no conocemos , (la desviación típica de la población) ?
En tales situaciones suponemos que la desviación típica de la muestra nos

proporciona un buen estimado de la desviación típica de la población, con lo
cual tenemos:
S X i 
SX  
n
69
50 Distribución para Medidas
40 Distribución para
45 individuales, n=1
promedios de n=4 mediciones
40 35
30
Frecuencia
35
Frecuencia
30 25
25 20
20 15
15 10
10
5
5
20 30 40 50 60 70 80 90 Más
20 30 40 50 60 70 80 90 Más
Figura 7. Los promedios de las muestras se

Distribución de promedios de
25
comportan normalmente aún si la población
n= 16 mediciones
Frecuencia
no es normal Para un tamaño de muestra

20 suficientemente grande, la distribución de los
15 promedios será aproximadamente normal, no
10 importando la forma de la distribución
5 subyacente. La distribución de los promedios
se aproximará más a la normalidad a medida
20 30 40 50 60 70 80 90 Más que n crece.
70
Esto tiene importantes implicaciones para el laboratorio:
X es un estimado no sesgado de la verdadera media de la población .


La desviación típica de X con respecto de  es población
n
La distribución de todos los X potenciales seguirá una distribución normal.
En conclusión, cuando tenemos una muestra de tamaño n podemos afirmar:
Hay una probabilidad del 68% de que la media de la población  esté incluída
en el intervalo X  s(X) y una probabilidad del 95% de que esté en el
intervalo X  2s(X)
71
Ejercicio
1. Cuánto vale la exactitud del valor medio para muestras de

tamaño n=1?
2. En cuánto aumenta la exactitud del valor medio al

aumentar el tamaño de una muestra de n=2 a n=4? a
n=10? a n=20? Haga una gráfica a mano alzada de
exactitud del valor medio vs. tamaño de la muestra.
Conclusión: escriba su conclusión de este ejercicio
72
Sin embargo, en ocasiones puede ser necesario contentarnos con muestras
pequeñas, debemos ser muy conscientes entonces de la pérdida resultante en
precisión. Cuanto más pequeño sea n, más ancho será el intervalo que tiene la
probabilidad del 68% de contener el valor  de la población. Además, para
muestras pequeñas debemos tener confianza decreciente en el uso de la
desviación típica de la muestra s como estimación de la desviación típica de la
población. 
Volviendo a los datos de la actividad precedente haga una

gráfica de la frecuencia de distribución de la desviación típica
de las muestras de tamaño n =5 y n =10. Represente la
desviación típica promedio de estas muestras. Calcule la
desviación típica de las desviaciones típicas.
Repita este ejercicio para los otros tamaños de muestra.

Qué conclusiones deduce de esta actividad?
73
Cómo varía con el tamaño de la muestra la estimación de la desviación típica
de la población por medio de la desviación típica de la muestra: aumenta,
disminuye, no cambia?
El valor de la desviación típica de las desviaciónes típicas, para una población
gaussiana es:
 población
 s  
2( n  1)
Esta expresión nos dice que la amplitud de la distribución de desviaciones
típicas de la muestra está relacionada consu valor central  población por el factor
población
numérico: 1/  2(n - 1)
Para sus muestras de tamaño 10, cuánto vale la amplitud del intervalo con respecto del
valor de  población que tiene una probabilidad del 68% de contener la desviación típica
de la muestra? Y la amplitud del intervalo para una probabilidad del 95%? Representa
esto una alta precisión en la estimación de  población ?
74
EL EFECTO DEL TAMAÑO DE LA MUESTRA:
Cuántas mediciones debo realizar para tener buena exactitud y
precisión?
Hemos visto que en cualquier proceso de muestreo, cuanto más grande sea la
muestra, tanto más precisa serán nuestras afirmaciones finales. Aunque la
precisión de un valor medio muestral aumenta solo en proporción directa a la
raíz cuadrada del número de observaciones de la muestra, de todos modos se
incrementa, y las muestras más grandes tienen medias más precisas.
No obstante, generalmente al realizar un muestreo hay

restricciones de tiempo y costo y no siempre podemos
obtener muestras del tamaño deseable, debiendo procurar
una solución intermedia entre los requisitos estadísticos y las
restricciones prácticas, por ejemplo limitándonos a muestras
de tamaño n =50.
75
Para valores de n menores que 10, es evidente que el intervalo para niveles de
confianza de 68% o de 95%, se vuelve tan grandes en comparación con el
valor central que casi no tiene sentido intentar una estimación de  y de . Por
tanto, generalmente no vale la pena intentar alguna clase de análisis
estadístico con muestras que tengan menos de 10 observaciones. Así, al
presentar resultados de análisis estadístico, es esencial indicar el tamaño de la
muestra. Si queremos que nuestros valores para la media y la desviación
estándar de la media sean interpretados según las reglas del 68% y el 95%,
debemos proporcionar la oportunidad de juzgar la exactitud de nuestras
estimaciones.
Qué conclusiones deduce de lo anterior?
CUIDADO: Una estadística de una muestra

no se debe interpretar como si fuera un
parámetro de la población.
76
Por tanto, los cálculos estadísticos
con muestras pequeñas deben
intentarse solo cuando no se tiene
otra alternativa. La tabla siguiente
presenta la exactitud de las
estimaciones de población a partir
de muestras de tamaño variable.
Tabla: Exactitud de las estimaciones a

partir de las muestras de tamaño variable
77
Cuantos datos se necesitan para obtener un estimado confiable de ?
Respuesta: Muchos. Usted necesita 50 datos para obtener un estimado que esté dentro
del 20% del verdadero  de población y cerca de 100 datos para estar dentro del 15%,
con un nivel de confiabilidad del 95%.
78
Ejercicio
Las siguientes observaciones referentes a ángulos (dadas en minutos de arco),

se efectuaron al medir el espesor de una película de helio líquido. Suponga que
las observaciones constituyen una población gaussiana:
34 35 45 40 46
38 47 36 38 34
33 36 43 43 37
38 32 38 40 33
38 40 48 39 32
36 40 40 36 34
a. Calcule la mejor estimación de la desviación típica de la población.

b. Calcule la desviación típica de la media
c. Calcule la Desviación típica de la Desviación típica
d. Dentro de qué limites hay una probabilidad del 68 % de que esté incluida
una observación particular?
79
e. Qué limites dan una probabilidad del 95 %?
f. Dentro de qué limites la media tiene una probabilidad del
68% de estar incluida? Y del 95%?
g. Dentro de qué limites la desviación típica de la muestra tiene
una probabilidad del 68% de estar incluida? Y del 95%?
h. Tome dos muestras escogidas al azar de 5 observaciones
cada una del conjunto principal de observaciones. Calcule las
medias y las desviaciones estándar de las muestras para ver
cómo se relacionan entre sí y con los valores más precisos
obtenidos del grupo total.
i. Si se requiere que la desviación típica de la media no
sobrepase el 1% del valor de la media, ¿cuántas
observaciones se requiere hacer?
j. Si la desviación típica de la población ha de definirse dentro
del 5%, ¿cuántas observaciones deberán efectuarse?
80
34 35 45 40 46
38 47 36 38 34   4,3
33 36 43 43 37
38 32 38 40 33   38,3
38 40 48 39 32
36 40 40 36 34
n1 S1 n2 S2 n3 S3 n4 S4 n5 S5 n6 S6
34 38 33 38 38 36
35 47 36 32 40 40
45 5,5
36 5,
43 4,
38 3,
48 5,
40 2, X  
S X S S S 
0 4 5 7 7
40 38 43 40 39 36
46 34 37 33 32 34 38,3 1,4 4,5 1,2
X 40,0 38,6 38,4 36,2 39,4 37,2
81
 Calcule la mejor estimación de la desviación estándar de población.
 Calcule la desviación estándar de la media.
 Calcule la desviación estándar de la desviación estándar
 Dentro de que límites hay una probabilidad del 68% de que esté incluida una observación
particular?
Que límites dan una probabilidad del 95%?
 Dentro de que límites la media tiene una probabilidad del 68% de estar incluida?. Del 95%
82
 Dentro de qué límites le desviación estándar de la muestra tiene una probabilidad
del 68% de estar incluida?. Del 95%?
 Tome dos muestras escogidas al azar de 5 observaciones cada una del conjunto principal de
observaciones. Calcule las medias y las desviaciones estándar de las muestras para ver como se
relacionan entre sí y con los valores mas precisos obtenidos del grupo total
 Si se requiere que la desviación estándar de la media no sobre pase el 1% del valor de

la media, ¿cuántas observaciones se requiere hacer?
 Si la desviación estándar de la población ha de definirse dentro del 5%, ¿cuántas

observaciones deberán efectuarse?
83
EVALUANDO LA INCERTIDUMBRE
Ejercicio:
Con la ayuda de un Pie de Rey realice quince mediciones del diámetro de los cilindros
suministrados y quince mediciones de la altura del mismo, consignando los resultados de
sus mediciones en la tabla anexa, y reportando los valores obtenidos, en centímetros
En seguida calcule el volumen del cilindro mediante la siguiente fórmula:
D
2
V H
4
Donde:
D Es el promedio aritmético de las quince mediciones realizadas sobre el diámetro del cilindro
H Es la media aritmética de las quince mediciones realizadas sobre la altura del cilindro.
84
Medición Diámetro (cm) Altura (cm)
1
De acuerdo con las dificultades encontradas
en la medición del diámetro y la altura del
2
cilindro, identifique todas las posibles 3
fuentes de variación 4
5
6
7
8
9
10
11
12
13
14
15
Promedios
85
ALGUNAS FUENTES DE VARIABILIDAD
a) Definición incompleta del g) Valores inexactos de los

mensurando. patrones de medida o de los
b) Realización imperfecta de la materiales de referencia.
definición del mensurando;
h) Valores inexactos de constantes
c) Muestra no representativa del
mensurando – la muestra analizada
y otros parámetros tomadas de
puede no representar al mensurando fuentes externas y utilizados en
definido; el algoritmo de tratamiento de
d) Conocimiento incompleto de los los datos;
efectos de las condiciones i) Aproximaciones e hipótesis
ambientales sobre la medición, o establecidos en el método y en
medición imperfecta de dichas
el procedimiento de medida;
condiciones;
e) Lectura sesgada de instrumentos j) Variaciones en las
analógicos por parte del personal observaciones repetidas del
técnico; mensurando, en condiciones
f) Resolución finita del instrumento de aparentemente idénticas;
medida o umbral de discriminación;
86
EVALUACION DE LA INCERTIDUMBRE TIPICA
Incertidumbre típica: Incertidumbre del resultado de una medición expresada en forma de

desviación típica.
Modelo de la medición
1. En la mayor parte de los casos, el mensurando Y no se mide directamente, sino que se

determina a partir de otras N magnitudes X1, X2, X3,...X N, mediante una relación funcional f
dada por:
Y = f (X1, X2, X3,...XN) Ec.1
2. Las magnitudes de entrada X1, X2, X3,...XN de las que depende la magnitud de salida Y pueden
ser consideradas a su vez como mensurandos, pudiendo depender de otras magnitudes, junto
con las correcciones y factores de corrección de los efectos sistemáticos llegándose así a una
relación funcional f compleja, que podría ser difícil de escribir en forma explícita. Además la
función f puede determinarse experimentalmente o existir solamente en forma de algoritmo
calculable numéricamente.
En la mayoría de los casos prácticos f se escoge de tal manera que modele al mensurando solo
hasta el nivel de exactitud requerido.
87
3. El conjunto de magnitudes de entrada X1, X2, X3,...Xn puede incluir :
a) Las magnitudes cuyos valores e incertidumbres se determinan directamente durante la medición. Estos
valores e incertidumbre se pueden obtener por ejemplo a partir de una sola observación, o a partir de
observaciones repetidas o por una decisión basada en la experiencia. Pueden implicar la determinación de
correcciones para las lecturas de los instrumentos y correcciones debidas a las magnitudes de influencia,
tales como la temperatura ambiente, la presión atmosférica o la humedad.
b) Las magnitudes cuyos valores e incertidumbres se introducen en la medición procedentes de fuentes

externas tales como magnitudes asociadas a patrones, a materiales de referencia certificados y a valores
de referencia tomados de publicaciones.
4. Una estimación del mensurando Y, representada por y, se obtiene a partir de la ecuación (1) utilizando
las estimaciones de entrada x1, x2, …..xN para los valores de N magnitudes X1, X2, …..XN. Así la
estimación de salida y, que es el resultado de la medición, viene dada por
y = f (x1, x2, x3,...xn) Ec.2
5. La desviación típica estimada asociada a la estimación de salida o resultado de medida y, denominada

incertidumbre típica combinada y representada por uc (y), se determina a partir de la desviación típica
estimada, asociada a cada estimación de entrada xi denominada incertidumbre típica y representada por
u (xi).
88
6. Cada estimación de entrada xi así como su incertidumbre asociada u(xi) se
obtienen a partir de una distribución de valores posibles de la magnitud de
entrada Xi. Esta distribución de probabilidad puede basarse en una distribución
de frecuencias; es decir en una serie de observaciones Xi,k de Xi o puede
tratarse de una distribución supuesta a priori. Las evaluaciones de tipo A de
las componentes de la incertidumbre típica se basan en distribuciones de
frecuencia mientras que las evaluaciones de tipo B se basan en distribuciones
supuestas a priori.
• Ejemplo: Si se aplica una diferencia de potencial V a los bornes de una

resistencia cuyo valor depende de la temperatura, de la resistencia R0 a la
temperatura definida to y del coeficiente lineal de temperatura , la potencia
disipada P (el mensurando) por la resistencia a la temperatura t es función de
V, R0, , y t según:
P = f(V,R0, , t) =
V2
R0 1   t  t 0 
89
7. Durante una calibración usualmente se determina el error de un
instrumento o de un patrón en este caso la ecuación matemática se puede
escribir como:
Error = valor medido – valor convencional verdadero + mi
Donde mi es un conjunto de variables y/o correcciones que pueden

influenciar el resultado final de la medición.
Muchos de estos incrementos incorporados al modelo matemático tienen

valor nulo, no obstante se deben analizar sus efectos sobre la
incertidumbre de medición.
90
Evaluación de tipo A de la incertidumbre típica
En la mayor parte de los casos, la mejor estimación disponible de la esperanza matemática

q de una magnitud q que varía al azar[ es decir, de una variable aleatoria], de la que se
han obtenido n observaciones independientes qk en las mismas condiciones de medida, es la
media aritmética de las n observaciones
q   qk
1 n
EC. 3
n k 1
Así, para una magnitud de entrada Xi estimada a partir de n observaciones repetidas e

independientes Xi,k, La media aritmética X i obtenida mediante la ecuación (3) es utilizada
como estimación de la entrada xi, en la ecuación (2) para determinar el resultado de medida
y, tomándose pues xi = X i
Los valores de las observaciones individuales qk difieren en razón de las variaciones aleatorias
de las magnitudes de influencia o de efectos aleatorios
91
La varianza experimental de las observaciones, que estima la varianza 2 de la distribución de
probabilidad de q, viene dada por:
s qk  
1 n
 qk  q 
2
2
n  1 k 1 EC.4
Esta estimación de la varianza y su raíz cuadrada s(qk), denominada desviación típica

experimental, caracterizan la variabilidad de los valores observados qk o, más
específicamente, su dispersión alrededor de su media q 
 2 q  
2
la mejor estimación de varianza de la media está dado por.
n
s 2 qk 
s q  
2
Ec.5
n
92
s qk 

Este valor y la desviación típica experimental de la media s q  cuantifican la
n
bondad con que q estima la esperanza matemática q de q, y una u otra pueden ser
utilizadas como medida de la incertidumbre de q
Así pues, para una magnitud de entrada Xi determinada a partir de n observaciones
repetidas e independientes Xi,k, la incertidumbre típica u(xi) de su estimación xi = X i , es
u(xi) = s( X i ), o sea la desviación típica de la media. Por comodidad, u2(xi) = s2( X i ) y
u(xi) = s(X i ) se denominan respectivamente varianza de tipo A y e incertidumbre típica de
tipo A.
93
s xi 
s X i  
Entonces:
La incertidumbre típica tipo A es: u(xi) =
n
s 2 x i 
Y la varianza tipo A : s  x  
2
El número de grados de libertad i de u(xi) es igual a n-1 y siempre se debe

reportar éste valor cuando se realice la evaluación de una componente de
incertidumbre tipo A.
Si existe una correlación entre las variaciones aleatorias de las observaciones de una
magnitud de entrada, por ejemplo en función del tiempo, la media y la desviación
típica experimental de la media pueden ser estimadores impropios de los estadísticos
buscados. En tales casos las observaciones deben analizarse por métodos
estadísticos especialmente concebidos para tratar una serie de mediciones aleatorias
correlacionadas.
94
Evaluación de tipo B de la incertidumbre típica
Para la estimación xi de una magnitud de entrada Xi que no ha sido

obtenida a partir de observaciones repetidas, la varianza estimada
asociada u2(xi) o la incertidumbre típica u(xi) se establecen mediante
decisión científica basada en toda información disponible acerca de la
variabilidad posible de Xi . El conjunto de la información puede
comprender:
 Resultados de medidas anteriores;

 La experiencia o el conocimiento general del comportamiento y
propiedades
de los materiales y los instrumentos utilizados;
 Las especificaciones del fabricante;
 Los datos suministrados por certificados de calibración u otros
certificados;
 La incertidumbre asignada a valores de referencia procedentes de
ibros y manuales.
95
Por conveniencia u2(xi) y u(xi) evaluadas de esta forma se
llaman varianza tipo B e incertidumbre típica tipo B
respectivamente.
Una evaluación de tipo B de la incertidumbre típica puede ser

tan fiable como una evaluación de tipo A, principalmente en
una situación de medida en la que una valuación de tipo A se
basa en un número relativamente pequeño de observaciones
estadísticamente independientes.
96
Si la estimación xi,, se obtiene a partir de una especificación del fabricante, de
un certificado de calibración, de una publicación o de otra fuente, y su
incertidumbre viene dada como un múltiplo específico de una desviación típica,
La incertidumbre típica u(xi) es simplemente igual al cociente entre el valor
indicado y el factor multiplicador, y la varianza estimada u2(xi) es igual a l
cuadrado de dicho cociente.
Ejemplo:
Un certificado de calibración indica que la masa ms de un patrón de masa de acero
inoxidable de valor nominal igual a un kilogramo es de 1 000,000 325 g y que la
incertidumbre de este valor es 240 g para un nivel 3 de confiabilidad (3 desviaciones
típicas).
¿Que método de evaluación se debe utilizar? ________________

Determine la incertidumbre estándar del patrón de masa
u(ms) =
97
La incertidumbre de xi no siempre viene expresada como un múltiplo de una
desviación típica, como en el ejercicio anterior. La incertidumbre dada puede
definir un intervalo correspondiente a un nivel de confianza del 90, 95 o 99
por ciento. Salvo indicación en contra, puede suponerse que se ha utilizado
una distribución normal para calcular la incertidumbre, obteniendo la
incertidumbre típica de xi mediante simple división del valor dado de
incertidumbre por el factor apropiado de la distribución normal. Los factores
correspondientes a los tres niveles de confianza son: 1,64 ; 1,96 y 2,58
respectivamente.
Ejemplo:
Un certificado de calibración indica que el valor Rs de una resistencia patrón de valor
nominal 10 ohms es 10,000 742  + 129 m a 23 oC y que la incertidumbre indicada de
129 m define un intervalo con nivel de confianza del 99%
Determine la incertidumbre típica del valor de la resistencia
u(Rs) =
98
Considere los siguientes casos y la forma de asignarle su incertidumbre
estándar.
Caso 1
Consideremos un evento en el que, con base en las informaciones

disponibles, puede afirmarse que “existe una posibilidad sobre dos, de
que el valor de la magnitud de entrada Xi esté situado dentro del intervalo
comprendido entre a- y a+”, (en otras palabras la probabilidad de que Xi
esté situada en este intervalo es de 0,5 o de un 50 por ciento). Si puede
suponerse que los posibles valores de Xi se distribuyen aproximadamente
según una distribución normal, entonces la mejor estimación xi de Xi
puede tomarse en el centro del intervalo.
Además, si el semirrango del intervalo es a = (a+ - a-)/2, puede tomarse

u(xi) =1,48a, ya que, para una distribución normal de esperanza
matemática µ y desviación típica ó, el intervalo: µ + /(1,48) cubre
aproximadamente el 50 por ciento de la distribución.
99
Ejemplo:
Un mecánico que determina las dimensiones de una pieza estima que su longitud se
sitúa, con una probabilidad de 0,5, en el intervalo comprendido entre 10,07 mm y
10,15 mm, y expresa la longitud en la forma l = (10,11 + 0,04) mm lo que significa
que ± 0,04mm define un intervalo que posee un nivel de confianza del 50 %. a es
entonces igual a 0,04 mm. Suponiendo una distribución normal para los valores
posibles de l, ; la incertidumbre típica de la longitud es u (l) = 1,48 (0,04 mm)  0,06
mm y la varianza u2(l) = 3,5 x 10 –3 mm2.
Caso 2
Consideremos una situación similar a la anterior pero en la que, según la información

disponible, puede decirse que “ hay dos posibilidades sobre tres de que el valor Xi se
encuentre en el intervalo comprendido entre a- y a+". ( en otras palabras, la
probabilidad de que Xi esté situada de este intervalo es del orden de 0,67). En este caso
puede suponerse razonablemente que u(xi) = a, puesto que para una distribución
normal de esperanza matemática  y desvición típica , el intervalo  +  cubre
aproximadamente el 68,3 % de la distribución.
Nota: El cuantil normal, correspondiente a la probabilidad 2/3 0 = 0,67, es 0,96742 con lo que se tiene: u(xi) =
a/0,96742 = 1,033a
100
Caso 3
En otras situaciones únicamente pueden estimarse límites (superior e inferior) para Xi, En
particular para poder decir que “la probabilidad de que el valor de Xi esté situado en el
intervalo comprendido entre a- y a+ a todos los efectos prácticos es igual a 1, e igual a cero
fuera de este intervalo. Si no se posee ningún conocimiento específico sobre los valores
posibles de Xi en el interior del intervalo, puede suponerse que Xi se sitúa de forma
equiprobable en cualquier punto del mismo, (distribución uniforme o rectangular de los
valores posibles). Entonces xi, esperanza matemática de Xi es el centro del intervalo xi =
(a- + a+ )/2 con varianza asociada de:
(a  a  ) 2
2a  2
a2
u ( xi )  
2
  Ec. 6
12 12 3
Puesto que (a+ - a- ) es igual a 2a (véase la figura siguiente).
101
a a
a
y en consecuencia: u 
3
Ec. 7
½a
a- x a +
a a
x  x 
3 3
102
Ejemplo:
Un manual de fórmulas suministra el coeficiente de dilatación térmica del

cobre puro a 20 ºC como 20 (Cu) = 16,52 x 10-6 oC-1 y simplemente establece
que “el error de este valor no es mayor de 0,40 x 10-6 oC-1 “.
¿Que tipo de distribución debemos asumir?
Determine la incertidumbre estándar para este coeficiente de expansión

térmica.
0,40  10 6
u (a20ºc ) = oC-1 = 0,23 x 10-6
3
103
Caso 4
Cuando la información es menos limitada y se puede establecer que la mayoría de los valores
tienen probabilidad máxima de aparecer cerca del centro del intervalo de la distribución, uno
puede asumir una distribución triangular.
La varianza y la desviación estándar de esta distribución se calcula por.
a a
a a

2
u2 
1/a
y
6 6
Ec 8
a- x- a/6 x x+a/6 a+
104
En el caso mas general se puede asumir una distribución simétrica trapezoidal con las pendientes de
sus lados iguales (trapezoide isósceles). El ancho de la base a+ - a- = 2a el ancho de la cima 2a,
donde  varia entre 0 y 1. Teniendo como casos especiales para =1 la distribución
rectangular y para =0 la distribución triangular
Entonces el valor esperado de Xi es el punto medio del intervalo y xi = (a- + a+)/2 y con varianza asociada
de: u (xi ) a (1 ) 6 Ec. 9
2 2 2
EC. 7 2a
2a
1/a(+1)
a+
a-
105
Cuando un indicador digital presenta oscilación en su último dígito la
incertidumbre estándar asociada debe ser igual a la mitad de la amplitud de la
oscilación multiplicada por la raiz de tres. Así suponiendo una diferencia x entre
las indicaciones su incertidumbre típica se calcula como .
x
2 3
La histéresis también genera incertidumbre en los resultados es buena práctica

metrológica aproximarse a la lectura siempre en el mismo sentido para minimizar
o eliminar este efecto. Esta condición no siempre se puede garantizar
principalmente en presencia de vibraciones.
106
Ejercicio
Proponga para cada uno de los casos anteriores un ejemplo de estimación de la

incertidumbre de una variable indicando el tipo de distribución asumida, el rango de
variación y el valor de la incertidumbre de acuerdo con el tipo de distribución propuesta.
EN NUESTRO EJEMPLO DEL CILINDRO.

Por cual método se evaluarían las incertidumbres asignadas a las fuentes de variación
identificadas previamente, cuál sería la distribución de probabilidad asignada y cuánto el
valor de la incertidumbre asociada a cada fuente de variación?
Distribución de Valor de la incertidumbre

Fuente de variación x Tipo
probabilidad Ux
Nota: El certificado del Pie de rey utilizado reporta una incertidumbre de calibración = 14 µm
107
EVALUACION DE LA INCERTIDUMBRE TIPICA COMBINADA
Magnitudes de entrada no correlacionadas
Este apartado trata el caso en que todas las magnitudes de entrada son
independientes.
La incertidumbre típica de y , siendo y la estimación del mensurando Y; es decir,

el resultado de medida, se obtiene componiendo apropiadamente las
incertidumbres típicas de las estimaciones de entrada x1, x2, x3,...xn. Esta
incertidumbre típica combinada de la estimación y se nota como uc ( y )
1. La incertidumbre típica combinada uc ( y ) es la raíz cuadrada positiva de la

varianza combinada uc2(y) , dada por:
 f  2
uc2 ( y )   
N
2
 u ( xi ) EC. 10-A
i 1   x i 
108
donde f es la función dada en la ecuación 1. Los términos u(xi) corresponden a
las incertidumbres típicas evaluadas mediante los métodos A o B, descritos en la
sección anterior. La incertidumbre típica combinada uc(y), es una desviación
típica estimada y caracteriza la dispersión de los valores que podrían ser
razonablemente atribuidos al mensurando Y.
La ecuación 10-A basada en un desarrollo en serie de Taylor de primer orden de
Y = f(X1, X2, X3,...Xn), expresa lo que se denomina ley de propagación de la
incertidumbre.
En caso de que el carácter no lineal de f tenga gran significación, será necesario
adicionar términos de orden superior a la expresión para la incertidumbre dada
en la ecuación 10-A. Con lo que se tiene:
 f  2  
1  f   f 3f  2
uc ( y)    u ( xi )    
2
N N N
2

2
2
  u x u 2
(x j )
i 1   xi  i 1 j 1  2   xi x j   xi  xi x j 
2
( i ) EC. 10-B
 
109
Las derivadas parciales  f  xi , se llaman coeficientes de sensibilidad ci y
describen como varia la estimación de salida y, en función de las variaciones
en los valores de las estimaciones de entrada x1, x2, x3,...xn , con lo anterior,
la ley de propagación de la incertidumbre en primer orden de serie de Taylor
se puede escribir como:
u ( y )   ci u ( xi )   u i ( y )
N N
2 2 2 2
c
EC. 11.A
i 1 i 1
 f
Donde ci ≡ y, ui(y) ≡ ciu(xi) Ec. 11.B
 x i
110
Si la ecuación 1 para el mensurando Y se desarrolla en serie
alrededor de los valores nominales Xi,o de las magnitudes de
entrada Xi entonces en el primer orden (que es habitualmente
una aproximación suficiente)
Y = Y0 + c11 + c22 + c33 +...... cNN ,
donde Yo = f (X1,0, X2,0, X3,0,...XN,0),
y ci =  f  xi calculados en Xi=Xi,o y i = Xi -Xi,0 .
En consecuencia, para las necesidades de un análisis de

incertidumbre habitualmente se obtiene una aproximación del
mensurando mediante una función lineal de sus variables,
transformando las cantidades de entrada Xi en i
111
Los coeficientes de sensibilidad ci =  f  xi pueden determinarse en forma
experimental midiendo la variación de Y producida por una variación de una
Xi dada, manteniendo constantes las otras magnitudes de entrada.
Ejercicios
1. Encuentre la expresión para la incertidumbre combinada de la potencia

disipada por la resistencia del ejemplo de la diapositiva 86.
112
2. Las especificaciones de un fabricante de voltímetros digitales establece que
“ entre 1 y 2 años después de la calibración del instrumento, su exactitud
en el rango de 1 V es 14 x 10-6 veces la lectura mas 2 x 10-6 veces el
rango”. Supongamos que el instrumento se utiliza 20 meses después de la
calibración para medir una diferencia de potencial V dentro del rango de 1
V, y que se obtiene como media aritmética de un número de observaciones
repetidas e independientes el valor V = 0,928 571 con una incertidumbre
típica de tipo A, u(V), igual a 12 µV. La evaluación de tipo B de la
incertidumbre típica se deduce de las especificaciones del fabricante si se
supone que la exactitud indicada representa los límites simétricos de una
corrección aditiva a V, ÄV, de esperanza matemática igual a cero y
pudiendo situarse con igual probabilidad entre dichos límites.
113
El semirrango a de la distribución rectangular simétrica de los valores posibles de
ÄV es entonces a = (14 x 10-6) x (0,928 571V) + (2 x 10-6) x (1V) = 15 µV y,
u2(ÄV) = 75 µV2, y u(ÄV) = 8,7 µV .
La estimación del mensurando V es V = V + ÄV, con V = 0,928 571V,
u(V) = 12 µV, la corrección aditiva ÄV = 0 y u(ÄV) = 8,7 µV. Como V/V = 1
y V/(ÄV) = 1, la varianza combinada asociada a V viene dada por
u c2 V   u 2 V   u 2 V   12V   8,7 V   219  10 12 V 2

2 2
Y la incertidumbre típica combinada es uc(V) = 15 µV
Ejercicio: Calcular las expresiones y los valores numéricos de los

coeficientes de sensibilidad, para nuestro ejemplo del volumen del cilindro.
114
D 2
V  H
4
V 2HD H D V D 2
C1    C2  
D 4 2 H 4
u c2 V   C1u D   C 2 u H     u D    u H 
 H D  2  D 2  2
2
2
 2   4 
 u D    u H 
 H D  2  D 2  2
u c V   
2
 2   4 
115
MAGNITUDES DE ENTRADA CORRELACIONADAS
Si algunas de las variables de entrada Xi están correlacionadas apreciablemente esta

correlación se debe tomar en cuenta. En este caso, la expresión apropiada para la varianza
combinada uc2(y) asociada con el resultado de la medida está dada por:
u xi , x j 
 f  2 f f
u  y      u  xi   2 
N N 1 N
2
2
i 1  x i  i 1 j  i 1x i x j
c EC. 12
Donde xi y xj son las estimaciones de Xi y Xj y u(xi, xj) = u(xi)u(xj)r(xi, xj) es la covarianza

estimada asociada a xi y xj.
r(xi, xj) = r(xj, xi) se llama coeficiente de correlación muestral, toma valores entre –1 y +1, y
está caracterizado por la siguiente expresión.
u ( xi , x j )
r ( xi , x j ) 
u ( xi )u ( x j )
EC. 13
116
Para conjunto de datos por parejas, la estadística define el coeficiente de
correlación muestral de la siguiente manera:
 x  x  y i  y 
N
r i 1
 i
   i
 
N N
x  x y  y
2 2
i 1 i 1
Cuando r > 0 decimos que las parejas de datos muestrales están

correlacionadas positivamente, y cuando r< 0 decimos que están
correlacionadas negativamente.
Si r = 1, significa que a valores grandes de x corresponden valores grandes de
y, en caso contrario, cuando r = -1, significa que en las parejas se tiene
correspondencia de valores grandes de x con valores pequeños de y
117
Despejando ando u(xi, xj) de la ecuación 13 y reemplazando en 12 se obtiene:
u xi u x j r xi , x j 
 f  2 f f
u c  y      u  xi   2 
N N 1 N
2
2
 x  x  x
EC. 14
i 1  i  i 1 j  i 1 i j
En el caso muy especial en que todas las estimaciones de entrada estén correlacionadas,
con coeficientes de correlación r(xi, xj) = +1, la ecuación anterior se reduce a:
 N f  N 
u c  y    u x i    ci u  xi 
2 2
2
EC. 15
 i 1 xi   i 1 
Entonces, la incertidumbre típica combinada uc2(y) es simplemente un suma lineal de

términos que representan las variaciones de la magnitud de salida, generados por
variaciones de cada estimación de entrada xi iguales a su incertidumbre típica u(xi)
118
En nuestro ejemplo del cilindro el coeficiente de correlación se puede expresar:
 D  D H i  H 
N
i
r i 1
 D  D  H H
N N
2 2
i i
i 1 i 1
119
DETERMINANDO LA INCERTIDUMBRE EXPANDIDA
Incertidumbre Expandida: Magnitud que define

un intervalo entorno al resultado de una medición,
y en el que se espera encontrar una fracción
importante de la distribución de valores que podrían
ser atribuidos razonablemente al mensurando.
Nivel de confianza: El valor (1) de la

probabilidad asociada con un intervalo de confianza
o un intervalo de cubrimiento estadístico.
Nota: (1 es frecuentemente expresado como Figura (Donde n es el número de
porcentaje. grados de libertad)
Intervalo de cubrimiento estadístico: Un

intervalo para el cual puede ser establecido con un
nivel de confianza dado, que contiene al menos una
proporción especificada de la población.
120
Grados de Libertad: En general, el número de términos en una suma, menos el número
de restricciones de los términos de la suma.
La distribución t; Distribución de t-student: es la distribución de probabilidad de una

variable aleatoria continua t cuya función densidad de probabilidad tiende a la distribución
normal cuando n es muy grande.
La incertidumbre expandida U se obtiene al multiplicar la incertidumbre estándar combinada

uc(y) por un factor de cobertura k:
U = k uc(y) EC. 17
Luego de esto el resultado de la medida puede ser convenientemente expresado como Y =

y + U, que significa que el mejor estimado del valor atribuible al mensurando Y es y, y que
el intervalo que va desde y-U hasta y+U corresponde al intervalo que se espera contenga
un gran porcentaje de la distribución de valores que razonablemente pueden ser atribuidos
a Y. Tal intervalo se puede expresar como: (y-U) ≤ Y ≤ (y+U)
121
Escogiendo un factor de cobertura
Factor de cobertura: Factor numérico utilizado como un multiplicador de la

incertidumbre estándar combinada a fin de obtener una incertidumbre expandida.
El Valor del factor de cobertura k, se escoge sobre la base del nivel de confianza
requerido del intervalo y-U a y+U. En general k debe estar en el rango de 2 a 3
para un 95 y 99 por ciento de nivel de confianza respectivamente. En metrología se
acostumbra reportar las incertidumbres con un nivel de confianza de 95 %.
Nota: De ser necesario se puede calcular el factor de cubrimiento como función del
nivel de confianza requerido para que se cumpla: U = kuc(y). Para ello se debe
calcular el número de grados de libertad efectivos que está dado por la formula de
Welch – Satterthwaite.
u c4 ( y ) EC. 18 Donde i son los

 effec 
c u ( xi ) grados de libertad de la

N 4 4
i
incertidumbre estándar ui.
i 1 i
122
Escogiendo un factor de cobertura
Para las incertidumbres evaluadas por método tipo A usualmente el número

de grados de libertad se calcula como el número de observaciones
independientes menos uno, así:
 = n-1
Para una evaluación de incertidumbre por método tipo B el grado de libertad

esta dado por.
n=
Una vez calculado este número se obtiene el factor k(eff) para el nivel de
confianza requerido, buscando en la tabla del anexo A. Si eff es un número
que no aparece en la tabla este se puede calcular por interpolación lineal de
ella o truncando el valor al menor entero más cercano.
123
EJERCICIO: Para nuestro ejemplo del cilindro diligenciemos la siguiente tabla:
124
REPORTANDO LA INCERTIDUMBRE
 Cuando se reporta el resultado de una medida y cuando la medida de la

incertidumbre es la incertidumbre estándar combinada uc(y) uno debe
como mínimo especificar:
a. Una descripción completa de cómo se definió el mensurando Y .

b. El estimado y del mensurando Y y su incertidumbre estándar combinada
uc(y); las unidades de y y uc(y) siempre se deben dar.
Además es útil indicar
a. La incertidumbre estándar relativa uc(y)/y paray 0.
b. El número de grados de libertad efectivos eff
c. La incertidumbre típica combinada ucA(y) y la del tipo B ucB (y) así como
sus grados de libertad efectivos eff-A y eff-B
 A fin de prevenir malos entendidos es preferible con máxima claridad

expresar el valor numérico del resultado de la medida como en el
siguiente ejemplo
125
Ejemplo:
“ms = (100,021 47 + 0,000 79 ) g , donde el número siguiente al símbolo + es el valor

numérico de una incertidumbre expandida U = k uc , con U determinada a partir de una
incertidumbre estándar combinada uc=0,35 mg y un factor de cubrimiento k= 2,26 basado
en la distribución de t -student para n = 9 grados de libertad y define un intervalo que se
estima posee un nivel de confianza del 95 por ciento”
EJERCICIO: Para nuestro ejemplo haga un reporte completa del resultado de la medición
del volumen del cilindro.
126
ANEXO A: VALORES DE tp (n) PARA LA DISTRIBUCION t
127
METODOS Y RECOMENDACIONES PARA UN CÁLCULO DE INCERTIDUMBRE:
La persona a quien se asigna la tarea de determinar una incertidumbre debe ser experta
conocedora del proceso de medición que se está analizando.
La medición debe estar claramente definida y deben especificarse las condiciones o
limitaciones:
La magnitud por medir debe definirse cuidadosamente en palabras. Un enunciado de

medición.
Debe describirse detalladamente los equipos, los patrones y el método ó técnica utilizados
para la medición.
Se debe escribir la relación funcional o ecuación de medición. Para ello la magnitud por
medir Y se define en términos de variables de entrada asociadas con la medición,
Y = f(X1, X2,....., Xn) donde f contiene todas las cantidades, incluyendo las correcciones y
factores de corrección que pueden contribuir con una componente significativa a la
incertidumbre de la medición. Esta relación funcional puede ser fácil de determinar,
como en el caso de una medición directa, pero puede ser más difícil cuando la medición se
deriva de los valores medidos de muchas otras variables.
128
Revise el proceso de medición para determinar los valores xi de las variables de
entrada Xi.
Registre estos valores y calcule el resultado de la medición o mejor estimado de la

magnitud por medir, y = f(x1, x2,....., x n). En este paso enumere algunas fuentes de
incertidumbre que se pueden contribuir a la incertidumbre de la medida. Por ejemplo:
Variabilidad aleatoria del proceso de medición.Incertidumbres de los patrones e

instrumentos calibrados.Factores ambientales, tales como variaciones en temperatura,
humedad relativa, presión atmosférica, gravedad, fluctuaciones la potencia eléctrica,
vibración, interferencias electromagnéticas, etc.Inestabilidad en el tiempo de los
patrones o los aparatos.Incapacidad de materializar el modelo físico por limitaciones en
los instrumentos.Prácticas de laboratorio, incluyendo técnicas de manejo, purezas,
limpieza, etc.
Una vez se han identificado las fuentes de incertidumbre, deben evaluarse los valores
de sus contribuciones por métodos tipo A o tipo B, según el caso.
Determine la incertidumbre estándar combinada y la incertidumbre expandida, con el

nivel de confianza convenido
129

Incertidumbre PDF

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Incertidumbre PDF

Caricato da

Copyright:

Formati disponibili

Corporación Mixta MetroCalidad

Este módulo provee un marco de trabajo para estimar la incertidumbre

La evaluación de una incertidumbre jamás es una tarea rutinaria o

U.S. Guide to the Expression of Uncertainty in Measurement

En general el nivel de profundidad requerido para responder a las exigencias de un

El contenido de este modulo provee reglas generales para la evaluación y expresión de la

Cuando se reporta el resultado de medida de una cantidad física, es obligatorio brindar

Es por tanto necesario que se implemente un procedimiento para la caracterización de un

El concepto de incertidumbre como atributo calculable cuantitativamente es relativamente

Identificar las Tomar

La pregunta es: ¿Cómo hacer todo esto de modo eficiente y efectivo?

1. Expresar los siguientes datos en potencias de 10 y determinar la cantidad

Dato En potencias de 10 Número de c.s.

El número de cifras significativas lo dan los dígitos que multiplican

a. Con dos cifras decimales

b. Con cuatro cifras decimales

REGLA: Si el dígito a la derecha del último dígito a ser considerado

25,0 = 3 cifras significativas. 25,05 = 4 cifras significativas

3. De acuerdo con lo desarrollado en los ejercicios anteriores, Defina Cifras Significativas

Es el número de dígitos acerca de los cuales se tiene un buen grado de certeza

5. Cuántas cifras significativas hay en cada una de las siguientes mediciones:

Dato Número de c.s. Dato Número de c.s.

17,0 mm 0,000 007 mm

6. La medición de una longitud se informa como 4,07 cm . Cuál es la división

8, 2435 con 3 cifras decimales.

8, 24453 con 3 cifras decimales

Regla: Si los dígitos a ser descartados comienzan con un cinco y al

1,632 g + 46,83 g + 272 190 g

14, 73 V + 2,2 V + 100,07 V

(6,28 x 1,002) m / 2,0 s

(15,08 + 3,25) oC – 2,8 oC

50,658 9 g / [4/3(6,059 cm)3]

3. Redondear los siguientes números a:

1,103  230 763 

Esta regla es muy útil cuando el valor

•El valor numérico de la incertidumbre debe contener no más de 2 dígitos significativos y

Y por lo tanto los pasos a seguir son:

1. Seleccionar la última posición decimal a la derecha en cuestión

20%<29,41%<200% Luego el volumen se puede reportar:

Lo anterior significa que con una incertidumbre menor, se ganan cifras

 Histograma  Parámetros versus estadísticas:

Considere una medición física que Ud. realiza en su trabajo, de masa,

La toma, presentación, análisis y las decisiones de las mediciones,

Una muestra es un subconjunto de la

Cuál es el propósito del trabajo:

Entonces: ¿cuál es la población y cuál es la muestra?

En este caso la población es el Proceso, el conjunto infinito de

Revise ahora sus respuestas a las preguntas iniciales: ¿cuál es la

•El conjunto de todas las posibles

 El conjunto de todas las posibles medidas

 El conjunto de todas las posibles medidas

 El conjunto de todas las posibles medidas

 El conjunto de todas las posibles medidas de

•¿Cómo define Ud. muestra aleatoria?

1. El procedimiento para toma de las muestras

El análisis estadístico nos enseña como afrontar estas situaciones.

Un histograma es una gráfica

6. Determine las fronteras de las clases.

El valor mínimo de los datos es el límite inferior para la primera clase y su

El límite superior para la primera clase es a su vez el límite inferior para la

8. Construya el histograma con base en la tabla de

9. Dibuje una línea en el histograma para representar la media

Construya una tabla de distribución de frecuencias y un