e-medida. Revista Espaola de Metrologa.

Diciembre 2012

Jefa del Laboratorio Primario de Longitud, Centro Espaol de Metrologa

M Mar Prez Hernndez

Estimacin de incertidumbres. Gua GUM

La incertidumbre del resultado de una medida reeja la falta de conocimiento sobre el verdadero valor del mensurando. El resultado de medir tal mensurando tras aplicar las correcciones debidas a efectos sistemticos es todava una estimacin debido a la incertidumbre proveniente de los efectos aleatorios y a la falta de conocimiento completo de las correcciones aplicadas por los efectos sistemticos. En este artculo se pretende dar una breve descripcin, acompaada de ejemplos, de los pasos a seguir en la determinacin de incertidumbres. The uncertainty of the result of a measurement reects the lack of exact knowledge of the value of the measurand. The result of a measurement after correction for recognized systematic effects is still only an estimate of the value of the measurand because of the uncertainty arising from random effects and from imperfect correction of the result for systematic effects. This article aims to give a brief description with examples of the steps in determining uncertainties.

114

1. Introduccin
Una medida sin una indicacin cuantitativa de la calidad del resultado es inservible, esta indicacin es lo que denominaremos incertidumbre. La palabra incertidumbre signica duda, duda sobre la validez del resultado de una medida y reeja la imposibilidad de conocer exactamente el valor del mensurando. La estimacin de incertidumbres no es un trabajo sencillo en el que exista consenso. Se sigue pues trabajando y elaborando guas. Gracias a un grupo de trabajo, en 1993 la ISO present la primera edicin de la Gua para la expresin de la incertidumbre de la medida (GUM). En esta Gua se establecen reglas generales para evaluar y expresar la incertidumbre en la medicin, no cmo puede utilizarse esta estimacin para tomar decisiones. Para esto ltimo est la norma UNE-EN ISO 14253-1:1999 Especicacin geomtrica de productos (GPS). Inspeccin mediante medicin de piezas y equiA pesar de que la existencia de esta gua nos ha facilitado mucho el trabajo no debe perderse de vista que la evaluacin de la incertidumbre no es un proceso meramente matemtico que debe realizarse despus de cada medicin, sino algo ms complejo, tal como la propia gua aclara: Aunque la presente Gua proporciona un marco de actuacin para la evaluacin de la incertidumbre, este no puede nunca sustituir a la reexin crtica, la honradez intelectual y la competencia profesional. La evaluacin de la incertidumbre no es ni una tarea rutinaria ni algo puramente matemtico; depende del conocimiento detallado de la naturaleza del mensurando y de la medicin. La calidad y utilidad de la incertidumbre asociada al resultado de una medicin dependen en ltimo trmino del conocimiento, anlisis crtico e integridad de aquellos que contribuyen a su evaluacin. (Gua para la expresin de la incertidumbre de medida, Seccin 3.4.8) Segn la denicin de la GUM la incertidumbre es el parmetro asociado al resultado de una medida, que caracteriza la dispersin de los valores que razonablemente pueden ser atribuidos al mensurando. Los documentos base para la estimacin de incertidumbres son los siguientes, siendo el primero, el documento de referencia fundamental: Evaluation of measurement data Guide to the expression of uncertainty in measurement Evaluation of measurement data Supplement 1 to the Guide to the expression of uncertainty in measurement Propagation of distributions using a Monte Carlo method Evaluation of measurement data Supplement 2 to the Guide to the expression of uncertainty in measurement Extension to any number of output quantities

pos de medida. Parte 1: Reglas de decisin para probar la conformidad o no conformidad con las especicaciones.

2. Causas de incertidumbre.
En la prctica de la medicin existen muchas posibles fuentes de incertidumbre, entre ellas: a) denicin incompleta del mensurando; b) realizacin imperfecta de la denicin del mensurando; c) muestra no representativa del mensurando; d) conocimiento inadecuado de los efectos de las condiciones ambientales sobre la medicin, o medicin imperfecta de dichas condiciones ambientales; e) lectura sesgada de instrumentos analgicos, por parte del operador; f) resolucin del instrumento de medida; g) valores inexactos de los patrones de medida o de los materiales de referencia; h) valores inexactos de constantes y otros parmetros obtenidos de fuentes externas, utilizados en el algoritmo de tratamiento de datos; i) aproximaciones y suposiciones establecidas en el mtodo y procedimiento de medicin; j) variaciones en la repeticin de las observaciones del mensurando bajo condiciones aparentemente idnticas. Estas fuentes no son necesariamente independientes, y algunas de ellas, a) a i), pueden contribuir a la fuente j). La incertidumbre instrumental es la componente de la incertidumbre de medida que procede del instrumento o sistema de medida utilizado y se obtiene mediante calibracin de ste. En el caso de un patrn primario suele obtenerse a partir de la participacin en comparaciones clave interlaboratorios.

e-medida. Revista Espaola de Metrologa. Diciembre 2012

La evaluacin de la incertidumbre asociada a una medicin es fundamental para, posteriormente, poder comprobar la conformidad de un producto o bien con las especicacio-

nes que le sean de aplicacin, ya sean de diseo, legales, o de otro tipo (UNE-EN ISO 14253-1).

3. Incertidumbre y probabilidad.
Para poder empezar a evaluar de una forma operativa la incertidumbre de una medida, deben verse los valores obtenidos en una medicin desde el punto de vista de la teora de la probabilidad. El conjunto de todos los posibles resultados de un experimento aleatorio se denomina espacio muestral. La funcin que asigna un nmero real a cada elemento del espacio muestral es la variable aleatoria. El rango de esta funcin es el conjunto de todos los posibles valores de esta variable. En nuestro caso estamos interesados en conocer una magnitud X despus de la realizacin de un experimento. Denominando x a cada uno de los elementos del espacio muestral, definiremos como funcin densidad de probabilidad pdf la funcin f(x) en el rango de (0, ) tal que la probabilidad infinitesimal dp de que el valor de la variable se halle entre los valores x y x+ d x es f(x) dx. De aqu que la probabilidad de que una variable aleatoria tome valores entre los lmites xa y xb es:

La funcin de distribucin de una magnitud medida describe el conocimiento que tenemos de la realidad de esa magnitud. Para nuestro propsito, los parmetros ms interesantes de la funcin de distribucin son: la esperanza matemtica o

el valor esperado, la varianza y la covarianza en el caso de dos magnitudes relacionadas entre s. Dada una magnitud Xi cuya funcin de densidad de probabilidad sea f(xi) se define el valor esperado E(Xi) como:

La varianza de una variable aleatoria o de una distribucin de probabilidad se dene como:

Como propiedades podemos destacar que la esperanza matemtica es un operador lineal y la varianza no lo es.

El mejor estimador de Xi ser aquel que minimice la expresin:

respecto a xi. El mnimo aparece cuando Por otro lado la varianza de una funcin de densidad nos da idea de la dispersin de los valores. La incertidumbre se define como la raz cuadrada positiva de la varianza.

116

4. Evaluacin de las incertidumbres de medicin

Siguiendo la GUM podemos agrupar las componentes de incertidumbre en dos categoras segn el mtodo de evaluacin, tipo A y tipo B. La clasicacin en tipo A y tipo B no implica ninguna diferencia de naturaleza entre las componentes de estos tipos, consiste nicamente en dos formas diferentes de evaluar las componentes de incertidumbre, y ambos se basan en distribuciones de probabilidad.

Evaluacin tipo A
La evaluacin tipo A de la incer tidumbre se utiliza cuando se realizan n observaciones independientes entre s de una de las magnitudes de entrada X i bajo las mismas condiciones de medida. En la mayor par te de los casos, la mejor estimacin disponible de la esperanza matemtica q de una magnitud q que vara al azar, de la que se han obtenido n observaciones independientes qk en las mismas condiciones de medida, es la media aritmtica de las n observaciones:

Los valores de las observaciones individuales q k difieren entre s debido a variaciones aleatorias de las magnitudes de influencia o de efectos aleatorios. La

varianza 2 de la distribucin de probabilidad de q se estima mediante la varianza experimental de las observaciones, y viene dada por:

Esta estimacin de la varianza y su raz cuadrada s ( q k), denominada desviacin tpica experimental, caracterizan la variabilidad de los valores observados qk o, ms especficamente, su dispersin alrededor de su media .

La mejor estimacin de la varianza de la media viene dada por la varianza experimental de la media:

que, junto con la desviacin tpica experimental de la media, s( qk), cuantifican la bondad con que q estima la esperanza matemtica q . Para una magnitud de entrada Xi determinada a partir de n observaciones repetidas e independientes, la incertidumbre tpica de su estimacin es se denomina incer tidumbre tpica de tipo A . En algunas situaciones pueden utilizarse otros mtodos estadsticos, como el mtodo de mnimos cuadrados o el anlisis de la varianza. Por ejemplo, la utilizacin ,y

de modelos de calibracin basados en el mtodo de mnimos cuadrados es til para evaluar las incer tidumbres procedentes de variaciones aleatorias, a cor to y a largo plazo, de los resultados de comparaciones de patrones materializados de valor desconocido, tales como bloques o masas patrn, con patrones de referencia de valor conocido. Las componentes de la incer tidumbre pueden evaluarse en estos casos por anlisis estadstico de los datos obtenidos utilizando diseos experimentales consistentes en secuencias de mediciones del mensurando para un cier to nmero de valores diferentes de las magnitudes de las que este depende.

e-medida. Revista Espaola de Metrologa. Diciembre 2012

Evaluacin tipo B
La evaluacin tipo B de la incertidumbre tpica se utiliza cuando la estimacin xi de una magnitud de entrada X i no ha sido obtenida a partir de observaciones repetidas. La varianza estimada asociada u 2(xi), o la incertidumbre tpica u(xi), se obtiene entonces mediante decisin cientfica basada en la informacin disponible acerca de la variabilidad posible de Xi. El conjunto de la informacin puede comprender: - resultados de medidas anteriores; - la experiencia o el conocimiento general del comIncertidumbre debida al patrn o instrumento calibrado La incer tidumbre tpica se obtiene dividiendo la incer tidumbre expandida dada en el cer tificado de calibracin del patrn por el factor de cober tura indicado: portamiento y propiedades de los materiales y los instrumentos utilizados; - las especificaciones del fabricante; - los datos suministrados por certificados de calibracin u otros certificados; - la incertidumbre asignada a valores de referencia procedentes de libros y manuales. Segn la fuente de la que se obtiene esa incertidumbre tipo B , sta se estimar de distinta manera. Algunos ejemplos de evaluacin tipo B son:

Incertidumbre debida a la resolucin Una de las fuentes de incer tidumbre de un instrumento es la resolucin de su dispositivo indicador, si se trata de un instrumento digital, o la incer tidumbre debida a la resolucin de lectura, si se trata de un instrumento analgico. En el caso del instrumento analgico la resolucin depende del operador o de los medios que ste emplee en la lectura (amplificacin ptica, p. ej.). Si la resolucin del dispositivo indicador es x, el valor de seal de entrada que produce una indicacin dada X puede situarse con igual probabilidad en cualquier punto dentro del intervalo que va de (X-x/2) a (X+x/2) . La seal de entrada puede describirse entonces por medio de una distribucin rectangular de rango x y varianza u 2=(x)2/12 , lo que supone una incertidumbre tpica para cualquier indicacin de:

Incertidumbre debida a la deriva del patrn La deriva de un patrn no es fcil de determinar en muchos casos, y es un parmetro independiente y caracterstico de cada patrn. Su valor depende, entre otros factores, de las condiciones de uso y mantenimiento, de la frecuencia de utilizacin, de la exactitud del instrumento, del periodo entre calibraciones, etc. Para su clculo, se puede par tir del histrico de calibraciones sucesivas del patrn y estimar una variacin del valor cer tificado p . Para la evaluacin de la incer tidumbre podremos aplicar un tipo de distribucin rectangular o triangular segn los conocimientos que tengamos del histrico del patrn. Se darn ms ejemplos calculados al final del texto.

118

5. Estimacin de la incertidumbre combinada y la expandida. Factor de cobertura, k

Una medicin fsica, por simple que sea, tiene asociado un modelo que se aproxima al proceso real. El modelo fsico se representa mediante un modelo matemtico que en muchos casos supone aproximaciones.

5.1. Ley de propagacin de incertidumbres, LPI. Incertidumbre combinada En la mayor par te de los casos, el mensurando Y no se mide directamente, sino que se determina a par tir de otras N magnitudes X 1, X2, ..., XN , mediante una relacin funcional f:

La funcin f no expresa tanto una ley fsica como el proceso de medida y debe contener todas las magnitudes que contribuyen al resultado final, incluyendo las correcciones, aunque estas sean de valor nulo, para poder considerar las incer tidumbres de dichas correcciones. En principio, mediante evaluacin tipo A o evaluacin tipo B, seramos capaces de conocer las funciones de

distribucin de cada una de las magnitudes de entrada y podra derivarse de aqu la funcin de distribucin de la magnitud indirecta. Teniendo en cuenta el desarrollo en serie de Taylor de primer orden en torno al valor esperado, gracias a las propiedades de la varianza podemos obtener la ley de propagacin de incer tidumbres, la cual facilita la estimacin de stas.

Los trminos ci , cj son los coeficientes de sensibilidad e indican el peso que supone cada una de las distintas magnitudes de entrada en la magnitud de salida, representada por la funcin de medicin. El segundo trmino es el trmino de covarianza en el que apareEjemplo 1: LPI para modelos de la forma: En este caso obtenemos Un ejemplo de este modelo puede ser el mdulo de elasticidad de un metal. E = /

ce la influencia de unas magnitudes de entrada sobre otras, en el caso de que estas estn correlacionadas. Si las magnitudes de entrada son independientes puede simplificarse la ecuacin, desapareciendo el segundo trmino y quedando nicamente el primero.

e-medida. Revista Espaola de Metrologa. Diciembre 2012

Cuando no es posible escribir el modelo de medicin de una forma explcita, los coecientes de sensibilidad no pueden ser calculados de forma analtica, sino de forma 5.2. Limitaciones de la LPI La ley de propagacin de incertidumbres se puede aplicar cuando: 1. nicamente aparezca una magnitud de salida en el modelo matemtico. 2. El modelo matemtico sea un modelo explcito, es decir, Y = f (Xi). 3. Puedan ser calculadas la esperanza matemtica, las incertidumbres tpicas y las incertidumbres mutuas de las magnitudes de entrada. 4. El modelo sea una buena aproximacin a un desarrollo lineal en torno al mejor estimador de las magnitudes de entrada. Cuando se trata de modelos no lineales se puede realizar la aproximacin de segundo orden de la serie de Taylor, o incluso obtener los valores de esperanza matemtica y varianza sin aproximaciones, directamente, soluciones mucho ms complejas matemticamente que la ley de propagacin de incertidumbres. Despus de la elaboracin de la gua GUM, se ha trabajado en guas suplementarias a sta, para la evaluacin de incertidumbres por otros mtodos. Una de ellas ha incidido en calcular la incertidumbre mediante el mtodo de Montecarlo. La idea bsica de este mtodo, til tanto para modelos lineales como para modelos no lineales, es que suponiendo 5.3. Incertidumbre expandida La incertidumbre tpica combinada sirve para caracterizar la calidad de las medidas. En la prctica lo que se necesita es conocer el intervalo dentro del cual es razonable suponer, con alta probabilidad de no equivocarse, que se encuentran los innitos valores que pueden ser razonablemente atribuidos al mensurando. Nos podramos preguntar si podramos emplear la incertidumbre tpica combinada para denir dicho intervalo (y-u, y+u). En este caso, la probabilidad de que el valor verdadero del mensurando est comprendido en el intervalo (y-u, y+u) es baja ya que, en el supuesto de que la funcin de distribucin del mensurando y sea una funcin normal, estamos hablando de un 68,3 %.

numrica, introduciendo pequeos cambios xi + xi en las magnitudes de entrada y observando los cambios que se producen en las magnitudes de salida.

un modelo Y = f (X i) , donde todas las magnitudes de entrada puedan ser descritas por sus funciones de distribucin, puede emplearse un algoritmo matemtico programado para generar una secuencia de valores t i = (x1, .......xN) donde cada xi es generado de forma aleatoria a partir de su funcin de distribucin (extracciones de su funcin de distribucin). El valor de y1 obtenido de cada secuencia t i es calculado empleando el modelo de medicin, repitindose el proceso un gran nmero de veces, del orden de 105 106. Este elevado nmero de repeticiones permite obtener una funcin de distribucin para la magnitud y , y el clculo de su esperanza matemtica y su desviacin tpica de forma matemtica, lo que nos conducir a los resultados de mejor estimador e incertidumbre tpica combinada asociada. En este proceso realmente no se emplean los resultados de la medicin de los parmetros de entrada para dar un resultado de la medicin, sino para establecer con ellos las funciones de distribucin de las magnitudes de entrada y poder generar de forma aleatoria valores de la magnitud funcin de dichas magnitudes de entrada. Como se trata de una generacin automatizada, pueden generarse muchsimos ms valores que si se realizase la medicin realmente y con todos ellos encontrar la funcin de distribucin de la magnitud que es funcin de las magnitudes de entrada. Conocida sta matemticamente, se obtienen los resultados y las incertidumbres asociadas.

Para aumentar la probabilidad hasta valores ms tiles de cara a la toma posterior de decisiones, podemos multiplicar la incertidumbre combinada por un nmero denominado factor de cobertura kp y emplear el intervalo (y-uc(y) kp, y+ uc(y) kp) El producto k p u c(y) = U p se denomina incertidumbre expandida, donde kp es el factor de cobertura para un nivel de confianza p Matemticamente esto quiere decir que:

120

De donde el rea de la funcin de densidad asociada a Y dentro de este intervalo es:

El intervalo que nos interesa conocer es ( y - Up , y + Up ) La relacin entre p y k p depende, evidentemente, de la funcin de densidad f(Y) que se obtiene de la informacin acumulada durante el proceso de medicin. 5.4. Tipos de distribuciones 5.4.1. Distribucin rectangular

Para un nivel de confianza p calculamos la integral de la funcin de distribucin:

La desviacin tpica es:

Para calcular el factor de cobertura:

e-medida. Revista Espaola de Metrologa. Diciembre 2012

Operando se obtiene:

Ejemplo: Dada una cier ta magnitud t se sabe que viene descrita por una distribucin rectangular simtrica, de extremos 96 y 104. Determinar el factor de cober tura y la incer tidumbre expandida para un nivel de confianza del 99 %. 5.4.2. Distribucin triangular En este caso tenemos que a = 4, = 100, y = 2,31, y que para un nivel de conanza del 99 % el factor de cobertura es 1,71. Entonces, la incertidumbre expandida es: U 99 = kp u = 1,712,31=3,949

Para un nivel de confianza p se calcula la integral de la funcin de densidad:

122

Como la desviacin tpica es:

Operando se obtiene:

5.4.3. Distribucin normal En la mayor parte de los procesos de medicin la distribucin que describe mejor lo observado es la distribucin normal.

La distribucin normal de = 0 y = 1 se denomina distribucin normal tipicada o estndar. La integracin necesaria para la determinacin de los intervalos de conanza es ms complicada. No obstante en el caso de la distribucin normal estndar existen tablas que permiten realizar de forma sencilla ese clculo. La forma de obtener los intervalos de conanza es mediante Ejemplo:

la tipicacin. Si tenemos una variable o magnitud Y que se distribuye segn una N(,) , se dene una variable normal tipicada como . La integracin de la distribucin normal tipicada N(0,1) est en las tablas. A partir de ellas se determinan los intervalos de conanza.

Si para un nivel de conanza p, el intervalo de conanza que se dene para una distribucin N(0,1) es (-kp, kp) ; como Z es una distribucin N(0,1):

e-medida. Revista Espaola de Metrologa. Diciembre 2012

En una distribucin normal el factor de cobertura kp, para un nivel de confianza p es:

La incertidumbre expandida se calcula segn Up (y) = kp u c (y) . 5.4.4. Distribucin t -Student Sea Z una variable aleatoria de esperanza z y desviacin tpica z de la que se realizan n observaciones, estimndose un valor medio z y una desviacin estndar experimental s(z) . Se puede denir la siguiente variable cuya distribucin es la t-Student con grados de libertad

El nmero de grados de libertad es = n -1 para una cantidad estimada mediante la media aritmtica de n observaciones independientes. Si se usan las n observaciones independientes para realizar un ajuste mediante mnimos cuadrados de m parmetros, el nmero de grados de libertad es = n -m Ejemplo: Supongamos que el mensurando Y es simplemente una magnitud que se estima por la media aritmtica X de n observaciones independientes, siendo s(X) la desviacin tpica experimental: La mejor estimacin de Y es X con incertidumbre asociada uc (y) = s(X)

Para una variable t-Student con grados de libertad, el intervalo para el nivel de confianza p es ( -t p ( v ) , t p ( v )) . El factor t p ( v ) se encuentra en las tablas de la t de Student

La variable

se distribuye segn la t-Student . Por lo tanto:

El factor de cobertura es t p (v) y la incertidumbre expandida U p (v) = tp (v) uc (y) .

124

5.5. Determinacin de la incertidumbre expandida despus de la medicin El problema que se nos plantea es determinar la incertidumbre expandida despus de realizada una medicin. Si se trata de una medida directa, podemos actuar de distintas formas:

- Incertidumbre determinada segn evaluacin tipo A de la incertidumbre El factor de cobertura para un nivel de conanza dado se obtiene a partir de la distribucin t de Student con n-1 grados de libertad, siendo n el nmero de mediciones, o bien de la distribucin normal, si el nmero de reiteraciones es sucientemente grande.

- Incertidumbre determinada si la distribucin Y es rectangular, centrada en el estimador y El factor de cobertura se obtiene de la distribucin rectangular Si se trata de calcular la incertidumbre expandida para una medida indirecta resulta algo complicado calcular la funcin de distribucin, la cual debe realizarse por mtodos analticos o numricos especiales. Pero podemos pensar en simplicar: Una primera aproximacin sera calcular la funcin de distribucin de probabilidad por convolucin de las distribuciones de probabilidad de las magnitudes de entrada. Una segunda aproximacin sera suponer la medida indirecta como funcin lineal de las magnitudes de entrada

5.5.1. Teorema del lmite central El teorema del lmite central en sus diferentes versiones asegura que la suma de variables aleatorias independientes y equidistribudas converge a una normal. Sobre el papel la convergencia es comnmente rapidsima, pero los experimentos reales hacen que uno desespere antes de ver la campana de Gauss. No hay contradiccin en ello, por ejemplo podemos entender la probabilidad 1/2 de obtener cara como un lmite cuando tiramos innitas veces una moneda y no podemos exigir que tras 20 o 30 tiradas tengamos una aproximacin precisa contando el porcentaje de aciertos. Los siguientes grficos muestran los histogramas de la suma de las puntuaciones de 10 dados comparados con la normal correspondiente cuando se repite el experimento cien, mil y diez mil veces. Naturalmente provienen de una simulacin con ordenador.

Suma de puntuaciones de diez dados tirados cien veces

Suma de puntuaciones de diez dados tirados mil veces

e-medida. Revista Espaola de Metrologa. Diciembre 2012

Supongamos que una medida indirecta es funcin lineal de las magnitudes de entrada segn la ecuacin 33:

Suma de puntuaciones de diez dados tirados diez mil veces

El Teorema central del lmite dice: La distribucin asociada a Y se aproximar a una distribucin normal de esperanza varianza y siendo E(Xi) la esperanza luaciones de tipo A basadas en pocas observaciones, o en evaluaciones de tipo B basadas en distribuciones rectangulares. La convergencia hacia la distribucin normal ser tanto ms rpida cuanto mayor sea el nmero N de variables involucradas, cuanto ms normales sean stas, y cuando no exista ninguna dominante. En consecuencia, una primera aproximacin para determinar la incertidumbre expandida que dene un intervalo de nivel de conanza p ser utilizar el factor de cobertura propio de una distribucin normal, kp.

de Xi y 2(Xi) la varianza de Xi. Esto ocurre si las Xi son independientes y 2(Y) es mucho mayor que cualquier otra componente individual ci 2(Y) Las condiciones del teorema se cumplen cuando la incertidumbre combinada uc(y) no est dominada por componentes de incertidumbre tpica obtenidas por eva-

Si el nmero de lecturas aleatorias es pequeo, entonces el valor de uA derivado puede ser inexacto, y la distribucin de la componente aleatoria es mejor representarla median-

te la distribucin t-Student. Sobreestimaramos la incertidumbre, especialmente si q fuera pequeo y los valores de uA y uB fueran comparables en tamao.

5.5.2. Grados de libertad efectivos. Aproximacin de Welch-Satterthwaite El problema se puede resolver empleando la frmula de aproximacin de Welch-Satterthwaite con la que se calcula el nmero de grados de libertad efectivos de la combinacin de la distribucin t-Student con una distribucin gaussiana. La distribucin resultante se tratar como una distribucin tStudent con el nmero de grados de libertad calculados.

o bien:

126

Si se usan incertidumbres relativas, el nmero de grados de libertad efectivos es:

En evaluaciones tipo B, para calcular los grados de libertad efectivos, utilizaremos la aproximacin dada por la siguiente frmula:

Esta frmula se obtiene al considerar la incertidumbre de la incertidumbre. Cuanto mayor sea el nmero de grados de libertad mayor es la conanza en la incertidumbre. En la prctica, en evaluaciones tipo B, vi

En evaluaciones tipo A el clculo del nmero de grados de libertad depender del estadstico empleado para evaluar el valor ms probable.

Ejemplo 1. Resolucin y redondeo

Evaluar la contribucin a la incertidumbre debida a la resolucin de un equipo de medida. Por ejemplo la resolucin de un micrmetro centesimal (e = 0,01 mm) en la medida de un bloque patrn.
Tanto para equipos analgicos como para equipos digitales el hecho de emplear un instrumento con una resolucin e

supone que la indeterminacin de los valores medidos se encuentra entre e/2 con igual probabilidad en todo este rango; en este caso tenemos pues una distribucin rectangular de semiamplitud 0,005 mm. Por ello su contribucin a la incertidumbre se evala como:

Tanto la resolucin digital como la analgica, as como el redondeo, dan origen a una contribucin de incertidumbre que puede ser analizada teniendo en cuenta una distribucin rectangular con valor lmite r/2
Ejemplo 2. Deriva

Para la calibracin de un micrmetro se emplean bloques patrn calibrados. Suponiendo que los bloques se encuentran dentro del periodo de calibracin y se les permite una deriva de 30 nm entre calibraciones, evaluar la contribucin a la incertidumbre debida a la deriva del valor del bloque desde la ltima calibracin.

Puede considerarse para la deriva una distribucin triangular, aunque podra tomarse una distribucin rectangular. Teniendo en cuenta que entre calibraciones no se supera el valor e, se obtiene:

e-medida. Revista Espaola de Metrologa. Diciembre 2012

Ejemplo 3. Certicado de calibracin

Para la calibracin del micrmetro los bloques que se emplean son calibrados por comparacin y tienen una incertidumbre certicada de 60 nm para un factor de cobertura k = 2.

La evaluacin de la incertidumbre tpica asociada a un valor certicado se obtiene del propio certicado conociendo el factor de cobertura empleado. El resultado en este caso es:

Ejemplo 4. Patrn de referencia

Para la calibracin de un micrmetro se emplean bloques patrn calibrados por comparacin con una incertidumbre certicada de 60 nm para un factor de cobertura k = 2. Suponiendo que los bloques se encuentran dentro del periodo de calibracin y se les permite una deriva de 30 nm entre calibraciones; evaluar la incertidumbre asociada al uso de los bloques patrn como referencia en la calibracin del micrmetro.

Se evala mediante la ley de propagacin de incer tidumbres como la raz cuadrada positiva de la combinacin cuadrtica de la incer tidumbre debida al cer tificado de calibracin y la debida a la deriva del valor de dichos bloques en el tiempo, es decir

Ejemplo 5. Inuencia de la temperatura

En el caso anteriormente citado, supondremos que los bloques son de acero, con coeciente de dilatacin = (11,5 1) 10-6 C-1 y suponemos que la medicin se realiza en condiciones de laboratorio en el cual permitimos que exista una variacin de temperatura durante el proceso de medicin de 0,025 C. Para la medicin

de la temperatura se emplean sensores de temperatura cuya incertidumbre es 0,02 C y su resolucin es 0,001 C. Evaluar la incertidumbre asociada a la temperatura
En el caso mencionado podemos suponer un modelo matemtico:

En el modelo matemtico no se especican las correcciones, ya que lo que se busca es evaluar la incertidumbre asociada a la temperatura. Los coecientes de sensibilidad se evalan calculando las

derivadas parciales del modelo matemtico respecto al coeciente de dilatacin y respecto a la variacin de temperatura. Con ello obtenemos:

128

y la contribucin a la incertidumbre asociada a la longitud:

En este caso debemos tener en cuenta dos contribuciones de incertidumbre diferentes, una debida a la incertidumbre asociada al coeciente de dilatacin y otra a la 1. u( a ) , Incertidumbre debida al coeficiente de dilatacin Para evaluar esta incertidumbre supondremos una distribucin rectangular en torno al valor medio del coeciente

incertidumbre asociada al conocimiento no exacto de la diferencia de temperatura respecto a 20 C en el instante de calibracin.

de dilatacin cuyo semirrango es 1 10-6, por tanto la incertidumbre tpica asociada se obtiene como:

2. u( q ) , Incertidumbre debida al conocimiento no exacto de la diferencia de temperatura respecto a 20 C en el momento de la calibracin Para evaluar el valor de la temperatura de los bloques se emplean sensores de temperatura Pt-100 con resolucin 0,001 C y se permite una variacin de temperatura durante la medicin de 0,025 C. Consideraremos las siguientes fuentes de incertidumbre:

2.1 Variacin de la temperatura t, durante la medicin

Suponiendo una distribucin rectangular obtenemos:

2.2 Resolucin del termmetro empleado

La incertidumbre asociada es:

2.3 Calibracin del termmetro empleado

Segn se especica en el certicado de calibracin su

incertidumbre expandida es U (tcal) = 0,02 C para k = 2 Por lo tanto

2.4 Deriva del termmetro

Podemos estimar una deriva entre calibraciones de 0,01 C.

En este caso supondremos una distribucin rectangular, ms conservadora que una triangular

e-medida. Revista Espaola de Metrologa. Diciembre 2012

Teniendo en cuenta todas las contribuciones asociadas al desconocimiento del valor de la temperatura, (47 a 50) del bloque obtenemos:

Empleando la frmula 45 obtenemos:

7. Pasos a seguir para estimar el resultado de una medicin De forma esquemtica y siguiendo las recomendaciones de la GUM los pasos a seguir para estimar la incertidumbre de medicin son los siguientes: 1) Expresar matemticamente la relacin existente entre el mensurando Y y las magnitudes de entrada X i de las que depende Y en la forma Y = f(Xi). La funcin f debe contener todas las magnitudes, incluyendo las correcciones. 2) Determinar x i, valor estimado de la magnitud de entrada X i, bien a partir del anlisis estadstico de una serie de observaciones, bien por otros mtodos. 3) Evaluar la incertidumbre tpica u(xi) de cada estimacin de entrada xi. La evaluacin podr ser de tipo o A de tipo B. 4) Evaluar las covarianzas asociadas a todas las estimaciones de entrada que estn correlacionadas. 5) Calcular el resultado de medicin; esto es, la estimacin y del mensurando Y, a partir de la relacin funcional f utilizando para las magnitudes de entrada Xi las estimaciones x i obtenidas en el paso 2. 6) Determinar la incertidumbre tpica combinada u c(y) del resultado de medida y, a partir de las incertidumbres tpicas y covarianzas asociadas a las estimaciones de entrada. 7) Si es necesario dar una incertidumbre expandida U, cuyo n es proporcionar un intervalo [ y U, y + U] en el cual pueda esperarse encontrar la mayor parte de la distribucin de valores que podran, razonablemente, ser atribuidos al mensurando Y, multiplicar la incertidumbre tpica combinada uc(y) por un factor de cobertura k, normalmente comprendido entre 2 y 3, para obtener U = k uc(y). Seleccionar k considerando el nivel de conanza requerido para el intervalo (normalmente el 95 %). 8) Documentar el resultado de medicin y , junto con su incertidumbre tpica combinada uc(y) , o su incertidumbre expandida U. Cuando el resultado de una medicin viene acompaado de la incertidumbre expandida U = k u c(y) , se debe: a) describir completamente la forma en que se ha denido el mensurando Y; b) indicar el resultado de la medicin en la forma Y = y U , y dar las unidades de y, y de U ; c) incluir la incertidumbre expandida relativa U/ y, y0, cuando proceda; d) dar el valor de k utilizado para obtener U [o, para facilitar al usuario el resultado, proporcionar tanto el valor de k como el de uc(y) ]; e) dar el nivel de conanza aproximado asociado al intervalo y U , e indicar cmo se ha determinado;

130

8. Conclusiones Todo proceso de medida tiene como fin obtener informacin sobre el mensurando con objeto de evaluar su conformidad con las especificaciones, realizar comparaciones o tomar otras decisiones. En cualquier caso, el resultado de la medida es tan importante como la calidad de dicha medida. La calidad de una medida se cuantifica mediante la evaluacin de incertidumbre de dicha medida. El resultado de toda medicin y debe documentarse junto a su incer tidumbre tpica combinada u c (y) , o su incer tidumbre expandida U , indicando el factor de cober tura o el nivel de confianza asociado al intervalo y U. La evaluacin de la incertidumbre no es una tarea matemtica unvoca, pero gracias a la Gua para la expresin de la incertidumbre de medida puede analizarse segn unas reglas generales. Esta gua ha facilitado la comparacin de resultados interlaboratorios dado que se ha extendido ampliamente y de esta forma se emplea un lenguaje comn. En este artculo se ha tratado de dar una breve descripcin, acompaada de ejemplos, de los pasos a seguir en la determinacin de incertidumbres siguiendo la GUM. En un primer paso se debe representar mediante un modelo matemtico el modelo fsico de la medicin que se realiza e identificar cada una de las magnitudes de entrada de las que depende, as como sus relaciones, si existen. Posteriormente se evalan las incertidumbres tanto desde un punto de vista objetivo, estadstico, como desde un punto de vista subjetivo, es decir teniendo en cuenta todos los aspectos que influyen en el resultado de una medida, como pueden ser los factores inherentes al instrumento, condiciones ambientales, etc. Mediante la ley de propagacin de incertidumbres u otros mtodos se obtiene la incertidumbre tpica combinada asociada a la estimacin final del mensurando. Finalmente se amplia dicha incertidumbre mediante un factor de cobertura para obtener una incertidumbre expandida de forma que el nivel de confianza del intervalo y U sea mayor.

Bibliografa
1 Vocabulario Internacional de Metrologa VIM, 3 edicin 2008 (espaol). http://www.cem.es/sites/default/les/vim3edes.pdf. 2 Metrologa Abreviada, traduccin al espaol de 3 edicin. Edicin digital. http://www.cem.es/sites/default/les/metrologia20abreviada.pdf. 3 Evaluacin de datos de medicin. Gua para la expresin de la incertidumbre de medida. Edicin digital. http://www.cem.es/sites/default/les/gum20digital1202010.pdf. 4 Evaluacin de datos de medicin. Suplemento 1 de la Gua para la expresin de la incertidumbre de medida. Propagacin de incertidumbres utilizando el mtodo de Monte Carlo. http://www.cem.es/sites/default/les/suplemento20120de20gum.pdf. 5 UNE-EN ISO 14253-1:1999: Especicacin geomtrica de productos (GPS). Inspeccin mediante medicin de piezas y equipos de medida. Parte 1: Reglas de decisin para probar la conformidad o no conformidad con las especicaciones. 6 LIRA Ignacio. Evaluating the Measurement Uncertainty, Bristol, IoP Publishing Ltd., 2002 7 JGCM 102:2011. Evaluation of measurement data Supplement 2 to the Guide to the expression of uncertainty in measurement Extension to any number of output quantities. http://www.bipm.org/utils/common/documents/jcgm/JCGM_102_2011_E.pdf. 8 JCGM 106:2012. Evaluation of measurement data - The role of measurement uncertainty in conformity assessment