Asignatura: Mediciones e Instrumentos de aeronaves CUATRIMESTRE: IX

FECHA: 28/03/2017
Código: A00022
Versión: 06

DETERMINACIÓN DE LA
INCERTIDUMBRE
Guía teórico-práctica para la expresión de incertidumbres de
medición
INCERTIDUMBRE

La evaluación de la incertidumbre de un mensurando da una indicación de la calidad de su

determinación. Representa la duda de la calidad del resultado de la medición al respecto del
valor de la magnitud que se está midiendo.

Se define incertidumbre como un parámetro asociado c on el resultado de una medición que

caracteriza la dispersión de los valores que se atribuyen al mensurando.

Las incertidumbres de medici ón deben ser estimadas por medio de procedimientos, los cuales
necesariamente se ajustan al modelo al que hacen referen cia.

La metrología se define como la ciencia de las mediciones, cuyo objeto es tanto la determinación
teórica como experimental de los niveles de incertidumbre en cualquier campo de la ciencia y la
tecnología.

ERROR

Al medir cualquier magnitud, independientemente de los métodos y de los medios empleados,

obtenemos un resultado que difiere del valor verdadero por diversas causas. A esa diferencia se
la denomina error.

Cuantificación

Existen dos maneras de cuantificar el error una medición:

 Error absoluto

Corresponde a la diferencia entre el valor medido, f m , y el valor verdadero (valor verdadero

convencional), f v :

eabs  f m - f v
Se define como Valor Verdadero a la cantidad intrínsecamente desconocida, sólo
determinable mediante una medición perfe cta, sin errores.

Se define como Valor Verdadero Convencional valor que se atribuye al mensurando

incluyendo la magnitud de la incertidumbre asociada. Un patrón es un elemento cuyo valor
verdadero convencional es aceptado.

 Error relativo

Corresponde al cociente entre el error absoluto y el valor verdadero (valor verdadero

convencional) f v .

fm - fv
erel 
fv
El valor real f v es una cantidad desconocida, por lo que la magnitud exacta del error absoluto
y relativo es igualmente desconocida.
 Clasificación

Los errores pueden clasificarse en:

 Aleatorios

Error aleatorio es aquel error inevitable que se produce por eventos únicos imposibles de
controlar durante el proceso de medición. Un error aleatorio se presenta por variaciones
impredecibles (o estocásticas) que dan origen a las variaciones en observaciones repetidas
del mensurando. No es posible una compensación para este tipo de error: su esperanza es
cero.

Error Tipo A: error evaluado a partir de la evaluaci ón estadística de una serie de mediciones
(muestra de una población)

Error Tipo B: determinada por otros medios

 Sistemáticos

Error sistemático es aquel que se produce de igual modo en todas las mediciones que se
realizan de una magnitud. Estos errores varían de acuerdo una ley que es posible de
determinar y por tanto puede ser aplicado como corrección de un resultado.

 Ilegítimos

Defectos en los procedimientos y prácticas de realizaci ón del ensayo

DISTRIBUCIÓN DE PROBABILIDAD

La distribución de probabilidad que se le asigna a determinado mensurando sirve para

caracterizar la dispersión de los valores que se le atribuyen.

La distribución normal es utilizada para la descripción de la población de errores de medida,

cuando muchas fuentes independientes de error contribuyen simultáneamente en el error de
precisión de la medida. Estos errores , para ser descriptos por una ley normal, deben ser:

 no correlacionados,

 aleatorios,

 y aproximadamente de la misma magnitud.

Muestra y población

Se llama población al conjunto de todos los elementos objeto de estudio .

Muestra es un subconjunto extraído de la población mediante técnicas de muestreo cuyo

estudio sirve para inferir características de toda la población.

En el muestreo probabilístico todos los individuos de la población pueden formar parte de la

muestra. Por lo tanto es el tipo de muestreo utilizaremos.

Distribución normal

La distribución normal, también llamada distribución de Gauss, es la distribución de

probabilidad que con más frecuencia se utiliza en estadística y teoría de probabilidades. Esto
se debe a dos razones fundamentalmente:

 Su función de densidad es simétrica y con forma de campana, lo que favorece su

aplicación como modelo a gran número de variables estadísticas.

2
  Es, además, límite de otras distribuciones y aparece relacionada con multitud de
resultados ligados a la teoría de las probabilidades gracias a sus
propiedades matemáticas.

La función de densidad, f ( x ), está dada por:

La función de densidad está dada por:

( x-  )2
1 -
f(x)  e 2 2
,
 2
donde  es la media y  es la desviación estándar (  2 es llamada varianza).

Media Muestral

Si se tiene una muestra estadística de valores ( X 1 ,X 2 , ... ,X n ) para una variable aleatoria X con
distribución de probabilidad F ( X , θ ) (donde θ es un conjunto de parámetros de la
distribución), se define la media muestral n-ésima como:

1 n
x=  xi
n i 1

Varianza Muestral y Poblacional

De forma análoga a la Media Muestral y utilizando los mismos elementos que en la misma, la
definición de Varianza (que incorpora la corrección de Bessel) es la siguiente:

1 n

 xi  x  1 n 2

2 2
S2 = o S2 = xi  nx
n  1 i 1 n  1 i 1
Expresión de la varianza poblacional:

1 n
 2=   Xi   
2

N i 1
donde:

1 n
  
2
 2 = lim xi  x
n  n  1
i 1

MODELO DE MEDICIÓN

El mensurando puede ser medido directame nte o a partir de N magnitudes x i , a través de una
relación funcional f .

Y = f ( x1 , x2 ,..., xN )
Las magnitudes X i pueden considerarse como mensurandos, incluyendo correcciones y factores
de corrección debidos a efectos sistemáticos.

La función f debe ser interpretada como aquella función incluyendo todas las correcciones y
factores de corrección que puedan contribuir con componentes significativos de incertidumbre al
resultado de medición.

3
Evaluación tipo A de la incertidumbre estándar

Esta evaluación se realiza sobre una magnitud q que varía aleatoriamente (variable
aleatoria). Aquellos argumentos no evaluados a partir de observaciones repetidas deben
obtenerse por otros métodos.

Se utiliza como estimador para una muestra de n observaciones de q a la media aritmética:

1 n
q   qk
n k 1
Las observaciones individuales difieren en valor por efectos aleatorios. La varianza
experimental (muestral) de las observaciones que estima la varianza (poblacional) de la
distribución de probabilidades de q está dada por:

S q =
2 1 n
 qk  q
n  1 k 1
 
Esta expresión (llamada estrictamente varianza muestral) representa un estimador puntual
de la varianza poblacional. Dicho de otro modo, representa una estimación de la variación
del argumento q sobre la media de la muestra.

En el caso en que se conociera la media de la población, o n fuera lo suficientemente grande

puede utilizarse:

2
1 n
S  q  =   qk   
2

n k 1
La varianza de la media aritmética, más que la varianza de las observaciones individuales, es
la medida adecuada de la incertidumbre del resultado de una medición. El objeto de la
realización de una serie de mediciones es calcular un valor medio que sea el objeto de la
determinación llevada a cabo y una incertidumbre de ese valor medio. Por tanto, en el caso
en que se quisiera estimar la varianza de la media aritmética muestral:

q  =  
n 2
q q

2 k
S k k 1
S2 q =
n (n  1)n
y la incertidumbre tipo A estará dada por:


ua q = S 2 q 

Evaluación tipo B de la incertidumbre estándar

Esta evaluación se realiza sobre una magnitud q cuya variación se estima a partir de
información disponible de referencia, y no mediante observaciones repetidas. Esta
información resume la experiencia previa sobre el argumento (resultados de mediciones
previas, experiencia acumulada con las leyes que rigen la variación, calibraciones, etc).

Esta información se puede especificar como:

 Un valor de incertidumbre afectada a un múltiplo de la desviación estándar. Esta

información corresponde a una distribución normal a menos que se indique lo
contrario.

4
 Un valor de incertidumbre afectada a un nivel de confianza porcentual. Esta
información corresponde a una distribución normal a menos que se indique lo
contrario.

 El límite inferior y superior del argumento estudiado, donde la probabilidad de que el

valor se encuentre entre ellos es igual a 1. Esta información corresponde a una
distribución uniforme o rectangular, que representa un modelo que carece de sentido
físico. Para esta distribución, el punto medio del intervalo será:

qi =
 a  a 
2
La varianza asociada será:

 a  a 
2

S 2  qi  =
12
Si la diferencia entre los dos límites, a + , a - , es 2 c , entonces la varianza será:

c2
S 2  qi  =
3
Y la incertidumbre tipo B será:

uB  q i  = S 2  q i 
Si se especificara el parámetro  , donde 0 < < 1, la información corresponde a una
distribución trapezoidal con igual pendiente a ambos lados, donde la base inferior
tiene un ancho de 2 c y el ancho superior 2 c  .

Para esta distribución, el punto medio del intervalo será:

qi =
 a  a 
2
La varianza asociada será:

c 2 (1   2 )
S 2
 qi  =
6

Determinación de la incertidumbre estándar combinada

La incertidumbre estándar de y , donde y es la estimación del mensurando, y por tanto el

resultado de la medición, se obtiene combinando adecuadamente las incertidumbres estándar
de los argumentos x 1 ,x 2 ,...,x N . Esta es la incertidumbre estándar combinada de la estimación
y se denota u c (y).

Argumentos no correlacionados

Para el caso que los argumentos sean independientes entre sí, la va rianza combinada viene
dada por:

2
 f ( i )  2
N
uc  y  =  
2
  u ( xi )
i 1  xi 
donde u(xi) es una incertidumbre estándar.

5
Dos argumentos son estadísticamente independientes entre s i su distribución de probabilidad
conjunta es igual al producto de las distribuciones individ uales. Su coeficiente de correlación
entonces es cero.

La serie de Taylor de una función f ( x i ) infinitamente derivable (real o compleja) definida en

un intervalo abierto ( a-r , a+r ) se define como la siguiente suma:

  ( n ) f  i  
 
 N
 xi ( n ) 
f ( x1 , x2 ,....xN ) = y +    xi  i 
n

n=1 i 1 n!
Si se considera la ecuación truncada en el primer orden:
N
 f 
y = y +      xi  i 
i 1  xi 
Realizando un pasaje de términos tenemos:
N
 f 
y - y =      xi  i 
i 1  xi 
Elevando al cuadrado:
2
 N  f  
 y -  =       xi  i  
2

 i 1  xi
y
 
Se puede decir que la esperanza de la diferencia entre la media del mensurando y, y su
medición es su varianza:

E  y -   = u
y
2
c
2
 y
Por tanto tenemos:

f ( i ) f (  j )
2
 f ( i )  2
N N N
uc  y  =  
2
  u ( x )  2      u ( xi , x j )
xi  i 1 j 11 xi x j
i
i 1 
.
Para argumentos no correlacionados:
2
 f ( i )  2
N
uc  y  =  
2
  u  xi 
i 1  xi 
N 2

uc 2
 y  =  ci  u 2  xi 
i 1

Cuando se consideren varianzas asociadas a distintos orígenes de indeterminación de una

misma magnitud (lo cual implica c i = 1) se combinan las desviaciones estándar:

uc 2  y  = u 2 A  x   u 2 B  x 

Argumentos correlacionados

Si algunos de los argumentos x i están correlacionados significativamente:

f ( i ) f (  j )
2
 f ( i )  2
N N N
uc  y  =  
2
  u ( x )  2      u ( xi , x j )
xi  i 1 j 11 xi x j
i
i 1 

El coeficiente de correlación estimado está dado por:

6
 u ( xi ,x j )
r ( xi ,x j )=
u ( xi )  u ( x j )
donde –1 < r(xi,xj) < 1

f ( i ) f (  j )
2
 f ( i )  2
N N N
uc  y  =  
2
  u ( x )  2      u ( xi )  u( x j )  r ( xi ,x j )
xi  i 1 j 11 xi x j
i
i 1 

Determinación de la incertidumbre expandida

Es precisa la determinación de la incertidumbre expandida, cuando en necesario indicar una

medida que defina un intervalo de medición, donde se espera que esté incluida una fracción
determinadas de los valores atribuibles razonablemente al mensurando.

La incertidumbre expandida U se obtiene multiplicando la incertidumbre combinada u c ( y ) por

un factor de cobertura k p .

U p  k p  uc ( y)
Se expresa el resultado como:

Y  y U p
, con un nivel de confianza aproximado p asociado a k.
La incertidumbre expandida conlleva un determinado nivel de confianza asociado al factor de
cobertura utilizado. El nivel de confianza es la probabilidad aproximada de que el intervalo
de confianza contenga al valor verdadero del parámetro.

Teorema del límite central

El teorema del límite central indica que, en condiciones muy generales, la distribución de la
suma de variables aleatorias tiende a una distribución normal cuando la cantidad de
variables es muy grande. Existen diferentes versiones del teorema, en función de las
condiciones utilizadas para asegurar la convergencia. Una de las más simples establece que
es suficiente que las variables que se suman sean independientes,
idénticamente distribuidas, con valor esperado y varianza finitas. La aproximación entre las
dos distribuciones es, en general, ma yor en el centro de las mismas que en sus extremos o
colas, motivo por el cual se prefiere el nombre "teorema del límite central".

La consecuencia práctica del teorema es que si la incertidumbre estándar combinada u c (y) no

es dominada por una componente de la incertidumbre, una primera aproximación razonable
para calcular la incertidumbre expandida U p que proporcione un intervalo con nivel de
confianza p , es utilizar la k p correspondiente a una distribución normal:

Nivel de confianza Factor de cobertura

68,27 % 1,000

90,00 % 1,645

95,00 % 1,96

95,45 % 2,000

99,00 % 2,576

99,73 % 3,000

7
Se adopta como criterio para descartar medidas, el hecho que al calcular su desviación
estándar al respecto de la media, se supere el límite de 4 desviaciones estándar del conjunto
de valores.

Teorema de Chebyshev

La desigualdad de Chebyshev dice que la probabilidad de que una variable aleatoria esté
distanciada de su media en más de “a” veces la desviación típica, es menor o igual que 1/a 2 .
Si E(X) es la media (o la esperanza matemática) y σ es la desviación típica, entonces
podemos redefinir la relación como:

Pr  X  E ( X )  a    
1
a2
para todo número real positivo a.

Distribución normal estándar

Cuando  = 0 y  = 1, la distribución se conoce con el nombre de normal estándar.
Dada una variable aleatoria normal X, con media  y desviación típica , si definimos otra
variable aleatoria dada por:
X 
Z
 ,
entonces la variable aleatoria Z tendrá una distribución normal con  = 0 y  = 1.
La distribución normal estándar se encuentra tabulada bien para encontrar un nivel de
confianza dado un determinado rango que contendría la variable, bien para encontrar un
determinado rango dado un nivel de confianza dado.

En el caso que se quiera determinar el rango de variación de una variable X para un nivel de
confianza p , se halla k p de las tablas tabuladas, de manera que:

X 
 k p

Por lo tanto:

  k p   X    k p 

o mejor dicho:

  k p  uc  X    k p  uc

En el caso particular en el que se analice la dispersión de n distintas muestras en torno al

valor medio, entonces:

S S
  kp   X    kp 
n n

Distribución t-student

La distribución t-student es una distribución de probabilidad que surge del problema

de estimar la media de una población normalmente distribuida cuando el tamaño de la
muestra es pequeño.

8
Si z es una variable aleatoria normalmente distribuida con esperanza z y desviación
estandas , donde z es la media aritmética de n observaciones independientes y S(z) la
desviación estándar experimental (muestral), entonces la distribución de la variable:

z  z
t
S ( z)
es un a distribución t-student con v = n -1 grados de libertad (para una única variable
estimada en n observaciones independientes).

En general se define como grado de libertad a v = n - m , donde n es la cantidad de

mediciones y m la cantidad de parámetros a determinar.

Por tanto t p estima el rango de confianza con un nivel p , para un valor dado de grados de
libertad.

En el caso que utilicemos u c ( z ), como la combinación de varias incertidumbres, habrá que

utilizar los grados efectivos de libertad, que se calculan a partir de la siguiente fórmula
(fórmula de Welch-Satterthwaite):

uc 4 ( y )
vef  N
ci 4ui 4 ( y )

i 1 i
A los efectos prácticos el valor esperado E ( t ( n ))= 0 y la varianza Var ( t ( n )) = n /( n -2) para n
> 2.

El límite de esta distribución cuando n tiende a infinito es la distribución normal de media 0 y

desviación típica 1.

Entonces para el caso que se quiera determinar el rango de variación del valor medio de X,
sobre la base de grados de libertad menor a 30, entonces:

  t p  uc  X    t p  uc

9
 ESQUEMA PRÁCTICO DE TRABAJO

A los fines de la eval uación práctica de la incertidumbre de determinado mensurando se

puede definir el siguiente ordenamiento metodológico:

Definición y Alcance

Modelo matemático

Identificación - fuentes de error

Cuantificación - fuentes de error

Incertidumbre estándar combinada

Incertidumbre expandida

Presentación

Definición y Alcance: definir el mensurando, estudiar el procedimiento de medición,

los modelos físicos y matemáticos implícitos, los ciclos de
medición, el instrumental, la forma de registro y presentación
de la información. Definir el objeto de nuestra medición y el
alcance de la determinación de la incertidumbre.

Modelo matemático: elaborar un modelo matemático que describa el proceso de

medición del mensurando en función de argumentos
componentes según el alcance definido.

Identificación - fuentes de incertidumbre: identificar las fuentes de incertidumbre incluidas

dentro del alcance definido de la medición y del modelo
matemático desarrollado.

Cuantificación - fuentes de incertidumbre: cuantificar las fuentes de incertidumbre

clasificándolas según sean tipo A o B.

Incertidumbre estándar combinada: calcular la incertidumbre combinada sobre la base del

modelo matemático elaborado, las fuentes de incertidumbre, y
sus cuantificaciones.

Incertidumbre expandida: expandir la incertidumbre según el nivel de confianza deseado

Presentación: presentar los resultados de la incertidumbre de la medición en

cuestión de manera tal de minimizar los errores de
interpretación de los mismos, de acuerdo con el alcance fijado
inicialmente.

10
EJEMPLO PRÁCTICO

Definición y Alcance

Se busca determinar el módulo de elasticidad a tracción del material A en la dirección

longitudinal de una barra de sección rectangular.

Arreglo experimental

Se dispone de una barra con una longitud patrón sometida a carga mediante la aplicación de
pesas en uno de sus extremos. Se fija el otro extremo en una estructura que se considera
indeformable. La dirección de aplicación de la carga coincide con la dirección longitudinal de la
barra. Se define una longitud de referencia entre marcas sobre la base de la homogeneidad de la
carga axial.

Instrumental

 Balanza electrónica

 Calibre

Modelo matemático

De acuerdo al arreglo experimental y la definición del módulo de elasticidad es posible su

determinación mediante el siguiente modelo matemático:

W
E
L  L
d1  d 2  1
L
donde:

W = peso para la carga de la barra

d 1 = ancho de la sección de la barra

d 2 = alto de la sección de la barra

L = longitud patrón entre marcas

L1 = longitud medida entre marcas

Identificación - fuentes de error

Las fuentes de error se identifican en la tabla que sigue:

Argumento Tipo de incertidumbre Incertidumbre

W A medida
B calibración
B resolución
d1 A medida
B calibración
B resolución
d2 A medida
B calibración
11
 Argumento Tipo de incertidumbre Incertidumbre

B resolución
L1 A medida
B calibración
B resolución
L A medida
B calibración
B resolución

Cuantificación - fuentes de error

Peso

El peso de la masa de carga se midió con una balanza electrónica.

El certificado de calibración establece una desviación estándar de la medida asociada a la

calibración de 0,05941 kg.

La resolución de la balanza es de 200 gr.

Las medidas de peso obtenidas fueron:

n de medición medición
1 500,0 kgf
2 500,5 kgf
3 500,2 kgf
4 499,8 kgf
5 500,0 kgf
6 499,7 kgf
7 500,1 kgf
8 500,0 kgf
9 500,0 kgf
10 500,0 kgf
11 499,6 kgf
12 499,7 kgf
13 500,1 kgf
14 500,0 kgf
15 500,0 kgf
16 500,2 kgf
17 500,3 kgf
18 500,0 kgf
19 499,8 kgf
20 500,1 kgf
Valor medio 500,0 kgf
Incertidumbre 0,049 kgf

d1; d2
El ancho y alto del perfil de la barra se midió con un micrómetro.

12
Su calibración establece una desviación estándar de 0,0004 mm

Su resolución es de 0,001 mm

n Ancho Alto
1 2,003 mm 5,001 mm
2 2,003 mm 5,000 mm
3 1,998 mm 5,001 mm
4 2,000 mm 4,999 mm
5 2,001 mm 5,001 mm
6 2,004 mm 4,998 mm
7 1,996 mm 5,003 mm
8 2,001 mm 4,998 mm
9 2,001 mm 5,001 mm
10 1,997 mm 5,001 mm
Valor medio 2,0013 mm 5,0003 mm
Incertidumbre 0,0000016 mm 0,0000002 mm

L1; L2
Las longitudes entre marcas se midieron con un calibre.

Su calibración establece una desviación estándar de 0,004 mm

Su resolución es de 0,01 mm

n L L1
1 120,10 mm 122,00 mm
2 121,00 mm 122,00 mm
3 120,00 mm 123,00 mm
4 119,80 mm 122,70 mm
5 119,50 mm 122,30 mm
6 120,05 mm 122,50 mm
7 120,50 mm 122,20 mm
8 119,70 mm 122,00 mm
9 119,90 mm 122,80 mm
10 119,90 mm 122,35 mm
Valor medio 120,05 mm 122,39 mm
Incertidumbre 0,02 mm 0,01 mm

13
Incertidumbre combinada

La incertidumbre estándar combinada estará dada por:

 
 
  A
uc 2  E  =    u 2 (W )  u (W )  
1
(W )  uB
2 2

 d  d  1 
L L  
B cal resl

 
1 2
L
2
 
 
  A 1
   u 2( d )  u ( d1 )  
W 2
( d1 )  uB 2
 L L
 d 2  d  1   
B cal resl

 
1 2
L
2
 
 
  A 2
   u 2( d )  u ( d2 ) 
W 2
( d 2 )  uB 2
 L L
 d  d 2  1   
B cal resl

 
1 2
L
2
 
 
 
   u A ( L1 )  uB ( L1 )  
W
 2
( L1 )  uB
2 2

 
2 cal resl
 L1  L 
 d1  d 2  
 L 
2
 
 
 
   u A ( L )  uB ( L )
W W
  2
( L )  uB
2 2

d  d
 1 2 1  
L  L  L1  L  
2

cal resl

 d1  d 2  
 L 

Evaluando esta ecuación tenemos que sus coeficientes toman el valor:

i Ci
1 2,57492 E+13
2 1,53026 E+26
3 4,46261 E+30
4 4,70254 E+18
5 4,70254 E+18

La incertidumbre estándar combinada toma el valor:

uc  2,35  109 Pa

Incertidumbre expandida

Para la determinación de la incertidumbre expandida se utiliza como práctica común la función

estadística de Gauss. En nuestro caso aplicaremos esta distribución.

El valor medio del mensurando tomará el valor:

14
E  2, 4976  1010 Pa
Si buscamos un nivel de confianza del 95%, utilizando la tabla de la distribución normal:

k95%  1,96  2

En los casos donde la información que se considere no tenga la extensión y confiabilidad que
justifiquen el uso de una distribución normal, la aplicación del teorema del Límite Central es
suficiente para suponer que la distribución de probabilidad combinada corresponde a una
distribución t [1].

Aplicando esta distribución se tiene que los grados de libertad efectivos son:

ef  16

Sobre la base de la evaluación de los grados de libertad efectivos, se obtiene:

t95%  2,12

En cualquier caso, el factor de cobertura que se obtiene con la distribución t-student es más
conservativo que para el caso de una distribución normal.

PRESENTACIÓN

El valor medido del módulo de elasticidad para un nivel de confianza del 95% es:

2, 263  104 MPa  E  2,762  104 MPa

O de otra manera, se expresa el resultado de la determinación como:

E  2, 498  104 MPa  2,347  103 MPa con un 95% de nivel de confianza

15
ANEXO I – DISTRIBUCIONES DE PROBABILIDAD

16
17
REFERENCIAS

[1] ”Guide to the Expression of Uncertainty in Measurement 2nd edition” I.S.O. 1995 ISBN
92-67-0188-9

[2] ”Mechanical Measurements. Fifht Edition” T. Beckwith, R. Marangoni y J. Lienhard.

Addison Wesley. 1993

[3] ”U.S. Guide to the Expression of Uncertainty in Measurement” ANSI/NCSL Z540 -2-1996

18